Nieuws

Nieuws

Derde kennisbijeenkomst Platform Hydroinformatica brengt meerwaarde probabilistische benadering in beeld

Met hydroinformatica kan watersector onzekerheden meewegen in besluitvorming

De derde kennisuitwisselingsbijeenkomst van het Platform Hydroinformatica op 25 juni stond in het teken van onzekerheid en onzekerheidspropagatie. Steeds meer beslissingen zijn gebaseerd op metingen en modellen, op hun beurt gevoed door metingen en systeemkennis. Bekend is dat deze metingen fouten bevatten en dat ook systeemkennis niet perfect is. Desondanks gaan beslissingen doorgaans stellig uit van de juistheid van resultaten die hieruit voortkomen. Het is nog niet gebruikelijk om deze fouten en onzekerheden in de beslissingen die op de metingen en modellen worden gebaseerd, mee te wegen. Hoe onzekerheden doorwerken, en hoe deze kunnen worden meegenomen in besluitvorming, inclusief de meerwaarde daarvan, waren onderwerpen van deze middag.

Onzekerheid en onzekerheidspropagatie

Onzekerheid is overal. Een bekend voorbeeld zijn weersvooruitzichten; voorspellen van het gedrag van een complex systeem – de atmosfeer – is slechts beperkt mogelijk. Door onvolkomenheid van modellen en onvolledigheid en gelimiteerde nauwkeurigheid van metingen kan een paar dagen vooruit een redelijk accurate weersvoorspelling worden gegeven. Voor langere termijn voorspellingen kan dat doorgaans niet, met toenemende onnauwkeurigheid naarmate deze verder in de toekomst kijken.

Wat geldt voor weersvoorspellingen, geldt ook voor andere benaderingen waarbij metingen en modellen worden toegepast. Hoe klein de onzekerheid ook is, deze werkt door in de uitkomsten. We noemen dit onzekerheidspropagatie. In het verdere gebruik van de data wordt met deze onzekerheid doorgaans geen rekening gehouden. Dat men meetresultaten en voorspellingen als correct beschouwd, staat bekend als ‘deterministische benadering’.

Op een aantal gebieden heeft een omslag plaatsgevonden in denkwijze. In plaats van een deterministische benadering, gericht op verwachte gebeurtenissen, stapt men over op een denkwijze die zich richt op mogelijke gebeurtenissen en kansen: de probabilistische benadering. Hierin wordt, gegeven de huidige kennis, de kans bepaald dat een scenario A of B, etc. zich voltrekt. In deze denkwijze worden onzekerheden expliciet beschouwd. Voorbeelden hiervan zijn voorspellingen van extreme regenval door klimaatverandering en de eisen voor de veiligheid van dijken.

Onzekerheden in drinkwatersystemen

Als aftrap van de bijeenkomst gaf KWR-onderzoeker Peter van Thienen aan de hand van hydraulische modellen voorbeelden van bronnen voor onzekerheid in drinkwater. Zo kan sprake zijn van onzekerheid in parameterwaarden, bijvoorbeeld de diameter van een langzaam dichtgroeiende buis. Of er is sprake van onvoorspelbaarheid, zoals de watervraag op lange termijn, omdat deze afhankelijk is van verschillende factoren die allen (deels) niet zijn in te schatten: demografie, beleid, technologie en gedrag.

Worden deze onzekerheden in het modelleren meegenomen, dan zijn de uitkomsten niet langer enkelvoudig. Modellen leveren in dit geval een reeks van oplossingen met een kansverdeling op. Als gevolg hiervan kan de prestatie van een netwerk aanmerkelijke verschillen vertonen met de gemodelleerde deterministische situatie.

Figuur 1: Probabilistische drukverdeling op een knoop in een netwerkmodel. Als gevolg van onzekerheden in buisdiameters, wandruwheid, afsluiterstanden etc. is de kans groot dat de werkelijk optredende druk niet gelijk is aan de deterministisch bepaalde druk.

Belangrijk is dat de probabilistische benadering zicht geeft op de kans dat bepaalde situaties zich voordoen. Daarmee kunnen bijvoorbeeld betere ontwerpen worden gemaakt, maar is het ook mogelijk om bij calamiteiten beter te kunnen ingrijpen.

Voorspellend model ondersteunt operatie gasnet

De tweede bijdrage van de middag was van Stephan Talle en Onno Wesselink van Accenture. Zij vertelden hoe de Gasunie een beslissingsondersteunend simulatiemodel gebruikt voor de besturing van het nationale gasnetwerk. Dit Gas Transport Management Systeem is gebouwd op een aantal gekoppelde modellen. Een real-time simulatie model (digital twin van het transportnetwerk)  berekent op basis van meetgegevens en een up-to-date netwerkmodel de meest waarschijnlijke actuele netwerkstatus. Deze wordt verrijkt met voorspellingen over toekomstige energieafnames middels de Flow Forecaster: een 4-laags neuraal netwerkmodel dat voor 150 gasafnamestations de toekomstige gasvraag voorspelt. Een simulatiemodel kan vervolgens op basis van de voorspelde gasvraag de toekomstige netwerkstatus berekenen tot 48 uur in de toekomst.

