# Fra rivningsvirke til dokumentert ressurs - Link: https://jarlhalla.com/fra-rivningsvirke-til-dokumentert-ressurs/ - Published: 2026-07-06T14:22:09+02:00 - Author: knoksen ## Hvordan kunstig intelligens, maskinsyn og robotikk kan industrialisere ombruk og høyverdig gjenvinning av trevirke ### Sammendrag Trevirke fra rehabilitering, demontering og riving representerer en betydelig, men underutnyttet ressurs. Store deler av materialet har fortsatt teknisk og økonomisk verdi, men ender likevel i forbrenning, lavverdig materialgjenvinning eller deponering. Hovedårsaken er ikke nødvendigvis manglende materialkvalitet. Problemet er snarere at returtre er uensartet, vanskelig å dokumentere og kostbart å undersøke, rense, sortere og bearbeide med manuelle metoder. Kunstig intelligens, maskinsyn og robotikk kan endre dette. Når teknologiene integreres i en sammenhengende behandlingslinje, kan hvert treemne registreres, skannes, klassifiseres, renses og bearbeides etter sin faktiske tilstand. Systemet kan lokalisere kvister, sprekker, råte, maling, metallforbindelser og geometriske avvik, kombinere resultatene med fukt-, røntgen-, ultralyd- og spektralmålinger og anbefale den anvendelsen som gir høyest samlet verdi. Robotikk kan deretter fjerne spiker, kappe bort defekter, høvle, sortere og stable virket. Samtidig kan en digital tvilling og et materialpass følge emnet gjennom hele prosessen. Denne artikkelen gjennomgår utviklingen fra tradisjonell materialberging til AI- styrte urbane sagbruk. Den analyserer dagens norske og europeiske rammebetingelser, beskriver teknologiene og deres praktiske anvendelse og presenterer case-studier, implementeringsmodeller, risikofaktorer og fremtidige utviklingsbaner. Hovedkonklusjonen er at teknologien allerede er moden nok til trinnvis industriell innføring, men at sikker strukturell ombruk krever bedre standardisering, validerte datasett, dokumentert måleusikkerhet og tydelig ansvarsplassering. --- ## 1. Innledning Bygninger er ikke bare fysiske konstruksjoner. De er også midlertidige lagre av tre, stål, mineraler, glass, tekniske komponenter og karbon. Når et bygg rehabiliteres eller rives, frigjøres disse ressursene. Likevel behandles store deler av materialene fortsatt som avfall fremfor som fremtidige byggevarer. Dette gjelder i særlig grad trevirke. En demontert bjelke kan ha flere tiår med gjenværende levetid. En stender med enkelte spikerhull kan ofte bearbeides til en ny konstruksjonskomponent. Korte og uregelmessige emner kan fingerskjøtes, lamineres eller brukes i ikke-bærende produkter. Selv materialer som ikke lenger egner seg til direkte ombruk, kan ha høyere verdi som trefiber, isolasjon eller plateprodukt enn som brensel. Likevel er veien fra rivningsplass til ny anvendelse krevende. Returvirket kommer i forskjellige lengder, dimensjoner og treslag. Det kan være vridd, sprukket, malt, impregnert, forurenset eller fylt med spiker, skruer og beslag. Historikken er ofte ukjent. Opprinnelig styrkeklasse og produksjonsdokumentasjon kan være borte. Tradisjonell manuell kontroll tar tid, er fysisk belastende og kan variere mellom operatører. Utfordringen er derfor ikke bare å samle inn mer tre. Næringen må utvikle systemer som kan avgjøre, raskt og pålitelig, hva hvert enkelt emne kan brukes til. Her møtes kunstig intelligens, maskinsyn og robotikk. Maskinsyn gir anlegget evne til å observere trevirket. Sensorer gjør skjulte egenskaper målbare. Kunstig intelligens tolker dataene og vurderer kvalitet, risiko og optimal anvendelse. Robotikken utfører de fysiske handlingene. En digital dataplattform sørger for sporbarhet fra opprinnelig bygg til nytt produkt. Behovet er betydelig. Ifølge FNs miljøprogram står bygg- og anleggssektoren for omkring 37 prosent av globale CO₂-utslipp og nær halvparten av verdens materialuttak. Valg knyttet til materialbruk, levetidsforlengelse og ombruk får derfor stor betydning for både klima, ressursforvaltning og fremtidig byggekostnad (United Nations Environment Programme & Global Alliance for Buildings and Construction, 2026). I Norge ble det generert omtrent 1,8 millioner tonn avfall fra nybygging, rehabilitering og riving i 2024. Av dette utgjorde registrert trevirke 234 136 tonn. Riving sto for 39 prosent av den samlede avfallsmengden, mens litt over en fjerdedel kom fra rehabilitering. Statistisk sentralbyrå opplyser samtidig at mesteparten av det utsorterte treavfallet gikk til forbrenning med energiutnyttelse, ikke til høyverdig materialombruk( Chaudhary, 2026; Statistisk sentralbyrå, 2026). Artikkelens formål er å vise hvordan en ny generasjon automatiserte behandlingssystemer kan flytte trevirket oppover i avfallshierarkiet: fra forbrenning og nedknusing til direkte ombruk, remanufacturing og dokumenterte byggprodukter. --- ## 2. Hva menes med gjenvunnet trevirke? Begrepene returtre, avfallstre, ombrukstre og gjenvunnet tre brukes ofte om hverandre, men dekker forskjellige kvalitetsnivåer og anvendelser. **Direkte ombruk** innebærer at et helt emne eller produkt brukes på nytt med begrenset bearbeiding. En demontert limtrebjelke kan for eksempel tilpasses og installeres i en ny bygning. **Remanufacturing** betyr at materialet bearbeides til et nytt produkt med tilsvarende eller forbedret funksjon. Eksempler er høvling av brukte bjelker, utskjæring av defekter, fingerskjøting av kortere lengder eller produksjon av nye limte elementer. **Materialgjenvinning** innebærer at treet brytes ned til flis, fiber eller partikler som inngår i plateprodukter, isolasjon eller kompositter. **Energiutnyttelse** er forbrenning hvor energien tas i bruk. Selv om dette kan erstatte fossilt brensel, avslutter det materialets fysiske livsløp og frigjør det biogene karbonet. En intelligent behandlingslinje må derfor arbeide etter et kaskadeprinsipp. Hvert emne skal først vurderes for den anvendelsen som bevarer mest av materialets opprinnelige struktur og verdi. Bare dersom høyere anvendelser ikke er teknisk, helsemessig eller økonomisk forsvarlige, bør materialet gå videre til lavere nivåer. Dette krever en mer nyansert klassifisering enn «rent» og «forurenset» tre. Systemet må kunne skille mellom blant annet: * konstruksjonsvirke med potensial for ny bærende bruk * tre for ikke-bærende innvendige eller utvendige produkter * emner som kan repareres eller skjøtes * malt, limt eller overflatebehandlet tre * impregnert eller kjemisk forurenset materiale * biologisk skadet virke * plateprodukter og limte kompositter * fraksjoner som bare egner seg for material- eller energiutnyttelse Kvaliteten kan heller ikke vurderes ut fra ett enkelt fotografi eller én måling. Tre er anisotropt, heterogent og hygroskopisk. Egenskapene varierer med fiberretning, densitet, kviststruktur, fuktighet, treslag, skadehistorikk og geometri. Derfor må flere datakilder kombineres. --- ## 3. Historisk utvikling ### 3.1 Ombruk som tradisjonell praksis Materialombruk er ikke et nytt fenomen. Før industrialiseringen var trevirke arbeidskrevende å felle, transportere, tørke