Mögelrisker i Sverige olika år gentemot standardklimat

Transkript

1 Mögelrisker i Sverige olika år gentemot standardklimat En jämförelse hur olika geografiska platser med olika klimat har olika mögelrisker gentemot alla modeller som baseras på standardklimat. Mold risks in Sweden different years compared to standard climate A comparison on how different geographical places with different climates have different mold risks different from all models based on standard climate. Författare: Uppdragsgivare: Handledare: Erdem Yildiz Anders Kumlin AB Anders Kumlin (KTH) Anders Kumlin (Anders Kumlin AB) Examinator: Examensarbete: Per Roald 15, högskolepoäng inom Byggteknik och Design Godkännandedatum: Serie nr: BD216;2

2 Förord: Detta är ett examensarbete på KTH Haninge. Arbetet innefattar stora mängder data från SMHIs öppna databas och sammaställningar från Excel och simuleringar från programvaran Wufi. Stort tack till min handledare Anders Kumlin, examinator Per Roald och Chi-Hao Poon för all vägledning och stöd. 2

3 Sammanfattning: Det flesta klimat beräkningar som görs idag på mögelväxt baseras på standardklimat. Vilket i sig kan vara bra för då används en och samma modell för att beskriva klimat likadant överallt. Men ur en annan synvinkel är det ett väldigt trubbigt instrument som beskriver specifika fall väldigt generellt. Examensarbetet tittar på data från SMHI över en tioårsperiod på tre olika geografiska platser för att kunna fastställa om skillnad finns mellan standardklimatmodellen och historisk väderdata. Vilket i sin tur leder till att jag kan göra mögelväxtberäkningar med mycket mer exakta värden för specifika år. Detta ger en modell som stämmer bättre överens med hur verkligheten ser ut. De variabler som man tittar på är först och främst är relativ fuktighet och temperatur eftersom de är de två variabler som har störst inverkan på mögelväxt. Dessutom för att kunna använda programvaran Wufi Bio för att simulera mögelväxt. Under rubkriken resultat och slutsats påvisas skillnader mellan standarklimat och historisk klimatdata när man simulerar mögelväxt. Nyckelord: Wufi, SMHI, relativfuktighet, temperatur, mögelväxt. 3

4 Abstract In construction today we use a lot of different building materials compared to how we used to build. It s not as easy to predict how all these constructions will get affected over a longer period of time. Constructions that loose buoyancy and resistance are continuing problem within the industry. And for that part seems to go towards a more complex problem with more variables to look at. In this report I have collected data from SMHI s open database to get broader picture than over a year. To be more precise, I looked at ten year period of data for relative humidity and temperature. These are the main factors when you trying to look at mold growth. After the data collecting I used a program to calculate mold growth in three different geographical climate locations in Sweden with program Wufi Bio. These calculation than led me to be able to use Wufi to calculate mold growth on an actual outer wall over a period of ten years. This work has resulted in a paper which describes the variance and risks with mold growth on an outer wall with very precise predictions. 4

5 Innehåll 1 Inledning Bakrund Syfte Avgränsningar Lösningsmetoder Litteraturstudier Datorprogram TEORI Standardklimat Data Historisk Klimat Data Varför är mögel ett problem? Relativ fuktighet WUFI BIO ErdemWeatherScript Excel UTFÖRANDE Indata Ånghalt Korrigerings algoritm Simuleringar Resultat Grafer Särfallet Stockholm år Standardklimat mögelväxt Resultat av mögelväxt SLUTSATS DISKUSSION FELKÄLLOR REKOMMENDATIONER FÖR VIDARE STUDIER Referenser

6 1 Inledning 1.1 Bakgrund Idag används väldigt många olika byggmaterial i konstruktioner jämfört med hur man byggde förr i tiden. Det är inte lika lätt att förutspå hur konstruktioner kommer att påverkas över tid. Konstruktioner som förlorar bärighet och beständighet är ett kontinuerligt problem i byggindustrin, som för den delen verkar gå mot en modell som blir allt mer komplex med fler variabler att ta hänsyn till. En av de stora variablerna är givetvis klimatet. Speciellt intressant är det för mig när det gäller frågorna; hur påverkar klimatet i Sverige mögeltillväxt? Går det att se en avvikande trend i framtiden? Hur stor är skillnaden mellan faktisk data från SMHI och standard klimatmodellen vi använder idag? Svaren på dessa frågor kan komma att ha stor påverkan på byggsektorn. Med tanke på att SMHI nyligen släppt ut historisk väderdata för allmänheten, är det möjligt att för första gången få svar på dessa frågor. Att inte försöka sig på att förstå dagens och framtidens klimat i relation till olika byggmaterial är inte bara oansvarigt utan också en potentiell hälsorisk. Det är ändå människor som vistas i alla olika inomhusmiljöer som konstrueras. Speciellt när stora delar av förvaltningen av dessa konstruktioner handlar om just ombyggnader och reparationer för fukt och klimatrelaterade skador. Att förstå hur klimatet varierar olika tider på året och försöka förutspå åt vilket håll klimatet tenderar att gå, kan betyda enormt stora ekonomiska besparingar och nya byggtekniska innovationer för industrin i framtiden. 6

