DecarbonAIte
Byggnadssektorn har en enorm potential att minska utsläppen av växthusgaser. Stora renoveringar är brådskande för att uppfylla Sveriges klimatmål för 2045. Ett hinder är den manuella, tidskrävande planeringen av renoveringsåtgärder. Digitala tvillingar av städer kan ge en bra grund för effektiv renoveringsplanering och beslutsstöd.
Data som behövs för energisimulering, t.ex. fönster eller u-värden för byggnadsskalet, saknas dock för närvarande. Syftet med det här projektet är att anpassa och tillämpa maskininlärning för att extrahera funktioner från offentligt tillgängliga databaser för att berika digitala tvillingmodeller för städer och tillhandahålla optimerade renoveringsåtgärder för beslutsstöd.
Fastighetsförvaltare och kommuner kommer direkt att dra nytta av verktyget för beslutsstöd och en bättre digital plattform för att förvalta byggnaderna. På lång sikt bidrar projektet till att öka renoveringstakten och uppnå klimatmålen. De berikade digitala tvillingarna ger också många fördelar utöver renoveringsplanering.
AI-driven modellering och nedbrytning av bionedbrytbara polymerer i nordiska klimatförhållanden
I nordiskt klimat kan även bionedbrytbara bioplaster bli kvar länge i jorden, eller brytas ner ofullkomligt till mikroplaster. I detta projektet ska AI-modeller utvecklas som, med…