og bearbeide. Bjelker, gulvbord, takstein og beslag ble derfor ofte demontert og brukt på nytt. Bygninger ble reparert, flyttet og bygget om. Materialverdien var høy i forhold til arbeidskostnaden, og lokal tilgang på ressurser var begrenset. I Norge finnes en lang tradisjon for flytting og gjenoppføring av tømmerbygninger. Laftede konstruksjoner var i mange tilfeller fysisk demonterbare, og komponentene kunne merkes og settes opp på et nytt sted. Dette var sirkularitet drevet av økonomi og knapphet snarere enn av moderne klimapolitikk. ### 3.2 Fra ombruk til lineær masseproduksjon Gjennom det 20. århundret ble byggeproduksjonen mer industrialisert. Standardiserte dimensjoner, billigere nyproduserte materialer, effektiv transport og høyere arbeidskostnader gjorde selektiv demontering mindre attraktivt. Rivning med maskin ble raskere enn manuell demontering. Nye materialer ble levert med kjent kvalitet, standardisert styrkeklasse og produsentdokumentasjon, mens brukte materialer manglet tilsvarende papirer. Avfallssektoren utviklet seg samtidig rundt massehåndtering. Målet var å flytte store volumer effektivt, ikke nødvendigvis å bevare hele komponenter. Trevirke ble derfor ofte knust eller sendt til forbrenning. Denne lineære modellen var økonomisk rasjonell så lenge primære ressurser var billige, avfallsbehandling var relativt ukomplisert og klima- og naturkostnader i liten grad var priset inn. I dag er premissene i endring. ### 3.3 Manuell visuell sortering og styrkegradering Kvalitetsvurdering av konstruksjonsvirke har tradisjonelt vært basert på visuell kontroll. En kvalifisert grader vurderer blant annet kviststørrelse, fiberhelling, sprekker, vankant, deformasjon og biologiske skader. Metoden er fortsatt relevant fordi mange av egenskapene som påvirker styrken, er synlige på overflaten. Svakheten er at resultatet kan variere mellom personer, lysforhold og produksjonsmiljøer. Metoden krever opplæring, og detaljerte målinger av uregelmessige emner er tidkrevende. Skjulte feil oppdages heller ikke nødvendigvis. Maskinell styrkesortering utviklet seg derfor med måling av indikatorer som dynamisk elastisitetsmodul, resonansfrekvens, densitet, masse, dimensjon og mekanisk respons. Senere ble laser, røntgen og optiske skannere integrert i sagbruksindustrien. ### 3.4 Tidlig maskinsyn i treindustrien Forsøk på å automatisere visuell tregradering går flere tiår tilbake. Conners og kolleger beskrev allerede i 1992 et system hvor maskinsyn lokaliserte og identifiserte feil i hardwood-bord, mens et separat program anvendte graderingsreglene. Systemet besto av bildeopptak, computer vision, materialhåndtering og styringsdatamaskiner. Det prinsipielle skillet mellom observasjon og beslutningslogikk er fortsatt grunnleggende i moderne anlegg (Conners et al., 1992). De tidlige systemene var avhengige av håndutviklede bildefunksjoner: fargegrenser, tekstur, kanter, geometriske regler og terskelverdier. De fungerte best i kontrollerte miljøer med ensartede materialer. ### 3.5 Multisensorsystemer og industrielle skannere På 2000- og 2010-tallet ble industrielle skannere raskere og mer presise. Kombinasjoner av fargekamera, laserprofilering, røntgen og akustiske målinger kunne brukes til å klassifisere bord i høye produksjonshastigheter. Slike systemer ble i hovedsak utviklet for nytt saget virke, hvor dimensjoner, overflate og materialstrøm er relativt homogene. Returtre er mer krevende. Det kan ha maling, mørtelrester, metall, bruddflater, innsnitt og deformasjoner som ikke finnes i treningsdata for nye bord. Likevel etablerte sagbruksautomatiseringen viktige tekniske forutsetninger: høyhastighetskameraer, transportbånd, 3D-profilering, sporbarhet, automatisk kapping og integrert produksjonsstyring. ### 3.6 Gjennombruddet for dyp læring Dyp læring reduserte behovet for manuelt definerte bildefunksjoner. Nevrale nettverk kunne lære mønstre direkte fra store mengder merkede bilder. Objektdeteksjon kunne lokalisere kvister og hull, mens segmenteringsmodeller kunne merke hvert bildepunkt som sprekk, vankant, råte eller bakgrunn. Tilgangen på datasett har vært avgjørende. Kodytek, Bodzas og Bilik publiserte et datasett med mer enn 43 000 annoterte overflatedefekter fordelt på ti kategorier. Slike datasett har bidratt til at modeller kan sammenlignes, forbedres og overføres til industrielle anvendelser (Kodytek et al., 2022). I 2020-årene har utviklingen beveget seg fra ren defektdeteksjon til full beslutningsstøtte: måle defekten, plassere den i en tredimensjonal modell, sammenholde den med graderingsregler og foreslå bearbeiding eller anvendelse. ### 3.7 Fra automatisert gradering til sirkulære produksjonssystemer Den nyeste utviklingsfasen kobler skanning, digital tvilling, algoritmisk design og robotisk bearbeiding. Materialets faktiske geometri blir ikke lenger sett som et avvik som må fjernes. Den kan inngå som en parameter i designet. I stedet for å tvinge alle emner inn i én standarddimensjon kan systemet spørre: Hvilket produkt eller hvilken konstruksjonsdel passer best til dette konkrete emnet? Dermed flyttes optimaliseringen fra masseproduksjon av like komponenter til massetilpasning av uensartede ressurser. --- ## 4. Hvorfor teknologien er særlig relevant nå ### 4.1 Avfallsvolumene er store Norsk byggavfall er ikke én homogen strøm. Mineraler utgjør den største vekten, men tre representerer en betydelig brennbar og potensielt gjenbrukbar fraksjon. I 2024 gikk rundt 44 prosent av samlet byggavfall til registrert materialgjenvinning, omtrent 20 prosent til energiutnyttelse og 31 prosent til deponering. SSB presiserer at mesteparten av treavfallet gikk til forbrenning med energiutnyttelse (Chaudhary, 2026). Dette viser forskjellen mellom avfallssortering og sirkularitet. Et treemne kan være korrekt utsortert, men likevel miste nesten all sin funksjonelle verdi dersom det brennes. Høy utsorteringsgrad er derfor ikke tilstrekkelig. Næringen må også måle hvor stor andel som går til direkte ombruk, remanufacturing og materialgjenvinning med høy kvalitet. ### 4.2 Rehabilitering og transformasjon blir viktigere En økende andel prosjekter vil handle om eksisterende bygg. Rehabilitering og transformasjon gir både et behov for nye materialer og en tilgang på materialer som demonteres. Dersom kartlegging, demontering og ny prosjektering kobles digitalt, kan én bygnings materialutgang bli en annen bygnings materialinngang. Dette krever bedre timing. Materialene må identifiseres før rivningen starter, og fremtidige brukere må få tilgang til informasjon om mengde, dimensjoner og kvalitet. Kunstig intelligens kan analysere bilder, punktskyer, BIM-modeller og dokumenter for å forutsi hvilke komponenter som kan frigjøres og når. ### 4.3 Regelverket beveger seg mot mer dokumentasjon og ombruk Norge forenklet i 2022 reglene for omsetning av brukte byggevarer. De nasjonale dokumentasjonskravene rettet mot den første selgeren ble i hovedsak fjernet, slik at dokumentasjon kan utvikles senere i verdikjeden og på måter som er