Projektet Störningsfri stad 2.0 syftade till att utveckla digitala verktyg och metoder för att minska negativa effekter av byggtransporter i städer och stödja en hållbar stadsutveckling under byggtid. Projektet byggde vidare på föregångaren Störningsfri stad 1.0 och fokuserade på tre huvudsakliga områden: datainsamling, modellering och användarförståelse. En central del av projektet var att ta fram en prototyp för kollaborativ planering som integrerar bygglogistik och stadsplanering i en gemensam visualisering. Genom maskininlärning baserat på data från över 125 byggprojekt kunde transportbehov predikteras, och en strukturerad databas utvecklades för att koppla byggtransporter till stadens trafikflöden. Projektet utvecklade även sensorboxar för att mäta buller och partikelhalter till låg kostnad. En iterativ planeringsprocess testades i samarbete med kommuner och Trafikverket projekt Ostlänken, där aktörer gemensamt identifierade problem och planerade åtgärder. Visualiseringar och sonifiering design förslag togs fram både för professionella användare och allmänheten för att öka förståelsen för byggstörningar. Projektet har bidragit till utveckling av strategiska TA-planer, ökad kunskap om planeringsgapet i kommunal hantering av byggtransporter och etablering av nya forskningsprojekt såsom Störningsfri stad 3.0 och SPARA. Resultaten visar att genom samordnad planering och datadrivna beslutsstöd kan byggprojekt genomföras med minskad påverkan på stadsmiljön. Projektet har också visat på potentialen med olika former av digitala tvillingar för stadsplanering.

The Disturbance-Free Cities 2.0 project aimed to develop digital tools and methods to reduce the negative impact of construction transport in urban areas and to support sustainable urban development during construction periods. Building on the previous project, Disturbance-Free Cities 1.0, it focused on three main areas: data collection, modeling, and user experience. A central element was the creation of a prototype for collaborative planning that integrates construction logistics with urban and traffic planning through a shared visual platform. Using machine learning based on data from over 125 construction projects, the project predicted transport demands and developed a structured database linking construction logistics to urban traffic flows. Low-cost sensor boxes were developed to measure noise and particulate matter. An iterative planning process was tested in collaboration with municipalities and the Swedish Transport Administration (Trafikverket) for the Ostlänken project, allowing stakeholders to jointly identify issues and plan mitigative actions. Visualizations and sonifications were created for both professional users and the public to enhance understanding of construction related disturbances. The project contributed to the development of strategic traffic management (TA) plans, increased awareness of the planning gap in municipal construction transport management, and led to several new research projects such as Disruption-Free City 3.0 and SPARA. Results show that coordinated planning and data-driven decision support can enable construction projects to proceed with reduced impact on the urban environment. The project have also highlighted the potential of using digital twins in urban planning.