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: Erdem Yildiz
Uppdragsgivare: Anders Kumlin AB
Handledare: Anders Kumlin (KTH)
Anders Kumlin (Anders Kumlin AB)
Examinator: Per Roald
Examensarbete: 15,0 högskolepoäng inom Byggteknik och Design
Godkännandedatum:
2
Förord:
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.
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.
5
Innehåll
1 Inledning ... 6 1.1 Bakrund ... 6 1.2 Syfte ... 7 1.3 Avgränsningar ... 7 1.4 Lösningsmetoder ... 8 1.5 Litteraturstudier ... 9 1.6 Datorprogram ... 9 2 TEORI ... 10 2.1.1 Standardklimat Data ... 102.1.2 Historisk Klimat Data ... 10
2.2 Mögelväxt ... 11
2.2.1 Varför är mögel ett problem? ... 11
2.2.2 Relativ fuktighet ... 12 2.3 WUFI BIO ... 12 2.4 ErdemWeatherScript ... 15 2.5 Excel ... 15 3 UTFÖRANDE... 16 3.1.1 Indata ... 16 3.1.2 Ånghalt ... 18 3.2 Korrigerings algoritm ... 20 3.3 Simuleringar ... 20 4 Resultat ... 23 4.1 Grafer 1990-1999 ... 23 4.2 Särfallet Stockholm år 2000 ... 27 4.3 Standardklimat mögelväxt ... 28 5 Resultat av mögelväxt ... 30 6 SLUTSATS ... 32 7 DISKUSSION ... 33 8 FELKÄLLOR ... 34
9 REKOMMENDATIONER FÖR VIDARE STUDIER ... 35
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.
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.
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.
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 http://kumlin.biz/articles/ 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 1990-1999. 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.
10
2 Teori
2.1.1 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
2.1.2 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.
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 Mögelväxt
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 0-50 °C så länge det är tillräckligt fuktigt och tillräckligt lång tid passerat. [8]
2.2.1 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]
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
13
Figur 2-4 visar de olika material klasserna som programmet använder sig av. Vid Class 0 är kritisk relativ fuktighet 71 % vid 20 °C, 77 % för Class 1 och 80 % för Class 2.
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.
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 1990-1999.
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 8760 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.
16
3 Utförande
Detta kapitel kommer att visa hur man löste uppgiften genom datainsamling, simulering
och utvärdering av resultat.
3.1.1 Indata
Timbaserad data gällande temperatur och relativ fuktighet för Stockholm, Malmö och Nikkaluokta under perioden 1990 till 1999. Samt särfallet Stockholm under 2000-2001.
Sammanställning av timbaserad data till grafer som visar medelmånadsvärden årsvis för relativ fuktighet och temperatur.
55,00% 60,00% 65,00% 70,00% 75,00% 80,00% 85,00% 90,00% 95,00%
jan feb mar apr maj jun jul aug sep okt nov dec
RF
Stockholm 90-94
1990 1991 1992 1993 1994 55,00% 60,00% 65,00% 70,00% 75,00% 80,00% 85,00% 90,00% 95,00%jan feb mar apr maj jun jul aug sep okt nov dec
17 55,00% 60,00% 65,00% 70,00% 75,00% 80,00% 85,00% 90,00%
jan feb mar apr maj jun jul aug sep okt nov dec
RF
Nikkaluokta 90-94
1990 1991 1992 1993 1994 Figur 14 -10 -5 0 5 10 15 20 25Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
Tem p e ratu r
Stockholm 90-94
1990 1991 1992 1993 1994 Figur 15 -5 0 5 10 15 20 25Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
18
Figur 12-14 visar medelmånadsvärden relativ fuktighet årsvis för samtliga städer mellan åren 1990-1994. Det man ser att den relativa fuktigheten stiger 75 % ganska stora delar av året speciellt i Malmö och Stockholm men även Nikkaluokta.
Figur 15-17 visar medelmånadsvärden temperatur årsvis för samtliga städer 1990-1994. Man ser tydligt att medelmånad temperatur överstiger 0 °C under året för samtliga städer.
OBS. Åren 1995-1999 finns att se i bilagorna.
3.1.2 Ånghalt
Ånghalter räknades ut genom Fukthanboken Tabell 91.6 Mättnadsånghalt som referensvärden för att kunna se korrelationen mellan mögelväxt och fuktinnehåll i luften.
