Introduktion

BUILD har udført en omfattende litteraturgennemgang af forskellige metoder og modeller anvendt til at estimere levetiden for bygningsmaterialer og bygningsdele. Estimering af levetiden for bygningsmaterialer er en vigtig parameter for at sikre bæredygtige og økonomisk effektive byggepraksisser, da det bl.a. indgår i LCA-beregninger og danner grundlag for vedligeholdsstrategier.

Deterministiske og stokastiske modeller

Deterministiske modeller bruger givne værdier for materialeegenskaber og klimaforhold til at beregne levetiden. En af de mest anvendte deterministiske modeller er faktormetoden, som estimerer levetiden ved at multiplicere referencelevetiden (RSL) med faktorer, der repræsenterer en række specifikke forhold. Den er udgivet som international standard (ISO 15686). Andre tilgange betegnes som simple regressionsmodeller eller multiregressionsmodeller.

Stokastiske modeller (også omtalt som probabilistiske modeller) er mere komplekse og anvendes, når brugeren ønsker at tage højde for usikkerheder i materialeegenskaber og eksterne faktorer i estimering af levetiden. Modeller såsom Markov-kæder og Petri-nets kan øge nøjagtigheden af den estimerede levetid, da de kan håndtere samtidige processer og indbyrdes afhængigheder af faktorer i beregninger, og kan derved i højere grad forudsige systemers udvikling over tid.

Maskinlæringsmodeller

Maskinlæringsmodeller, herunder kunstige neurale netværk (ANN'er) og Fuzzy Logic, er avancerede modeller, som anvendes til at analysere store datasæt og mange forskellige afgørende parametre for at identificere komplekse mønstre og levere mere præcise levetidsestimater. ANN lærer af eksisterende data og bliver gradvis i stand til at "forudsige" resultatet for andre kombinationer af parametre af betydning for levetiden. Modeller baseret på Fuzzy Logic kan bl.a. håndtere kvalitative data (f.eks. ekspertudsagn). I litteraturen har disse modeller vist sig at være særligt nyttige i scenarier med høj kompleksitet og store datamængder. 

Hybridmodeller

Hybridmodeller kombinerer flere forskellige maskinlæringsmodeller, f.eks. ANN og Fuzzy Logic, eller kombinerer f.eks. stokastiske tilgange med maskinlæring. Endvidere arbejdes med at videreudvikle faktormetoden ved at kombinere den med en stokastisk tilgang eller maskinlæring. Potentialet af sådanne modeller i forhold til at forbedre nøjagtigheden af levetider, er i øjeblikket ved at blive afdækket internationalt; indtil videre er de forsøgsvis anvendt i specifikke sammenhænge, f.eks. forsyningsledningssystemer.

Data krav og valg af model

Den videnskabelige litteratur understreger vigtigheden af præcise og repræsentative data for alle modeltyper, da nøjagtige input er afgørende for at opnå pålidelige resultater. Det påpeges også, at enkle modeller ofte er tilstrækkelige og at brugere bør vælge modeller med det mindste antal afgørende parametre. Avancerede modeller kræver mere specialiseret viden og større datamængder for at kunne give fornuftige resultater. De kan være besværlige at arbejde med, ligesom resultater kan være vanskelige at tolke. Valg af modelleringstilgang bør derfor tage hensyn til problemets krav, tilgængelige data, ressourcer og det ønskede niveau af nøjagtighed og fortolkning.

Aktører og forskningsfokus

Litteraturgennemgangen dækker eksisterende forskning og metoder til levetidsestimering, hvilket giver et godt fundament for beslutningstagere, ingeniører og forskere til at vælge de mest hensigtsmæssige metoder baseret på deres specifikke behov og kontekster. Litteraturstudiet viser, at estimering af levetiden især har haft fokus på facadebeklædninger, tagbeklædninger og vinduesrammer, da disse bygningsdele udsættes for betydelige, især udefrakommende påvirkninger og har stor betydning for bygningens samlede æstetik, holdbarhed og vedligeholdelsesomkostninger. Forståelse af byggematerialers levetid er fundamentalt for at træffe informerede beslutninger, der afbalancerer holdbarhed, klimapåvirkning og økonomisk effektivitet.