7 1.2 Syfte Syftet med detta arbete är att ta fram och analysera data från SMHIs öppna databas. För att sedan kunna mäta relativ fukt gentemot temperatur över en tioårsperiod, samt titta på ånghalt på aktuella platser. Då kan man teoretiskt kunna ta reda på om förutsättningar för mögeltillväxten varierar från år till år och med hur mycket. Det kommer även framgå hur mycket värdena varierar från standard klimatmodellen som används idag. Samtidigt fås en indikator på hur dessa variabler kan komma att se ut i framtiden. Med hjälp av data från SMHI och programvara från Wufi kommer analysen att visa hur mögeltillväxten på trä varierar under en längre tidsperiod. Delar som kommer att ingå i arbetet: - Samla och studera data från SMHI. - Studera mögeltillväxten över en längre tidsperiod - Beräkna samma datapunkter på tre olika geografiska platser i Sverige med varierande klimat förhållanden. - Titta på skillnader i resultat från beräkningar gentemot standardklimat. - Simulering på en väggkonstruktion med lockpanel och simulera hur detta skulle se ut i en faktisk vägg. 1.3 Avgränsningar Detta arbete är en klimatstudie som ser över hur olika byggmaterial reagerar på olika klimatförhållanden som kan ske över en längre tidsperiod. De variablerna studien kommer att se över är endast relativ fukt, temperatur och tid. Med dessa variabler kan man simulera mögelväxten utan att lägga ner stor mängd tid på datainsamling. I SMHI:s öppna databas finns det väldigt många variabler som man skulle kunna ha med. Men det skulle kräva långt över tio veckor som är arbetets tidsschema. Då denna studie skulle kunna göras över hela Sverige för att få en heltäckande bild, väljs istället tre olika geografiska platser. Skåne, Stockholm och Kiruna. Med dessa tre val kommer det förhoppningsvis gå att påvisa att det finns en märkbar skillnad på resultatet. Ytterligare kommer studien bara framställa data för en tioårsperiod då man absolut skulle kunna göra detta mycket mer storskaligt. 7

8 1.4 Lösningsmetoder För beräkning av mögelväxt behövs minst tre variabler. Relativ fuktighet(rf), temperatur och tid. Det finns idag standardklimatmodeller och mjukvara som bl.a. Wufi[1] som kan simulera mögelväxt med hjälp av dessa tre faktorer. Klimatmodeller använder sig av stora mängder data kontinuerligt för att simulera verkligheten över hela planeten, blir de specefika geografiska platserna glest placerade[2]. Fastän det går att se om Sverige är ett land som har gynsamt klimat för mögeltillväxt. Så går det inte att göra en tillräckligt exakt bedömning på hur mycket mögelväxt man kommer att ha vid en given plats en given tidpunkt. Eftersom i slutändan är klimatmodeller en övergripande förenkling av verkligheten. Studien använder sig istället av SMHIs öppna databas[4] som nyligen blev tillgänglig för allmänheten. Det get möjligheten att plocka fram specifik historisk data för sedan analysera den för att se hur stor skillnaden blir gentemot standardklimat. Tillvägagångssätt: - Litteraturstudier för skaffa fram tillräcklig med god teoretisk grund. - Insamling av data från SMHI. - Användning av Excel för att beräkna medelmånadsvärden för Malmö, Stockholm och Nikkaluokta. - Användning av Excel för att ta fram grafer över medelmånadsvärden och årvis timbaseraddata. - Användning av Olof Mundt-Petersen algoritm[5] för väderdata som fattas. - Programmering av script med algoritm för att återställa ofullständiga datatabeller. - Inlärning och användning av programvaran Wufi Bio för att simulera mögelväxt årsvis. - Sammanställning och utvärdering av tabeller och grafer med data. 8

9 1.5 Litteraturstudier De stora mängder data som samlats in till studien har gjorts via SMHIs öppna databas. Data som laddades ner var data gällande relativ fuktighet och temperatur. Eftersom dataklustren är till storleksordningen flera hundra tusen rader, finns de inte att hitta i bilagorna. Däremot kommer tidpunkter, namn på väderstationer och datatypen att skrivas ner så att granskning fortfarande är möjlig. Med hjälp av Fukthandboken och formler från kursen Fukt och Skademekanismer räknades ånghalt fram. Fördjupningskunskaper har tagits från diverse artiklar om mögelväxt från sidan Woodbuild på SP Sveriges Tekniska Forskningsinstitut. För att kunna läsa om mögelväxt som gjorts tidigare på standardklimatmodeller har en del av Anders Kumlins artiklar på studerats. - Högsta tillåtna fukttillstånd kritisk relativ fuktighet - Mögelrisk i förhållande till fuktnivå, temperatur och varaktighet För att se riktlinjer i upplägg och struktur har tidigare examensarbeten studerats. 1.6 Datorprogram För att sortera data, räkna ut medelmånadsvärden, rita grafer och tabeller har programmet Excel tillämpats. När studier görs med väldigt stora datamängder händer det att det finns glapp i kontinuiteten i dataflödet. För att kunna fylla i glappet i datorströmmen tar man av en algoritm beroende på syfte. En programmerare vid namn Chi-Hao Poon konsulterades i arbetet av skapa programvaran ErdemWeatherScript. Programmet är hårdkodat och går bara att använda för data från SMHI mellan åren Algortimen som programmet använder sig av är utvecklad från Olof Mundt-Petersen. Simuleringen av själva mögeltillväxten gjordes med hjälp av programmet Wufi Bio som finns gratis att ladda ner. Mer om hur ErdemWeatherScript fungerar finns att läsa under avsnittet teori. 9