-25 -20 -15 -10 -5 0 5 10 15
Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
Tem p e ratu r
Nikkaluokta 90-94
1990 1991 1992 1993 1994 Figur 17 0 2 4 6 8 10 12 14jan feb mar apr maj jun jul aug sep okt nov dec
19
Figur 18-20 visar medelmånadsånghalt i samtliga städer årsvis från 1990-1994.
OBS. Graferna för 1995-1999 kommer att finnas i bilagor.
0 2 4 6 8 10 12 14
Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
g/ m 3
Ånghalt Skåne 90-94
1990 1991 1992 1993 1994 Figur 19 0 1 2 3 4 5 6 7 8 9Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
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 1990-1999. 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.
0 200 400 600 800 1000 kg/m 3
21 0 50 100 150 200 250 300 350 mm
Mögelväxt i Malmö 1990
Mögelväxt Figur 22 0 500 1000 kg/m 322
Figur 21-26 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 1990. Mögelväxt i mm i y-axeln och antal timmar i x-axeln.
OBS! Alla grafer(total 90 grafer) för samtliga städer mellan åren 1990-1999 finns i bilagorna att granska. 0 200 400 600 800 1000 kg/m 3
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
2000-2001 för Stockholm. Siffrorna i x-axeln på graferna representerar antal timmar på
ett år.
4.1 Grafer 1990-1999
Graferna nedan visar de åren som har högst och lägst mögelväxt för Stockholm, Malmö
och Nikkaluokta.
Graferna ovanför visar att det vatteninnehållet i mögelsporen är högre under hela året 1993 jämfört med 1994. 0 200 400 600 800 1000 kg/m 3
Kritiskt vatten- och vatten-innehåll av spor 1993 i
Stockholm
Kritiskt vatteninnehåll Vatteninnehåll av spor Figur 27 0 200 400 600 800 1000 kg/m 324
Graferna ovan visar tydligt skillnaden i Stockholm mellan 1993-1994 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. 0 100 200 300 400 mm
Mögelväxt i Stockholm 1993
Mögelväxt Figur 29 0 50 100 150 mmMögelväxt i Stockholm 1994
Mögelväxt Figur 30 0 200 400 600 800 1000 kg/m 325
Graferna ovan visar tydligt skillnaden på mögelväxten i Malmö när vi har olika år med stor skillnad i vatteninnehåll i sporer.
0 500 1000
kg/m
3
Kritiskt vatten- och vatten-innehåll av spor 1991 i
Malmö
Kritiskt vatteninnehåll Vatteninnehåll av spor Figur 32 0 200 400 600 mmMögelväxt i Malmö 1996
Mögelväxt Figur 33 0 100 200 300 mmMögelväxt i Malmö 1991
Mögelväxt Figur 34 0 500 1000 kg/m 326
Även här i graferna ovan syns tydligt skillnaden i Nikkaluokta i mögelväxt så fort vatteninnehållet i sporerna skiljer sig stort.
0 500 1000
kg/m
3
27
4.2 Särfallet Stockholm år 2000
Graferna nedan visar fallet för Stockholm under år 2000. 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 2000 också studerats.[ [10]
Graferna ovan visar särfallet år 2000 i Stockholm.
0 200 400 600 800 1000 kg/m 3
28
4.3 Standardklimat mögelväxt
0 200 400 600 800 1000 kg/m 3Kritiskt vatten- och vatten-innehåll standard
klimat i Stockholm
Kritiskt vatteninnehåll Vatteninnehåll av spor Figur 41 0 50 100 150 200 250 mmMögelväxt standard klimat i Stockholm
Mögelväxt Figur 42 0 200 400 600 800 1000 kg/m 3
29
Graferna ovan visar kritiskt vatten innehåll och vatteninnehåll av sporer vad gäller standardklimat modellen. 0 50 100 150 200 250 300 350 mm
Mögelväxt standard klimat i Malmö
Mögelväxt Figur 44 0 200 400 600 800 1000 kg/m 3
Kritiskt vatten- och vatten-innehåll standard
klimat i Kiruna
Kritiskt vatteninne håll Vatteninne håll av spor Figur 45 0 10 20 30 40 50 60 70 80 mmMögelväxt standard klimat i Kiruna
Mögelväxt
30
5 Resultat av mögelväxt
Alla mätvärden är i mm.
