Robotterne er løs i afløbssystemet.
Session
Resumé
Kunstig intelligens i form af neurale netværk har gjort sit indtog i vandsektoren, hvor de har vist sig ofte at kunne bidrage med nye vinkler og indsigt – og samtidig være meget lettere at implementere end andre analyse metoder. Indlægget deler erfaringer fra forskellige typer af opgaver hos flere forsyninger, hvor både nye og gamle problemer har været på programmet. Der lægges vægt på forudsætninger og reelle anvendelser, samtidig med at der gives nogle forsigtige bud på hvad fremtiden bringer af yderligere muligheder.
Målgruppe
Abstract
Vandsektoren er som sædvanlig inde i en rivende udvikling. Fokus på optimering af drift og endnu skarpere planlægning af nye anlæg, samtidig med at data indsamlingen bliver stadig billigere, gør at data mængderne eksploderer. Mange forsyninger oplever væksten i data som en udfordring da der samtidig ligger en forventning om at de nye data bliver analyseret og at der kommer brugbar information ud i den anden ende – og helst i real-tid så det på sigt kan bruges til styring. Mange data er dog ikke i sig selv lykken, specielt ikke når kvaliteten ikke helt er som håbet, og man samtidig skal tage højde for de hydrauliske forsinkelser der er mellem regn, indsivning, dagvand, fordampning, flow og indløb.
Heldigvis er der hjælp at hente fra andre brancher hvor megatrends som big data, kunstig intelligens, internet of things har drevet en udvikling og modning af data arkitektur og analysemetoder der – har det vist sig – egner sig rigtigt godt til vand data.
Basalt set analyserer neurale netværk tidsserier – korrelerer og finder sammenhænge – og dermed adskiller de hændelser og finder modeller der beskriver de sammenhænge og deres udvikling. Der er elementer af ”black-box”, men det er samtidigt muligt at åbne kassen og kortlægge og udfordre de sammenhænge – specifikt fordi selv komplicerede netværk på få minutter kan analysere flere års data i minut opløsning.
Vi vil præsentere nogle af de erfaringer vi har gjort os sammen med forsyningerne. Det drejer sig specielt om nedbør, uvedkommende vand og indløb til renseanlæg – som analyse med input til hydrologiske modeller, og som selvstændige udsigter der løbende lærer af de nye data og deres egne fejl.
Machine learning - selvlærende maskiner - spænder meget vidt i teknologi og anvendelse. Der er dog mange fællestræk ved disse systemer, og fordi de stammer fra forsøg på at kopiere den menneskelige intelligens og evne til læring - så er det faktisk relativt intuitivt at forstå hvordan de arbejder. Med relativt simple virkemidler kan neurale netværk tilpasses den virkelighed der findes i vandsektoren med fejlagtige målinger, PLC\'er der dropper ud, pludselige hændelser, periodisk vedligehold og nær katastrofale hændelser. Den vedlagte figur viser et eksempel på de tiltag der kan tages for gøre et forecast mere robust. Dels ved at træne det til at acceptere manglende data, dels ved at prioritere input data og endelig ved at forholde sig til usikkerhederne af dens egne evner - eller retter genkendeligheden af den nuværende situation (vist som arealer i figuren med forskellige farver for de enkelte udsigter). Denne viden har I sig selv vist sig at være særdeles interessant i en drifts sammenhæng.
