11 april 2023

Data science is overal. Op sommige plekken verwacht je het: de apps op je telefoon, de tijdlijn van je social media en de aanbevelingen van Spotify of Netflix. Maar data science is ook op plekken waar je het niet verwacht. Bijvoorbeeld in de afvoer en zuivering van ons rioolwater. Alex van der Helm en Cor Verkerk van Waterschap Amstel, Gooi en Vecht (AGV) vertellen over de manier waarop zij data science al toepassen en hoe ze dit – samen met Fieldlab CAMINO – in de toekomst willen uitbreiden.

Cor is als Teamleider Assetmanagement Zuiveringsbeheer o.a. verantwoordelijk voor de vervangingsinvesteringen van de rioolwaterzuivering- en rioolgemalen, assets van het waterschap en de gemeente Amsterdam. Alex leidt het Datalab van de organisatie en is daarnaast adviseur bij de onderzoeksafdeling. Samen nemen ze deel in de proeftuin Machine Learning Pompgemalen van Fieldlab CAMINO.

Datalab

Vier jaar geleden startte Waternet/AGV met het Datalab. Alex vertelt: “Overal om ons heen zagen we dat artificial intelligence (AI) meer en meer integreerde in dagelijkse toepassingen. Binnen de watersector pasten we het echter nog weinig toe. We verzamelden en gebruikten wel veel data, maar nog niet in combinatie met AI of andere data science-technieken. Onze verwachting was dat we met data science veel meer uit onze data konden halen om onze processen verder te verbeteren en verduurzamen. Met het Datalab werken we daar nu dagelijks aan.”

Cor Verkerk

Cor: “De waterwereld is vrij conservatief. We willen een datarevolutie in gang zetten. De stip op de horizon waar we naartoe werken, is volledig datagedreven en voorspelbaar onderhoud. Maar we beseffen ook dat je zoiets niet in een paar weken, maanden of zelfs jaren voor elkaar krijgt. Daarom zetten we kleine stappen in de goede richting. Dat begint bijvoorbeeld met het herkennen van een storing in data. Stap twee is dan het voorspellen kort voor de storing optreedt, en stap drie het voorspellen ruim voordat het gebeurt. Tot we uiteindelijk het einddoel bereiken: precies het juiste doen, op precies het juiste moment.”

Algoritme testen

Werken in de praktijk vormt een centraal uitgangspunt in de aanpak van AGV. Cor geeft een voorbeeld: “We beheren meer dan 1200 rioolgemalen in de gemeente Amsterdam, groot en klein. Daar moeten we regelmatig ingrijpen, bijvoorbeeld als er een verstopping is. Als we terugkijken in de data, zien we vaak dat er al signalen waren. Maar het is onmogelijk om al die data 24/7 handmatig in de gaten te houden.”

Alex van der Helm

Daar komt het team van Alex in beeld: “Op basis van data van eerdere verstoppingen, hebben we een algoritme geschreven dat de signalen herkent die voorafgaan aan een storing. Het model en de automatisering zijn klaar om in de praktijk te testen. Dit gaan we eerst doen op een selectie van de gemalen. Zo leren we in de praktijk en kunnen we waar nodig nog aanpassingen maken. Het doel is om het daarna stapsgewijs uit te breiden.”

Deze manier van werken heeft verschillende voordelen. Cor: “Mijn voorganger Corine Hoogenbosch zei altijd: ‘Think big. Act small. Scale fast’. Die filosofie houden we aan. Door snel te beginnen met testen in de praktijk, ontdekken we welke omgevingsfactoren een rol spelen bij storingen. Bovendien kunnen we gebruikmaken van de vakkennis die onze monteurs al hebben. Juist de combinatie van data science en praktijkervaring maakt een datagedreven model nog waardevoller als we gaan opschalen.”

Neuraal netwerkmodel

Een toepassing die het Datalab al met succes in de praktijk aan het testen is, gaat over de vermindering van lachgasuitstoot bij de rioolwaterzuivering. Alex: “Bij de zuivering van rioolwater komt lachgas vrij, een sterk broeikasgas. Omdat AGV in 2035 klimaatneutraal wil zijn, zochten we een oplossing om deze uitstoot te verlagen. De klassieke regeling van afvalwaterzuivering houdt hier geen rekening mee; die is alleen gericht op de kwaliteit van het uitgaande water en het energieverbruik. Met het Datalab hebben we een neuraal netwerkmodel ontwikkeld dat daarnaast ook rekening houdt met vermindering van de lachgasemissie.”

“Dit model krijgt data binnen over allerlei procescondities: de lachgasemissie, de waterhoeveelheid, de waterkwaliteit en andere variabelen die een rol spelen. Op basis van deze data bepaalt het model de ideale besturingsstrategie voor dat moment. Na het bouwen ervan hebben we het onlangs in gebruik genomen op een deel van rioolwaterzuivering Amsterdam West. De eerste resultaten die we zien zijn heel positief: de kwaliteit van het uitgaande water is goed én er komt minder lachgas vrij. Het doel is om dit verder door te ontwikkelen en in beeld te brengen wat nodig is om het toe te passen op andere rioolwaterzuiveringsinstallaties die we beheren.”

Deskundig en collegiaal

Samen met waterbeheerders HHNK en Rijnland is AGV vorig jaar gestart met de proeftuin Machine Learning Pompgemalen van Fieldlab CAMINO. Cor sloot zich onlangs aan, en was direct positief: “Bij de eerste bijeenkomst merkte ik direct hoe deskundig en collegiaal het team is. De verhalen die iedereen vertelde waren heel herkenbaar. Dat maakt de samenwerking met de andere waterschappen meteen waardevol.”

Alex beaamt dit: “Iedereen heeft een eigen perspectief, maar we delen de gezamenlijke visie van voorspelbaar onderhoud. Door onze geleerde lessen onderling uit te wisselen, helpen we elkaar vooruit. Zo vergroten we elkaars kennis. Ik ben blij met de samenwerking.”

Meer weten?

Wij bedanken Alex en Cor voor hun inspirerende bijdrage. Wil je meer weten over de aanpak van AGV bij AI en voorspelbaar onderhoud? Neem contact op met Alex via alex.van.der.helm@waternet.nl of met Cor via Cor.Verkerk@waternet.nl. Heb je vragen over Fieldlab CAMINO? Stel ze via camino@worldclassmaintenance.com.