bedre tilpasset brukte produkter. Kravene til at det ferdige byggverket skal oppfylle tekniske krav til blant annet sikkerhet, helse og miljø gjelder imidlertid fortsatt (Kommunal- og distriktsdepartementet, 2022). Norsk regelverk krever dessuten at byggeavfall leveres til godkjent mottak, ombruk eller direkte materialgjenvinning. Kravet til sortering på byggeplass ble økt fra 60 til 70 vektprosent i 2022 (Klima- og miljødepartementet & Nærings- og fiskeridepartementet, 2024). På europeisk nivå trådte den reviderte byggevareforordningen i kraft i januar 2025. Den legger til rette for digitale produktpass med blant annet ytelses-, samsvars-, sikkerhets- og bruksinformasjon. Produktdata skal også bidra til mer pålitelige beregninger av hele byggets klimaavtrykk (European Commission, 2025a). For brukt trevirke betyr dette at fremtidig konkurransekraft i økende grad vil avhenge av sporbar data, ikke bare av fysisk materiale. ### 4.4 Manuell behandling er en flaskehals Spikerfjerning, visuell inspeksjon, måling, sortering og dokumentasjon er arbeidsintensive operasjoner. De kan også være risikofylte. Skjult metall kan ødelegge sagblad og skape prosjektilfare. Støv, maling og biologisk materiale kan gi helsebelastning. Tunge og uregelmessige emner gir ergonomiske utfordringer. Robotikk er spesielt relevant i slike operasjoner fordi oppgavene ofte er repetitive, tunge eller farlige, men samtidig krever adaptiv bevegelse. Tradisjonelle industriroboter fungerer best med identiske objekter i nøyaktig posisjon. Maskinsyn og KI gjør det mulig å håndtere uregelmessige emner med varierende geometri. ### 4.5 Natur- og klimaperspektivet Ombruk av tre kan redusere behovet for ny avvirkning og forlenge tiden karbonet forblir lagret i produkter. Den faktiske klimagevinsten avhenger av transport, bearbeiding, energibruk, alternativ materialproduksjon og hva som ellers ville skjedd med returtreet. En gjennomgang av prosedyrer for ombruk av byggeelementer viser til tidligere studier hvor ombruk av strukturelt tre har gitt opptil 83 prosent lavere miljøbelastning enn bruk av nye komponenter. Tallet må ikke behandles som en universell faktor, men illustrerer at direkte komponentombruk ofte har vesentlig større potensial enn energiutnyttelse eller produksjon av lavverdige produkter (Lambec et al., 2025). --- ## 5. Den intelligente behandlingslinjen En effektiv behandlingslinje bør ikke bygges som en enkeltstående robotcelle. Den bør sees som et cyberfysisk system hvor materialflyt, sensorer, beslutningsmodeller, roboter og dokumentasjon er integrert. ### 5.1 Kartlegging før demontering Den mest verdifulle informasjonen kan hentes før materialet blir avfall. Bygningen kan kartlegges gjennom eksisterende BIM-modeller, arkivtegninger, laserskanning, fotografier, termografi og manuelle inspeksjoner. KI kan brukes til å: * tolke gamle tegninger og beskrivelser * identifisere sannsynlige trekonstruksjoner i punktskyer og bilder * estimere dimensjoner og mengder * registrere tilgjengelighet og forbindelsestyper * forutsi demonteringstid og skadefare * prioritere hvilke elementer som bør demonteres selektivt * koble potensielle materialer til fremtidige prosjekter Dette gjør det mulig å etablere et foreløpig materialregister før riveentreprenøren starter. Registeret bør uttrykke usikkerhet. Et emne kan for eksempel registreres som «sannsynlig gran, dimensjon 98 × 198 millimeter, estimert lengde 4,2 meter, ukjent styrkeklasse, mulig overflatebehandling». Etter demontering erstattes antakelsene gradvis med måledata. ### 5.2 Skånsom demontering Robotikk kan også anvendes på selve byggeplassen. Mobile roboter, gravemaskiner med sensorstyrte redskaper eller menneske-robot-team kan lokalisere forbindelser og løsne elementene kontrollert. Det er teknisk vanskeligere enn automatisering i fabrikk fordi miljøet er ustrukturert og dynamisk. Støv, dårlig sikt, skjulte forbindelser, varierende toleranser og sikkerhetsrisikoer krever konservative systemer. På kort sikt er derfor robotassistert demontering mer realistisk enn full autonomi. Maskinsyn kan markere skruer og beslag, mens operatøren bekrefter neste handling. Kraftsensorer kan registrere om et element fortsatt er festet. KI kan foreslå demonteringsrekkefølge som minimerer skade på både konstruksjon og materiale. ### 5.3 Mottak og individuell identitet Når et emne ankommer behandlingsanlegget, må det få en unik identitet. Dette kan være en QR-kode, RFID-brikke, lasermerking eller en kombinasjon av fysisk og digital identifikasjon. Materialposten kan inneholde: * opprinnelig bygg og demonteringssted * dato og ansvarlig aktør * antatt funksjon i første bygg * dimensjoner og volum * treslag eller sannsynlig treslagsgruppe * fotografier * fukt- og temperaturdata * synlige behandlinger og forurensningsrisiko * registrerte forbindelser * skannings- og testresultater * bearbeidingshistorikk * klassifisering og tillatt anvendelse * maskin-, programvare- og modellversjon * kontrollør og godkjenningsstatus Identiteten gjør det mulig å behandle hvert emne som et individuelt produkt fremfor som en anonym avfallsfraksjon. ### 5.4 Geometri- og overflateskanning Et fire- eller sekssidig kamerasystem kan fotografere alle overflater. Linjeskannere er velegnet for materialer som beveger seg jevnt på transportbånd, mens arealkameraer og robotmonterte kameraer gir større fleksibilitet. 3D-geometri kan måles med: * stereokamera * strukturert lys * lasertriangulering * time-of-flight-kamera * lidar * fotogrammetri Systemet kan registrere lengde, bredde, tykkelse, krumning, vridning, innsnitt, hull og manglende hjørner. De geometriske dataene brukes både til gradering og til robotplanlegging. Et viktig poeng er kalibrering. Det er ikke nok at KI-modellen finner en sprekk. Systemet må kunne angi sprekkens lengde og plassering i millimeter med dokumentert nøyaktighet. Shi, Bergsagel, Owen og Heisel utviklet i 2025 et skalerbart AI-system for visuell gradering. Systemet kombinerte bildekalibrering, deteksjon på fire sider, bildesammenføyning, 3D-rekonstruksjon og regelbasert automatisk gradering. I laboratoriedatasettet ble dimensjonsfeilen redusert til under 2,5 prosent, mens modellen rapporterte 99–100 prosent presisjon for de undersøkte kategoriene kvist, sprekk, hull og vankant. Resultatene viser et sterkt potensial, men må valideres på nye treslag, skittent returvirke, varierende lysforhold og industrielle hastigheter før de kan generaliseres( Shi et al., 2025). ### 5.5 Defektdeteksjon med maskinsyn En moderne bildeanalyse kan utføre flere oppgaver: **Klassifikasjon** avgjør om et bilde eller emne tilhører en kategori, for eksempel« ubehandlet tre», «malt tre» eller «plateprodukt». **Objektdeteksjon** tegner avgrensningsbokser rundt kvister, hull eller beslag. **Segmentering** markerer nøyaktig hvilke bildepunkter som tilhører en sprekk, råtesone eller malingsrest. **Anomalideteksjon** finner avvik som ikke nødvendigvis finnes som egen kategori i treningsdatasettet. **Poseestimering** beregner hvordan emnet