We organiseren onze acties in zes thematische werkagenda's:
Werkagenda's:
Bio-economie
Circulair Bouwen
Chemie/Kunststoffen
Maakindustrie
Voedselketen
Waterkringlopen
Zeven hefboomwerkingen zorgen voor extra ondersteuning:
Hefboomwerkingen:
Beleidsinstrumenten
Circulair aankopen
Communicatie
Innoveren & Ondernemen
Financiering
Jobs & Vaardigheden
Onderzoek
Wat, waarom en hoe?
Waarom gaan we voor een circulaire economie?
Toekomstbeelden 2050
Hoe zien we onze circulaire toekomst?
Over onze aansturing
Wie stuurt wat bij Vlaanderen Circulair?
De Sloopwijzer doet aan automatische materiaalherkenning in de gevels van gebouwen met behulp van Artificial Intelligence (AI). Door AI los te laten op foto’s van gebouwen, maakt het systeem een inschatting van de gebruikte materialen in de gevel en of die meer waarde opleveren bij selectief slopen. Op termijn kan de Sloopwijzer helpen bij het opstellen van sloopinventarissen en bedrijven en particulieren motiveren om selectief te slopen.
De Sloopwijzer werd ontwikkeld door VITO in nauwe samenwerking met Immoterrae en stakeholders VCB, Tracimat, FLOOW2, BOPRO en Stad Leuven.
Concreet is dit project een proof of concept dat zich focust op twee verschillende analyses. Enerzijds gebruikten we deep learning om ramen te detecteren in de voorgevels van gebouwen in Leuven. Anderzijds werden enkele gebouwtypologieën opgemaakt die informatie geven over de materiaalsamenstelling van een gebouw, gebaseerd op visuele aspecten. Die detectiemethode hebben we ook getest op het Leuvens gebouwenpatrimonium.
Verder hebben we gebruik gemaakt van nieuwe databronnen (d.m.v. webscraping) om de mogelijke restwaarde in te schatten van een bepaald bouwmateriaal, namelijk gebruikte ramen.
Ten slotte brachten we in kaart welke mogelijke innovatietrajecten kunnen voortvloeien uit dit project, en welke stakeholders in de bouwsector daarbij gebaat zijn.
VITO
Partners Immoterrae
Organisaties Bedrijfwereld › Kennisinstelling ›
Thema's Preventie / Levensduurverlenging › Data / Tools ›
Sectoren Bouw › ICT / Technologie ›
Het raamdetectiemodel, overgenomen uit de internationale literatuur, heeft een gemiddelde accuraatheid van 85% voor een beeld. Sommige bouwstijlen presteren opvallend minder; het algoritme verfijnen met trainingsdata voor typische bouwstijlen in Vlaanderen kan dat verbeteren.
We hebben drie AI-modellen voor gebouwtypologieherkenning toegepast op onze eigen dataset van een honderdtal gevels uit Vlaamse steden. De accuraatheid ligt telkens boven de 90%. Het baksteendetectiemodel behaalde zelfs 95%.
We voerden een webscraping uit die gegevens verzamelde van websites voor tweedehands bouwmaterialen (ramen). Zo achterhaalden we welke eigenschappen de restwaarde het meest beïnvloeden: oppervlakte, soort glas, raamprofiel, en raamtype.
We bespraken de analyses met onze partners en de verschillende stakeholders. Dankzij het netwerk van dit partnerschap kregen we een goed zicht op welke marktnoden onze technologie kan inspelen.