Machine learning voor het voorspellen van de restlevensduur van materialen
Stel je voor: je staat op een bouwproject en je hebt een stapel oude betonplaten liggen. Vroeger was het antwoord simpel: afvoeren, storten, nieuwe kopen. Maar nu denk je: is er nog iets mee te beginnen?
Hoe lang gaat dit nog mee als we het hergebruiken? In plaats van op je gevoel af te gaan, kun je tegenwoordig een computer laten rekenen.
Machine learning is de nieuwe gereedschapskist voor de circulaire bouwer. Het helpt je voorspellen hoe lang materialen meegaan, zodat je slimmere keuzes maakt voor je project en de planeet.
Dit gaat niet over ingewikkelde formules waar je hoofdpijn van krijgt. Het gaat over praktische tools die je helpen om materialen een tweede, derde of zelfs vierde leven te geven. We hebben het over beton dat ooit de kern van een kantoor was, nu de fundering wordt van een woning.
Of over stalen balken die uit een gesloopte loods komen en nu een moderne uitbouw dragen.
Machine learning maakt het inzichtelijk en betrouwbaar.
Wat is het eigenlijk?
Machine learning is eigenlijk gewoon een slimme rekenhulp. Je leert een computer programma patronen herkennen.
Je geeft het een berg data over materialen: hoe oud waren ze, wat voor soort belasting hebben ze gehad, hoe vochtig was de omgeving?
De computer zoekt daar patronen in en kan die toepassen op nieuwe materialen die je wilt hergebruiken. Het is niet magisch, het is gewoon statistiek op een heel hoog niveau. Denk aan de app van je telefoon die je typgedrag leert en woorden aanvult.
Machine learning doet hetzelfde, maar dan voor de levensduur van een stuk hout of een staalprofiel. Je voedt het met data van bekende materialen en het geeft je een schatting voor een onbekend exemplaar.
Waarom is dat handig? Omdat je nu een inschatting kunt maken voordat je materiaal koopt of hergebruikt. Je weet straks ongeveer hoeveel jaar het nog meegaat. Dit maakt hergebruik veel aantrekkelijker en betrouwbaarder voor opdrachtgevers. Het verkleint het risico en vergroot het vertrouwen in circulair bouwen.
Waarom is dit een gamechanger voor circulair bouwen?
De grootste horde voor hergebruik is twijfel. Een aannemer wil zekerheid.
Hij wil niet dat een hergebruikte ligger het na vijf jaar begeeft. Machine learning geeft die zekerheid. Het zegt niet "100% gegarandeerd", maar het geeft een veel betere onderbouwing dan "dat ziet er wel stevig uit". Dat is precies wat nodig is om hergebruik mainstream te maken.
Het speelt ook een enorme rol bij urban mining. Dat is het idee dat de stad een mijn is vol materialen.
Je kunt niet met je blote oog zien welke bakstenen van een gebouw uit 1970 nog geschikt zijn voor een nieuw project.
Een slim computermodel kan dat wel. Het koppelt data over de oorsprong van de steen aan zijn huidige staat en geeft een inschatting. Dit bespaart ook nog eens gigantisch veel CO2.
Nieuw beton of staal produceren kost enorm veel energie. Door materialen langer en vaker te gebruiken, verminder je die uitstoot.
Machine learning helpt je om te bepalen welk materiaal het beste hergebruikt kan worden voor welk doel, waardoor je de grootste milieuwinst boekt. Dit is de technologie die circulaire ambities echt maakt. Bovendien helpt het bij het ontwerp, bijvoorbeeld via slimme assistenten voor circulair materiaaladvies.
Stel je ontwerpt een gebouw en je weet dat je over 3 jaar een grote partij hergebruikt betonplaten verwacht van een sloopproject in de buurt.
Je kunt je ontwerp nu al zo maken dat die platen straks perfect passen. Machine learning helpt je om de beschikbaarheid en kwaliteit van toekomstige materialen te voorspellen, waardoor je slimmer kunt ontwerpen.
Hoe werkt het in de praktijk? Stap voor stap
Het proces is logischer dan je denkt. Het begint allemaal met data verzamelen.
Dit is de basis voor alles. Zonder data kan de computer niets leren.
- De datum waarop het materiaal is geproduceerd.
- Het type materiaal, bijvoorbeeld biobased isolatieplaten van hennep of staal van een bepaalde kwaliteit.
- De herkomst: waar komt het vandaan? Een kantoorpand uit 1990 of een brug uit 2005?
- Meetgegevens: hoe dik is het nog? Zit er roest aan? Vochtigheidspercentages.
