The preservation of global Cultural Heritage (CH) depends critically on understanding the long-term performance and susceptibility of historic building materials to environmental stressors, particularly those exacerbated by climate change. This thesis addresses this need by establishing a comprehensive, machine learning (ML)-ready database that systematically links material properties to observed deterioration.

The purpose of the thesis is two-fold; it involves a thorough literature survey concerning studies of cultural heritage building materials, including their physico-chemical and thermo-mechanical properties, and their performance, both in their present state and under accelerating weathering tests, such as salt crystallization or freeze-thaw cycles. The scope of this survey is to develop a database for heritage materials such as ancient stone, ceramics, mortars, and ultimately enrich and incorporate additional features to the database development efforts of the Ceramics and Composite Materials Research Laboratory (CCM) at N.C.S.R. "Demokritos". The key expected result is for this database to be able to be used for training machine learning models in future projects in order to adjust and complement missing features and ultimately predict the performance and deterioration of heritage building and conservation materials in different climate scenarios. The prediction of performance and deterioration ultimately aims for the most suitable preservation measures to be employed in order to mitigate the critical effects of climate change on the world’s heritage fabric.

The methodology begins with a literature survey for collecting data on CH building materials performance and deterioration under specific environmental conditions by collecting data from accelerating weathering tests. The overall methodology involves the creation or "buildup" of a database which comprises both existing and newly collected literature data. This database structure then facilitates the subsequent methodological step: using the collected data to train machine learning models for predictive purposes.

Η διατήρηση της παγκόσμιας πολιτιστικής κληρονομιάς (CH) εξαρτάται σε μεγάλο βαθμό από την κατανόηση της μακροπρόθεσμης απόδοσης και ευαισθησίας των ιστορικών δομικών υλικών σε ακραίους περιβαλλοντικούς παράγοντες, ιδίως εκείνων που επιδεινώνονται λόγω της κλιματικής αλλαγής. Η παρούσα διατριβή ανταποκρίνεται σε αυτή την ανάγκη δημιουργώντας μια ολοκληρωμένη βάση δεδομένων, έτοιμη για μηχανική μάθηση (machine learning), η οποία συνδέει συστηματικά τις ιδιότητες των υλικών με την παρατηρούμενη φθορά.

Η παρούσα διατριβή είναι δισυπόστατη. Αφενός, περιλαμβάνει μια βιβλιογραφική έρευνα μελετών για τα δομικά υλικά πολιτιστικής κληρονομιάς, συμπεριλαμβανομένων των φυσικοχημικών ιδιοτήτων τους και της δοκιμής της θερμομηχανικής τους απόδοσης, τόσο στην υφιστάμενη κατάστασή τους όσο και υπό συνθήκες επιταχυνόμενων δοκιμών διάβρωσης, όπως κύκλοι κρυστάλλωσης αλάτων ή κύκλοι ψύξης-απόψυξης. Σκοπός της έρευνας είναι η επέκταση της υπάρχουσας βάσης δεδομένων σε υλικά όπως αρχαίες πέτρες, κεραμικά, κονιάματα, και τελικά ο εμπλουτισμός και η ενσωμάτωση πρόσθετων χαρακτηριστικών στις προσπάθειες ανάπτυξης βάσεων δεδομένων του Εργαστηρίου Έρευνας Κεραμικών και Σύνθετων Υλικών (CCM) του ΕΚΕΦΕ «Δημόκριτος». Το βασικό αναμενόμενο αποτέλεσμα είναι η δυνατότητα χρήσης αυτής της βάσης δεδομένων για την εκπαίδευση μοντέλων μηχανικής μάθησης σε μελλοντικά έργα, με σκοπό την προσαρμογή και τη συμπλήρωση των ελλειπόντων χαρακτηριστικών και, τελικά, την πρόβλεψη της απόδοσης και της φθοράς των κτιρίων πολιτιστικής κληρονομιάς και των υλικών συντήρησης σε διαφορετικά κλιματικά σενάρια. Η πρόβλεψη της απόδοσης και της φθοράς στοχεύει τελικά στην εφαρμογή των καταλληλότερων μέτρων διατήρησης, προκειμένου να μετριαστούν οι κρίσιμες επιπτώσεις της κλιματικής αλλαγής στο παγκόσμιο κληρονομικό ιστό.

Η μεθοδολογία ξεκινά με μια εκτενή βιβλιογραφική έρευνα για τη συλλογή δεδομένων σχετικά με την απόδοση και τη φθορά των δομικών υλικών πολιτιστικής κληρονομιάς υπό συγκεκριμένες περιβαλλοντικές συνθήκες, μέσω της συλλογής δεδομένων από δοκιμές επιταχυνόμενης διάβρωσης. Η συνολική μεθοδολογία περιλαμβάνει τη δημιουργία ή την «οικοδόμηση» μιας βάσης δεδομένων που περιλαμβάνει τόσο υπάρχοντα όσο και νεοσυλλεγμένα βιβλιογραφικά δεδομένα. Αυτή η δομή της βάσης δεδομένων διευκολύνει στη συνέχεια το επόμενο μεθοδολογικό βήμα: τη χρήση των συλλεγμένων δεδομένων για την εκπαίδευση μοντέλων μηχανικής μάθησης για σκοπούς πρόβλεψης.