Dit initiatief heeft in 2026 €10.000,- DigiShape seedmoney toegekend gekregen. Lees het nieuwsbericht
Op weg naar een gedegen methodiek
BZ Ingenieurs & Managers, Deltares en de Universiteit van Amsterdam werken aan een methodiek voor de ontwikkeling van een databasis voor toekomstige AI- en machinelearningtoepassingen rond grondwater.
Grondwateranalyses zijn afhankelijk van peilbuisdata. De dekking van deze meetnetten kunnen beperkt zijn, terwijl uitbreiding van meetnetten kostbaar en niet altijd praktisch haalbaar zijn. Hierdoor ontstaat onzekerheid bij grondwateranalyses op locaties waar geen of slechts beperkte meetgegevens beschikbaar zijn.
De afgelopen jaren hebben ontwikkelingen op het gebied van AI, machine learning en fysisch gebaseerde grondwatermodellen nieuwe mogelijkheden gecreëerd om grondwaterreeksen te genereren. Om dergelijke technieken betrouwbaar toe te kunnen passen is echter eerst een robuuste methodiek nodig waarin duidelijk is vastgelegd welke modellen geschikt zijn, welke data benodigd is en hoe deze data moet worden voorbereid.
Uit een eerste inventarisatie blijkt dat succes van een AI/ML-gedreven oplossing niet primair wordt bepaald door het AI/ML-model zelf, maar door de kwaliteit van de onderliggende methodiek en trainingsdata. Daarom richt dit seedmoney project zich niet op de ontwikkeling van een AI/ML-model, maar op het uitwerken van een methodiek waarmee op een willekeurige locatie betrouwbare grondwaterstanden kunnen worden gegenereerd die geschikt zijn voor geohydrologische- en dijksterkte-analyses.
Deze methodiek vormt de basis voor een vervolgproject waarin daadwerkelijk een Proof of Concept wordt ontwikkeld met een prototype model.
Doelstelling
Het doel van dit project is: het opstellen van een methodiek waarmee grondwaterstanden (gegenereerde datareeksen) kunnen worden gegenereerd op een willekeurige locatie, waarbij de resultaten voldoende betrouwbaar zijn om accurate geohydrologische- en dijksterkte- analyses uit te voeren.
De methodiek beschrijft:
- welke typen grondwatermodellen geschikt zijn als basis en welke AI/ML of interpolatietechnieken hierbij aansluiten;
- welke databronnen noodzakelijk zijn;
- welke omgevingsvariabelen onderdeel moeten uitmaken van het model;
- hoe een kwalitatief hoogwaardig datapakket kan worden samengesteld voor modeltraining en validatie.
Fasering
Het project bestaat uit vier opeenvolgende fasen.
Fase 1 – Planvorming/methodiek
- Vaststellen van de onderzoeksvraag.
- Definiëren van de functionele eisen.
- Afbakenen van de beoogde toepassing.
- Opstellen van de uitgangspunten voor de methodiek.
Fase 2 – Inventarisatie van geschikte modellen
- Inventariseren van bestaande grondwatermodellen.
- Inventariseren van bestaande AI- en ML-technieken.
- Beoordelen van de toepasbaarheid van verschillende modelconcepten.
- Vastleggen van de voor- en nadelen van de verschillende benaderingen.
Fase 3 – Modelkeuze
- Selecteren van het meest geschikte modelconcept.
- Vaststellen welke invoerparameters noodzakelijk zijn.
- Definiëren van de benodigde omgevingsvariabelen.
- Beschrijven van de wijze waarop modelvalidatie in een vervolgproject plaats kan
vinden.
Fase 4 – Inventarisatie van data en opstellen datapakket
- Inventariseren van beschikbare databronnen (BRO, DINO, KNMI, Rijkswaterstaat en
interne datasets). - Vaststellen welke data ontbreekt.
- Ontwerpen van een uniforme datastructuur.
- Opstellen van een datapakket dat geschikt is voor toekomstige modelontwikkeling.
Beoogde resultaten
Na afronding van het project zijn de volgende resultaten beschikbaar:
- Een uitgewerkte methodiek voor het genereren van betrouwbare grondwaterstanden op willekeurige locaties;
- Een inventarisatie van geschikte modelconcepten, inclusief onderbouwde modelkeuze;
- Een inventarisatie van beschikbare databronnen en benodigde aanvullende data;
- Een eerste aanzet om tot een gestructureerd datapakket te komen, dat als basis dient voor een vervolgproject waarin een Proof of Concept prototype-model wordt ontwikkeld;
Deze resultaten vormen het fundament voor een vervolgfase waarin de methodiek daadwerkelijk wordt geïmplementeerd en gevalideerd binnen een operationeel prototype-model voor geohydrologische en waterveiligheids toepassingen.
De beoogde eindgebruikers zijn geohydrologen en ingenieurs die grondwateranalyses uitvoeren.
Samenwerkingspartners
- BZ Ingenieurs & Managers is projectleider en brengt geohydrologische kennis, data en validatie in.
- Deltares richt zich op integratie van data in AI/ML-modellen en kwaliteitsborging.
- Universiteit van Amsterdam begeleidt de ontwikkeling richting een AI/ML-model en draagt bij aan data- en functionele specificaties.
Vervolg
Deze methodiek vormt de basis voor een vervolgproject waarin daadwerkelijk een Proof of Concept wordt ontwikkeld met een prototype model.
Rol van DigiShape
Door bestaande grondwatermodellen, databronnen en AI-technieken systematisch te combineren ontstaat een generieke methodiek voor het genereren van grondwaterreeksen. Daarmee wordt een belangrijke stap gezet richting datagedreven grondwaterbeheer en digitale ondersteuning van waterveiligheids- en waterbeheeropgaven.
DigiShape ondersteunt dit project met €10.000,- aan seedmoney in 2026. Daarnaast wordt de ontwikkelde methodiek wordt gedeeld binnen het DigiShape-netwerk en vormt het project een vertrekpunt voor vervolgonderzoek en toekomstige implementatie.
