Towards a data-driven circular economy: predicting material streams in the construction industry
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2023-01-23
Department
Major/Subject
Machine Learning, Data Science and Artificial Intelligence
Mcode
SCI3044
Degree programme
Master’s Programme in Computer, Communication and Information Sciences
Language
en
Pages
41
Series
Abstract
The arguably inevitable transition from linear, "take-make-dispose" economies to more circular economy models is happening with an accelerating pace on a global scale. Nevertheless, this transition is still in an early phase. Societies and industries are struggling on multiple different fronts with looping material disposal streams efficiently back to the earlier stages of their value chain. Digitalization and data-driven tools and strategies have the potential to be a vital part of the solutions that will support us through this transition. This thesis sets out to explore the relationship between digitalization and the circular economy transition. It takes the Finnish construction industry as an example environment of this transition, and suggests ways to solve the problem of aligning supply with demand in the market of non-virgin construction materials by predicting construction and demolition waste streams. This is achieved by developing two distinct, machine learning based proof of concept models (Random forest and Bayesian linear regression) that use general target building information as features to predict the amount of concrete released from demolishing the building in question. The purpose of these models is only to show the feasability of machine learning approaches to this problem. Both models are trained and tested on a minimal, close to realistic dataset obtained from pre-demolition audits of an actual demolition site. Using the coefficient of determination as a predictive performance metric, both models significantly outperform a baseline of predicting the data mean in every case. Moreover, the Random forest approach seems to outperform Bayesian linear regression. These results suggest that machine learning models indeed are a feasible approach to predict the material streams in question. However, data on actual realized waste amounts in demolition projects is not available in the amounts required to train a production level model. Hence, aggregating detailed demolition reports and pre-demolition audits in a nation-wide, collective register is recommended as a point of action to increase the data-readiness of the construction industry.Nykyisin jo väistämättömänä pidetty siirtyminen lineaaritalouksista kiertotalouden malleihin on käynnissä maailmanlaajuisesti, ja sen vauhti on kiihtyvä. Tämä siirtymä on kuitenkin vasta varhaisessa vaiheessa. Yhteiskunnat ja toimialat kamppailevat useilla eri rintamilla kytkeäkseen materiaalien hävikkivirrat takaisin niiden arvoketjujen aiempiin vaiheisiin mahdollisimman tehokkaasti. Tämän siirtymän tukemisessa ja vauhdittamisessa digitalisaatio, sekä datavetoiset työkalut ja strategiat ovat eittämättä ratkaisevassa roolissa. Tämän diplomityön tarkoituksena on tutkia digitalisaation ja kiertotaloussiirtymän välistä suhdetta. Työssä tarkastellaan suomalaista rakennusteollisuutta esimerkkiympäristönä ja esitetään purkujätevirtojen ennustamista ratkaisuksi erityisesti ei-neitseellisten rakennusmateriaalien kysynnän ja tarjonnan kohtaanto-ongelmiin. Esitys perustellaan kehittämällä kaksi erilaista, koneoppimiseen perustuvaa konseptitodistusmallia (satunnaismetsä ja Bayesilainen lineaarinen regressio), jotka käyttävät yleisiä kohderakennustietoja selittävinä muuttujina k.o. rakennuksen purkamisesta vapautuvan betonin määrän ennustamiseen. Näiden mallien tarkoitus ei ole olla suoraan sovellettavissa, vaan osoittaa koneoppimispohjaisten mallien olevan lähtökohtaisesti käyttökelpoisia tämänkaltaisten ongelmien ratkaisemiseen. Molemmat mallit koulutettiin ja testattiin hyvin pienikokoisella, lähestulkoon realistisella datajoukolla, joka on johdettu oikeista purkukartoituksista. Käyttämällä determinaatiokerrointa ennustustarkkuuden mittarina todettiin molempien mallien ennustuskyvyn olevan merkittävästi vertailutasoa (datajoukon keskiarvon ennustaminen kaikissa tapauksissa) parempi. Lisäksi todettiin satunnaismetsämenetelmän toimivan Bayesilaista lineaarista regressiota paremmin. Nämä tulokset viittaavat siihen, että koneoppimismallit ovat lähtökohtaisesti kelvollisia näiden materiaalivirtojen ennustamiseen. Tietoa purkuhankkeiden toteutumista ei kuitenkaan tällä hetkellä ole laajemmin saatavilla, puhumattakaan tuotantotasoisten mallien kouluttamiseen tarvittavista määristä. Näin ollen myös materiaalivirtojen ajalliset jakaumat sisältävien yksityiskohtaisten purkutoteumien ja -kartoitusten tuomista kollektiiviseen, maanlaajuiseen rekisteriin suositellaan toimenpiteeksi rakennusteollisuuden datavalmiuksien parantamiseksi.Description
Supervisor
Jung, AlexThesis advisor
Jokela, SamiTurpeinen, Marko
Keywords
circular economy, construction and demolition waste, machine learning, random forest, Bayesian linear regression