In dit systeem is sprake van verschillende onzekerheden, zo werd tijdens de toelichting duidelijk. Zo is slechts een beperkt aantal locaties voorzien van sensoren. De toestand in de rest van het netwerk wordt voorspeld op basis van een model. Daarnaast wordt de Flow Forecaster gevoed met historische data over het weer en de gasafname. Hieruit worden associaties afgeleid voor het te verwachten gasgebruik. Hoewel de modellen resulteren in de meest waarschijnlijke proceswaarden in het netwerk, ontbreken de ranges inclusief kansverdelingen die hierbij optreden. Het voordeel van een probabilistische benadering is dat hiermee kleine kansen met grote gevolgen worden herkend, inclusief de impact van een besturingsactie. Wel moet worden opgelet dat operators niet worden belast met een overdaad aan informatie over zeer onwaarschijnlijke scenario’s.

Figuur 2: Schematische weergave van de links tussen de modellen in het Gas Transport Management Systeem van Gasunie.

Optimalisatie van (terug)spoelingen zandfilters

Hoe voorspellingen worden gebruikt bij het aansturen van spoelen van zandfilters, werd toegelicht door Lucy Ng’ang’a, trainee bij Brabant Water. Tijdens dit proces ontstaat spoelwater met een hoog sedimentgehalte, dat pas na een verblijftijd in bezinkbekkens kan worden geloosd. Bij traditionele besturing bestaat de kans dat het aantal filterspoelingen de dagelijkse capaciteit overschrijdt, waardoor het water dat vanuit het bezinkbekken wordt geloosd niet aan de vergunningen van het waterschap voldoet. Een model is ontwikkeld voor berekening van de tijd die nodig is voor de volgende filterspoeling. Deze voorspellingen worden gedaan op basis van meetgegevens, en gebruikmakend van een long short-term memory (LSTM) recurrent neural network (RNN) benadering. Op basis van een aantal criteria, zoals minimaal 6 uur afstand tussen spoelingen en een maximale looptijd per filter, worden door het model besturingsregels bepaald voor een optimalisatie van de intervallen tussen filterspoelingen.

Onzekerheden in (toekomstige) waterstanden

Als afsluiting van de middag reflecteerde Ferdinand Diermanse (Deltares) op het omgaan met onzekerheden met betrekking tot waterveiligheid, zoals bij het ontwerpen en beoordelen van waterkeringen. Aan de ene kant is het onmogelijk om bijvoorbeeld een dijklichaam 100% door te meten en de actuele sterkte ervan met zekerheid vast te stellen. Tegelijkertijd wordt de sterkte getoetst aan extreme belastingen (zeespiegelstijging, golfslag) met behulp van rekenmodellen. Naast onzekerheid in deze modellen is ook sprake van onduidelijkheid in de belastingen zelf. Zo is de mate van zeespiegelstijging uiterst ongewis. Bij waterkeringen wordt met deze onzekerheden omgegaan door te werken met veiligheidsfactoren. Voorts maakt een adaptieve strategie, zoals toegepast in het Deltaprogramma, gebruik van een stappenplan met maatregelen op basis van kansen en kwetsbaarheden. In het plan zijn korte termijn acties opgenomen en lange termijn opties. Ook worden adaptation tipping points (ATPs) gedefinieerd; punten waarop de huidige strategie niet meer functioneert. Door continue monitoring van de geïmplementeerde acties en de ontwikkelingen van het totale systeem wordt de lange termijn adaptatiestrategie aangepast. Voor  de komende 20 jaar betekent dit ruimte reserveren, flexibiliteit inbouwen,  experimenteren en kansen uit andere ontwikkelingen benutten.

Zekerheid over onzekerheid

Op grond van de kennisuitwisselingsbijeenkomst luidt de conclusie dat beslissingen beter kunnen worden onderbouwd wanneer in data en modellen onzekerheden worden meegewogen. Hiervoor is een probabilistische methodiek de aangewezen manier. Een deterministische benadering volstaat minder goed om bij onzekerheden op verschillende schaalniveaus de juiste oplossing te vinden. Tegelijkertijd werd duidelijk dat de probabilistische werkwijze nog lang geen gemeengoed is, en ook dat communicatie over onzekerheid niet eenvoudig is. Een extra drijfveer om hierover in gesprek te blijven, om geen wereld vol met schijnzekerheden te scheppen.

Meer lezen over onzekerheid en onzekerheidspropagatie? In H2O verscheen hierover een mooi overzichtsartikel.