10 2 Teori Standardklimatdata Klimatmodeller är representationer av fysikaliska processer som sker på och i bland annat atmosfären, på landytan och i haven. Beroende på klimatmodell varierar detaljnivån i allt ifrån storleken på grids en och tillgänglig information vid vald plats. Men det de har gemensamt är att det är ett globalt täckande modell. För klimat är något som påverkar alla hörn av världen och det är hopknutet i tid och rum. Klimatmodeller delas upp i så kallade Grids. För att enklare beskriva en vis typ av klimat i ett område. Givetvis är dessa modeller förenklade för att det finns stora mängder data att ta hänsyn till när man försöker simulera ett globalt vädersystem. Därför blir dessa Grids ganska glest placerade på kartnätet. Det blir därför svårt att jämföra platser som ligger relativt nära varandra. Själva uttrycket standardklimat blir en slags medelvärdemånadsvärden av all väderdata som man samlar in från väderstationer. Därför bör man säga att klimatmodeller ger scenarier och inte prognoser eftersom den gör antaganden om framtiden. Några osäkerheter som påverkar klimatmodeller är[2]: Noggrannhet Utsläppsscenarier som används Naturlig variabilitet Historisk Klimatdata Historiskklimat data är ett väldigt bra sätt att faktiskt titta tillbaka i tiden för att se exakt hur det sett ut. Tillskillnad från standardklimat som förutsätter att klimatet kommer att vara på ett visst sätt ser man istället exakt hur det sett ut. Tanken med att använda sig av historisk klimatdata är att jämföra den verkliga skillnaden mellan de två modellerna. Hur mycket det skiljer sig och ifall en tydlig trend på hur klimatet i Sverige kommer att se ut i framtiden kan ses. För att hämta historisk klimatdata användes SMHIs öppna databas. På sidan och väljs den geografiska plats som ska undersökas. Sedan väljs en rad olika variabler som användaren vill titta på. Spannet för datum kan väljas för att se vilka stationer som varit aktiva under den perioden. Sedan laddas filen ner som är en Excel fil med all specifik historisk data. 1

11 Osäkerheter med Historisk klimat data: Alla värden som finns att ladda ner är inte kontrollerade för att ifall de stämmer Det kan fattas stora mängder data när stationerna får tekniska problem Det kan vara svårt att hitta vissa specifika geografiska platser. Figur 1 visar SMHIs öppna databas. Här ser man hur man kan välja olika parametrar, datum och geografisk plats. 2.2 Tidigare nämndes att mikrobiell tillväxt påverkas av minst tre variabler. Relativ fuktighet,temperatur och tid. Givetvis finns många andra variabler som påverkar tillväxten. T.ex., solinstrålning, ånghalt, regn, vind osv. Mögelsporer är väldigt tåliga så de kan hittas i princip överallt. I genomsnitt bör det finnas mindre sporer inomhus än utomhus. De kan frodas i temperaturer mellan -5 C så länge det är tillräckligt fuktigt och tillräckligt lång tid passerat. [8] Varför är mögel ett problem? Förutom att mögel kan påverka människors hälsa genom emissioner kan röta påverka bärigheten på vissa byggnadsmaterial. Genom att bilda röta försvagas materialet då det förlorar bärighet. Kraven från boverket säger tydligt Byggnader ska utformas så att fukt inte orsakar skador, elak lukt eller hygieniska olägenheter och mikrobiell tillväxt som kan påverka människors hälsa. [7] Det här examensarbetet har tagit en förenklad modell som bara tittar på relativ fuktighet, temperatur och tid för beräkningsdelen. Eftersom mikrobiell tillväxt är en stokastisk variabel är det alltid svårt att förutspå helt hur mögelsporerna kommer att växa men denna enkla modell bör ge vissa riktlinjer och indikationer på missgynnande och fördelaktiga förhållanden som man bör ta hänsyn till innan man projekterar. 11

12 2.2.2 Relativ fuktighet När man tittar på mögeltillväxt pratar man om ofta hur fuktigt ett material är för att tillväxten ska kunna ske. D.v.s. Fuktkvoten hos materialet eller relativa fuktighet. Relativ fuktighet refererar till ånghalt i materialets luftporsystem i jämförelse till den maximala mängd ånga luften kan bära på vid en viss temperatur, mättnadsånghalt. Relativ fuktighet i luft fås genom att antingen mäta med en RF-givare eller så kan man räkna ut det genom att dela mättnadsånghalten för en viss temperatur med den aktuella fukten i luften. Vi vet att temperatur spelar stor roll i mögeltillväxten. Med temperaturen varierar kritisk fuktnivå(kf) för sporerna, som då är högre för lägre temperaturer. Dessutom påverkar varaktigheten tillväxten, det vill säga hur länge sporerna befinner sig i sin gynnsamma miljö. Tidigare forskning och erfarenheter visar att man får tillväxt om sporern befinner strax över kf tillräckligt lång tid, medan är det en väldigt hög kf kommer tillväxt även om varaktigheten inte är så lång. 2.3 Wufi Bio Ett beräkningsprogram som användes i detta examensarbete har tagits fram av Intuition BauPhysik(IBP) i Holzkirschen i Tyskland, Wufi Bio. [1] Programmet kan simulera mögelväxt med hjälp av de tre parametrarna temperatur,relativ fuktighet och tid upp till ett år. I Wufi Bio antas olika mekaniska och fysikaliska egenskaper hos mögelsporen, som t.ex. sorptionsdata och diffusionsmotstånd i mögelsporens sporvägg. För att mögelväxt ska kunna ske enligt programmet måste mögelsporens fuktinnehåll överstiga vad som anses vara kritiskt relativ fuktighet vid rådande temperatur. Alltså måste fuktinnehållet i den tänkta mögelsporen överstiga det kritiska vatteninnehållet som då bestäms av temperatur och relativ fuktighet i omgivningen för att mögelväxt ska kunna ske. Hur lång tid det tar för mögelväxten att starta eller avta bestäms däremot av diffusionsmotstånden i sporväggen vilket programmet gjort kvalificerade gissningar på. Detta ger mögelväxten ett så kallat tröghetsmoment. Om sporen är omgiven av luft där den relativa fuktigheten bara överstiger det kritiska vatteninnehållet något. Då tar det längre tid för mögeltillväxt att ske. Detta fungerar dock åt båda hållen. Diffusionsmotståndet i mögelsporen ser till att mögelväxten inte slutar så fort relativa fuktigheten går under kritiskt relativa fuktigheten. Utan mögelväxten slutar när sporens kritiska vatteninnehåll sjunkit under gränsen, alltså när sporen torkar ut. 12

