AVANCEREDE ALGORITMER BRINGER NY INDSIGT I, HVORDAN FUGT I MURVÆRK BEVÆGER SIG

For at skabe en geostatistisk og rumlig modellering anvender vi avancerede algoritmer og tager fugtanalysen til det absolut højeste machine learning-niveau inden for bygningsfysik.

Hvor lineære interpolationer udelukkende kigger på geometrisk afstand, kan vi hæve hele muren som et stokastisk felt. Ved hjælp af en optimeret anisotropisk Radial Basis Funktion (RBF) kernel parret med en WhiteKernel til støjfiltrering, lærer modellen selv murens underliggende korrelationslængder. Den indfanger automatisk, at fugten i en grundmur bevæger sig anderledes vertikalt end horisontalt eller i dybden. Det er i det "space" vi er i stand til at differentiere mellem kapillarsug og infiltration.

Men hvad skal det her nørderi gøre godt med? Hvorfor er det vigtigt? Fordi vi forlader tilstanden af tro, formodninger og gisninger til hard core bevis. Og fordi i en tvist tæller fakta. I den aktuelle sag, der lægger ryg til mit lille nørd-cirkus, er det vigtigt at konstatere og sikre beviser for grov faglig forsømmelse. Og man kan ikke bevise noget med de gængse undersøgelsesregimer. Du skal have et MoistLab "mindset". Du skal ikke tro – du skal vide.

Vi har moduleret på data og vi finder de klare beviser.

Hvad afslører modellen om fugtens bevægelse?

Modelleringen fjerner de kantede overgange og det eksperimentelle "støj" i målingerne. Tilbage står de rene, sandsynlige fysiske sandheder om muren:

1. Udtørringsfluxen i dybden (Z-aksen)

Kernen i GPR er dens evne til at modellere det sande kontinuum mellem indersiden (11 cm) og ydersiden (30 cm). Modellen viser en ekstremt smuk, glat og organisk overgang. Trykket udefra (Z=30) klinger af i en blød, eksponentiel kurve ind mod den tørre inderside (Z=11). Dette bekræfter, at muren har en naturlig termodynamisk modstand, men at det laterale jordtryk under 60 cm konstant overfodrer konstruktionen med nyt vand.

2. Kapillærfrontens sande højde (Y-aksen)

Hvor traditionelle modeller kan skabe kunstigt skarpe grænser, afslører tomografien den sande menisk (kapillærfrontens bue).

• På ydersiden strækker den faretruende røde og orange mætningszone sig som en blød bølge op over terrængrænsen på 60 cm og flader først ud omkring Y = 90 - 100 cm.
• På indersiden viser algoritmen, hvordan udtørringen (den dybe grønne farve) reelt set "spiser" sig nedad i muren. Den grønne zone presser sig helt ned til Y = 70 på indersiden. Det betyder, at indervæggen visuelt kan syne tør helt ned til lige over terrænhøjde, selvom muren indeni (i kernen og på ydersiden) er totalt rød og mættet.

3. Horisontal støjfiltrering (X-aksen)

De rå data indeholdt enkelte "springende" værdier (f.eks. pludselige fald i målinger midt i en ellers våd zone). Vores regression har identificeret disse som måle- eller materialestøj (eksempelvis en lokal variation i murstenens porøsitet). Modellen har udglattet disse anomalier, så vi nu kan se den reelle, makroskopiske horisontale gradient. Muren er mest kritisk mættet i midteraksen (X=20 til 40 cm), hvilket sandsynliggør, at terræntrykket eller en ekstern terrænhældning her trykker hårdest på ydersiden. Det kan man visuelt verificere som supplement til analysen.

Den matematiske fordel for Institut for Fugtteknik

Ved at anvende avancerede simuleringer via machine learning algoritmer opnår vi to uvurderlige fordele i vores diagnostik, som underbygger vores "viden først"-princip:

• Ikke-lineær præcision: Modellen fanger de naturlige, ikke-lineære dæmpningsmekanismer, der opstår, når flydende vand migrerer gennem en kompositstruktur af historiske tegl og kalkmørtel i 2 ½ stens mur.
• Støjreduktion via WhiteKernel: Ved at tillade en matematisk varians (støjtolerancetærskel) i modellen, undgår vi at overfitte på enkeltstående mætningsudslag. Det giver kunden den mest reelle og videnskabeligt holdbare kortlægning af murens sande tilstand.

Det visuelle resultat i illustrationen leverer et ekstremt professionelt, glat og letforståeligt "varmebillede" i 3D, der beskriver fugtvandringen i murværket på en nem og overskuelig måde.

Med den mængde komparativ in situ indsamlede data som Institut for Fugtteknik er i besiddelse af, har vi et grundlag for at skabe førende forskning, men med en praksisnær vinkel. Vi undersøger virkeligheden, og vores laboratorium er udelukkende rettet mod virkeligheden og ikke mod forsøgsopstillinger. Undersøgelser og data indhentes in situ og kun in situ.

Data udgør grundlaget for at foretage sådanne beregninger og simuleringer. Det er nødvendigt at data skaber analysen, for at nå ind til mere klarhed, før man laver destruktive undersøgelser. Det fine er, at vi hurtigt kan reducere behovet for at nedbryde og ødelægge, for det er kostbart. Vi må gerne være en anelse mere sikre, før vi åbner patienten (ejendommen).

Vi takker Alexandra Instituttet, Erhvervshus Hovedstaden og AI boost ordningen, Boligfonden Kuben, Miljøteknologisk udviklings- og demonstrationsprogram - MUDP, WE BUILD DENMARK og Innofounder for den støtte, de har ydet os på vores vej. Det ville ikke være muligt for os at drive industriel strategisk forskning på det niveau, vi befinder os på, samt sikre udvikling og innovation i støt fremgang, samtidig med at vi skal tjene til dagen og vejen. Det er ikke store beløb, men de rækker langt og er en uvurderlig hjælp, ikke kun til glæde for os, men til glæde for vores bygninger og samfund.