AI i schaktfritt ledningsbyggande: från rörinspektion till metodval

AI i byggbranschen har blivit ett stort samtalsämne, men merparten av det som skrivits handlar om kranplacering, arbetsmiljö och adoptionsstatistik på övergripande branschnivå. Få eller inga texter beskriver vad AI faktiskt gör när den möter en ledning i marken -- hur en AI-analys av en rörinspektionsfilm omvandlas till en statuspoäng, och hur den poängen i sin tur ska avgöra om en ledning ska relinas, rörtryckas, borras med styrd borrning eller grävas upp. Ur ett operativt projektperspektiv blir konsekvenserna tydliga när beslutsunderlaget brister. Samtidigt finns områden där AI redan i dag gör praktisk skillnad.

Varför beslutsunderlaget är den verkliga flaskhalsen i ledningsförnyelse

Investeringsbehovet i svenska ledningsnät är stort och växande. Enligt Cirkulation har investeringsbehovet stigit från 31 till 37 miljarder kronor per år fram till 2040, och schaktfria metoder beskrivs kunna renovera och förnya dubbelt så många ledningar som traditionellt schaktarbete inom samma budget. Infrastrukturnyheter har i en intervju med SSTT:s ordförande Tomas Helenius satt siffror på det: 560 miljarder kronor i sammanlagt investeringsbehov i ledningsnätet, besparingar i så gott som samtliga arbeten (99 procent), cirka 60 procent lägre kostnad med rörtryckning och upp till 90 procent med flexibla foder jämfört med schakt.

Med så stora belopp i rörelse blir frågan inte om pengarna finns att spara, utan om rätt ledningar väljs ut för rätt åtgärd i rätt tid. Det är här beslutsunderlaget -- alltså kvaliteten på den statusbedömning som föregår varje åtgärdsval -- blir den faktiska flaskhalsen. En felaktig prioritering kostar dubbelt: dels genom att en ledning som borde ha åtgärdats akut får vänta, dels genom att resurser läggs på ledningar som egentligen hade klarat sig längre.

Så fungerar AI-analys av rörinspektionsfilm - och var den fortfarande behöver en människa

Rörinspektion med kamera har funnits länge, men det som är nytt är att AI nu kan analysera filmen automatiskt i stället för att en människa ska granska varje sekund manuellt. Vretmaskins beskrivning av WinCan AI visar hur tekniken fungerar i praktiken: systemet analyserar inspektionsfilmen bildruta för bildruta och kodar defekter enligt de svenska branschstandarderna P122 och T25 -- samma standarder som redan används av rörinspektörer i dag, vilket gör att AI-kodningen kan jämföras direkt med manuellt utförda bedömningar.

Enligt samma källa används resultatet redan i dag som underlag vid projektering av schaktfria renoveringar, det vill säga att AI-kodningen matas in tidigt i beslutskedjan snarare än att bara arkiveras som en rapport. Samtidigt är det viktigt att vara tydlig med begränsningarna: AI-analys är starkast på att konsekvent och snabbt identifiera och klassificera synliga defekter i stora filmmängder -- det som annars är ett tidskrävande och monotont manuellt arbete. Den mänskliga bedömningen behövs fortfarande för att tolka gränsfall, sätta defekter i kontext med ledningens ålder, material och driftshistorik, och för att fatta det slutgiltiga beslutet om åtgärd. AI ersätter alltså inte rörinspektörens eller projektörens erfarenhet, men gör grovanalysen av stora filmmängder snabbare och mer enhetlig.

Från defektkodning till statuspoäng: hur AI-modeller prioriterar vilka ledningar som ska åtgärdas

Nästa steg efter defektkodning är att omsätta enskilda defekter till en samlad statusbedömning för varje ledningssträcka. Här är Svenskt Vattens AI-verktyg VASS det tydligaste svenska exemplet: en AI-modell, vidareutvecklad från arbete hos Stockholm Vatten och Avfall, som ger varje ledning en statuspoäng. Resultatet levereras som en fil som kan importeras direkt som ett GIS-lager, vilket gör att statuspoängen blir en del av samma kartunderlag som övrig ledningsdata -- och därmed går att kombinera med ålder, material, och belastning i den fortsatta planeringen.