13 Figur 2-4 visar de olika material klasserna som programmet använder sig av. Vid Class är kritisk relativ fuktighet 71 % vid 2 C, 77 % för Class 1 och 8 % för Class 2. Klasserna refererar till olika byggmaterial där Class står för tillväxt material som har samma egenskaper som vid mikrobiell odling, alltså fördelaktiga. Class 1 refererar till trä, gips, eller andra nedbrytbara material eller smutsiga material. Class 2 motsvarar puts, betong och andra mineralbaserade material som t.ex. mineralull. 13

14 Figur 5 visar hur programmet räknar ut antal timmar som det tar mögeltillväxten att starta. När kritiskt vatten innehåll i sporen når kritiskt vatten innehåll i luften är sporen mättad och den börjar växa. Däremot betyder det inte att sporen slutar växa när kritiskt vatteninnehåll i luften sjunker. Sporen kan lagra vatten inuti sin cellvägg och fortsätta växa ett tag även om vatteninnehållet sjunkit under gränsen. Figur 6 visar antal timmar det tar för mögeltillväxten att växa sig antal mm beroende på hur lång tid det går vid de angivna klimat förhållandena. Figur 7 visar att om du bara ger sporen lite mer fördelaktiga förhållanden kan den skjuta i tillväxt väldigt snabbt. Programmet har även ett inbyggt bedömningssystem för att visa om det är hög, liten, acceptabel eller icke godkänd simulering. 14

15 2.4 ErdemWeatherScript ErdemWeatherScript skapades just för det är examensarbetet. Programmet är hårdkodat. Det vill säga att programmet inte fungerar för något annat syfte än att fylla i datavärden som fattas i datakluster från SMHI mellan intervallet För att bygga upp koden kontaktades en konsult vid namn Chi-Hao Poon. Koden är skriven i C#.NET. Ramverket är.net Framework 4.6. Programmet har en tom.txt fil som heter datapoints.txt. Man kopierar in verklig klimatdata i form av datum, tid, och värde i separata kolumner. Startsekvensen består av att man öppnar ErdemWeatherScript.exe. Programmet söker sedan genom datapunkterna timme för timme tills den hittar ett glapp. När den väl hittar glappet letar den efter samma datapunkt fast i föregående år eller nästkommande år. Sedan ersätts det och programmet letar vidare tills vi har fått alla timmar på ett år vilket är 876 datapunkter eller 8784 för ett skottår. Programkoden kommer att finnas att granska i bilagor. 2.5 Excel Excel användes som ett verktyg för att samla data från SMHIs öppna väderdatabas. Sammanställningar av all data i form av grafer och tabeller gjordes för att kunna redovisa resultat. Vissa filer exporterades till.wac filer genom ett tillägg som gjordes tillgängligav Anders Kumlin. Man körde några simuleringar i WUFI för att se att all data var valid. Filer exporterades även till.txt filer så att jag skulle kunna köra mögelväxt simuleringar i Wufi Bio. All information om vart klimatdatan samlades in ifrån kommer att markeras ut i bilagorna och det kommer att finnas sammanställningar av alla datatabeller och grafer som gjordes i bilagor. 15

16 RF RF 3 Utförande Detta kapitel kommer att visa hur man löste uppgiften genom datainsamling, simulering och utvärdering av resultat Indata Timbaserad data gällande temperatur och relativ fuktighet för Stockholm, Malmö och Nikkaluokta under perioden 199 till Samt särfallet Stockholm under Sammanställning av timbaserad data till grafer som visar medelmånadsvärden årsvis för relativ fuktighet och temperatur. Stockholm ,% 9,% 85,% 8,% 75,% 7,% 65,% 6,% 55,% Figur 12 jan feb mar apr maj jun jul aug sep okt nov dec Skåne ,% 9,% 85,% 8,% 75,% 7,% 65,% 6,% 55,% Figur 13 jan feb mar apr maj jun jul aug sep okt nov dec

17 Temperatur Temperatur RF Nikkaluokta ,% 85,% 8,% 75,% 7,% 65,% 6,% 55,% Figur 14 jan feb mar apr maj jun jul aug sep okt nov dec Figur 15 Stockholm Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec Malmö Figur 16-5 Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec 17

18 Temperatur Nikkaluokta 9-94 Figur Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec Figur visar medelmånadsvärden relativ fuktighet årsvis för samtliga städer mellan åren Det man ser att den relativa fuktigheten stiger 75 % ganska stora delar av året speciellt i Malmö och Stockholm men även Nikkaluokta. Figur visar medelmånadsvärden temperatur årsvis för samtliga städer Man ser tydligt att medelmånad temperatur överstiger C under året för samtliga städer. OBS. Åren finns att se i bilagorna Ånghalt Ånghalter räknades ut genom Fukthanboken Tabell 91.6 Mättnadsånghalt som referensvärden för att kunna se korrelationen mellan mögelväxt och fuktinnehåll i luften. 14 Stockholm ånghalt 9-94 g/m 3 Figur jan feb mar apr maj jun jul aug sep okt nov dec