Mögelväxt i mm Malmö Stockholm Nikkaluokta
1990 299 175 125 1991 209 299 178 1992 391 268 85 1993 452 358 51 1994 308 137 98 1995 320 248 147 1996 477 276 115 1997 414 293 88 1998 395 324 188 1999 399 240 130 2000 430 2001 272
Max Min Skillnad
Malmö 477 209 268 Stockholm 358 137 222 Nikkaluokta 188 51 137 Särfall Stockholm 2000 430 Särfall Stockholm 2001 272 Standardklimat Malmö 302 Standardklimat Stockholm 218 Standardklimat Nikkaluokta 68
Tabell 1-4 visar max och min mögelväxt och skillnad för samtliga städer mellan åren 1990-1999 samt åren 2000-2001.
Tabell 1
Tabell 2
Tabell 3
31 Grafernas mätvärden nedan är i mm.
Graferna ovan är en sammaställning av alla beräkningar vad gäller mögelväxt mellan åren 1990-1999 samt åren 2000-2001 för Stockholm
Ökning av mögelväxt i % mellan max år och standardklimat för samtliga
städer %
Malmö 37
Stockholm 39
Nikkaluokta 64
Särfall Stockholm år 2000 49
Tabell 5 visar ökningen i procent mellan max värdet och standardklimat värdet. Samt särfallet för Stockholm år 2000. 0 100 200 300 400 500 600 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
Mögelväxt 90-99 samt 00-01 Stockholm
Malmö Stockholm Nikkaluokta Stockholm Särfall 2000 Stockholm Särfall 2001 Figur 47 0 50 100 150 200 250 300 350 1
Mögelväxt Standard Klimat
Malmö Stockholm Kiruna
Figur 48
32
6 Slutsats
Det här examensarbetet har sammnaställt skillnaden mellan standardklimat och klimatdata från 1990-1999 för städerna Stockholm, Malmö, Nikkaluokta och särfallsåret 2000-2001 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 2000 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 10 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.
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.
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.
35
9 Rekommendationer för vidare studier
36
10 Referenser
Källor: [1] http://media1.kumlin.biz/2015/08/4-09.pdf [2] http://www.smhi.se/klimat/framtidens-klimat/scenariodata/scenariodata-1.6148 [3] http://www.smhi.se/kunskapsbanken/klimat/hur-fungerar-en-klimatmodell-1.470 [4] http://opendata-download-metobs.smhi.se/explore/ [5] https://lup.lub.lu.se/search/publication/5212046[6] Fukthandbok av lars Erik Nevander, Bengt Elmarsson s.476 Tabell 91.6 Mättnadsånghalt [7] Boverket. (2008). 6:5 Fukt; 6:51 Allmänt. Regelsamling för byggande, BBR 2008.
[8] https://www.sp.se/sv/index/research/woodbuild/publications/Documents/LTH-rapport%20TVBK-5200.pdf
37
Bilagor
Om granskning ska ske på inhämtad rådata görs det på: http://opendata-download-metobs.smhi.se/explore/
Vad gäller rådatainhämtning från SMHI var det de här stationerna och variablerna som gäller:
Station: Stockholm-Bromma, variabel: Lufttemperaturmedel, Tidsspann: 1990-01-01;1999-12-31 Station: Stockholm-Bromma, variabel: Lufttemperatur timbaserad, Tidsspann: 1990-01-01;1999-12-31 Station: Stockholm-SkarpÖ, variabel: Relativ fuktighet timbaserad, Tidsspann: 1990-01-01;1999-12-31 Station: Nikkaluokta A, variabel: Lufttemperaturmedel, Tidsspann: 1990-01-01;1999-12-31
Station: Nikkaluokta A, variabel: Lufttemperatur timbaserad, Tidsspann: 1990-01-01;1999-12-31 Station: Nikkaluokta A, variabel: Relativ fuktighet timbaserad, Tidsspann: 1990-01-01;1999-12-31 Station: Malmö A, variabel: Lufttemperaturmedel, Tidsspann: 1990-01-01;1999-12-31
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[0] + " " + splittedLine[1]);
39