ligger, slik at en robot kan gripe det. **Endringsanalyse** sammenligner skanning før og etter bearbeiding for å kontrollere at spiker eller defekter faktisk er fjernet. Defektmodellen må tilpasses returtre. Et spikerhull er ikke automatisk en kritisk skade. Betydningen avhenger av diameter, plassering, avstand til kant, belastningsretning og planlagt bruk. KI-systemet må derfor kombinere visuell deteksjon med ingeniørmessige regler. ### 5.6 Metallregistrering Metall er en av de største praktiske hindringene for bearbeiding. Skruer og spiker kan være synlige, knekt under overflaten eller dekket av maling og smuss. En robust løsning kan kombinere: * induktiv metalldetektor * røntgen * magnetometer * virvelstrømsensor * visuell deteksjon * robotens kraft- og momentmåling Systemet bør lage et tredimensjonalt kart over sannsynlig metallposisjon. Robotens bane planlegges slik at gripe- eller uttrekksverktøyet nærmer seg riktig vinkel. Etter fjerning må emnet skannes på nytt. Det bør ikke sendes videre til sag eller høvel før det foreligger en verifisert metallfri status eller et definert rest-risikonivå. ### 5.7 Fuktmåling Fukt påvirker dimensjonsstabilitet, biologisk risiko, limbarhet, styrke og tolkning av andre sensorer. Målingen kan gjøres med elektrisk motstand, kapasitans, mikrobølger eller nærinfrarød analyse. KI kan kombinere fuktdata med temperatur, lagringshistorikk og geometri for å vurdere: * behov for tørking * risiko for overflate- eller innvendig mugg * sannsynlig dimensjonsendring * egnethet for liming * om et avvik skyldes fukt eller permanent skade Fuktprofilen kan også brukes til å styre tørkeprosessen individuelt. Ulike emner trenger ikke nødvendigvis samme tid og temperatur. ### 5.8 Nærinfrarød og hyperspektral avbildning Et vanlig RGB-kamera registrerer synlig lys. Hyperspektral avbildning registrerer et stort antall smale bølgelengdebånd og kan avsløre materialforskjeller som ikke er synlige for mennesker. Teknologien kan støtte: * skille mellom tre og andre materialer * identifikasjon av enkelte treslag eller treslagsgrupper * deteksjon av maling, lim og belegg * klassifisering av plateprodukter * indikasjon på kjemisk behandling * identifikasjon av fukt- og biologiske avvik Full hyperspektral skanning produserer store datamengder og kan være treg. En mulig industrialisering er derfor å bruke noen få utvalgte bølgelengder. Forskning på bygg- og rivningsavfall tyder på at et begrenset antall synlige og nærinfrarøde bånd kan gi høy klassifikasjonsverdi med langt lavere databelastning enn et komplett hyperspektralt system. Spektral klassifisering må likevel behandles som screening. Ved mistanke om farlige stoffer kan laboratorieanalyse fortsatt være nødvendig. ### 5.9 Røntgen og computertomografi Røntgen kan registrere densitetsvariasjoner, metall, indre hulrom, enkelte sprekker og kviststruktur. Computertomografi gir et tredimensjonalt bilde av innsiden, men er dyrere og mer krevende å integrere i en høyhastighetslinje. Tamke, Svilans, Huber, Wuyts og Thomsen har utviklet et rammeverk hvor CT-data brukes til å kartlegge gjenvunnet tre og bygge beregningsmodeller for stivhet og styrke. Arbeidet er relevant fordi returtre ofte mangler historiske data. Forskerne fremhever behovet for robuste, automatiserte og ikke-destruktive metoder og for å bevare resultatene i materialpass og sekundære materialkataloger (Tamke et al., 2025). CT vil trolig først være aktuelt for høyverdige bjelker, limtre, massivtreelementer eller forsknings- og kalibreringsformål. En industriell hovedlinje kan bruke enklere røntgen eller akustiske metoder og sende usikre, verdifulle emner til avansert kontroll. ### 5.10 Ultralyd, stressbølger og dynamisk måling Akustiske og ultrasoniske metoder måler hvordan bølger beveger seg gjennom materialet. Bølgehastighet, demping og resonans kan gi indikatorer på stivhet, sprekker og indre nedbrytning. En typisk prosess kan være: 1. Emnet veies og måles. 2. Det settes i vibrasjon eller treffes kontrollert. 3. Sensorer registrerer resonansfrekvens. 4. Dynamisk elastisitetsmodul beregnes. 5. Resultatet kombineres med densitet, fukt og visuelle defekter. 6. KI-modellen estimerer sannsynlig styrke og usikkerhet. Modellen må kalibreres mot destruktive tester fra en representativ materialstrøm. Et system som er utviklet for nytt, ovnstørket granvirke, kan ikke uten videre brukes på malt furu fra et hundre år gammelt bygg. ### 5.11 Sensorfusjon Ingen enkeltsensor gir fullstendig informasjon. Sensorfusjon betyr at dataene kombineres i én modell. Et emne kan for eksempel ha: * RGB-bilde som viser misfarging * NIR-signal som indikerer et overflatebelegg * fuktmåling innenfor akseptabelt område * røntgen som viser et skjult metallfragment * ultralyd som viser redusert bølgehastighet lokalt * 3D-modell som registrerer en dyp sprekk Samlet kan dette gi en helt annen beslutning enn hvert signal alene. Fusjonen kan skje på tre nivåer: **Datanivå:** rådata registreres og samordnes geometrisk. **Funksjonsnivå:** egenskaper som sprekkareal, densitetsvariasjon og spektral signatur kombineres. **Beslutningsnivå:** hver sensor gir sin vurdering, og en overordnet modell veier resultatene. I sikkerhetskritiske anvendelser er beslutningsnivået ofte enklere å revidere. Det blir tydelig hvilken sensor som påvirket klassifiseringen. ### 5.12 KI-basert valg av anvendelse Systemets viktigste oppgave er ikke å finne flest mulig feil. Det er å velge den anvendelsen som gir høyest samlet verdi innenfor akseptabel risiko. En beslutningsmodell kan rangere alternativer etter: * forventet salgsverdi * bearbeidingskostnad * materialutbytte * energibruk * klimaeffekt * logistikk * dokumentasjonskostnad * teknisk risiko * leveransetid * markedsbehov * sannsynlighet for godkjenning Et mulig mål kan formuleres som: **Netto sirkulær verdi = produktverdi + unngått nyproduksjon + unngått avfallskostnad − bearbeidingskostnad − logistikk − kvalitetsrisiko − dokumentasjonskostnad** En bjelke med høy kvalitet kan gå til direkte strukturell ombruk. Et emne med lokalt skadet endeområde kan kappes og fingerskjøtes. En estetisk interessant, men mekanisk usikker planke kan bli innvendig kledning. Små feilfrie segmenter kan inngå i møbel- eller interiørprodukter. Systemet må være koblet til faktisk etterspørsel. Det er lite sirkulært å produsere et lager av tilfeldige dimensjoner ingen trenger. Ordre, prosjektbehov og tilgjengelig materiallager bør derfor optimaliseres samtidig. ### 5.13 Robotisert avspikring Robotisert fjerning av metall er en av de mest direkte anvendelsene. Systemet må: 1. lokalisere festemiddelet 2. avgjøre type, retning og tilgjengelighet 3. stabilisere treemnet 4. velge verktøy 5. trekke, skru, bore eller frese ut festet 6. kontrollere kraftforløpet 7. skanne området på nytt 8. registrere eventuell restskade Urban Machine har utviklet en maskin som bruker KI, visionsystemer, gantry-roboter, klemmer og fuglenebb-lignende gripeverktøy til å trekke spiker og stifter fra alle fire sider av dimensjonsvirke. Etter