Klimaatverandering en zeespiegelstijging maken verzilting een steeds urgenter probleem. Waterbeheerders, drinkwaterbedrijven en Rijkswaterstaat staan voor complexe beslissingen om verzilting te beheersen. Met behulp van AI-technieken ontwikkelt HKV een realtime voorspelmodel dat inzicht geeft in de kans dat grenswaardes worden overschreden, de duur van overschrijding inclusief de bijbehorende onzekerheid.
Door machine learning te combineren met fysische modellen benutten we de groeiende hoeveelheid meetgegevens optimaal. Dit stelt waterbeheerders in staat om tijdig in te grijpen, waterinname efficiënter te organiseren en de verdeling van zoetwater te optimaliseren. Waterschappen kunnen zo hun boezemsystemen beter reguleren, drinkwaterbedrijven hun processen aanpassen en Rijkswaterstaat mitigerende maatregelen treffen.
Met slimme AI-technieken kunnen we langere tijdreeksen genereren zonder continu dure 3D-modellen te draaien. Zo versnelt HKV de transitie naar datagedreven waterbeheer en biedt het cruciale ondersteuning bij het omgaan met de toenemende verziltingsuitdagingen.
- Combinatie van machine learning en fysische modellen voor nauwkeurige voorspellingen
- Ontwikkeling van een hybride model (fysisch + AI) om systeemveranderingen mee te nemen
- Mogelijkheden voor spoedadvies bij crisissituaties
HKV heeft machine learning modellen ontwikkeld voor bijvoorbeeld het Amsterdam-Rijnkanaal en de Rijn-Maasmonding, om waterbeheerders te voorzien van een voorspelling van zoutgehaltes in de komende dagen op basis van de huidige meetwaarden en de voorspelde wind, rivierafvoer en waterstanden. Daarbij passen we onder andere ‘Explainable AI’ toe, een verzamelnaam voor AI-technieken die hun beslissingen en werking inzichtelijk maken. In dit geval geeft ‘Explainable AI’ inzicht in de belangrijkste processen die verzilting beïnvloeden. Zo geven we waterbeheerders inzicht en vertrouwen in de prestaties van het AI-model.