19 Ånghalt Skåne 9-94 g/m 3 Figur Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec Ånghalt Nikkaluokta 9-94 Figur 2 g/m Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec Figur 18-2 visar medelmånadsånghalt i samtliga städer årsvis från OBS. Graferna för kommer att finnas i bilagor. 19

20 3.2 Korrigerings algoritm När man arbetar med stora mängder klimatdata som är timbaserad är det ofta vissa datapunkter kan fattas tack vare att mätstationer inte har en hundraprocentig drifttid. Ett sätt att korrigera data som fattas är en algoritm som Olof Mundt-Petersen tagit fram. Algoritmen går ut på att om ett viss datavärde fattas ska algoritmen söka igenom föregående eller nästkommande vecka för samma tidpunkt och ersätta värdet. Existerar inte det värdet kommer algoritmen att titta på samma tidpunkt inom föregående eller nästkommande år. Detta ger en viss osäkerhet i data men med tanke mängden data som finns är det en väldigt bra metod för att fylla i icke-existerande luckor.[9] Algoritmen som jag använder i det här examensarbetet är ett lite bredare verktyg som direkt tittar på föregående eller nästkommande år för att ersätta ett icke-existerande värde. Det blir inte lika säkert som Olof Mundt-Petersen algoritm. Men det fyller sitt syfte i att visa en bild av hur stor skillnad som finns mellan verklig klimatdata och standardklimat. 3.3 Simuleringar Från den korrigerade klimatdatas exporterades text filer för att kunna köra mögelväxt simuleringar i Wufi Bio. Efteråt exporterades årsvis data för varje stad mellan åren Filerna innehöll timbaserad värde för relativ fuktighet, temperatur och antal timmar. Alla filer finns att titta på i bilagor. Programmet beräknar sedan mögelväxten som sker enligt indata och materialval du gjort. Det som sedan visas i resultat är en timbaserad redovisning över året hur mögelväxt skett. Samt en graf över kritiskt vatteninnehåll och vatteninnehåll av sporer. Alla simuleringar gjorda i Wufi Bio är med materialklassen Class I. Som refererar till trä, gips och annat nedbrytbart material. kg/m Kritiskt vatten- och vatten-innehåll av spor 199 i Malmö Kritiskt vatteninnehåll Vatteninnehåll av spor Figur 21 2

21 mm mm i Malmö 199 Figur 22 1 Kritiskt vatten- och vatten-innehåll av spor 199 i Stockholm kg/m 3 5 Kritiskt vatteninnehåll Vatteninnehåll av spor Figur 23 2 i Stockholm Figur 24 21

22 kg/m 3 mm Kritiskt vatten- och vatten-innehåll av spor 199 i Nikkaluokta Kritiskt vatteninnehåll Vatteninnehåll av spor Figur i Nikkaluokta 199 Figur 26 Figur visar exporterad data från Wufi Bio och konverterad till grafer i Excel. Man kan se kritiskt vatten- och vatten innehåll för samtliga städer för år 199. i mm i y-axeln och antal timmar i x-axeln. OBS! Alla grafer(total 9 grafer) för samtliga städer mellan åren finns i bilagorna att granska. 22

23 4 Resultat I det här kapitlet redovisas resultatet av examensarbetet i form av grafer fokuserade kring de år som visat mest och minst mögelväxt för samtliga städer. Redovisningen kommer även inkludera en tabell som sammanställer resultat och inkluderar särfall åren 2-21 för Stockholm. Siffrorna i x-axeln på graferna representerar antal timmar på ett år. 4.1 Grafer Graferna nedan visar de åren som har högst och lägst mögelväxt för Stockholm, Malmö och Nikkaluokta. kg/m Kritiskt vatten- och vatten-innehåll av spor 1993 i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor Figur 27 kg/m Kritiskt vatten- och vatten-innehåll av spor 1994 i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor Figur 28 Graferna ovanför visar att det vatteninnehållet i mögelsporen är högre under hela året 1993 jämfört med

24 mm mm i Stockholm Figur i Stockholm Figur 3 Graferna ovan visar tydligt skillnaden i Stockholm mellan och vad som händer när vatteninnehållet är högt under hela året. Graferna under visar skillnaden mellan åren 1996 och 1991 i Malmö i kritiskt vatteninnehåll och vatteninnehåll för sporer. kg/m Kritiskt vatten- och vatten-innehåll av spor 1996 i Malmö Kritiskt vatteninnehåll Vatteninnehål l av spor Figur 31 24

25 mm mm kg/m 3 Kritiskt vatten- och vatten-innehåll av spor 1991 i Malmö 1 5 Kritiskt vatteninnehåll Vatteninnehåll av spor Figur i Malmö 1996 Figur i Malmö 1991 Figur 34 Graferna ovan visar tydligt skillnaden på mögelväxten i Malmö när vi har olika år med stor skillnad i vatteninnehåll i sporer. kg/m Kritiskt vatten- och vatten-innehåll av spor 1998 i Nikkaluokta Kritiskt vatteninnehåll Vatteninnehåll av spor Figur 35 25

26 kg/m 3 mm mm 1 5 Kritiskt vatten- och vatten-innehåll av spor 1993 i Nikkaluokta Kritiskt vatteninnehåll Vatteninnehåll av spor Figur 36 2 i Nikkaluokta Figur 37 Figur Nikkaluokta 1993 Även här i graferna ovan syns tydligt skillnaden i Nikkaluokta i mögelväxt så fort vatteninnehållet i sporerna skiljer sig stort. 26

