The construction industry is the main contributor to global greenhouse gas (GHG) emissions, resource consumption and demolition-related waste generation. A reduction in these environmental impacts can be achieved by recovering building waste through selective deconstruction and material reuse. Unfortunately, recycling is the most common practice in the waste management hierarchy, and it is not as energy- and material-efficient as reuse. Therefore, reuse should be promoted for better waste management and efficient use of materials. The built environment can take advantage of circular economy and digitalization principles to promote reuse practices. However, the absence of an established decision-making framework to identify reusable structural elements and the lack of initiatives to adopt advanced technologies for reuse slow down the practical implementation in the built environment. In this thesis, a multi-criteria decision-making framework is developed with an automated convolutional neural network tool that recognizes corrosion, connection types and associated damage from steel structure images, with an overall accuracy of 83%, 89%, and 83%, respectively. To validate the tool and demonstrate the potential of the research, the decision-making framework is applied to a case study of steel frame building from a real-world reuse project. The framework refers to the feasibility of decisions around reusing structural elements from end-of-life buildings, and depending on the reuse percentage, it indicated that up to 106,000 kgCO2e can be saved from reuse practice for the considered case study. This framework is intended to provide a strong supportive system to the stakeholders and decision-makers in the built environment. As a result, it reduces the risk and uncertainties associated with reusing structural elements from end-of-life building stock. Finally, efficient decision-making can positively contribute to the goal of reducing GHG emissions caused by the Architecture, Engineering, and Construction (AEC) industry. The method developed in this thesis can also be extended to other building types to further facilitate the reuse of components and materials widely used in the industry.
Il settore edile è il principale contributore alle emissioni globali di gas serra (GHG), al consumo di risorse e alla produzione di rifiuti legati alla demolizione. Una riduzione di questi impatti ambientali può essere ottenuta recuperando i rifiuti edili attraverso la decostruzione selettiva e il riutilizzo dei materiali. Sfortunatamente, il riciclaggio è la pratica più comune nella gerarchia della gestione dei rifiuti e non è efficiente in termini di energia e materiali come il riutilizzo. Pertanto, il riutilizzo dovrebbe essere promosso per una migliore gestione dei rifiuti e un uso efficiente dei materiali. L'ambiente costruito può trarre vantaggio dall'economia circolare e dai principi della digitalizzazione per promuovere pratiche di riutilizzo. Tuttavia, l'assenza di un quadro decisionale consolidato per identificare gli elementi strutturali riutilizzabili e la mancanza di iniziative per l'adozione di tecnologie avanzate per il riutilizzo rallentano l'attuazione pratica nell'ambiente edificato. In questa tesi, viene sviluppato un framework decisionale multi-criterio con uno strumento di rete neurale convoluzionale automatizzato che riconosce la corrosione, i tipi di connessione e i danni associati dalle immagini della struttura in acciaio, con una precisione complessiva dell' 83%, 89% e 83%, rispettivamente. Per convalidare lo strumento e dimostrare il potenziale della ricerca, il quadro decisionale viene applicato a un caso di studio della costruzione di strutture in acciaio da un progetto di riutilizzo del mondo reale. Il quadro si riferisce alla fattibilità delle decisioni sul riutilizzo di elementi strutturali da edifici fuori uso e, a seconda della percentuale di riutilizzo, indica che è possibile risparmiare fino a 106.000 kgCO2e dalla pratica di riutilizzo per il caso di studio considerato. Questo quadro ha lo scopo di fornire un forte sistema di supporto alle parti interessate e ai decisori nell'ambiente costruito. Di conseguenza, riduce il rischio e le incertezze associate al riutilizzo degli elementi strutturali del parco edilizio fuori uso. Infine, un processo decisionale efficiente può contribuire positivamente all'obiettivo di ridurre le emissioni di gas a effetto serra causate dal settore dell'architettura, dell'ingegneria e delle costruzioni (AEC). Il metodo sviluppato in questa tesi può essere esteso anche ad altre tipologie edilizie per facilitare ulteriormente il riutilizzo di componenti e materiali ampiamente utilizzati nell'industria.
Automated decision-making for the end-of-life scenario of steel structures using convolutional neural networks
Birhane, Mussie Amaha
2021/2022
Abstract
The construction industry is the main contributor to global greenhouse gas (GHG) emissions, resource consumption and demolition-related waste generation. A reduction in these environmental impacts can be achieved by recovering building waste through selective deconstruction and material reuse. Unfortunately, recycling is the most common practice in the waste management hierarchy, and it is not as energy- and material-efficient as reuse. Therefore, reuse should be promoted for better waste management and efficient use of materials. The built environment can take advantage of circular economy and digitalization principles to promote reuse practices. However, the absence of an established decision-making framework to identify reusable structural elements and the lack of initiatives to adopt advanced technologies for reuse slow down the practical implementation in the built environment. In this thesis, a multi-criteria decision-making framework is developed with an automated convolutional neural network tool that recognizes corrosion, connection types and associated damage from steel structure images, with an overall accuracy of 83%, 89%, and 83%, respectively. To validate the tool and demonstrate the potential of the research, the decision-making framework is applied to a case study of steel frame building from a real-world reuse project. The framework refers to the feasibility of decisions around reusing structural elements from end-of-life buildings, and depending on the reuse percentage, it indicated that up to 106,000 kgCO2e can be saved from reuse practice for the considered case study. This framework is intended to provide a strong supportive system to the stakeholders and decision-makers in the built environment. As a result, it reduces the risk and uncertainties associated with reusing structural elements from end-of-life building stock. Finally, efficient decision-making can positively contribute to the goal of reducing GHG emissions caused by the Architecture, Engineering, and Construction (AEC) industry. The method developed in this thesis can also be extended to other building types to further facilitate the reuse of components and materials widely used in the industry.| File | Dimensione | Formato | |
|---|---|---|---|
|
Mussie_Birhane_Masters_Thesis.pdf
non accessibile
Dimensione
5.31 MB
Formato
Adobe PDF
|
5.31 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/189923