Management and Monitoring of the Gunnerus Library in Trondheim, Norway. Detection of indoor hotspots and microclimatic patterns through machine learning algorithms.

Abstract

Denne forskningen utforsker bruken av maskinlæringsalgoritmer for bevaring av kulturarv ved Gunnerusbiblioteket, i et av de mest historiske bibliotekene i Trondheim, Norge. Med mikroklimadataene samlet inn av konservatorene i bygningen, bruker forskningen som er utført tre års perioder for å identifisere mønstre eller farlig atferd som påvirker de gamle arkivene som er lagret over de fire forskjellige etasjene. Studien foreslår en ny analysemetodikk som integrerer en risikovurderingsprosedyre for å inkludere forskjellige maskinlæringsalgoritmer når det gjelder å forutsi fremtidige resultater eller klassifisere hendelser som risikable i henhold til resultatene.

For dette formålet brukes den overvåkede temperaturen og den relative fuktigheten til å lage fire distinkte risikoindekser, som hjelper til med å identifisere spesifikke potensielle farlige bevaringshendelser langs alle sensorer som er distribuert strategisk. Når risikoer er identifisert, brukes en maskinlæringsalgoritme for beslutningstre for å vurdere prognoseevnen med resultatene oppnådd for den første indikatoren, som er en referanse for europeisk standard. Hver indeks representerer en annen type risiko, med en tilsvarende dokumentkategori.

Resultatene fremhever vanskeligheten med å jobbe med ubalanserte data for å forutsi fremtidige resultater, med en redusert prosentandel av risikohendelser langs den overvåkede tidsperioden som tvinger til å bruke bestemte data for å øke ytelsen til algoritmen. I tillegg introduserer studien en klynge algoritme for klassifiseringen i en av de forhåndsutformede risikoindeksene.

Bortsett fra maskinlæring, undersøkes andre mikroklimaundersøkelser for å få nyttige konklusjoner. Disse inkluderer virkningen av sesongmessige variasjoner i sollys, perioder med ustabilitet under COVID-19 pandemien, trendgjenkjenninger og klassifisering og skalering av ulike typer risikoer. Fremtidig arbeid innebærer å forbedre dataovervåking gjennom synkronisering av alle sensorer - en prosedyre som allerede er gjort når denne oppgaven er ferdig - og utforske andre maskinlæringsalgoritmer for å forbedre mikroklimaspådommene med større datasett.

This research explores the application of machine learning algorithms for the conservation of cultural heritage at the Gunnerus Library, in one of the most historical libraries in Trondheim, Norway. With the microclimate data collected by the conservators in the building, the research conducted utilizes a three years periods to identify patterns or hazardous behaviors affecting the old archives stored across the four different floors. The study proposes a new methodology of analysis that integrates a risk assessment procedure to incorporate different machine learning algorithms in terms of predicting future results or classify events as risky according to the results.

For this purpose, the temperature and relative humidity monitored are used to create four distinct risk indexes, which help identify specific potential dangerous preservation events along all sensors distributed strategically. Once risks are identified, a decision tree machine learning algorithm is used to assess the forecast capability with the results obtained for the first indicator, which is a European Standard reference. Each index represents a different type of risk, with a corresponding category of document.

Results highlight the difficulty of working with unbalanced data for predicting future results, with a reduced percentage of risk events along the monitored time period that forces to use a specific data to increase the performance of the algorithm. Additionally, the study introduces a clustering algorithm for the classification in one of the risk index preformed.

Apart from the machine learning, other microclimate investigations are examined to obtain useful conclusions. These include the impact of the seasonal sunlight variations, periods of instability during the COVID-19 pandemic, trend recognitions, and the classification and scaling of different type of risks. Future work involves enhancing data monitoring through the synchronization of all sensors -a procedure already done once finished this thesis- and exploring other machine learning algorithms for improving the microclimate predictions with larger data sets.