27 4.2 Särfallet Stockholm år 2 Graferna nedan visar fallet för Stockholm under år 2. Det finns ett medialt känt fall i Hammarby Sjöstad där många byggnader fick mögelsaneras redan innan de var färdigställda. På grund av detta har det aktuella produktionsåret 2 också studerats. [ [1] kg/m 3 mm Kritiskt vatten- och vatten-innehåll av spor 2 i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor Figur i Stockholm 2 Figur 4 Graferna ovan visar särfallet år 2 i Stockholm. 27

28 4.3 Standardklimat mögelväxt kg/m 3 mm Kritiskt vatten- och vatten-innehåll standard klimat i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor Figur standard klimat i Stockholm Figur 42 kg/m Kritiskt vatten- och vatten-innehåll standard klimat i Malmö Kritiskt vattenin nehåll Vattenin nehåll av spor Figur 43 28

29 mm mm standard klimat i Malmö Figur 44 1 Kritiskt vatten- och vatten-innehåll standard klimat i Kiruna kg/m Kritiskt vatteninne håll Vatteninne håll av spor Figur 45 standard klimat i Kiruna Figur 46 Graferna ovan visar kritiskt vatten innehåll och vatteninnehåll av sporer vad gäller standardklimat modellen. 29

30 5 Resultat av mögelväxt Alla mätvärden är i mm. i mm Malmö Stockholm Nikkaluokta Tabell Tabell 1 Max Min Skillnad Malmö Stockholm Nikkaluokta Särfall Stockholm 2 43 Särfall Stockholm Tabell 3 Standardklimat Malmö 32 Standardklimat Stockholm 218 Standardklimat Nikkaluokta 68 Tabell 4 Tabell 1-4 visar max och min mögelväxt och skillnad för samtliga städer mellan åren samt åren

31 Grafernas mätvärden nedan är i mm samt -1 Stockholm Figur 47 Malmö Stockholm Nikkaluokta Stockholm Särfall 2 Stockholm Särfall Standard Klimat 1 Figur 48 Malmö Stockholm Kiruna Graferna ovan är en sammaställning av alla beräkningar vad gäller mögelväxt mellan åren samt åren 2-21 för Stockholm Ökning av mögelväxt i % mellan max år och standardklimat för samtliga städer % Malmö 37 Stockholm 39 Nikkaluokta 64 Särfall Stockholm år 2 49 Tabell 5 Tabell 5 visar ökningen i procent mellan max värdet och standardklimat värdet. Samt särfallet för Stockholm år 2. 31

32 6 Slutsats Det här examensarbetet har sammnaställt skillnaden mellan standardklimat och klimatdata från för städerna Stockholm, Malmö, Nikkaluokta och särfallsåret 2-21 för Stockholm. När man tittar på mögelväxten ser man en tydlig skillnad. I tabell 5 visas att speciellt i ovanliga klimatförhållanden som för fallet Stockholm 2 och Nikkaluokta är det en ökning med 49% respektive 63%. När det projekteras och fuktberäkningar görs. Så görs de med data från standardklimatmodeller. Beräkningarna här är stort bevis på att det finns år då det avviker sig upp emot 63 % i vissa fall. Det är en stor skillnad i mögelväxt sammanhang. Fallet i Hammarby Sjöstad blir ännu ett tydligt bevis på att sådana här beräkningar har ett stort värde. I arbetet ser man en direkt korrelation mellan ett sådant ovanligt år och fallet i Hammarby Sjöstad. Det räcker det inte med konventionella kalkyleringar baserade på standardklimat. Meningen från början var att även kunna köra simuleringar på mögelväxt på en ytterväggspanel på de valda städerna. Men tiden visade sig vara för knapp. Studien skulle titta på data för att se ifall den skulle kunna dra en sorts prognos över framtida mögelväxt. Just det har visat sig vara lite svårt med tanke på att tidsspannet var 1 år. Men min uppfattning är fortfarande att det absolut går att göra ifall det tittas på en längre tidsperiod. Programmet ErdemWeatherScript visade sig vara helt essentiellt för att kunna gå vidare med ett sådant här arbete. Utan kompletta data filer går det inte att köra mögelväxt simuleringar. Alla filer som laddades ner från SMHIs öppnadatabas hade data som fattades. Det är förståeligt med tanke på att väderstationer har en hundraprocentig drifttid. Just för det här arbetet användes en enklare algoritm men i samtal med Olof Mundt-Petersen bekräftades att den enklare algoritmen räcker gott och väl för att införa en sådan här studie. Det går definitivt att göra den nogrannare i och med att låta algoritmen först leta efter datapunkter som fattas inom spannet av föregående eller nästkommande vecka. Sedan gå över till att ersätta värdet med samma från föregående år eller nästkommande år. Samtidigt måste man komma ihåg att mögelväxt är en stokastisk variabel. Det här är ingen exakt vetenskap. Men en väldigt god indikation. Det bör även nämnas att fastän resultatet i mögelväxt inte kunde bevisa någon trend på hur det kan komma att se ut i framtiden över tioårsperioden. Så finns det studier som visar att klimatet runt om kring i världen onekligen ökar. Det i sin tur medför en ökad mättnadsånghalt. Om Sverige bibehåller samma relativa fuktighet i klimatet betyder det att själva fuktmängden kommer att öka. Alltså gynnsammare miljö för mögelväxt. 32

