De inname van zoet water staat op steeds meer plekken in Nederland onder druk. Door aanhoudende droogte en een stijgende zeespiegel dringt zout water verder het land in, met ingrijpende gevolgen voor natuur, landbouw en drinkwatervoorziening. DigiShape partner HKV Lijn in Water houdt zich van oudsher met deze vraagstukken bezig en adviseert overheden en partners over passende maatregelen en toekomstscenario’s. Hoewel 3D-modellen hierbij veel inzicht bieden, zijn ze vaak te traag voor situaties waarin snel gehandeld moet worden. Daarom verkent HKV de inzet van Machine Learning als aanvulling op de traditionele aanpak. Vincent Vuik en Thomas Stolp van HKV lichten het in dit interview toe.
“Het lijkt het nieuwe normaal te worden dat toenemende droogte voor problemen zorgt bij de inname van zoet water,” vertelt senior adviseur kust- en waterbouw Vincent Vuik. “Sinds 2018 zien we een patroon: een normale zomer, gevolgd door een extreem droge zomer, dan weer een normaal jaar en vervolgens opnieuw droogte. Die afwisseling houdt aan, verzilting is geen uitzondering meer. Die trend leidt tot steeds meer vragen vanuit overheden en waterbeheerders. “Wat moeten we hiermee op korte, middellange én lange termijn? Wordt straks misschien de hele haven afgesloten, zodat er geen zout meer binnenkomt? Dat soort vragen leven in de maatschappij en daarom doen wij in allerlei projecten uitgebreide modelstudies en systeemanalyses. Zo helpen we partijen om goed onderbouwde beslissingen te nemen.”
3D-modellen voor zoutindringing en bijbehorende maatregelen
Een voorbeeld van zo’n project is de modellering van zoutindringing in het Noordzeekanaal, waar HKV met systeemanalyses en scenarioverkenningen bijdraagt aan beter waterbeheer. Ook in de Rijnmond en het Kielerkanaal worden 3D-watermodellen ingezet om inzicht te krijgen in de verspreiding van zout onder wisselende omstandigheden. Een belangrijke vraag is dan vaak welke maatregelen nodig zijn om verdere verzilting tegen te gaan.
“Een oplossing die we nu samen met een aannemer verkennen, is een tijdelijke drempel van zand in de rivier,” vertelt Vincent. “Die houdt het zoute water mogelijk tegen, maar belemmert ook de scheepvaart. Daarom rekenen we vooraf precies uit wat zo’n drempel zou opleveren. Helpt het echt, of glipt het zout er alsnog overheen? En waar leg je hem dan aan: vlak bij zee of juist verder landinwaarts? Hoe groot moet hij zijn, hoe breed, in welke riviertak? Zulke vragen beantwoorden we met modelberekeningen, zodat de aannemer goed onderbouwd vervolgstappen kan zetten.”
De meerwaarde van Machine Learning naast 3D-modellen
“3D-modellen zijn uitermate betrouwbaar voor dit soort berekeningen, maar met Machine Learning kun je nog een stap verder gaan,” vertelt AI-specialist Thomas Stolp, die zich bij HKV bezighoudt met de inzet van kunstmatige intelligentie in waterprojecten. “Numerieke modellen zijn vaak puur fysisch opgebouwd en houden bijvoorbeeld geen rekening met scheepvaart of spuibeheer, terwijl die factoren wél invloed hebben. Wil je dat soort processen dan toch meenemen, dan moet je de hele fysica in het model uitbreiden, wat veel tijd en rekenkracht kost. Met Machine Learning kun je deze invloeden relatief eenvoudig integreren, door ze toe te voegen als features. Daarmee verrijk je het model, zonder het complexer of zwaarder te maken.”
Wat is Machine Learning?
“Machine learning is een methode waarbij je het model niet alles expliciet voorschrijft, maar het laat leren van voorbeelden,” legt Thomas uit. “Je voedt het algoritme met data, bijvoorbeeld uit je 3D-modellen van zoutindringing, en op basis daarvan leert het zelf verbanden herkennen en voorspellingen doen.” Dit gaat veel sneller dan bij traditionele modellen. Bij acute droogte wil je soms binnen een uur weten wat het effect is van een maatregel, zoals het tijdelijk openzetten van een spuisluis. “Dat is met een 3D-model nauwelijks te doen, maar met een getraind ML-model heb je in seconden een inschatting. Andersom kun je ook in korte tijd duizenden klimaatscenario’s doorrekenen, iets wat met traditionele modellen dagen of zelfs weken zou duren. Zo maken we onze analyses niet alleen sneller, maar ook breder toepasbaar.”
Twee richtingen: voorspellen én verbreden
Volgens Thomas en Vincent zijn er momenteel grofweg twee manieren waarop Machine Learning van grote waarde kan zijn. “Enerzijds kun je het gebruiken voor korte termijnvoorspellingen,” zegt Vincent. “Bijvoorbeeld om snel te bepalen of een innamepunt over een paar dagen nog bruikbaar is.” Anderzijds biedt Machine Learning kansen om scenario’s te verkennen die je met traditionele 3D-modellen simpelweg niet allemaal kunt doorrekenen, aldus Thomas. “We rekenen nu vaak met grote stappen, één of drie meter zeespiegelstijging, of vaste rivierafvoeren, omdat volledige simulaties daarvoor te traag zijn. Maar juist tussen die scenario’s zit waardevolle informatie. Wat als er ineens een storm opsteekt? Of een schip passeert?”Met Machine Learning kun je dit soort variaties tóch meenemen, zonder elk scenario apart te hoeven simuleren. Zo ontstaat een slimme laag rondom het fysische model: een hybride aanpak. Je behoudt de betrouwbaarheid van de 3D-berekeningen, maar voegt de snelheid en flexibiliteit van AI toe.”
Vertrouwen in het model dankzij Explainable AI
Bij toepassingen van AI is het niet alleen belangrijk dát een model een voorspelling doet, maar ook waarom. Daarom zet HKV in op Explainable AI: technieken die inzichtelijk maken hoe het model tot een bepaalde uitkomst komt. “Als je een maatregel adviseert die gevolgen heeft voor de drinkwatervoorziening of scheepvaart, wil je als adviseur kunnen uitleggen waarop je die voorspelling baseert,” zegt Thomas. “Transparantie is essentieel. Daarom werken we aan modellen die niet alleen snel zijn, maar ook uitlegbaar.”
De inzet van AI in het waterbeheer staat nog in de pioniersfase, maar wie over vijftig of honderd jaar nog steeds droge voeten wil houden, moet nu beginnen met investeren, stelt Vincent. “Je kunt niet wachten tot de nood aan de man is. Dit is hét moment om de modellen van de toekomst te bouwen.”
Samen de volgende stap zetten
HKV combineert decennialange ervaring met fysische modellen met actuele kennis van AI en Machine Learning. Die combinatie is essentieel om betrouwbare én toepasbare oplossingen te ontwikkelen. “We weten hoe het systeem werkt, hoe je dat systeem kunt vangen in data én hoe we onze rekenmodellen kunnen innoveren,” besluiten Thomas en Vincent. “Die combinatie delen we graag met Rijkswaterstaat, provincies, waterschappen, havenbedrijven, drinkwaterbedrijven, ingenieursbureau’s én aannemers. Laten we met elkaar verkennen hoe AI het waterbeheer van morgen kan versterken!”
Meer informatie
Lees ook het informatieve achtergrondartikel Zoet water onder druk: hoe AI helpt bij slimmer waterbeheer op de website van HKV. Voor meer informatie kun je contact opnemen met Vincent Vuik of Thomas Stolp.