Det är precis den här typen av modell som gör det möjligt att gå från "vi har X kilometer ledning med okänt skick" till en rangordnad åtgärdslista. Men det är också här den tydligaste luckan i dagens innehåll och verktygsutbud finns: statuspoängen i sig säger inte automatiskt vilken metod som är rätt för en given ledning -- det kräver ett ytterligare steg där poängen vägs samman med praktiska förutsättningar som ledningens läge, tillgänglighet, marktyp och närhet till annan infrastruktur.

Statuspoängen möter metodvalet - när pekar datan mot relining, rörtryckning, styrd borrning eller schakt?

Att ha en statuspoäng är bara halva jobbet. Den andra halvan är att koppla poängen till ett konkret metodval, och det är ett beslut som i praktiken kräver anläggningsteknisk erfarenhet snarare än enbart mjukvara. Några generella mönster kan dock vägleda prioriteringen:

• Relining är ofta relevant när en ledning har spridda mindre defekter (sprickor, mindre deformationer) längs en sträcka men fortfarande har tillräcklig strukturell bärighet, och där man vill undvika schakt i till exempel en trafikerad gata.

• Rörtryckning blir aktuellt när en ledning är i så dåligt skick att den behöver bytas ut helt, men schakt är olämpligt av kostnads- eller framkomlighetsskäl. Infrastrukturnyheters uppgift om cirka 60 procent lägre kostnad jämfört med schakt gör metoden ekonomiskt motiverad i många av dessa fall.

• Styrd borrning väljs ofta vid nyförläggning eller när ledningen måste dras i en ny sträckning, till exempel under vägar eller vattendrag -- ett användningsområde som SSTT:s metodöversikt beskriver som en av flera etablerade schaktfria metoder för VA, fjärrvärme, fjärrkyla, el, gas och bredband. Samma källa noterar att Trafikverkets krav numera är schaktfri metod vid korsning av större vägar och järnvägar.

• Schakt förblir motiverat när skadebilden är så omfattande, eller marken så komplicerad, att en öppen grävning faktiskt är det säkraste och mest kostnadseffektiva alternativet -- statuspoängen och AI-analysen ska aldrig tvinga fram en schaktfri lösning där den inte är tekniskt lämplig.

Poängen med att koppla samman statusdata och metodval systematiskt är att beslutet fattas innan upphandling och projektering påbörjas, i stället för att metodvalet görs sent i processen utifrån magkänsla eller tillgänglig entreprenör.

Kom igång utan AI-projekt: tre saker att fixa i din datainsamling först

Många kommuner och nätägare avvaktar med AI-baserad statusbedömning för att det låter som ett stort teknikprojekt. I praktiken är de viktigaste förberedelserna inte tekniska utan organisatoriska:

1. Standardisera kodningen av rörinspektioner. Se till att alla inspektioner -- oavsett vilken entreprenör eller vilket kamerasystem som använts -- kodas enligt samma branschstandard (P122/T25). Utan konsekvent kodning blir historisk data värdelös som träningsunderlag för AI-analys, oavsett vilket verktyg ni senare väljer.

2. Samla inspektions- och statusdata på ett ställe. Om filmer, rapporter och statuspoäng ligger utspridda hos olika entreprenörer och i olika format går det inte att bygga en samlad prioriteringslista. Ett gemensamt GIS-lager, i linje med hur VASS-resultat kan importeras, är ett rimligt minimikrav.

3. Definiera vilket beslut statuspoängen faktiskt ska stödja. Bestäm i förväg vilka trösklar i statuspoängen som ska trigga vilken typ av åtgärdsutredning, så att poängen inte bara blir en siffra i ett register utan en del av en levande underhållsprocess.

Med de tre grundstenarna på plats blir nästa steg -- att testa AI-baserad film- och statusanalys i skarpt projekt -- betydligt mindre riskfyllt, eftersom data redan är samlad, jämförbar och kopplad till tydliga beslutsregler.

Behöver ni hjälp att koppla statusdata till rätt schaktfri metod?

Karl Helge arbetar med operativ ledning och digitala arbetsflöden i projekttunga verksamheter. Kontakta oss för en dialog om hur statusdata kan struktureras, följas upp och användas i praktiska beslut.