33 7 Diskussion Av de studier som gjorts i det här ämnet är det här examensarbetet väldigt unikt. Tack vare att det var väldigt nyligen som SMHI släppte sin öppna databas till allmänheten. Tidigare beräkningar har normalt utförts baserat på någon form av standardklimat. Förhoppningsvis har studien lyckats visa att det finns ett stort värde i den här typen av examensarbeten. Min egen förhoppning är att studenter eller universitet fortsätter med den här typen av arbeten. En stor utmaning var att studien gjordes ensam. Så att tidsplanering blev underskattad. Den stora mängden tid gick faktiskt åt att samla och korrigera data för att göra de redo för simuleringar. Projektet kan kompletteras med andra tidsspann för att få en bredare syn över hur det sett ut historiskt för att bättre förutspå framtidens klimat. 33

34 8 Felkällor Eftersom datafilerna som används i simuleringarna inte är kompletta och korrigering gjorts från början. Finns det liten felkälla från början. Algortimen som används för att korrigera går att göra noggrannare. Wufi Bio använder sig att vissa antaganden över hur mögelväxt sker, vilket är väldigt svårt för att det är stokastisk variabel från början. Det kan bli en bugg i programmet ErdemWeatherScript om man inte har ett tillräckligt stort tidsspann att dra värden från när data fattas. 34

35 9 Rekommendationer för vidare studier Vidare studier rekommenderas i form av bredare tidsspann, andra material klasser, full simulering med WUFI på en ytterväggspanel och noggrannare algoritm väljs. 35

36 1 Referenser Källor: [1] [2] [3] [4] [5] [6] Fukthandbok av lars Erik Nevander, Bengt Elmarsson s.476 Tabell 91.6 Mättnadsånghalt [7] Boverket. (28). 6:5 Fukt; 6:51 Allmänt. Regelsamling för byggande, BBR 28. [8] [9] [1] 36

37 Bilagor Om granskning ska ske på inhämtad rådata görs det på: Vad gäller rådatainhämtning från SMHI var det de här stationerna och variablerna som gäller: Station: Stockholm-Bromma, variabel: Lufttemperaturmedel, Tidsspann: ; Station: Stockholm-Bromma, variabel: Lufttemperatur timbaserad, Tidsspann: ; Station: Stockholm-SkarpÖ, variabel: Relativ fuktighet timbaserad, Tidsspann: ; Station: Nikkaluokta A, variabel: Lufttemperaturmedel, Tidsspann: ; Station: Nikkaluokta A, variabel: Lufttemperatur timbaserad, Tidsspann: ; Station: Nikkaluokta A, variabel: Relativ fuktighet timbaserad, Tidsspann: ; Station: Malmö A, variabel: Lufttemperaturmedel, Tidsspann: ; Station: Malmö A, variabel: Lufttemperatur timbaserad, Tidsspann: ; Station: Malmö A, variabel: Relativ Fuktighet, Tidsspann: ;

38 Källkod till ErdemWeatherScript: using System; using System.Collections.Generic; using System.Configuration; using System.IO; using System.Linq; using System.Text; using System.Threading.Tasks; namespace ErdemWeatherScript { class Program { static void Main(string[] args) { TextReader tr = new StreamReader("datapoints.txt"); var datapointdictionary = new Dictionary<DateTime, float>(); string line; while ((line = tr.readline())!= null) { var splittedline = line.split('\t'); var datetime = DateTime.Parse(splittedLine[] + " " + splittedline[1]); datapointdictionary.add(datetime, float.parse(splittedline[2].replace(".", ","))); } 38

39 var d = new DateTime(2, 1, 1,,, ).AddHours(-1); using (TextWriter writer = File.CreateText("datapoints_output.txt")) { while (d!= new DateTime(29, 12, 31, 23,, )){ d = d.addhours(1); if (!datapointdictionary.containskey(d)) { } LoopBeforeActualDateTime(d, datapointdictionary); writer.writeline(d.tostring("yyyy-mm-dd") + "\t" + d.tostring("hh:mm:ss") + "\t" + datapointdictionary[d].tostring(".").replace(",", ".")); } } } private static void LoopBeforeActualDateTime(DateTime d, Dictionary<DateTime, float> datapointdictionary) { var finddate = d; while (true) { finddate = finddate.addyears(-1); if (datapointdictionary.containskey(finddate)) { 39

40 datapointdictionary.add(d, datapointdictionary[finddate]); break; } if (finddate < new DateTime(2, 1, 1,,, )) { GetValueAfterActualDateTime(findDate, datapointdictionary, d); break; } } } private static void GetValueAfterActualDateTime(DateTime finddate, IDictionary<DateTime, float> datapointdictionary, DateTime d) { var finddateabove = finddate; while (true) { finddateabove = finddateabove.addyears(1); if (datapointdictionary.containskey(finddateabove)) { datapointdictionary.add(d, datapointdictionary[finddateabove]); break; } } 4

41 } } } 41

42 Temperatur Temperatur Temperatur Nedan visas samtliga skapade och analyserade grafer för studien: Stockholm Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec Stockholm Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec Malmö Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec

43 Temperatur Temperatur Temperatur Malmö Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec Nikkaluokta Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec Nikkaluokta Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec 43

44 RF RF RF Stockholm ,% 9,% 85,% 8,% 75,% 7,% 65,% 6,% 55,% jan feb mar apr maj jun jul aug sep okt nov dec Skåne ,% 95,% 9,% 85,% 8,% 75,% 7,% 65,% 6,% 55,% jan feb mar apr maj jun jul aug sep okt nov dec ,% Nikkaluokta ,% 8,% 75,% 7,% 65,% 6,% ,% jan feb mar apr maj jun jul aug sep okt nov dec 44

45 g/m^3 g/m^3 g/m^ Stockholm ånghalt jan feb mar apr maj jun jul aug sep okt nov dec Ånghalt Skåne Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec Ånghalt Nikkaluokta Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec

