Experimenten bij CROW: Technologie om te helpen in wegbeheer
Bij assetmanagement kijk je integraal naar je areaal en maak je keuzes op basis van kosten, prestaties en risico’s gedurende de hele levensduur. Om een weloverwogen keuze te kunnen maken, moet je natuurlijk wel weten waar het over gaat, en daarvoor heb je data nodig.
Het belang van data en informatie is zo groot, dat het terug te vinden is in het hart van het iAMPro model voor assetmanagement als een van de pilaren waarop de rest van de processen op leunen. Vandaar dat er naar diverse mogelijkheden wordt gezocht om tot betere en completere data te komen.
Om erachter te komen wat goede databronnen zijn, kan het helpen om experimenten uit te voeren. Vanuit het project Datagedreven Assetmanagement van CROW in samenwerking met diverse gemeenten worden enkele van deze experimenten gedaan. Een daarvan gaat over een voorspelmodel voor asfalt.
Voorspelmodel voor asfalt
Het voorspelmodel is gebouwd om te kunnen voorspellen hoe lang een wegvak nog (potentieel) mee gaat. Het model helpt om te bepalen wanneer je het wegvak zou moeten vervangen, of dat je (klein) onderhoud zou moeten uitvoeren. Op deze manier zou je efficiënter beheer kunnen toepassen.
In de basis werkt het model als volgt: je stopt de data van een aantal variabelen bij de ene kant erin; en het model geeft je op basis daarvan een uitkomst over de resterende levensduur. Deze uitkomst is op basis van de CROW Beeldsystematiek en kan als waarden hebben A+, A, B, C of D.
Hoewel er heel veel variabelen zijn die mogelijk van invloed kunnen zijn op een wegvak, is voor dit experiment gekozen om acht variabelen te verwerken: Wegvakonderdeel, ondergrond, verhardingssoort, verhardingstype, uitgevoerde maatregelen, schadebeelden, KO schadebeelden en aanlegjaar.
Andere variabelen waar in de toekomst nog naar gekeken kan worden om toe te voegen aan het model zijn bijvoorbeeld locatie op de weg, weg type (intensiteit) en weersinvloeden.
Model trainen
Het model werkt volgens een elektronisch neuraal netwerk. Op deze manier bootst de software de werking van hersenen na. Net als bij hersenen krijgen in de elektronische variant bepaalde (elektronische) neuronen een input mee. Deze staan in verbinding met andere neuronen in een tweede laag, en kunnen het signaal eventueel doorsturen of niet. Of ze dat doen, ligt aan de input. Als deze een bepaalde drempelwaarde overschrijden, dan wordt het signaal wel doorgegeven aan de volgende laag, anders niet. Na de laatste laag volgt vervolgens een output die overeenkomt met de beeldsystematiek.
Je wil natuurlijk wel dat de drempelwaarde (ook wel weegfactor genoemd) goed afgesteld is. Een systeem mag niet te makkelijk alles doorlaten (waardoor het eindresultaat vertroebeld raakt door teveel input), maar de weegfactor mag ook niet te hoog zijn (waardoor je geen eindresultaat krijgt).
Om de goede afstemming te vinden moet het netwerk daarom getraind worden.
Voor het voorspelmodel asfalt werd eerst gewoon door mensen naar de data gekeken. Wat zien de beheerders bij de variabelen zoals ondergrond, schadebeelden, en wegvakonderdeel, en wat zien zij als resultaat over de kwaliteit van het wegvak. Door het model van bepaalde data te zien, en vervolgens tegelijk tegen het model te zeggen welke output (de kwaliteit van het wegvak) daarbij hoort; leert het model welke output verwacht wordt op basis van de input. Hierdoor kan het in de toekomst op basis van de input zelf de correcte output leveren.
Toekomst van beheer
Op dit moment wordt vanuit het project het model getraind om op basis van de inputvariabelen een goede output te geven die wat zegt over de kwaliteit van het asfalt in een wegvak. De input wordt geleverd door Delft, Rotterdam, Tilburg en Zoetermeer.
De bedoeling van dit experiment is om te kijken of voorspelmodellen op basis van lerende software een bijdrage kunnen leveren aan je data en informatie stroom om goed assetmanagement te kunnen uitvoeren.
Als dit het geval blijkt, dan kan het model nauwkeuriger gemaakt worden door meer variabelen toe te voegen. Ook zouden op dezelfde manier voor andere assets dergelijke voorspelmodellen in elkaar gezet kunnen worden. Let wel, deze zouden opnieuw getraind moeten worden voor die specifieke asset.
Ben jij zelf benieuwd naar het voorspelmodel en de mogelijkheden? Of wil je meer informatie over de andere experimenten? Bekijk dan de flyer van het project Datagedreven assetmanagement. Voor meer informatie kan je ook contact opnemen met Lotte Bekendam lotte.bekendam@crow.nl