behandlingen kontrolleres materialet for å bekrefte at det er metallfritt. Selskapet oppgir at systemet kan håndtere dimensjonsvirke, limtre og større tverrsnitt (Urban Machine, n.d.). Dette eksempelet viser at avspikring ikke lenger bare er et laboratoriekonsept. Samtidig må ytelse, oppetid og økonomi vurderes for den konkrete norske materialstrømmen. ### 5.14 Robotisert kapping og bearbeiding Når defektene er kartlagt, kan en optimaliseringsalgoritme beregne hvor materialet bør kappes for å bevare størst mulig feilfritt volum. Fan og kolleger utviklet en tosidig, KI-basert kappestrategi hvor YOLO-modellen registrerte tredefekter og beregnet prosesseringskoordinater. I det undersøkte datasettet oppnådde modellen en gjennomsnittlig deteksjonspresisjon på 0,94, og kappestrategien økte volumutbyttet med 12,3 prosent sammenlignet med den valgte referanseprosessen. Resultatet gjelder nytt saget virke og et begrenset datasett, men prinsippet er direkte relevant for returtre (Fan et al., 2024). Robotceller kan også utføre: * høvling og børsting * pussing * fresing av skadde soner * boring og plugging * fingerskjøting * lamellproduksjon * sortering etter dimensjon * automatisk merking * stabling og pakking For uregelmessige emner må roboten arbeide ut fra skannet geometri, ikke bare en forhåndsprogrammert koordinat. ### 5.15 Digital tvilling og materialpass Den digitale tvillingen er en oppdatert digital representasjon av emnet. Den kan inneholde 3D-geometri, defektkart, sensorresultater, bearbeidingshistorikk og klassifisering. Digital tvilling og materialpass er ikke identiske. Tvillingen brukes primært for analyse og produksjonsstyring. Materialpasset er den strukturerte informasjonsbæreren som følger produktet videre til prosjekterende, entreprenør, eier, kontrollorgan og fremtidig ombruk. Et godt pass bør skille mellom: * observerte fakta * måleresultater * modellberegnede egenskaper * faglige vurderinger * godkjente bruksområder * begrensninger * usikkerhet Dette hindrer at en KI-prediksjon feilaktig behandles som en direkte målt materialegenskap. --- ## 6. Praktiske anvendelser og case-studier ### 6.1 Urban Machine: automatisert metallfjerning Urban Machine adresserer en konkret og kostbar flaskehals. Byggtre med metall er risikabelt å sage og høvle. Manuell avspikring er langsom, fysisk krevende og uforutsigbar. Selskapets robot stabiliserer materialet, bruker visionsystemer til å finne forbindelsene og trekker ut spiker og stifter fra flere sider. Kvalitetskontroll og metalldeteksjon inngår i prosessen. Den strategiske lærdommen er at en sirkulær fabrikk ikke trenger å automatisere alt samtidig. Den kan begynne med én operasjon hvor kostnad, risiko og repetisjon er høy. Når avspikringen er digitalisert, kan dataene brukes videre til sortering, kapping og lagerstyring. ### 6.2 WOODCIRCLES og konseptet «Urban Sawmill» Det europeiske Horizon-prosjektet WOODCIRCLES utvikler verdikjeder for oppgradering av treavfall og byggesystemer optimalisert for demontering. Et sentralt konsept er et urbant sagbruk som skal omforme uhomogent, lavverdig byggtre til standardiserte og økonomisk anvendelige produkter. Prosjektet integrerer digitale verktøy og digitale tvillinger i både behandlingsanlegget og demonstrasjonsbyggene. Ambisjonen er dermed ikke bare å utvikle en bedre sorteringsmaskin, men å koble materialbehandling, byggeprodukt, prosjektering og fremtidig demontering i én krets (European Commission, 2025b). For norske regioner kan et urbant sagbruk plasseres nær større rehabiliteringsmarkeder. Det kan motta tre fra kommunale bygg, næringseiendom, boligriving og prefabrikasjonsavfall. Nærhet reduserer transport og gjør det lettere å koble tilbudet til lokale prosjekter. ### 6.3 AI-basert visuell gradering Systemet utviklet av Shi et al. illustrerer hvordan rimeligere kameraer og regelbasert KI kan gjøre sorteringen skalerbar. I stedet for at alt materiale må transporteres til et sentralt laboratorium, kan deler av registreringen utføres ved demonteringsstedet eller i et lokalt mottak. En mulig arbeidsdeling er: * mobiltelefon eller nettbrett til forhåndsscreening * portalskanner i mottaket * avansert multisensorlinje for kandidater til strukturell bruk * manuell ekspertkontroll av grensetilfeller Dette reduserer kostnaden ved å bruke avansert testing på materiale som uansett er åpenbart uegnet. ### 6.4 CT-basert vurdering av høyverdige emner CT- og beregningsrammeverket til Tamke et al. er særlig relevant for bjelker og lameller med høy potensiell verdi. Dersom en større limtrebjelke kan ombrukes direkte, kan den økonomiske og miljømessige verdien forsvare mer omfattende testing. CT-data kan identifisere intern kviststruktur, hulrom, sprekker og densitetsvariasjoner. Beregningsmodellen kan deretter simulere hvordan materialets faktiske geometri påvirker stivheten. En fremtidig behandlingslinje kan derfor ha flere kontrollnivåer: * basislinje for alt tre * utvidet ikke-destruktiv test for konstruksjonskandidater * CT eller laboratorietest for høyverdige eller usikre emner ### 6.5 Illustrativt norsk pilotprosjekt Følgende scenario er et forslag til pilot, ikke en beskrivelse av et gjennomført prosjekt. Et norsk regionsenter mottar 5 000 tonn trevirke årlig fra rehabilitering og selektiv riving. Før pilotprosjektet blir hoveddelen sortert som rent eller behandlet tre og sendt til energiutnyttelse. Pilotlinjen avgrenses i første fase til gran- og furustendere, bjelker og sperrer med følgende inngangskrav: * minste lengde 1,2 meter * ingen kjent kreosotbehandling * håndterbart tverrsnitt * demontert uten omfattende knusing * separat lagret og merket etter opprinnelsesprosjekt Linjen består av: 1. automatisk innmåling og identitetsmerking 2. børsting og grovrensing 3. fire-sidig RGB- og 3D-skanning 4. fukt- og metalldeteksjon 5. AI-basert defektkart 6. robotisert metallfjerning 7. ny metallkontroll 8. akustisk stivhetsmåling 9. optimalisert kapping 10. sortering til produktstrøm Produktstrømmene kan være: * kandidater til konstruktiv ombruk * ikke-bærende standardvirke * korte feilfrie lengder til fingerskjøting * synlig interiør og kledning * trefiber og plateprodukt * behandlet eller forurenset tre til godkjent sluttbehandling Piloten bør ikke måles bare i tonn behandlet. Den bør måle hvor mye verdi som er bevart. Aktuelle nøkkeltall er: * prosent direkte ombruk * prosent remanufacturing * salgbart volum per innkommende kubikkmeter * kostnad per godkjent løpemeter * antall manuelle minutter per emne * falske godkjenninger og falske avvisninger * skade påført under demontering og bearbeiding * energibruk per produkt * beregnet klimagassbesparelse * andel produkter med fullstendig materialpass * leveringstid fra mottak til salg * maskinoppetid --- ## 7. Implementeringsstrategi ### 7.1 Start med en kontrollert materialstrøm Den vanligste feilen i automatiseringsprosjekter er å forsøke å håndtere alle materialtyper fra første dag. Returtre varierer for mye til at dette er realistisk. En god pilot bør