URMIBALI研究项目：探索数字记录技术如何在城市采矿方法中增强对传统和历史建筑的知识并支持材料再利用

《Applied Sciences》：URMIBALI Research Project: Exploring How Digital Documentation Technologies Can Enhance Knowledge and Support the Reuse of Materials in Traditional and Historic Buildings Within an Urban Mining Approach

　　

实现欧洲碳中和（carbon neutrality）和能源绩效目标需要大规模改造历史建筑和传统建筑，这是建筑行业到2050年的关键挑战之一。这将显著增加新材料需求及废物产生，这些废物在瓦隆区已占废物总量的39%。然而，从循环经济（circular economy）和城市采矿（urban mining, UM）视角看，这些废物可被视为再利用和回收的宝贵资源。尽管有这种潜力，瓦隆区缺乏其历史建筑库存材料组成的详细信息，包括材料类型、数量和再利用潜力。此类知识对于设计有效的改造策略和推广循环施工实践至关重要。URMIBALI项目通过调查比利时列日市1919年前建造的传统住宅建筑来填补这一空白。基于六个案例研究，研究人员开发了两个互补的研究部分。第一部分关注清单现有材料库存、估算能源改造产生的废物流量，并评估主要废物部分的再利用潜力。第二部分提出了一种初步的数字方法，用于快速高效地获取立面材料数据。该项目的创新性在于其多材料、自下而上（bottom-up）和跨学科的方法，以及创建了先前不可获得的建筑库存组成数据，并开发了简单灵活的数字方法来获取这些数据。这些成果提高了对传统建筑的认识，支持了到2050年改造废物的预测，并促进了城市尺度的材料流管理，包括运输、供应链和环境影响。本贡献介绍了研究方法、主要发现以及数字方法对其他建筑类型和欧洲背景的可转移性。

论文解读文章：

**研究背景与问题**

建筑行业在向可持续、循环和碳中和经济转型中占据核心地位，建筑存量约占欧洲最终能源消耗的40%、自然资源消耗的35%，并是CO₂排放和废物的重要来源。瓦隆区（Wallonia）现有建筑存量中，1919年前建造的传统历史住宅占比高达30%（列日市达53%），这些建筑普遍缺乏保温性能，急需能源改造以达到2050年碳中和目标。然而，瓦隆区缺乏高粒度建筑存量数据，尤其是材料组成、类型、数量及再利用潜力等信息。现有地籍数据库主要服务于行政和财政目的，不包含建筑材料数据；施工废物统计仅按大类报告（如矿物或木材废物），无法识别具体材料流。这种数据缺失严重阻碍了循环施工实践和有针对性的改造策略制定。因此，URMIBALI项目旨在通过理论分析与数字技术相结合的方式，生成先前不可获得的数据，以支持历史建筑改造中的材料再利用和城市采矿（Urban Mining, UM）方法。

**研究内容与结论**

研究人员基于六个充分代表列日市1919年前传统住宅的案例研究，采用自下而上（bottom-up）和跨学科方法，开展了两个互补部分的研究：（1）理论层面，通过案例构建多材料材料库存清单，设计三种能源改造场景（从轻度到深度改造），估算各场景下废物流量，并评估主要废物部分的再利用潜力；（2）数字层面，开发结合摄影测量（Photogrammetry）与人工智能（AI）的快速立面材料数据获取方法。研究得出以下核心结论：传统历史建筑中砖石砌体（brick masonry）占质量与体积的主导地位（超过30%），18世纪前建筑中天然石材（如莫桑石灰岩、煤炭砂岩、马斯特里赫特凝灰岩）使用显著，木材在古老建筑中占15–35%质量/体积。废物流量估算显示，深度改造场景（场景2和3）产生更多结构废物（砖、木材、瓦片），而轻度改造（场景1）以窗户和饰面废物为主。数字方法在立面材料识别与面积计算上达到约80%的平均准确率，但木材、毛石等低代表性材料识别仍存困难。该论文发表于《Applied Sciences》。

**关键技术方法**

研究人员采用的关键技术方法包括：（1）理论材料库存方法：基于六个案例（列日市1919年前传统住宅，来源包括私人业主、列日大学、瓦隆遗产管理局及社会住房公司），将建筑围护结构分解为内饰面、结构层、外饰面三层及子层，按材料密度、层厚及占比计算质量与体积；（2）数字数据获取方法：使用结构光运动摄影测量（Structure-from-Motion Photogrammetry）生成高分辨率正射影像（Orthophoto），通过语义分割（Semantic Segmentation）模型DeepLabv3+（ResNet50V2骨干）训练，从454张手动标注的立面照片（标注六类：玻璃/开口、砖、毛石、非相关元素、切石、木材）中识别材料，并基于像素面积换算实测面积；（3）废物流量估算：结合建筑能量性能模拟工具TOTEM及遗产价值评估，设计三种改造场景，计算各场景下废物量，并基于第5案例“资产阶级排屋”通过地籍数据筛选（1875–1899年、二至三层、40–200 m²）进行城市尺度推算。

