Voorspellen van leidingfalen met kunstmatige intelligentie

De kennisuitwisselingsbijeenkomsten over Hydroinformatica worden georganiseerd in het kader van Waterwijs, het collectieve onderzoeksprogramma van Nederlandse en Vlaamse drinkwaterbedrijven. Een belangrijk doel van deze bijeenkomsten is het uitwisselen van praktijkervaring en kennis in themabijeenkomsten.

Slim lekbeheer

Steve Mounce (Universiteit van Sheffield, Verenigd Koninkrijk) begon de bijeenkomst met te wijzen op de snelle vooruitgang van de beschikbaarheid van gegevens. Hierbij baseerde hij zich op zijn ervaring uit 1998, waarin slechts 5 district metered areas (DMA’s) met in totaal 15 datapunten konden worden gedownload, tot hedendaagse mogelijkheden om elk kwartier tot 4.500 AMR-metingen te verzamelen en in sommige gevallen elk uur te downloaden. Online (IoT) sensoren, zullen voor verdere vooruitgang zorgen. Flow- en druksensoren in het hele distributienetwerk stelt commerciële software met gegevensgestuurde analyses (zoals ‘FlowSure’) nutsbedrijven in staat om lekken sneller op te sporen en te repareren. Steve gaf een overzicht van een casestudy waarbij extra druksensoren, eventdetectie en geospatiale technieken werden geïntegreerd voor sensoroptimalisatie en lokalisatie van lekken binnen DMA’s. Hierdoor kon het potentiële gebied waar lekken voorkomen tot 14% worden teruggebracht. Dit zorgde voor een snellere lokalisatie en reparatie van lekkages. Steve liet verder een risico-hotspotkaart voor leidingbreuken zien. Om beter te begrijpen wat de oorzaak of invloed is op het aantal leidingbreuken, werd het distributiesysteem van het eiland Barbados als voorbeeld genomen. Er werd rekening gehouden met factoren zoals leidingdiameter, regenval, maand, seizoen, jaar, landgebruik, locatie, bodemtype, aansluitingsdichtheid, installatietijd, leidingmateriaal en druk. Daarnaast bleek het krimpen en uitzetten van klei een belangrijke verklarende variabele te zijn. Een aangewezen maatregel om het aantal leidingbreuken te verminderen is het verhogen van de funderingsondersteuning voor leidingen. Leidingbreuken zelf leiden vaak tot incidenten met de drinkwaterkwaliteit. In het huidige ACQUIRE-project worden historische rapporten met details over incidenten, reacties en follow-up gebruikt om een beslissingsondersteunende tool te maken voor een betere afhandeling van waterkwaliteitsincidenten, met behulp van Case Based Reasoning, Large Language-modellen en Generative AI (AI-assistenten, Retrieval Augmented Generation, fine tuning, Agentic chains enz.) Deze genereren informatie van hoge kwaliteit in een ‘chatbot’-achtige interface en worden door een Brits waterbedrijf getest in de controlekamer.

AI is niet altijd nodig

Drinkwaterbedrijven streven ernaar om de beste waarde uit hun assets te halen. Wanneer de assets niet optimaal functioneren, kunnen ze soms een last zijn. Jurjen den Besten (Spatial Insight) betoogde dat bij het kiezen van de oplossing het doel voorop staat, en niet het gebruik van AI op zichzelf. Een clusterbenadering om faalkansen te reconstrueren bleek erg goed te werken, waarbij toekomstige faalkansen op basis van de beschikbare dataset bijna perfect werden voorspeld. Met verschillende beschikbare methoden stelde Jurjen de vraag waarom het moeilijk is om methodologieën ingebed te krijgen in de processen van drinkwaterbedrijven. Een algemene verklaring is dat verandering in de praktijk van drinkwaterbedrijven traag verloopt. Medewerkers die nieuw zijn in de watersector kunnen met hun frisse blik de snelheid van implementatie vergroten. Deze vraag werd verder uitgewerkt in de discussie aan het einde van de bijeenkomst.

Fysica toevoegen aan modellen

Binnen Brabant Water is het doel om het aantal storingen per jaar te managen op een manier die het meest kosteneffectief is. Dennis Schol, data wetenschapper bij Brabant Water, legde uit hoe ‘faalcurves’ worden opgebouwd uit data. Het risico wordt uitgedrukt als risico per buislengte en materiaal. Door leidingen strategisch te vervangen op basis van het geconstrueerde model, is de verwachting dat storingen onder een gewenst niveau blijven. Door ook rekening te houden met directe en indirecte kosten van een mogelijk falen en de kosten van een vervanging, wordt een nog beter onderbouwd vervangingsplan bereikt. Het systeem wordt momenteel in de praktijk gebruikt om asset managers te ondersteunen die de beslissing nemen op basis van hun domeinkennis. Brabant Water streeft er nog steeds naar om het systeem te verbeteren door fysica toe te voegen aan de voorspellingen. Voor dit doel wordt onder andere het COMSIMA-model van KWR onderzocht, dat druk-, leiding- en verbindingsdegradatie beschrijft. Andere verbeteringen worden verwacht door het toevoegen van informatie over bouwdatum, batchnummers en fysisch geïnformeerde neurale netwerken (PINNS) zoals nieuwe technologie en LiDAR 3D-gegevens van de ondergrond.

