Automatisert mengdehøsting i et infrastrukturprosjekt

Abstract

Bygg-, anlegg- og eiendomsbransjen har slitt med å holde følge med andre sektorer når det kommer til effektivitet og bærekraft. Bransjen har vært treg til å utvikle nye metoder som benytter nye teknologiske hjelpemidler. Bransjen selv forklarer at dens prosjektspesifikke natur og midlertidige sammensetninger av samarbeidspartnere begrenser standardiseringen, som igjen begrenser automatiseringen.

For å forbedre dette har det derfor vært et økende fokus på både standardisering og digitalisering i BAE-næringen. En av arbeidsoppgavene som er under utvikling er mengdehøsting. Denne oppgaven danner grunnlaget for flere viktige oppgaver som teknisk beskrivelse, kostnadsestimat og klimagassregnskap. Tradisjonelt har mengdehøsting vært en tidkrevende prosess, der mennesker estimerer mengder basert på 2D tegninger. I nyere tid har 2D tegninger blitt erstattet av digitale modeller. Dette tilrettelegger for automatisering av mengdehøsting. På grunn av det brede bruksområdet vil automatisering av mengdehøsting medføre store gevinster. Til tross for potensielt store fordeler, er det få studier som dokumenterer praktiske utfordringer med automatisert modellbasert mengdehøsting. Derfor undersøker denne studien automatisert modellbasert mengdehøsting i et infrastrukturprosjekt i Norge.

Studien tar utgangspunkt i COWI sitt arbeid i Hamar stasjon- prosjektet, og fokuserer på mengdehøsting til teknisk beskrivelse, fra et rådgiverperspektiv. Problemstillingen og forskningsspørsmålene i studien er:

Problemstilling: Hvordan burde automatisert mengdehøsting til teknisk beskrivelse gjøres? 1.Hvordan praktiseres mengdehøsting til teknisk beskrivelse? 2.Hva er erfaringene med mengdehøsting til teknisk beskrivelse?

Studien bestod av litteraturstudie, dokumentstudie og 14 intervjuer. Litteraturstudien dannet grunnlaget for teorikapittelet. Dokumentstudien ga bakgrunnsinformasjon om prosjektet og om rammeverket som følges i utformingen av tekniske beskrivelser for infrastrukturprosjekter i Norge, kalt ``prosesskoden''. Intervjuene dannet grunnlaget for resultatene.

I Hamar stasjon- prosjektet ble mengdehøstingen til teknisk beskrivelse gjort på to ulike måter, enten manuell modellbasert mengdehøsting eller automatisert modellbasert mengdehøsting. 21\% av kostnadspostene i den tekniske beskrivelsen ble skapt med automatisert modellbasert mengdehøsting, resterende kostnadsposter ble skapt med manuell modellbasert mengdehøsting.

Studien fant at automatisert modellbasert mengdehøsting er tidsbesparende, øker standardiseringen, forbedrer etterprøvbarheten og påliteligheten sammenlignet med manuell modellbasert mengdehøsting. Likevel, ble flest kostnadsposter høstet med den manuelle metoden. Studien identifiserte to hovedutfordringer som begrenset bruken av den automatiserte metoden: (1) ulik interesse for automatisert modellbasert mengdehøsting blant brukerne, (2) objekter som ikke ble modellert kunne naturligvis ikke høstes automatisk. Studien foreslår ulike tiltak for hver av hovedutfordringene: (1) kombinèr ovenfra-ned og nedenfra-opp tilnærming for å skape engasjement og tilpasse metoden for brukerne, (2) benytt mengdehøstingen til flere oppgaver enn kun teknisk beskrivelse, for å gjøre det verdt å modellere flere objekter.

The AEC-industry has faced challenges in keeping pace with other industries in terms of sustainability and productivity. Its adoption of innovative methods taking use of technology has been slow. The industry attributes this to its projectspecific nature and temporary team structures, which hinder standardization and, consequently, limit automation.

To address these challenges, there has been an increasing focus towards standardization and digitalization within the AEC-industry. A task under development is the quantity take off. Quantity take off serves as the basis for several important tasks including specification of work, cost estimation and calculation of greenhouse gases. Traditionally, this process has been timeconsuming and error prone, because its based on manual estimations from 2D drawings. Recently, 2D drawings have been replaced by digital models, allowing for automated quantity take off. Because of its wide range of use, automated quantity take off can result in significant improvements. Despite its huge potential upside, there has been few studies documenting practical challenges with automated quantity take off. For this reason, this study examines automated quantity take off in a infrastructureproject in Norway.

This study is based on the work of COWI in the project, Hamar station. The emphasis is on automated quantity take off to specification of work, from a consulting perspective. The following research questions have been addressed:

Research problem: How should automated quantity take off for the specification of work be done? 1. How is quantity take off for the specification of work done? 2. What are the experiences with quantity take off for the specification of work?

This study comprised a literature review, a documentstudy and 14 interviews. The literature review formed the basis of the chapter on theory. The documentstudy provided background information on the project and the framework for specification of work in Norwegian infrastructure projects, called ``prosesskoden''. The interviews were the basis for the results.

In this project, quantity take off for specification of work was done in two ways, either manual model-based quantity take off or automated model-based quantity take off. Automated model-based quantity take off was used for 21\% of the cost items, while manual model-based quantity take off were used for the remaining cost items.

This study found that automated model-based quantity take off is time-saving, increases standardization, improves traceability and reliability compared to manual model-based quantity take off. However, the majority of cost items were extracted using manual model-based quantity take off. This study identifies two main challenges that hinder the use of automated quantity take off: (1) varying interest for automated model-based quantity take off, (2) objects that were not included in the model could, naturally, not be automatically extracted. This study suggests different measures to improve each of the main challenges: (1) combine top-down and bottom-up approach to foster engagement and tailor the method to the users, (2) use automated quantity take off to other tasks than just specification of work, to make it worthwhile to model additional objects.