var d = new DateTime(2000, 1, 1, 0, 0, 0).AddHours(-1);
using (TextWriter writer = File.CreateText("datapoints_output.txt")) {
while (d != new DateTime(2009, 12, 31, 23, 0, 0)){
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("0.0").Replace(",", "."));
}
}
}
40
dataPointDictionary.Add(d, dataPointDictionary[findDate]);
break;
}
if (findDate < new DateTime(2000, 1, 1, 0, 0, 0))
{
GetValueAfterActualDateTime(findDate, dataPointDictionary, d);
break;
}
}
}
private static void GetValueAfterActualDateTime(DateTime findDate,
IDictionary<DateTime, float> dataPointDictionary, DateTime d)
{
41
}
42
Nedan visas samtliga skapade och analyserade grafer för studien:
-10 -5 0 5 10 15 20 25
Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
Tem p e ratu r
Stockholm 90-94
1990 1991 1992 1993 1994 -10 -5 0 5 10 15 20 25Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
Tem p e ratu r
Stockholm 95-99
1995 1996 1997 1998 1999 -5 0 5 10 15 20 25Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
43 -5 0 5 10 15 20 25
Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
Tem p e ratu r
Malmö 95-99
1995 1996 1997 1998 1999 -25 -20 -15 -10 -5 0 5 10 15Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
Tem p e ratu r
Nikkaluokta 90-94
1990 1991 1992 1993 1994 -20 -15 -10 -5 0 5 10 15 20Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
44 55,00% 60,00% 65,00% 70,00% 75,00% 80,00% 85,00% 90,00% 95,00%
jan feb mar apr maj jun jul aug sep okt nov dec
RF
Stockholm 95-99
1995 1996 1997 1998 1999 55,00% 60,00% 65,00% 70,00% 75,00% 80,00% 85,00% 90,00% 95,00% 100,00%jan feb mar apr maj jun jul aug sep okt nov dec
RF
Skåne 95-99
1995 1996 1997 1998 1999 55,00% 60,00% 65,00% 70,00% 75,00% 80,00% 85,00% 90,00%jan feb mar apr maj jun jul aug sep okt nov dec
45 0 2 4 6 8 10 12 14 16
jan feb mar apr maj jun jul aug sep okt nov dec
g/ m ^3
Stockholm ånghalt 95-99
1995 1996 1997 1998 1999 0 2 4 6 8 10 12 14 16Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
g/ m ^3
Ånghalt Skåne 95-99
1995 1996 1997 1998 1999 0 1 2 3 4 5 6 7 8 9 10Jan Feb Mar Apr Maj Jun Jul Aug Sep Okt Nov Dec
46 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1990 i
Nikkaluokta
Kritiskt vatteninnehåll Vatteninnehåll av spor 0 20 40 60 80 100 120 140 mmMögelväxt i Nikkaluokta 1990
Mögelväxt 0 0,2 0,4 0,6 0,8 1 [-]Mögel Index Nikkaluokta 1990
47 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1991 i
Nikkaluokta
Kritiskt vatteninnehåll Vatteninnehåll av spor 0 50 100 150 200 mmMögelväxt i Nikkaluokta 1991
Mögelväxt 0 0,5 1 1,5 2 2,5 [-]Mögel Index Nikkaluokta 1991
48 0 20 40 60 80 100 mm
Mögelväxt i Nikkaluokta 1992
Mögelväxt 0 0,1 0,2 0,3 0,4 [-]Mögel Index Nikkaluokta 1992
49 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 [-]
Mögel Index Nikkaluokta 1993
Mögel Index 0 200 400 600 800 1000 kg/m ^3
50 0 0,1 0,2 0,3 0,4 0,5 [-]
Mögel Index Nikkaluokta 1994
Mögel Index 0 200 400 600 800 1000 kg/m ^3
51 0 0,5 1 1,5 [-]
Mögel Index Nikkaluokta 1995
Mögel Index 0 200 400 600 800 1000 kg/m ^3
52 0 0,2 0,4 0,6 0,8 [-]
Mögel Index Nikkaluokta 1996
Mögel Index 0 200 400 600 800 1000 kg/m ^3
53 0 0,1 0,2 0,3 0,4 [-]
Mögel Index Nikkaluokta 1997
Mögel Index 0 200 400 600 800 1000 kg/m ^3
54 0 0,5 1 1,5 2 2,5 [-]
Mögel Index Nikkaluokta 1998
Mögel Index 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1999 i
Nikkaluokta
Kritiskt vatteninnehåll Vatteninnehåll av spor 0 0,2 0,4 0,6 0,8 1 1,2 [-]Mögel Index Nikkaluokta 1999
