BCT utviklet MoistLab-plattformen sammen med Institut for Fugtteknik for å gjøre ekspertbasert fuktdiagnostikk mer ensartet, dokumenterbar og skalerbar.

Prosjektet omfattet:

• plattform- og systemarkitektur
• datastruktur og governance
• integrasjon av flere typer sensordata
• integrasjon av AI-modeller og tolkningslogikk
• automatisk og standardisert rapportering
• et interaktivt grensesnitt for diagnostisering og innsikt
• fundament for fremtidig 3D- og AR-visualisering

Fuktskader i bygninger har tradisjonelt blitt vurdert ut fra relativt enkle målinger kombinert med ekspertens erfaring. Det kan føre til feil diagnoser og dyre utbedringer.

MoistLab samler flere typer målinger og bruker AI til å støtte vurderingen, slik at diagnosen blir mer presis, ensartet og enklere å dokumentere.

Plattformen:

• samler fuktmålinger, termiske bilder og saltanalyser
• bruker AI til å identifisere fukttype og sannsynlig årsak
• genererer standardiserte diagnoserapporter automatisk
• gjør det mulig å utforske data og resultater i et interaktivt grensesnitt
• er bygget slik at 3D- og AR-visualisering kan legges til senere

Målet var ikke å erstatte ekspertene, men å gi vurderingene deres et sterkere og mer ensartet datagrunnlag.

En viktig del av arbeidet var å gjøre ekspertkunnskap forståelig, strukturert og anvendelig i et digitalt system.

BCT jobbet tett sammen med Institut for Fugtteknik og deres forskningspartnere om å:

• skape en robust datastruktur før AI ble koblet på
• sikre sporbarhet fra den enkelte målingen til den endelige diagnosen
• bygge arbeidsflyter der resultatene kunne forstås og etterprøves
• presentere resultatene slik at både ingeniører, arkitekter og bygningseiere kunne bruke dem

Det gjorde det mulig å ta løsningen fra et forskningsbasert proof of concept til et produkt som kunne brukes i praksis.

Bildekilde: Alexandra Institute

Bildekilde: EHHS

MoistLab har løftet både treffsikkerheten og ensartetheten i fuktdiagnostikken.

De viktigste resultatene: