Een combinatie van verschillende vormen van kunstmatige intelligentie kan helpen om de technische staat van rioolbuizen te voorspellen. Daarmee kunnen beheerders beter bepalen welke delen van een rioolstelsel als eerste moeten worden geïnspecteerd, onderhouden of nader onderzocht.
Afbeeldingsbron: Pexels
Onderzoekers ontwikkelden daarvoor een zogenoemd ensemblemodel, waarin meerdere algoritmen met elkaar worden gecombineerd. Het model werd getraind met gegevens van 4802 inspecties van rioolbuizen in een Amerikaanse gemeente. Bij die inspecties waren camerabeelden van de binnenkant van de leidingen gebruikt.
De informatie uit de inspecties werd gekoppeld aan kenmerken van afzonderlijke leidingdelen. Daarbij keken de onderzoekers onder meer naar de leeftijd van de buis, het gebruikte materiaal en de hellingsgraad. Deze gegevens werden vervolgens gebruikt om de technische toestand van leidingen te voorspellen.
Het model deelde de rioolbuizen in vier categorieën in, variërend van een goede technische staat tot ernstige beschadiging. Door de uitkomsten van verschillende algoritmen te combineren, behaalde het systeem een algemene nauwkeurigheid van 74,2 procent.
Afhankelijk van de categorie lag de zogenoemde ROC-AUC-score tussen 0,82 en 0,96. Deze maat wordt gebruikt om te beoordelen hoe goed een model onderscheid kan maken tussen verschillende groepen. Een hogere score betekent dat het systeem beter in staat is leidingen met een bepaalde technische toestand te herkennen.
Uit de analyse bleek dat vooral de leeftijd van een rioolbuis, het materiaal en de hellingsgraad invloed hadden op de voorspellingen. Deze kenmerken wogen binnen het model zwaarder mee dan andere beschikbare gegevens.
Volgens de onderzoekers kunnen de voorspellingen worden gebruikt om rioolbuizen op basis van risico te rangschikken. Beheerders kunnen daarmee in beeld brengen welke leidingdelen een grotere kans hebben op beschadiging en daarom met voorrang moeten worden gecontroleerd.
Het model is bedoeld als ondersteuning bij het plannen van inspecties en onderhoud. Het vervangt de fysieke beoordeling van rioolbuizen niet. Camerainspecties blijven nodig om de daadwerkelijke toestand en eventuele beschadigingen aan de binnenkant van een leiding vast te stellen.
De uitkomsten kunnen daarnaast een rol spelen bij de keuze tussen vervanging en renovatie. Bij werkzaamheden rond relinen riool wordt een bestaande leiding aan de binnenkant voorzien van een nieuwe laag. De oude buis hoeft daarbij niet volledig te worden verwijderd.
Bedrijven in leidingtechniek, waaronder Riocare, houden zich in de praktijk bezig met inspectie, onderhoud en renovatie van leidingen. Voorspellende modellen kunnen zulke werkzaamheden ondersteunen door leidingdelen met een verhoogd risico eerder in beeld te brengen.
Rioolinspecties met camera’s leveren gedetailleerde informatie op, maar kosten tijd en geld. Door vooraf een risicoselectie te maken, kunnen beheerders volgens de studie gerichter bepalen waar aanvullend onderzoek nodig is.
Bronnen:
Ensemble Machine Learning Framework for Sewer Pipe Condition Assessment