velge: * ett eller to treslag * et begrenset dimensjonsområde * en kjent bygningskategori * dokumentert demonteringsmetode * tydelige produktutganger * en identifisert kunde Eksempelvis kan man begynne med konstruksjonsvirke fra demontering av lager- eller kontorbygg. Når systemet fungerer, utvides det til limtre, gulvbord, kledning eller massivtreelementer. ### 7.2 Etabler datagrunnlaget før avansert KI KI-modellen blir ikke bedre enn datagrunnlaget. Anlegget må først etablere en felles definisjon av defekter, skadegrader og produktkategorier. Hvert treningsobjekt bør ha: * bilder fra flere sider * kjent skala * sensorresultater * annoterte defekter * faglig vurdert klasse * resultat fra eventuell destruktiv test * informasjon om treslag, fukt og historikk * endelig produktutfall Annoteringen bør utføres eller kontrolleres av personer med treteknisk og konstruksjonsfaglig kompetanse. En modell som lærer av inkonsistente etiketter, vil automatisere inkonsistensen. ### 7.3 Bruk en hybrid beslutningsmodell I en tidlig fase bør ikke alle beslutninger overlates til en nevrale nettverksmodell. En hybrid løsning er mer revisjonssikker: * KI finner og måler defekter. * Regelmotoren anvender dokumenterte akseptkriterier. * Statistisk modell estimerer egenskaper og usikkerhet. * Menneskelig kontroll håndterer grensetilfeller. * Alle avgjørelser logges. Fordelen er at endringer i forskrift, standard eller prosjektkrav kan implementeres i regelmotoren uten full retrening av bildeanalysen. ### 7.4 Definer sikkerhetsklasser Systemet bør ha forskjellige krav avhengig av anvendelse. **Lav risiko:** emballasje, dekorative produkter og enkelte møbler. **Moderat risiko:** innvendig kledning, lekter og ikke-bærende komponenter. **Høy risiko:** bærende konstruksjoner, fasader, rømningsveier og brannteknisk kritiske anvendelser. Jo høyere konsekvens, desto større krav må stilles til sensorredundans, validering, dokumentasjon og menneskelig godkjenning. ### 7.5 Bygg inn avvisning av usikre tilfeller Et sikkert KI-system må kunne si «vet ikke». Modellen bør ikke tvinges til å klassifisere alle emner. Hvis konfidensen er lav, sensorene gir motstridende resultater eller materialet faller utenfor treningsområdet, skal emnet sendes til manuell kontroll eller lavere risikokategori. Dette kalles ofte «reject option» eller selektiv klassifikasjon. I en sikkerhetskritisk verdikjede er den like viktig som høy gjennomsnittlig nøyaktighet. ### 7.6 Koble systemet til lager og marked Teknisk kvalitet skaper ikke verdi uten en kjøper. Produksjonsplanleggingen bør derfor kobles til: * lagerbeholdning * prosjektforespørsler * BIM-baserte materiallister * dimensjonsbehov * leveringsdatoer * transportavstand * pris * klimagassbudsjett KI kan så velge mellom å bevare en lang bjelke, kappe den til flere standardlengder eller vente på en konkret ordre. ### 7.7 Fasevis oppskalering En realistisk innføring kan organiseres i fem faser. **Fase 1: Datainnsamling og manuell referanseprosess.** Materialet fotograferes, måles og klassifiseres, men beslutningene tas fortsatt manuelt. **Fase 2: Maskinsyn som beslutningsstøtte.** KI markerer defekter og foreslår klassifisering. Operatøren godkjenner. **Fase 3: Automatisert sortering og metallkontroll.** Transportbånd, porter og robotisert håndtering kobles til systemet. **Fase 4: Robotisert avspikring og kapping.** Roboten utfører fysiske bearbeidingsoperasjoner basert på defektkartet. **Fase 5: Integrert digital tvilling og markedsstyrt produksjon.** Materialpass, BIM, lager, LCA og ordreoptimalisering samles i én plattform. --- ## 8. Viktige utfordringer ### 8.1 Manglende standarder for returtre Standarder for styrkesortering er i hovedsak utviklet for nytt virke og kontrollerte produksjonsforhold. Returtre har andre skadetyper, blant annet spikerhull, uttak, lokale knusningsskader, gammel overflatebehandling og ukjent belastningshistorikk. ECOS og Ridley-Ellis peker på behovet for europeiske regler for testing, ikke-destruktive målinger, skadegrenser, terminologi og eventuelle egne styrkeklasser for gjenvunnet tre. De anslår, basert på eksisterende forskning, at omtrent 25 prosent av treet fra bygg med bærende trekonstruksjoner kan være teknisk tilgjengelig for strukturelt ombruk. Det er likevel fortsatt begrenset praksiserfaring og mangler i standardiseringsrammen( Porteron & Ridley-Ellis, 2025). ### 8.2 Brannegenskaper Mekanisk styrke og brannytelse er ikke det samme. Tetthet, fukt, treslag, kjemisk sammensetning, sprekker og geometri kan påvirke forkulling og brannforløp. Uldry, Husted, Pope og Ottosen konkluderte i en gjennomgang fra 2024 med at det ikke finnes en etablert, ikke-destruktiv metode som alene kan fastslå brannytelsen til et gjenbrukt konstruksjonselement sammenlignet med nytt tre. Røntgen, infrarød spektroskopi og andre teknikker kan måle relevante egenskaper, men sammenhengen er foreløpig ikke tilstrekkelig til en full brannklassifisering (Uldry et al., 2024). Dette innebærer at KI ikke må gi et inntrykk av større sikkerhet enn forskningsgrunnlaget tillater. Brannprosjektering må fortsatt baseres på dokumenterte egenskaper, konservative forutsetninger, prøving eller annen akseptert metode. ### 8.3 Forurensning og kjemikalier Tre kan inneholde eller være behandlet med: * kreosot * kobber-, krom- eller arsenforbindelser * blyholdig maling * biocider * lim * fugemasser * brannhemmere * olje og industrikjemikalier * mugg og biologisk materiale Maskinsyn kan indikere synlig behandling, mens spektrale sensorer kan støtte klassifisering. Men en automatisk linje må ha tydelige regler for når materialet skal isoleres og analyseres nærmere. Høy sirkularitet må ikke føre farlige stoffer tilbake i innemiljøet eller nye produkter. ### 8.4 Datasett og domeneendring En modell som fungerer godt på rene laboratoriebilder, kan svikte på en byggeplass. Variasjoner i lys, støv, fukt, kamera, bakgrunn, treslag og overflate kalles ofte domeneendring. Ytelse må derfor testes på data fra det faktiske anlegget. Kontinuerlig overvåking bør registrere: * endring i feilrate * nye materialtyper * lav modellkonfidens * forskjell mellom skift og operatører * endring etter programvareoppdatering * sesongvariasjoner Modellen må ha versjonskontroll, og tidligere beslutninger må kunne spores tilbake til modellen som ble brukt. ### 8.5 Falske positive og falske negative En falsk positiv oppstår når systemet klassifiserer en ufarlig egenskap som feil. Resultatet kan bli unødvendig nedgradering og tap av verdi. En falsk negativ oppstår når en reell feil ikke blir oppdaget. I en bærende komponent kan konsekvensen være alvorlig. Optimal terskel avhenger av bruksområdet. For strukturelt virke bør systemet normalt være konservativt, men for stor konservatisme kan gjøre ombruk økonomisk umulig. Derfor må nøyaktighet vurderes sammen med konsekvens og produktverdi. ### 8.6 Robotisk håndtering av uregelmessige emner Returtre kan være langt, tungt, vridd og skadet. Tyngdepunktet er ikke alltid der modellen forventer. Overflaten