Professor Georg Nemetschek, vars koncern Nemetschek Group består av 13 varumärken som producerar alla typer av byggteknologi (däribland Bluebeam), grundade Georg Nemetschek Institute of Artificial Intelligence for the Built World (GNI) 2020.

GNI är ett samarbete mellan Nemetschek Innovation Foundation och Münchens tekniska universitet (TUM), och har som målsättning att finansiera primär forskning inom artificiell intelligens relaterad till bygg- och fastighetsägarbranschen. Institutet publicerade sin första inbjudan att lämna förslag i november 2020.

GNI, som har sitt huvudkontor på TUM:s Garching-campus i München, har hittills finansierat två huvudsakliga forskningsområden: forskningsprojekt och stöd till enskilda forskare genom postdoktorala program.

Medan byggbranschen fortsätter att anamma ny teknologi är initiativ som GNI avgörande för att kunna utforska och använda verktyg som kan bli omvälvande för hur vår värld byggs. AI har redan några begynnande användningsområden i branschen, men GNI:s arbete syftar till att stärka potentiella användningsfall genom forskning som bidrar till att befästa nästa generations bygginnovationer.

Sedan GNI startades har sex innovativa forskningsprojekt fått finansieringsgodkännande.

Samtliga sex projekt har bildats och inlett sitt arbete på ett tidigt stadium. Projekten är verkligen spännande, eftersom de har potential att göra viktiga genombrott som för byggbranschen framåt.

Här följer en sammanfattning av varje projekt:

Projekt 1: Artificiell intelligens för att automatiskt skapa flerskaliga digitala tvillingar för den byggda världen (AI4TWINNING)

Digitala tvillingar hör till de mest efterlängtade teknologierna för bygg- och fastighetsägarbranschen, tack vare att de innebär värdefulla kostnadsbesparingar och produktivitetsförbättringar. En digital tvilling är inte bara en statisk kopia av en byggnad, utan skapar snarare en realtidskoppling mellan den digitala och den fysiska tvillingen. Målet med projektet är inte att skapa en enda monolitisk digital tvilling utan istället ett system av sammankopplade tvillingar i olika skalor, vilket ger möjlighet att sömlöst integrera modeller av städer, distrikt och byggnader samt hålla dessa aktuella och konsekventa.

Läs mer här.

Projekt 2: Artificiell intelligens för smart design och testning av cement och betong (AICC)

Cement och betong hör till byggbranschens vanligaste material. Användningen av materialen har en enorm inverkan på koldioxidutsläppen – inte bara på grund av den stora mängd material som bearbetas varje år utan också för att de förbrukar mycket energi under tillverkningen. I det här projektet föreslås metoder baserade på maskininlärning för att karakterisera betongens luftporsystem. Dessa påverkar nedbrytnings- och försämringsprocesserna, främst på grund av mekanismerna för gas- och fukttransport i den fasta fasen. Målet med projektet är att undersöka olika in- och utmatningsvariabler från nuvarande standardiserade metoder i syfte att göra dem mer exakta och tillförlitliga.

Titta in i projektet här.

Projekt 3: Intelligent infrastrukturunderhåll med djupinlärning (INFRA.RELEARN)

Underhållet av väg- och vattensystem, inklusive transport-, energi- och vattennät, innebär en betydande kostnad för samhället. För närvarande sker planeringen av underhållsåtgärder (däribland besiktning) främst baserat på en kombination av fasta regler och tillfällig optimering. Projektet syftar till att ta ett viktigt steg mot AI-stödd underhållsplanering genom att upprätta formella beskrivningar av underhållsplanering för infrastruktur som ett sekventiellt beslutsproblem och utveckla skräddarsydda DRL-algoritmer för att identifiera optimala underhållsstrategier.

Upptäck mer här.

Projekt 4: Djup, fysikbaserad övervakning av byggnadshälsa (DeepMonitor)

Att hitta dolda konstruktionsfel är en viktig uppgift inom väg- och vattenbyggnad. Hittills har upptäckten av sådana fel genom sensorsignaler varit allt från tidskrävande till omöjlig, eftersom de tillhörande inverterade problemen är svårlösta och allt för ofta dåligt lämpade för praktiska tillämpningar inom väg- och vattenbyggnad.

För att lösa det här problemet ska ett forskarteam undersöka alla tillgängliga alternativ inom datavetenskap, från datadrivet övervakat lärande till oövervakat lärande som hämtar information från fysiken. Vi kommer att utveckla datadrivna ersättningsmodeller för att stödja eller helt ersätta konventionella metoder. Problemet kommer också att hanteras genom inlärning av regulariseringen från data med hjälp av neurala nätverk. Samtliga metoder kommer att utvärderas först genom riktmärkesexempel och i projektets sista fas testas på konstruktioner av praktiskt intresse inom väg- och vattenbyggnad.

Här finns mer information om projektet.

Projekt 5: Utformning av infrastruktur och nätverk för cykling – en människocentrerad, datadriven metod som bygger på rumslig-temporal maskininlärning (RADELN)

Projektet syftar till att utveckla en människocentrerad, datadriven metod för att hitta optimala utformningar av infrastruktur och nätverk för cykling i storstadsregioner som bidrar till att omvandla bilresor till cykelresor.

I ramverket utnyttjas all potential för trafikomställning genom att man införlivar längre resor och skiljer ut de heterogena preferenserna hos tidigare identifierade cyklisttyper. För att så realistiskt som möjligt förutsäga den resespecifika cykelinfrastrukturens inverkan på andelen cykelresor ska projektets forskare först baklängeskonstruera den faktiska realiserade rutten och valet av transportmedel utifrån verkliga data. De ska också utveckla en datadriven modell för att hitta flaskhalsar i de befintliga cykelnätverken.

Läs mer här.

Projekt 6: Samarbetsrobotar för byggbranschen med spatial AI (SPAICR)

Tillämpningen av mobila samarbetsrobotar i byggprocessen kan innebära en enorm potential för arkitekt-, ingenjörs- och byggbranschen. Användningen av robotar kan leda till ökad effektivitet och säkerhet, minskade kostnader och fel samt större möjlig noggrannhet. Det gäller såväl nya byggnader som befintliga med avseende på renovering, reparation och underhåll.

Byggarbetsplatserna medför dock avsevärda utmaningar för robotanvändningen. Byggprocessen i sig kan leda till att platsen förändras. Miljöerna karakteriseras som dåligt konstruerade och dynamiska, eftersom olika aktörer (såväl människor som robotar) måste utföra olika heterogena uppgifter.

Därför har man ännu inte lyckats demonstrera storskalig användning av mobila samarbetsrobotar i byggbranschen med en acceptabel nivå av noggrannhet, stabilitet och samordning. Med det här projektet hoppas forskarna göra framsteg mot användningen mobila samarbetsrobotar i den verkliga världen genom att med hjälp av avancerad spatial artificiell intelligens och spatiala datatekniker från datorseende och robotteknik skapa och underhålla en digital tvilling för samarbetsrobotprocessen.

Läs om projektets omfattning här.

Håll dig informerad genom att besöka GNI:s webbplats där du kan läsa mer om GNI, följa projektens framsteg och få uppdateringar om institutets senaste nyheter.