This page contains a Flash digital edition of a book.
THEMA: BIG DATA


Satellieten, drones en sensoren meten en verzamelen 24 uur per dag gegevens. Cijfers over waterstanden, neerslag, bodemvochtigheid en debieten. En dat gebeurt steeds vaker, met steeds grotere nauwkeurigheid en steeds fi jnmaziger. De grote vraag: worden we ook wijzer van deze ‘Big Data’?


Door Marga van Zundert


“Plotse, felle buien zien we nog niet snel genoeg aankomen. Dan staan er soms straten blank,” vertelt Bas de Jong, pro- grammamanager Slim Watermanagement bij Rijkswaterstaat. Meer data, meer sensoren, dat helpt. Het zorgt voor snellere signalering en meer inzicht. “Daarmee kunnen we het water weer beter verdelen. Daar werken we natuurlijk continu aan.” Echte vernieuwing zit in een andere ontwikkeling die Big Data mogelijk maakt: zelfl erende systemen, wellicht beter bekend als Artifi cial Intelligence (AI) en Machine Learning (ML). Dat heeft een andere basis dan de fysica die ten grondslag ligt aan de huidige hydrologische modellen. De Jong: “We zijn benieuwd of AI en ML kunnen helpen in het waterbeheer. Wellicht met betere verwachtingen of door beter inzicht in onze watersystemen.” En dat geldt misschien vooral in extre- me of snel veranderende situaties die zich meer zullen voor- doen bij klimaatverandering.


Netwerk


De partners in Slim Watermanagement startten daarom vorig jaar een Data Challenge in watermanagement. Waterschap- pen, Rijkswaterstaat, KNMI en het CBS stelden (historische) data beschikbaar van het afvoergebied van het stroomgebied Noordzeekanaal/Amsterdam-Rijnkanaal. Aan deelnemers de taak aan te tonen dat Big Data van extra waarde kan zijn voor waterbeheer.


Winnaars van de Challenge waren ingenieursbureau Tauw en HAL24K, producent van data-analysesoftware. Samen ge-


Peter den Hartog (HAL24K): “ De technologie verbetert zich nog razendsnel.”


bruikten ze de neerslaggegevens, pompdata, streefpeilen en oppervlaktewaterstanden om AI- en ML-modellen te bouwen die de waterpeilen konden voorspellen. “Computers kunnen grote en complexe netwerken doorrekenen. Je verbindt zo honderd, duizend of honderdduizend parameters en senso- ren in één systeem”, stelt Peter den Hartog, medeoprichter en chief science offi cer van HAL24K. En daarin zit het sterke punt van AI. Een mens kan zich geen voorstelling meer maken van de samenhang in zo’n complex netwerk, maar een com- puter overziet alles en kan snel waarschuwen als er ergens afwijkingen optreden in metingen of voorspellingen. Tauw en HAL24K demonstreerden in een proef dat hun model water- peilen juist voorspelt. En werken nu in opdracht van Rijks- waterstaat en vier waterschappen door aan een uitgebreider model dat bijvoorbeeld ook zoutconcentraties meeneemt.


Bas de Jong (Rijkswaterstaat): “We zitten nog in de beginfase en zijn de mogelijkheden en onmogelijkheden van AI in


het waterbeheer aan het verkennen.”


Ook het rioleringssysteem in een stad of een waterzuive- ringsinstallatie kun je modelleren met AI, vertelt Den Hartog. HAL24K combineert alle sensoren in één model, of het nu gaat om waterkwaliteit, weersvoorspellingen of energiever- bruik van apparatuur. “Pompen in een riool slaan meestal aan wanneer het waterniveau boven of beneden een bepaalde drempelwaarde komt. Gebruik je AI-voorspellingen, dan kun je slim inspelen op wat er komen gaat. Omdat je weet wat er gaat komen, kun je anticiperen. Je optimaliseert een systeem zodat de pompen veel minder aan en uit hoeven. Dat scheelt alleen al in onderhoud. En bij rioolwaterzuiveringen kunnen we op dezelfde manier storingen zien aankomen en wellicht daardoor ook voor zijn.”


WATERFORUM OKTOBER 2018 29


Page 1  |  Page 2  |  Page 3  |  Page 4  |  Page 5  |  Page 6  |  Page 7  |  Page 8  |  Page 9  |  Page 10  |  Page 11  |  Page 12  |  Page 13  |  Page 14  |  Page 15  |  Page 16  |  Page 17  |  Page 18  |  Page 19  |  Page 20  |  Page 21  |  Page 22  |  Page 23  |  Page 24  |  Page 25  |  Page 26  |  Page 27  |  Page 28  |  Page 29  |  Page 30  |  Page 31  |  Page 32  |  Page 33  |  Page 34  |  Page 35  |  Page 36  |  Page 37  |  Page 38  |  Page 39  |  Page 40  |  Page 41  |  Page 42  |  Page 43  |  Page 44  |  Page 45  |  Page 46  |  Page 47  |  Page 48