Utforskning av prediksjon og modellering av fosforbasert flammehemmer i treverk ved bruk av hyperspektral avbildning og avansert dataanalyse

Abstract

Bruken av treverk som byggematerialet har gjennom nyere tid blitt mer populært grunnet det lave karbonavtrykk sammenlignet med andre materialer. En av utfordringene med å bruke treverk i konstruksjon er den evne til å brenne godt. Treverket er derfor nødt til å brannimpregneres for å øke sikkerheten ved bygget. Den brannhemmende løsningen vil over tid miste sin effekt og gode metoder for å kontrollere mengde av den brannhemmende løsningen er derfor viktig.

En modell for tap av det flammehemmende middelet ble utviklet for å beskrive tap av masse og viste en jevn reduksjon på 17,4 \% per syklus. Effekten av brannhemmere ble også vurdert ved hjelp av kalorimetriske målinger av total varmeenergi (THR), denne dataen ble brukt som predikeringsverdier for fire maskinlærings modeller. Support Vector Regression (SVR) viste seg å være den mest presise prediksjonsmodellen med en RMSE på 9.66 \%. Analyser på piksel-nivå demonstrerte potensialet for å anvende hyperspektral bildebehandling for å visualisere distribusjonene av brannhemmere i treverket. Modellen viste også godt potensial for prediksjon på utendørs data.

Dette forskningsarbeidet danner grunnlaget for en digital og skånsom tilnærming til overvåkning av brannhemmende materialer i trekonstruksjoner. Studiet tar også for seg omgivelsepåvirkninger som utendørs mot innendørs data.

The use of wood as a construction material has become increasingly popular in recent years due to its low carbon footprint compared to other materials. One of the challenges of using wood in construction is its high flammability. To enhance building safety, wood must be treated with fire-retardant solutions. Over time, however, these fire-retardant treatments lose their effectiveness, making reliable methods for monitoring the amount of fire-retardant solution essential.

A model was developed to describe the mass loss of the fire-retardant agent, revealing a consistent reduction of 17.4\% per cycle. The effectiveness of fire retardants was also assessed using calorimetric measurements of total heat release (THR). This data served as the target for prediction in four machine learning models. Support Vector Regression (SVR) emerged as the most accurate prediction model, achieving an RMSE of 9.66\%. Pixel-level analyses demonstrated the potential of hyperspectral imaging to visualize the distribution of fire retardants within the wood. The model also showed promising capabilities for predictions using outdoor data.

This research lays the foundation for a digital and non-invasive approach to monitoring fire-retardant materials in wooden structures. The study also addresses the impact of environmental conditions by comparing indoor and outdoor data.