**研究结果**

**3.1 现有材料库存清单**：通过理论清单，研究人员详细评估了各案例的材料分布（以质量与体积计）。结果显示，砖石砌体占主导地位（>30%），尤其在18世纪案例中；18世纪前建筑中天然石材和木材（占质量15–20%、体积30–35%）显著；建筑功能（如马厩改造案例）导致铸铁、钢和填充砂浆比例升高。

**3.2 废物流量估算**：基于三层分解方法，研究人员展示了每面围护结构在各场景下的废物量。结果显示，场景2和3生成更多结构废物（如案例05中砖石、案例06中木材屋顶框架），惰性材料（砖、瓦、板岩）占主导，被送至破碎设施降级利用；场景1主要产生窗户和饰面废物（木材、石灰抹面），木材通常被送能源回收。

**3.3 城市尺度推算（案例05）**：基于地籍筛选的1347个地块，研究人员推算了列日市现有材料库存与改造废物量。结果显示，城市存在大量可再用砖石砌体（主要使用石灰砂浆），木材和石材比例较小；场景2（常见场景）下砖石废物占主导，可替代新材料，减少运输碳排放。

**3.4 数字方法获取的数据**：通过AI模型处理正射影像，研究人员实现了约80%平均准确率的材料识别与面积计算。模型成功区分砖与石材，但在木材檐口（误分类为石材）、反射玻璃（误判为砖）、植被遮挡区域及低代表性材料（木材、毛石）上存在困难。

**讨论与结论**

**讨论部分**：研究人员指出理论库存面临时间与数据可及性限制（图形文件不全面、需进入私人空间），数字方法旨在克服这些局限。对比理论数据与AI输出发现：木材差异最大（案例03达100%），因模型将石材檐口误判为木材；砖和玻璃差异较小（由百叶窗遮挡造成）。数字方法在案例02（封闭立面、水平布局）上测试，成功识别砖、石、窗，但严重侵蚀砖墙被误判为毛石，红陶瓦被误判为砖，木材檐口再次失败。扩展训练数据集（加入更多立面类型和材料状况）将提升泛化能力。未来方向包括：利用便携式光谱仪（如ASD FieldSpec）细化数据，结合遗产病理检测工具评估厚度和劣化，建立专用数据库支持行业实践。

**结论部分翻译**：与瓦隆区建筑能效和循环施工目标一致，URMIBALI研究项目旨在通过理论分析与数字技术的结合，推进对列日市传统历史住宅建筑的认识。具体而言，项目寻求改进对这些建筑材料组成（包括材料类型、特性、数量和再利用潜力）的理解。这些信息目前不存在于瓦隆区现有建筑数据库中，对于制定针对历史建筑存量特定特征的改造策略至关重要。通过支持知情的能源改造实践，项目促进了碳中和目标，同时推广了循环施工、材料再利用和更高的施工行业可持续性。它还预测了未来能源改造工作可能产生的废物流。基于六个充分代表列日市传统住宅建筑存量的案例研究，研究围绕两个互补部分展开。第一部分聚焦于识别现有材料库存、估算能源改造产生的废物流，并评估由此产生废物部分的再利用潜力。第二部分开发了用于快速高效获取立面材料数据的数字方法。项目从数字视角引入了创新且可访问的工作流，利用现成工具训练人工智能模型，能够从不同质量的图像中识别立面材料。这种灵活的方法促进了大规模材料数据获取，同时显著减少了通常所需的时间、成本、对专业设备的依赖及专业知识水平。尽管数字方法需要进一步优化，但结果显示了其在加速收集历史建筑所含材料性质与数量可靠信息方面的巨大潜力。然而，结果也表明，该工作流目前应被视为评估材料表面总体比例的初步方法，而非完全自动化且精确的工具。在实际部署前，需要对更广泛的案例研究进行进一步验证，增加代表性不足材料类别（即木材和毛石）的注释数据，并定义类别特异性误差阈值。这些数据对于通过提高对建筑组成的了解、支持施工材料的管理与再利用、实现到2050年改造相关废物流的预测，以及促进城市尺度材料流的监测来推进循环经济至关重要。