Demonstratie van de ‘Druktool’

De bijeenkomst werd vervolgd met een demo gepresenteerd door Mauk Westerman (Waterbedrijf Groningen). De gepresenteerde tool, bedoeld voor lekdetectie, maakt gebruik van gegevens van online druksensoren in het distributienetwerk. Een uitdaging bij het vinden van afwijkingen is de hoge variabiliteit in druk, veroorzaakt door watergebruik. Dit wordt gedeeltelijk opgelost door de druk te normaliseren voor de druk die wordt gemeten bij aangesloten pompstations en rekening te houden met de druk ’s nachts wanneer het watergebruik laag is. Dit wordt ingevoerd in een algoritme voor machine learning, waarbij een glijdend gemiddelde met een tijdschaal van twee weken wordt gebruikt om te voorkomen dat het model wordt gevoed met actuele lekken. Als de gemeten druk buiten het voorspelde interval van het model valt, wordt dit geïdentificeerd als een potentieel lek. In de praktijk heeft de tool zijn waarde bewezen door een aanzienlijk lek in het distributienetwerk aan te wijzen dat anders onopgemerkt had kunnen blijven, omdat het niet gemakkelijk te detecteren was door visuele inspectie.

Een wereldwijd algemeen model voor leidingfalen

Laten zitten of vervangen, wat is het beste? Kevin Laven (Deloitte, Canada) presenteerde resultaten van zijn promotieonderzoek. De voorwaarde om modellen per drinkwaterbedrijf aan te passen en te trainen vormt een grote belasting voor de implementatie van dergelijke modellen. Bovendien zullen modellen voor leidingfalen over het algemeen betere voorspellingsresultaten opleveren wanneer er meer gegevens zijn verzameld en/of wanneer het systeem groter is. Om deze hindernis te omzeilen ontwikkelde Kevin een algemeen, kant-en-klaar model, gebaseerd op gegevens van nutsbedrijven van over de hele wereld. Om een model te krijgen dat toepasbaar is in verschillende landen en industrieën, worden categorische gegevens gegeneraliseerd door de kenmerken in de gegevens in plaats van de benoemde categorie zelf.  Het model dat Kevin heeft ontwikkeld, geeft twee uitkomsten voor elk leidingsegment voor een komende periode van 5 jaar: de kans op defecten en het verwachte aantal defecten. De verwachtingswaarde van het aantal storingen kan worden gebruikt om het verwachte aantal storingen binnen een cohort te berekenen. Deze cohorten kunnen willekeurig worden gedefinieerd, wat het nut ook is, zelfs nadat het model is uitgevoerd. Het resulterende generieke model presteerde net zo goed als elk op maat getraind model. Er werd een 5,6-voudige verbetering bereikt in het vermijden van toekomstige breuken door 10% van de segmenten te vervangen, vergeleken met willekeurige vervanging. De correlatiecoëfficiënt tussen het verwachte aantal defecten en het werkelijke aantal defecten voor cohorten met typische definities (hetzelfde materiaal en dezelfde diameter, hetzelfde decennium van installatie, binnen dezelfde stad) was 0,99. Een extra verbetering van 15% was mogelijk door gegevens samen te voegen met die van andere nutsbedrijven.

Nog een weg te gaan voor implementatie

Marco Dignum en Bas Jacobs (Waternet) presenteerden hun ervaring met het toepassen van het model van Kevin Laven voor het diagnosticeren van hun leidingdistributienetwerk. Het model kan direct worden toegepast (door het uit te voeren op nieuwe gegevens om faalkansen te voorspellen) of indirect (door de resultaten te gebruiken in andere modellen, bijvoorbeeld faalkanscurves in Rasmariant). De toepassing brengt enige onzekerheid met zich mee en er moeten nog verschillende vragen worden beantwoord voordat het model definitief kan worden geïmplementeerd. Hoe betrouwbaar zijn de uitkomsten, hebben we meer controles nodig? Hoeveel iteraties moeten er gedaan worden, is 5 jaar genoeg? Kunnen we het gebruiken voor clusteranalyse? Kunnen we het koppelen met GIS? Bij het testen vielen de meest falende leidingen inderdaad in de hogere gelijkenis-klassen. De relatieve voorspelling is erg goed, maar of het ook goed is in absolute zin is (nog) niet onderzocht.

AI-modellen toepassen voor leidingfalen

Aan het einde van de bijeenkomst werd de kwestie van de werkelijke implementatie van modellen besproken. Verschillende factoren zouden dit bevorderen. De normale procedures zullen door het implementeren van een nieuw modeltype in eerste instantie worden verstoord, dus deze beslissing zal gebaseerd moeten zijn op veel vertrouwen. Het helpt als de ingenieur van het model binnen het drinkwaterbedrijf werkzaam is of hier een goede band mee heeft. Ook een goede business case is noodzakelijk. De implementatie moet een holistische benadering hebben; de beslissing om delen van het distributiesysteem te vervangen is meestal afhankelijk van veel betrokken partijen, zoals de gemeente.

In de kennisuitwisselingsbijeenkomst kwamen verschillende methoden voor het voorspellen van leidingfalen voorbij. Allemaal dragen ze bij aan een betere voorspelling van leidingbreuk. Een van de belangrijkste vragen voor drinkwaterbedrijven is welke te kiezen en wat ervoor nodig is om dergelijke modellen in de praktijk toe te passen, ter vervanging van oude manieren van leidingbreukdetectie. In elk geval zal één enkel model het beslissysteem niet domineren. Modellen voor leidingfalen verdienen echter meer dan een pilotstadium.