Sloopwijzer

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.

Google Streetview als publiek beschikbare databron heeft veel voordelen, maar ook beperkingen. De ontwikkelde systemen in dit project vormen een goed startpunt om op wijk- of stadsniveau materiaalbalansschattingen te doen die veel accurater zijn dan de huidige beschikbare analyses.

De mogelijkheden van AI-detectie zijn erg talrijk. Hoe specifieker de vraag of behoefte naar dit type analyse, hoe beter een workflow kan worden uitgewerkt die de vraag kan beantwoorden.

Circulaire economie is moeilijk te monitoren. Zo is het bepalen van materiaalrestwaarden een grote uitdaging waarvoor nog geen pasklare methodologie bestaat. Daarom zochten we naar alternatieve datastromen, zoals via webscraping. Het was vernieuwend en inspirerend om op die manier te werken.

De bouwsector is een complexe sector met veel verschillende partijen. Onder de impuls van circulaire economie komen daar nog rollen bij, zoals urban miners, hergebruikinitiatieven, dataplatformen ... Om de huidige lineaire waardeketen te veranderen, moet je met veel verschillende partijen in dialoog gaan.