kan være glatt, ru eller splintret. Roboten trenger: * adaptiv gripeplanlegging * flere mulige gripeverktøy * kraft- og momentsensorer * kollisjonskontroll * sikker materialstøtte * verifisering av grep * kontrollert fallback ved feil For lange bjelker kan to eller flere roboter måtte samarbeide. Alternativt kan roboten kombineres med transportører, ruller og faste klemmer. ### 8.7 Økonomi og gjennomstrømning Den høyeste tekniske kvaliteten er ikke alltid den beste økonomiske løsningen. CT- skanning av hvert eneste bord vil normalt være for dyrt. Håndtering og måling må tilpasses materialverdien. Anlegget bør derfor bruke trinnvis sortering: 1. billig grovscreening av alt materiale 2. moderat avansert testing av relevante kandidater 3. detaljert testing av høyverdige eller usikre emner KI kan beregne forventet verdi av mer informasjon. Dersom sannsynligheten for at en kostbar test endrer beslutningen er liten, kan emnet gå videre uten testen. ### 8.8 Kompetanse og organisasjon Automatisering fjerner ikke behovet for fagkompetanse. Den endrer kompetansebehovet. Anlegget trenger blant annet: * treteknolog * konstruksjonsingeniør * material- og miljøspesialist * robotingeniør * automasjons- og vedlikeholdspersonell * dataingeniør * KI- og MLOps-kompetanse * kvalitetsleder * operatører med forståelse for avvik og sikkerhet Fagarbeidernes erfaring er særlig viktig under utvikling av treningsdata og avviksregler. Systemet bør bygges sammen med brukerne, ikke bare leveres til dem. ### 8.9 Ansvar og forklarbarhet Dersom et KI-system anbefaler at en bjelke kan brukes strukturelt, må det være tydelig hvem som har ansvar for beslutningen. Leverandøren av modellen, anleggseieren, kontrolløren, prosjekterende og utførende kan ha forskjellige roller. Dokumentasjonen bør vise: * hvilke data som ble målt * hvilke verdier som ble beregnet * hvilke regler som ble anvendt * modellens konfidens * hvem som godkjente * hvilket bruksområde godkjenningen gjelder En grafisk forklaring kan vise hvilke defekter og målinger som påvirket resultatet. Dette gjør det mulig for en fagperson å kontrollere beslutningen. --- ## 9. Fremtidige utviklingsbaner ### 9.1 Multimodale grunnmodeller Dagens modeller er ofte spesialisert på én oppgave, for eksempel sprekkdeteksjon. Fremtidige multimodale modeller vil kunne kombinere bilder, 3D-geometri, spektraldata, akustikk, tekstlige beskrivelser og prosjektkrav. En slik modell kan motta følgende spørsmål: «Kan dette emnet brukes som lamell i en ny limtrebjelke, og hvilken bearbeiding kreves?» Systemet kan da analysere defektkart, styrkeindikatorer, dimensjon, fukt, limkrav, ønsket tverrsnitt og produksjonskostnad før det gir et forslag. Modellen må likevel være bundet til dokumenterte regler. Generativ KI bør ikke få oppfinne materialegenskaper eller akseptkriterier. ### 9.2 Syntetiske data og simulerte defekter Det er kostbart å samle store datasett av sjeldne feil. Syntetiske bilder og simulering kan brukes til å variere: * lysforhold * kameravinkel * treslag * sprekkgeometri * maling * smuss * spikerplassering * fuktuttrykk * bakgrunn Syntetiske data kan forbedre robustheten, men kan også introdusere urealistiske mønstre. Modellene må alltid valideres på fysisk returtre. ### 9.3 Selvforbedrende anlegg Hver manuell korreksjon kan bli en ny treningsobservasjon. Hvis operatøren endrer klassifiseringen fra «råte» til «misfarging», registreres hendelsen. Dersom samme type feil gjentas, kan modellen retrenes. Et slikt system krever streng styring. Ingen ny modell bør settes i drift automatisk uten: * kontrollert treningsprosess * test mot låst valideringssett * sikkerhetstest * dokumentert ytelsesendring * godkjenning * mulighet for tilbakeføring ### 9.4 Federert læring Bedrifter kan være tilbakeholdne med å dele produksjonsdata. Federert læring gjør det mulig å trene modeller på data fra flere anlegg uten at rådata nødvendigvis forlater virksomheten. Bare modelloppdateringer deles og aggregeres. Dette kan gi bedre modeller for norske treslag, klimaforhold og bygningstyper, samtidig som kommersielle data beskyttes. ### 9.5 Autonome mobile behandlingsenheter I stedet for å frakte alt virke til ett sentralt anlegg kan mobile enheter plasseres på større rivningsplasser. De kan utføre: * innmåling * metallskanning * grovrensing * avspikring * kapping * identitetsmerking * forhåndsklassifisering Bare materialer med tilstrekkelig verdi sendes videre til spesialisert behandling. Dette kan redusere transport av lavverdige eller forurensede fraksjoner. ### 9.6 Design ut fra tilgjengelig lager Tradisjonell prosjektering velger dimensjon først og bestiller materialer etterpå. Sirkulær prosjektering kan snu rekkefølgen. Et generativt designverktøy kan hente lagerdata fra et urbant sagbruk og foreslå konstruksjoner basert på tilgjengelige lengder og tverrsnitt. Dersom lageret har mange korte bjelker, kan systemet utvikle et fagverk eller modulært system som utnytter dem. Dette krever tett integrasjon mellom: * materialdatabase * BIM * parametrisk modell * statisk beregning * robotisk bearbeiding * montasjeplanlegging Materialets uregelmessighet blir da en designparameter fremfor et avvik. ### 9.7 Digitale produktpass gjennom flere livsløp Fremtidens materialpass vil ikke avsluttes når produktet installeres. Sensor- og vedlikeholdsdata kan oppdateres gjennom byggets levetid. Når bygget skal transformeres igjen, er følgende informasjon tilgjengelig: * opprinnelse * tidligere anvendelser * belastnings- og fukthistorikk * reparasjoner * brann- eller vannskader * tidligere testresultater * bearbeidinger * demonteringsinstruksjon Dette kan redusere usikkerheten dramatisk ved andre og tredje ombrukssyklus. ### 9.8 Design for robotisk demontering Robotikkens effektivitet avhenger av hvordan bygget er konstruert. Fremtidige bygg kan utformes med: * synlige og tilgjengelige forbindelser * standardiserte festemidler * mekaniske forbindelser fremfor permanent lim * maskinlesbare merker * dokumentert demonteringsrekkefølge * modulære komponenter * toleranser som tillater gjentatt montering WOODCIRCLES arbeider nettopp med byggesystemer optimalisert for demontering og digitale tvillinger. Dette peker mot en fremtid hvor roboten ikke bare tilpasses eksisterende bygg, men hvor byggene designes for fremtidig maskinell demontering. ### 9.9 Multirobotsystemer En fremtidig fabrikk kan bruke flere roboter med forskjellige roller: * én robot skanner * én stabiliserer materialet * én fjerner metall * én utfører kapping * én sorterer og stabler * autonome kjøretøy transporterer materialet mellom cellene Systemet planlegger rekkefølge og ressursbruk dynamisk. Hvis en maskin står, kan materialstrømmen omdirigeres. Digitale tvillinger kan teste produksjonsplaner før de settes i drift. ### 9.10 Kombinert klima- og økonomioptimalisering Dagens produksjonsstyring prioriterer ofte kostnad og tid. Fremtidige systemer kan optimalisere flere mål samtidig: * lønnsomhet * CO₂e * materialutbytte * energibruk * naturpåvirkning * lokal