Reclassification of Historical Timber with Non-Destructive Testing and Machine Learning

Abstract

Reklassifisering av returtre er tilknyttet store utfordringer grunnet den store usikkerheten til materialegenskapene og mangelen på standariserte testmetoder. Denne oppgaven utforsker bruken av ikke-destruktive tester og maskinlæring for å reklassifisere gammelt treverk. 42 trebjelker av grantre fra historiske bygninger har blitt analysert ved bruk av en Yolov8 Computer Vision modell for å detektere kvist. I tillegg har det blitt gjennomført tradisjonelle ikke-destruktive tester som ultralyd og densitet. Maskinlæringsmodellens kvistdeteksjon var av varierende nøyaktighet, men den oppnådde gode resultater etter at datasetet ble supplementert med domenespesifikk data. Bjelkene ble deretter testet til brudd i en firepunktstest for å kunne validere resultatene fra de ikke-destruktive testene. De resulterende predikasjonsmodellene ga lovende resultater med R^2 verdier opp mot 0.85 for visse testgrupper. For andre testgrupper var resultatene langt dårligere. Dette er sannsynlig grunnet store variasjoner mellom trebjelkene og de forskjellige forholdene materiale har vært utsatt for. Denne forskningen viser potensialet til implementasjonen av moderne teknologi i reklassifiseringsprossessen av gammelt trevirke og understreker nødvendigheten av standardiserte prosedyrer og videre forskning for å øke påliteligheten til metodene.

Reclassifying historical timber for sustainable reuse presents significant challenges due to the uncertainty of the material properties and the limitations of current assessment methods. This thesis investigates the reclassification of historical timber using Non-Destructive Testing (NDT) and machine learning, focusing on sustainable reuse. The study analyzed 42 beams of spruce wood from historical structures, using the Yolov8 computer vision model for knot detection and traditional NDT methods like ultrasound and density testing. The Computer Vision model effectively identified knots, though accuracy varied, indicating the need for domain-specific data. The beams were then tested destructively by four-point bending to validate the NDT findings. NDT-based predictive models yielded promising results, with R^2 values reaching up to 0.85 for certain timber sources. However, inconsistencies were noted in others due to environmental factors and material variability. The research highlights the potential of integrating advanced technologies for timber assessment and emphasizes the need for standardized protocols and further refinement to enhance reliability.