23948sdkhjf

Kunstig intelligens skal kutte utslipp

Skanska blir først i verden til å utvikle kunstig intelligens for anleggsmaskiner. Det skal gi mindre utslipp, raskere utbygging og lavere kostnader.

Norske anleggsmaskiner går på tomgang i nær halvparten av arbeidstiden, og står for en femtedel av klimagassutslippene fra bygg og anlegg.

Nå får Skanska med seg SINTEF, Volvo og softwareselskapet Ditio for å løse problemet. Sammen skal de bruke maskinlæring, ruteoptimalisering og kunstig intelligens for å hjelpe maskinene å jobbe mer effektivt.

«Datadrevet anleggsplass»

Forskere fra SINTEF Digital skal bruke data som Skanska allerede logger til å utvikle en løsning for automatisk sanntidsstyring av maskinparken på anleggsplasser.

Forskningsprosjektet «Datadrevet anleggsplass» har en ramme på 19 millioner kroner. Forskningsrådet går nå inn med halvparten i støtte gjennom det statlige forskningsprogrammet Pilot-E, for å gjøre vegen kortere fra idé til marked.

– Forskningen sikter på å skape betydelige kutt i både tidsbruk, utslipp og anleggskostnader, og målet er å gjøre løsningen kommersielt tilgjengelig for alle. Skal vår bransje nå bærekraftsmålene, må vi gjøre det sammen, understreker prosjekteier Jo Mortensen i Skanska Digital, en avdeling som er spisset mot forretningsutvkling innen digitale løsninger for bygg- og anleggsnæringen.

Også for konkurrenter

Se for deg et vegbyggingsprosjekt, der hver eneste anleggsmaskin til enhver tid vet hvor de andre er, hva de gjør og hva som er den optimale måten å organisere arbeidet på akkurat nå.

Dette har Skanska tenkt å oppnå ved å utvikle algoritmer som lærer å gjenkjenne ineffektive rutevalg og kjøremønstre, som ser hvilke maskiner som trengs hvor – og som samkjører maskinparken for å unngå unødig ventetid, tomgangskjøring og overflødig arbeid.

– Vi ønsker å bygge en dataløsning som ivaretar bransjens beste praksis, ved å kombinere kompetansen til våre dyktige fagfolk på anleggsplassen med algoritmestyring av ressursene og optimalisering av ruteplanleggingen, sier prosjektleder Lars Horn i Skanska Digital.

– Dette er innovasjon som vil komme hele anleggsbransjen til gode, siden den ferdige løsningen vil bli mulig å kjøpe, også for våre konkurrenter.

Levende laboratorium

Én utfordring er at Skanskas store anleggsprosjekter kan ha opptil 200 maskiner i drift på samme tid. Dataene viser at noen maskiner kan stå på tomgang opp til 40 prosent av tiden, mens de venter på hverandre. For å løse utfordringen har Skanska altså gått sammen med SINTEF, Volvo og Ditio.

Forskere fra SINTEF Digital skal bruke en enorm datamengde til å drive maskinlæring og utvikle optimaliseringsalgoritmer for maskinene. Det skjer i tett samarbeid med fagfolkene på et av Skanskas vegprosjekter, som dermed blir et levende forskningslaboratorium.

I dag koordineres maskinene på anleggsplassen av erfarne arbeidsledere med walkie talkie. Skanska og SINTEF vil legge deres gullstandarder inn i algoritmene som til enhver tid skal guide maskinene mot den optimale anleggsgjennomføringen.

Skal merkes på statsbudsjettet

– Vi skal kutte utslipp, men vi skal også bygge vegen raskere og billigere. Hvis dette går som vi ønsker, vil det merkes på statsbudsjettet, sier Randi Lekanger, som er miljøsjef i Skanska.

Hun er glad for at Forskningsrådet støtter både forskningsinnsatsen og arbeidet for å kommersialisere løsningen de kommer fram til. Hun tenker ikke bare på klimaeffekten, men også på samfunnsøkonomien.

– Vi har en ambisjon om å kutte 105.000 tonn CO2-ekvivalenter i året, altså minst ti prosent av klimagassutslippene fra anleggsbransjen. Og da er vi beskjedne, vi har tro på enda større effekt, sier Lekanger

Hun peker på at Norge bruker 100 milliarder kroner i året på vegbygging, og at omlag 70 prosent av kostnaden er knyttet til drivstoff, personell og drift av maskiner.

SINTEF-forskerne Signe Riemer-Sørensen og Torkel Haufmann kjenner ikke til noen liknende forskningsprosjekter i verden, og ser fram til å komme i gang.

Kommenter artikkelen
Anbefalte artikler

Nyhetsbrev

Send til en kollega

0.173