verdiskaping * produktlevetid * dokumentasjonsrisiko Beslutningen om å transportere en bjelke, bearbeide den lokalt eller sende den til fiberproduksjon kan da baseres på både markedsverdi og livsløpsanalyse. --- ## 10. Forsknings- og utviklingsbehov Teknologien er lovende, men flere spørsmål må løses før behandlingen kan skaleres bredt. For det første trengs representative datasett for gjenvunnet nordisk trevirke. Datasettene bør dekke gran, furu og relevante løvtrearter, forskjellige bygningsepoker, overflatebehandlinger, fuktforhold, skadetyper og forbindelser. For det andre må sammenhengen mellom ikke-destruktive indikatorer og faktiske styrkeegenskaper undersøkes for ulike materialstrømmer. Modeller bør kalibreres mot destruktive tester og rapportere prediksjonsintervaller, ikke bare ett estimat. For det tredje er det behov for harmoniserte regler for hvordan skader fra tidligere bruk skal vurderes. Spikerhull, lokale innsnitt, sprekkutvikling og tidligere belastning må knyttes til konkrete akseptkriterier. For det fjerde må brannytelse, limbarhet og bestandighet dokumenteres bedre. Særlig krever strukturell ombruk en metode som håndterer kombinasjonen av ukjent historikk og nytt bruksområde. For det femte må økonomien studeres på systemnivå. Høy deteksjonsnøyaktighet er lite verdt dersom linjen er for langsom, vedlikeholdskrevende eller ikke kan produsere varer markedet etterspør. For det sjette bør menneske-maskin-samspillet undersøkes. Operatøren trenger et grensesnitt som viser relevante avvik og usikkerhet uten å overbelaste brukeren med rådata. Til slutt må klimagevinsten beregnes konsekvent. Ombruk bør sammenlignes med realistiske referansescenarioer og inkludere demontering, transport, tørking, testing, bearbeiding, svinn og forventet levetid. --- ## 11. Konklusjon Kunstig intelligens, maskinsyn og robotikk kan gjøre behandlingen av gjenvunnet trevirke raskere, sikrere, mer presis og mer lønnsom. Den viktigste effekten er ikke bare lavere bemanningsbehov eller høyere sorteringshastighet. Teknologiene kan gjøre tidligere usynlige materialegenskaper målbare og omforme en uensartet avfallsstrøm til dokumenterte enkeltprodukter. Maskinsyn kan registrere geometri og synlige feil. Spektrale, akustiske og radiografiske sensorer kan avdekke materialtype, fukt, metall og indre variasjoner. KI kan kombinere dataene og rangere mulige anvendelser. Robotikk kan fjerne forbindelser, kappe rundt defekter, høvle og sortere. Digitale tvillinger og materialpass kan gjøre resultatet sporbar gjennom nye brukssykluser. Teknologien må likevel innføres med faglig disiplin. Laboratorieresultater kan ikke ukritisk overføres til industriell drift. En modell med høy gjennomsnittlig presisjon kan fortsatt gjøre farlige feil. Bærende og brannteknisk kritisk bruk krever validerte testmetoder, konservative grenser og tydelig ansvar. Den mest hensiktsmessige veien fremover er trinnvis. Næringen bør begynne med kontrollerte materialstrømmer og konkrete flaskehalser som metallfjerning, geometriregistrering og ikke-bærende produktsortering. Dataene fra disse prosessene kan deretter danne grunnlag for mer avansert gradering, robotisk bearbeiding og strukturell ombruk. På lengre sikt vil skillet mellom riveplass, avfallsmottak, sagbruk, produktfabrikk og materialdatabase bli mindre tydelig. De kan bli deler av ett digitalt og fysisk produksjonssystem. Bygninger vil levere materialdata før demontering. Urbane sagbruk vil bearbeide virket etter faktisk kvalitet og markedsetterspørsel. Prosjekteringsverktøy vil utforme nye bygg ut fra tilgjengelige komponenter. Produktpass vil følge materialene gjennom flere liv. Dermed kan trevirke gå fra å være en problematisk avfallsfraksjon til å bli en sporbar, verdsatt og gjentakbart anvendbar ressurs. Dette vil ikke alene løse byggebransjens klima- og ressursutfordringer, men det kan etablere en avgjørende infrastruktur for en mer regenerativ og sirkulær byggenæring. --- ## Referanser Chaudhary, M. (2026, 24. mars). _Liten økning i byggavfall i 2024_. Statistisk sentralbyrå. Conners, R. W., Cho, T.-H., Ng, C. T., Drayer, T. T., Araman, P. A., & Brisbon, R. L. (1992). A machine vision system for automatically grading hardwood lumber. _Industrial Metrology, 2_, 317–342. European Commission. (2025a, 7. januar). _New EU rules on the safety and sustainability of construction products mark a new step for the sector’s competitiveness_. European Commission. (2025b). _WOODCIRCLES: Integrated, circular, and digitally supported sustainable solutions for waste minimization and carbon capture in buildings and the construction sector_. CORDIS. Fan, C., Zhuang, Z., Liu, Y., Yang, Y., Zhou, H., & Wang, X. (2024). Bilateral defect cutting strategy for sawn timber based on artificial intelligence defect detection model. _Sensors, 24_(20), 6697. doi:10.3390/s24206697. Klima- og miljødepartementet, & Nærings- og fiskeridepartementet. (2024). _Handlingsplan for en sirkulær økonomi_. Kodytek, P., Bodzas, A., & Bilik, P. (2022). A large-scale image dataset of wood surface defects for automated vision-based quality control processes. _F1000Research, 10_, 581. doi:10.12688/f1000research.52903.2. Kommunal- og distriktsdepartementet. (2022, 18. mai). _Gjør det enklere å selge brukte byggevarer_. Lambec, B., Bastien-Masse, M., & Fivet, C. (2025). Analysis and synthesis of existing procedures used to determine the reuse potential of building elements. _Frontiers in Built Environment, 11_, Article 1511109. doi:10.3389/fbuil.2025.1511109. Porteron, S., & Ridley-Ellis, D. (2025). _Laying the foundations to safely reuse timber in Europe: Policy and standards to support the reuse, remanufacture, and recycling of structural timber_. Environmental Coalition on Standards. Shi, A., Bergsagel, D., Owen, J., & Heisel, F. (2025). Scalable AI-driven automation for visual lumber grading. _Journal of Cleaner Production, 533_, 146986. doi:10.1016/ j.jclepro.2025.146986. Statistisk sentralbyrå. (2026). _Tabell 09781: Behandling av avfall fra nybygging, rehabilitering og riving, etter materialtype_. Tamke, M., Svilans, T., Huber, J. A. J., Wuyts, W., & Thomsen, M. R. (2025). Non- destructive assessment of reclaimed timber elements using CT scanning: Methods and computational modelling framework. I M. Kioumarsi & B. Shafei (Red.), _The 1st International Conference on Net-Zero Built Environment_ (Lecture Notes in Civil Engineering, Vol. 237). Springer. doi:10.1007/978-3-031-69626-8_107. Uldry, A., Husted, B. P., Pope, I., & Ottosen, L. M. (2024). A review of the applicability of non-destructive testing for the determination of the fire performance of reused structural timber. _Journal of Nondestructive Evaluation, 43_, 106. doi:10.1007/ s10921-024-01120-6. United Nations Environment Programme, & Global Alliance for Buildings and Construction.( 2026). _Global status report for buildings and construction 2025–2026_. Urban Machine. (u.å.). _The Machine: Robotics and AI helping reclaim waste wood_. Fra rivningsvirke til dokumentert ressurs