46 [-] mm kg/m^3 Kritiskt vatten- och vatten-innehåll av spor 199 i Nikkaluokta Kritiskt vatteninnehåll Vatteninnehåll av spor i Nikkaluokta Mögel Index Nikkaluokta 199 1,8,6,4,2 Mögel Index 46

47 [-] mm kg/m^3 Kritiskt vatten- och vatten-innehåll av spor 1991 i Nikkaluokta Kritiskt vatteninnehåll Vatteninnehåll av spor i Nikkaluokta Mögel Index Nikkaluokta ,5 2 1,5 1,5 Mögel Index 47

48 mm [-] mm i Nikkaluokta Mögel Index Nikkaluokta 1992,4,3,2,1 Mögel Index Nikkaluokta

49 mm kg/m^3 [-] Mögel Index Nikkaluokta 1993,14,12,1,8,6,4,2 Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1994 i Nikkaluokta Kritiskt vatteninnehåll Vatteninnehåll av spor i Nikkaluokta

50 mm kg/m^3 [-] Mögel Index Nikkaluokta 1994,5,4,3,2,1 Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1995 i Nikkaluokta Kritiskt vatteninnehåll Vatteninnehåll av spor i Nikkaluokta

51 mm kg/m^3 [-] Mögel Index Nikkaluokta ,5 1,5 Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1996 i Nikkaluokta Vatteninnehåll av spor Kritiskt vatteninnehåll i Nikkaluokta

52 mm kg/m^3 [-] Mögel Index Nikkaluokta 1996,8,6,4,2 Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1997 i Nikkaluokta Kritiskt vatteninnehåll Vatteninnehåll av spor i Nikkaluokta

53 mm kg/m^3 [-] Mögel Index Nikkaluokta 1997,4,3,2,1 Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1998 i Nikkaluokta Kritiskt vatteninnehåll Vatteninnehåll av spor i Nikkaluokta

54 [-] kg/m^3 [-] Mögel Index Nikkaluokta ,5 2 1,5 1,5 Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1999 i Nikkaluokta Kritiskt vatteninnehåll Vatteninnehåll av spor Mögel Index Nikkaluokta ,2 1,8,6,4,2 Mögel Index 54

55 [-] mm kg/m^3 Kritiskt vatten- och vatten-innehåll av spor 199 i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor i Stockholm Mögel Index Stockholm 199 2,5 2 1,5 1,5 Mögel Index 55

56 [-] mm kg/m^3 Kritiskt vatten- och vatten-innehåll av spor 1991 i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor i Stockholm Mögel Index Stockholm Mögel Index 56

57 [-] mm kg/m^ Kritiskt vatten- och vatten-innehåll av spor 1992 i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor i Stockholm Mögel Index Stockholm Mögel Index 57

58 [-] mm kg/m^3 Kritiskt vatten- och vatten-innehåll av spor 1993 i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor i Stockholm Mögel Index Stockholm Mögel Index 58

59 [-] mm kg/m^3 Kritiskt vatten- och vatten-innehåll av spor 1994 i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor i Stockholm Mögel Index Stockholm ,4 1,2 1,8,6,4,2 Mögel Index 59

60 [-] mm kg/m^3 Kritiskt vatten- och vatten-innehåll av spor 1995 i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor i Stockholm Mögel Index Stockholm ,5 3 2,5 2 1,5 1,5 Mögel Index 6

61 [-] mm kg/m^3 Kritiskt vatten- och vatten-innehåll av spor 1996 i Stockholm Vatteninnehåll av spor Kritiskt vatteninnehåll i Stockholm Mögel Index Stockholm Mögel Index 61

62 mm [-] mm i Stockholm Mögel Index Stockholm Mögel Index i Stockholm

63 mm kg/m^3 [-] Mögel Index Stockholm Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1999 i Stockholm Kritiskt vatteninnehåll Vatteninnehåll av spor i Stockholm

64 mm kg/m^3 [-] Mögel Index Stockholm ,5 3 2,5 2 1,5 1,5 Mögel Index Kritiskt vatten- och vatten-innehåll av spor 199 i Malmö Kritiskt vatteninnehåll Vatteninnehåll av spor i Malmö

65 [-] mm [-] Mögel Index Malmö Mögel Index i Malmö Mögel Index Malmö ,5 2 1,5 1,5 Mögel Index 65

66 kg/m^3 [-] mm i Malmö Mögel Index Malmö Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1993 i Malmö Kritiskt vatteninnehåll Vatteninnehåll av spor 66

67 kg/m^3 [-] mm i Malmö Mögel Index Malmö Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1994 i Malmö Kritiskt vatteninnehåll Vatteninnehåll av spor 67

68 kg/m^3 [-] mm i Malmö Mögel Index Malmö Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1995 i Malmö Kritiskt vatteninnehåll Vatteninnehåll av spor 68

69 kg/m^3 [-] mm i Malmö Mögel Index Malmö Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1996 i Malmö Kritiskt vatteninnehåll Vatteninnehåll av spor 69

70 kg/m^3 [-] mm i Malmö Mögel Index Malmö Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1997 i Malmö Kritiskt vatteninnehåll Vatteninnehåll av spor 7

71 kg/m^3 [-] mm i Malmö Mögel Index Malmö Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1998 i Malmö Kritiskt vatteninnehåll Vatteninnehåll av spor 71

72 kg/m^3 [-] mm i Malmö Mögel Index Malmö Mögel Index Kritiskt vatten- och vatten-innehåll av spor 1999 i Malmö Kritiskt vatteninnehåll Vatteninnehåll av spor 72

73 [-] mm i Malmö Mögel Index Malmö Mögel Index 73