55 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1990 i
Stockholm
Kritiskt vatteninnehåll Vatteninnehåll av spor 0 50 100 150 200 mmMögelväxt i Stockholm 1990
Mögelväxt 0 0,5 1 1,5 2 2,5 [-]Mögel Index Stockholm 1990
56 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1991 i
Stockholm
Kritiskt vatteninnehåll Vatteninnehåll av spor 0 50 100 150 200 250 300 350 mmMögelväxt i Stockholm 1991
Mögelväxt 0 1 2 3 4 [-]Mögel Index Stockholm 1991
57 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1992 i
Stockholm
Kritiskt vatteninnehåll Vatteninnehåll av spor 0 50 100 150 200 250 300 mmMögelväxt i Stockholm 1992
Mögelväxt 0 1 2 3 4 [-]Mögel Index Stockholm 1992
58 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1993 i
Stockholm
Kritiskt vatteninnehåll Vatteninnehåll av spor 0 100 200 300 400 mmMögelväxt i Stockholm 1993
Mögelväxt 0 1 2 3 4 5 [-]Mögel Index Stockholm 1993
59 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1994 i
Stockholm
Kritiskt vatteninnehåll Vatteninnehåll av spor 0 50 100 150 mmMögelväxt i Stockholm 1994
Mögelväxt 0 0,2 0,4 0,6 0,8 1 1,2 1,4 [-]Mögel Index Stockholm 1994
60 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1995 i
Stockholm
Kritiskt vatteninnehåll Vatteninnehåll av spor 0 50 100 150 200 250 300 mmMögelväxt i Stockholm 1995
Mögelväxt 0 0,5 1 1,5 2 2,5 3 3,5 [-]Mögel Index Stockholm 1995
61 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1996 i
Stockholm
Vatteninnehåll av spor Kritiskt vatteninnehåll 0 50 100 150 200 250 300 mmMögelväxt i Stockholm 1996
Mögelväxt 0 1 2 3 4 [-]Mögel Index Stockholm 1996
62 0 50 100 150 200 250 300 350 mm
Mögelväxt i Stockholm 1997
Mögelväxt 0 1 2 3 4 [-]Mögel Index Stockholm 1997
63 0 1 2 3 4 5 [-]
Mögel Index Stockholm 1998
Mögel Index 0 200 400 600 800 1000 kg/m ^3
64 0 0,5 1 1,5 2 2,5 3 3,5 [-]
Mögel Index Stockholm 1999
Mögel Index 0 200 400 600 800 1000 kg/m ^3
65 0 1 2 3 4 [-]
Mögel Index Malmö 1990
Mögel Index 0 50 100 150 200 250 mm
Mögelväxt i Malmö 1991
Mögelväxt 0 0,5 1 1,5 2 2,5 3 [-]Mögel Index Malmö 1991
66 0 100 200 300 400 500 mm
Mögelväxt i Malmö 1992
Mögelväxt 0 1 2 3 4 5 [-]Mögel Index Malmö 1992
Mögel Index 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1993 i
Malmö
67 0 100 200 300 400 500 mm
Mögelväxt i Malmö 1993
Mögelväxt 0 1 2 3 4 5 6 [-]Mögel Index Malmö 1993
Mögel Index 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1994 i
Malmö
68 0 50 100 150 200 250 300 350 mm
Mögelväxt i Malmö 1994
Mögelväxt 0 1 2 3 4 [-]Mögel Index Malmö 1994
Mögel Index 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1995 i
Malmö
69 0 50 100 150 200 250 300 350 mm
Mögelväxt i Malmö 1995
Mögelväxt 0 1 2 3 4 5 [-]Mögel Index Malmö 1995
Mögel Index 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1996 i
Malmö
70 0 100 200 300 400 500 600 mm
Mögelväxt i Malmö 1996
Mögelväxt 0 1 2 3 4 5 6 [-]Mögel Index Malmö 1996
Mögel Index 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1997 i
Malmö
71 0 100 200 300 400 500 mm
Mögelväxt i Malmö 1997
Mögelväxt 0 1 2 3 4 5 [-]Mögel Index Malmö 1997
Mögel Index 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1998 i
Malmö
72 0 100 200 300 400 500 mm
Mögelväxt i Malmö 1998
Mögelväxt 0 1 2 3 4 5 [-]Mögel Index Malmö 1998
Mögel Index 0 200 400 600 800 1000 kg/m ^3
Kritiskt vatten- och vatten-innehåll av spor 1999 i
Malmö
73 0 100 200 300 400 500 mm