Gebouwen die afgeschreven zijn, klaar voor renovatie of afbraak, bevatten nog heel wat bruikbare elementen. Nu belanden die meestal onder de sloophamer en worden ze als puin afgevoerd. Maar wat als we van tevoren konden inschatten welke materialen er in een te slopen gebouw aanwezig zijn? Wat als we bouwmaterialen die in de stad al aanwezig zijn, zouden bekijken als een ‘urban mine’, klaar om te ontginnen? De Vlaamse Instelling voor Technologisch Onderzoek (VITO) heeft haar expertise in materiaalbeheer, data-analyse en remote sensing samengebracht in een project voor automatische materiaalherkenning. De Sloopwijzer maakt, met de hulp van data science en op basis van bestaande beelden van Google Streetview een analyse van wat er nog bruikbaar of recycleerbaar is, of hersteld kan worden.
De tijd waarin we met grondstoffen een product maken dat na gebruik wordt weggegooid, is voorbij. In een circulair systeem proberen we helemaal in te zetten op hergebruik, recyclage en reparatie. Om dat goed te doen, moeten we precies weten welke materialen er voorhanden zijn. “De bouwsector en gebouwde omgeving zijn wereldwijd de grootste materiaalverbruikers en vertegenwoordigen het hoogste aandeel van onze Vlaamse afvalproductie. In het Sloopwijzer project hebben we gekeken naar hoe we met behulp van data science deze transitie van afvalbeheer naar materiaalstockbeheer beter kunnen ondersteunen of zelfs versnellen”, zegt Yoko Dams, R&D expert duurzaam materialenbeheer.
Om te weten wat er aan materiaalstock voorradig is in de bebouwde omgeving, moeten we niet alleen weten waar en wanneer die materialen zullen vrijkomen, maar moeten we de materialen waarover het gaat, precies kunnen oplijsten. Om die materiaalstock snel en doeltreffend in kaart te brengen, zijn VITO en Immoterrae in 2019 een demonstratieproject opgestart. “Daarbij hebben wij ons toegespitst op ramen en bouwtypologie. Die focus op ramen heeft alles te maken met de brede toepassing ervan in de context van circulaire economie. Ramen kunnen hergebruikt worden of gerecycleerd en ze laten ons toe om de energie-efficiëntie van een gebouw in te schatten. De bouwtypologie geeft ons dan weer een beeld van het gebruik van baksteen, verborgen baksteen en het feit of het om een residentieel of een niet-residentieel gebouw gaat. Als we die elementen naast elkaar leggen, krijgen we een beter beeld op de gemiddelde materialen die in dat hele gebouw zijn gebruikt.”
De automatische materiaalherkenning werd toegepast op enkele gebouwen in Leuven. De resultaten daarvan werden via een interactieve kaart ter beschikking gesteld. “We hebben ons eerst toegespitst op de ramen en we behaalden daar een gemiddelde nauwkeurigheid van 85%”, zegt Dams. “Daarnaast hebben we drie AI-modellen ingezet voor gebouwtypologieherkenning. Die hebben we getraind op basis van een dataset van honderden gevels in een aantal Vlaamse steden. Het resultaat is een accuraatheid van 90% voor alle modellen en een score van 95% voor baksteen.” Aan het einde van de rit is ook een schatting gemaakt van de restwaarde van de ramen op basis van de vraagprijzen van gebruikte ramen op online handelsplatformen. Daarbij werd rekening gehouden met alle eigenschappen die bij ramen prijsbepalend zijn: grootte, type profiel, type raam en type glas …
Sloopwijzer heeft de eerste test doorstaan. Het is mogelijk om bouwelementen en -materialen te detecteren op straatbeelden van gebouwen in Vlaanderen. Op relatief korte tijd kan dit systeem ook ingezet worden op wijk- of stadsniveau. Als de materiaalschatter verder wordt uitgebreid kunnen meer materialen gedetecteerd en geschat worden.