- Wat is het eerder gebruikt voor? Zware belasting of lichte scheidingswand?
Je moet dus zoveel mogelijk informatie over je materialen bijhouden. Dit is de investering die je nu doet voor een schone toekomst. Je kunt denken aan dit soort gegevens: De volgende stap is het model trainen. Je gebruikt een stukje software dat geschikt is voor machine learning.
Je voedt deze software met de data die je net hebt verzameld van materialen waarvan je wél het eindresultaat kent.
Bijvoorbeeld: "Deze 100 betonbalken zijn 40 jaar gebruikt en vertoonden toen scheuren van een bepaalde grootte." De computer leert zo de relatie tussen de input (kenmerken) en de output (restlevensduur). En dan komt het leuke deel: de voorspelling. Je neemt een nieuw stuk materiaal, je voert de kenmerken in, en het model geeft een schatting.
Bijvoorbeeld: "Deze hergebruikte stalen balk heeft naar verwachting nog 25 tot 35 jaar levensduur bij normaal gebruik." Soms geeft het een getal, soms een categorie (bijv. "goed", "matig", "nog een keer te gebruiken").
Als laatste is het een kwestie van blijven leren. Elk nieuw project levert weer nieuwe data op.
Als je een sloopproject doet, meet je de materialen opnieuw en voeg je die data toe. Zo wordt het model steeds slimmer en nauwkeuriger. Het is een cyclus van meten, gebruiken, bijleren en opnieuw gebruiken.
Modellen en prijzen: van Excel tot specialistische software
Je hoeft meteen geen duur AI-bedrijf in te huren. Je kunt heel laagdrempelig beginnen.
De basis is een tool als Excel of Google Sheets. Als je eenmaal een gestructureerde lijst hebt met materialen en hun kenmerken, kun je al simpele verbanden leggen. Dit is de 'light'-versie, geschikt voor kleine projecten of om te oefenen. Dit kost je vooral tijd.
De volgende stap is het gebruiken van programmeertalen zoals Python. Hier zijn gratis libraries voor beschikbaar (zoals Scikit-learn of Pandas).
Je hebt iemand nodig met basiskennis van data-analyse. Dit is de 'doe-het-zelf'-aanpak.
De kosten zijn hier vooral de uren van een medewerker of een externe freelancer. Reken op €60 - €120 per uur voor een goede freelancer. Een simpel model bouwen kost al gauw een week of 2 tot 4 werk.
Er komen ook gespecialiseerde softwarepakketten op de markt die specifiek voor de bouw zijn ontwikkeld. Denk aan tools die samenwerken met BIM-software (Bouw Informatie Modellen).
Programma's zoals Madaster (een 'paspoort' voor materialen) beginnen al slimme data-analyses te integreren. De prijzen hiervan zijn vaak abonnementsvormen, variërend van €500 tot €2000 per jaar, afhankelijk van de grootte van je bedrijf en de functionaliteiten. Voor de echte zware berekeningen, bijvoorbeeld voor complexe constructies of gigantische data-analyses, kun je platforms zoals Microsoft Azure Machine Learning of Amazon SageMaker gebruiken.
Dit is meer voor de grote spelers. De kosten hier zijn usage-based.
Je betaalt per rekenuur. Voor een gemiddeld bouwbedrijf dat hier serieus mee aan de slag wil, kun je denken aan een budget van €2000 - €5000 per jaar voor de software en rekenkracht, exclusief de uren voor data-invoer en interpretatie.
Een specifiek voorbeeld: voor het voorspellen van roest bij staal (corrosie) zijn complexe modellen.
Er bestaan al onderzoeksmodellen die rekening houden met de chloride-concentratie in het beton en de luchtvochtigheid. Deze modellen zijn vaak nog niet 'kant-en-klaar' te koop, maar je kunt ze via universiteiten of gespecialiseerde ingenieursbureaus inzetten. De kosten hiervan kunnen oplopen tot €10.000 voor een specifiek onderzoek, maar het levert wel extreem gedegen resultaat op.
Jouw eerste stappen: een praktische aanpak
Wil je beginnen? Start klein. Pak één type materiaal.
Bijvoorbeeld bakstenen of vloerplaten van een specifiek type. Verzamel voor 10 tot 20 oude projecten de data die je hebt. Zelfs als het onvolledig is, is het beter dan niets.
Dit is je eerste dataset. Zorg dat je bijhoudt wat je meet.
Focus op drie meetbare factoren die een grote impact hebben:
- Visuele schade: Maak