Betaalbaarheid: De opkomst van Digital Twines en beslissingsintelligentie in waterbedrijven

Beslissingsondersteunende systemen bij waterbedrijven ontwikkelen zich met nieuwe technologie en machinaal leren. Luis Montestruque, Vice President Digital Solutions bij Xylem, deelt zijn inzichten over hoe digitale tweelingen en beslissingsintelligentie nutsbedrijven helpen hun infrastructuur beter te begrijpen, zodat ze slimmere beslissingen kunnen nemen.

"Vijf jaar geleden begonnen kunstmatige intelligentie en machinaal leren te verschijnen als een levensvatbare technologie voor waterleidingbedrijven, en sindsdien is er veel gebeurd", zegt Montestruque. "Maar er zijn geen goede kaders geweest om deze nieuwe technologieën te verbinden, zodat nutsbedrijven kunnen profiteren van hun volledige waarde."

Montestruque vergelijkt de evolutie van beslissingsondersteunende systemen in waterbedrijven met de ontwikkeling van slimme technologie in auto's.

"Nog niet zo lang geleden werden GPS-ondersteunde navigatiesystemen mainstream," zegt hij. "Tegenwoordig is het bijna onmogelijk om een auto te kopen zonder. Sterker nog, als je een middenklasse auto koopt, is het zeer waarschijnlijk dat hij je weer op je rijstrook kan sturen als je begint te driften. Veel auto's zijn nu in staat om volledig zelfstandig te rijden. Dit zal waarschijnlijk over een paar jaar een standaardfunctie worden. Deze systemen vallen in de categorie beslissingsondersteunende systemen."

Hoe beslissingsondersteunende systemen werken

Beslissingsondersteunende systemen (DSS) zijn geautomatiseerde systemen die mensen helpen bij het nemen van beslissingen om een bepaald doel te bereiken. In sommige gevallen kunnen ze dat automatisch doen. DSS zijn nuttig omdat ze een veelheid aan variabelen kunnen verantwoorden en mensen kunnen helpen om sneller en goedkoper doelstellingen te bereiken. Ze doen dit door gebruik te maken van een eenvoudig raamwerk: zin - voorspellen - handelen.

Ten eerste maakt de DSS gebruik van sensorgegevens of gegevens van andere systemen om de huidige toestand van het doelsysteem te bepalen. Ten tweede maakt het DSS gebruik van een model om mogelijke uitkomsten te voorspellen onder verschillende operationele strategieën. En ten derde gebruikt DSS een analysemotor om te zoeken naar de optimale strategie die de gewenste doelen bereikt

"Al minstens een decennium lang implementeren we beslissingsondersteunende systemen in riolen om overstroming en overstromingen te voorkomen, in waterzuiveringsinstallaties om het energieverbruik te verminderen en in drinkwaternetwerken om lekken te vinden en het energieverbruik te verminderen", aldus Montestruque.

‘’Wat nu is veranderd, is dat nieuwe technologieën hebben bijgedragen aan het verlagen van de kosten voor de implementatie van beslissingsondersteunende systemen. Zo zijn "Internet of Things"-technologieën bedrijven in staat om honderden batterijgevoede sensoren op moeilijke locaties economisch te gebruiken.''

Het gebruik van ‘’Digital Twins’’ om de infrastructuur te begrijpen

"Eén technologie heeft echter de manier waarop beslissingsondersteunende systemen worden geïmplementeerd, echt veranderd", zegt Montestruque. "Het heet een digitale tweeling, en het is ook niet nieuw. Digitale tweelingen zijn digitale representaties van de infrastructuur. We kennen ze al heel lang als modellen en ze vertegenwoordigen de manier waarop we de werking van onze infrastructuur begrijpen".

Traditioneel zijn digitale tweelingen gebouwd met behulp van wat men noemt 'eerste principes'. Deze eerste principes modellen gebruiken fysieke, chemische of biologische vergelijkingen om de infrastructuur te simuleren. Het bouwen en kalibreren van eerste principe modellen kan een lang en duur proces zijn. Beslissingsondersteunende systemen die zijn gebouwd op basis van eerste principe modellen zijn efficiënt, maar kunnen niet leren van eerdere ervaringen tenzij iemand zijn modellen kalibreert.

"Onlangs hebben we onze digitale tweeling uitgebreid met machinaal leren, waardoor ze continu kunnen leren", zegt Montestruque. "Dit is belangrijk omdat deze digitale tweeling in staat is om gegevens uit het verleden te gebruiken en automatisch te 'kalibreren' om de infrastructuur beter weer te geven. Dit betekent doorgaans een aanzienlijke verlaging van de kosten voor modelbouw, met als resultaat een digitale tweeling die zeer accuraat is.

De paradigmaverschuiving naar beslissingsintelligentie

De Digital Twin die het best presteert, combineert de eerste principes modellen in gebieden met een lage onzekerheid, zoals buishydraulica, met machinaal leren in gebieden met een hogere onzekerheid, zoals systeemhydrologie in de riolering.

"Het is wanneer we beslissingsondersteunende systemen combineren met digitale tweelingen dat we iets unieks kunnen krijgen: een beslissingsondersteunend systeem dat in staat is om te leren en zich voortdurend aan te passen," zegt Montestruque.''.

"We noemen deze nieuwe paradigmaverschuiving 'beslissingsintelligentie. Met beslissingsintelligentie zijn we bijvoorbeeld in staat om een afvalwaterzuiveringsinstallatie te exploiteren door de laatste tien jaar van de operationele geschiedenis te synthetiseren in een digitale tweeling. En elke keer als er een nieuwe gebeurtenis plaatsvindt, leert het systeem meer en wordt het nauwkeuriger. Als er nu een storm op komst is, kan de beslissingsintelligentie van een stad automatisch duizenden mogelijke strategieën doorzoeken. Het heeft waarschijnlijk al eerder iets dergelijks gezien."

Door gebruik te maken van beslissingsintelligentie om hun rioleringssystemen te bedienen, kunnen steden overstorten en overstromingen verminderen tegen een fractie van de kosten van traditionele oplossingen, wat een blijvend verschil maakt voor gemeenschappen over de hele wereld.

Lees meer over de kracht van beslissingsintelligentie.

Lees het Xylem-duurzaamheidsverslag 2019