Publicerad 2019-03-13

Stockholm Vatten och Avfall använder sig av AI

Ett avlopp- och vattenledningsnät som går att övervaka i realtid, och där nätet själv berättar när det har problem? Det kan låta som en sci-fi-vision ur en roman av Arthur C Clarke. Men med hjälp av sensorer, neurala nätverk och IoT-lösningar är ett verksamhetsstöd för framtidens VA-organisation inte långt borta. Vi fick chansen att prata med David Rehn, Strategisk Utredningsingenjör på Stockholm Vatten och Avfall för att höra mer om det spännande arbete som han har gjort inom området konditionsbedömning av ledningsnät, med hjälp av artificiell intelligens.

Snubbar som jobbar

Hej David!

Hej!

Vad är AI?

Det är ett samlingsbegrepp, det finns ingen tydlig definition av vad det är. Men grunden utgörs av en uppsättning självlärande algoritmer. Utan dem så kan det inte bli någon AI. Man brukar även prata maskininlärning, också där kan man skilja mellan vanlig maskininlärning och djup maskininlärning. Allting ligger i ett spektrum som är AI, men det finns egentligen inte en enda tydlig definition av vad AI är.

Vad är det för typ av AI ni har använt?

Vi har använt ett artificiellt neuralt nätverk, det tillhör det som kallas för deep learning. Vilket låter häftigt, och det är det delvis, men det kan också låta väldigt komplext och svårt. Men man ska inte låta det avskräcka från att testa.

Hur har ni använt den?

För att genomföra en konditionsbedömning, en statusbedömning av vattenledningar. Den data vi utgår ifrån är tidigare läckor, och då lär sig modellen utifrån ledningarnas attribut t.ex. dimension, material, ålder, jordart och tidigare driftstörningar. På det viset kan modellen lära sig hur dessa attributen påverkar läckage. Så i grunden och botten handlar det om sannolikhet för läckage på en viss ledning. Men då modellen inte är tidsbunden så jag tycker det är bättre att se den som ett konditionsvärde för en specifik ledning.


läckkarta

Vad har ni kunnat dra för slutsatser?

En slutsats är att det stämmer bra överens med det vi redan känner till, dvs vad som påverkar ledningars kondition. Så den huvudsakliga slutsatsen är att det fungerar, att potentialen i tekniken är god. Det går ju också väldigt snabbt. Vi får ju en konditionsbedömning på varenda ledning i hela nätet på ett par sekunder. Det hade ju tagit många år att arbeta fram det analogt.


Hur kommer ni att ta detta arbetet vidare?

Vi kollar även på att tillämpa det på spillvattennätet, och utgår då från tv-inspektioner. Mer specifikt vilken typ av skada en ledning kan ha. Men vi kikar ju även på andra delar t.ex. tillskottsvatten, vattenproduktion, men där är vi i en väldigt begynnande fas. Men mycket av nästa steg handlar såklart om att få ut resultatet av modellen i verksamheten. Att praktiskt tillämpa det i det dagliga arbetet.

Hur lyckas man med det du beskriver?

Vi har inte kommit så långt med att kommunicera resultatet ännu så att man t.ex. kan använda det i förnyelseplanering. Men nu när vi har visualiserat alla ledningar utifrån kondition i en karta så den kommer att användas i läcksökning för att kunna göra prioriteringar.

Hur tror du att denna tekniken kommer att påverka VA-området i framtiden?

Jag är helt övertygad att inom fem år så kommer standardmjukvarorna vi använder ha denna typen av teknik inbyggd. Det kommer effektivisera arbetet med läcksökning, men även i förnyelseplaneringen, vilka ledningar ska vi byta ut. Funktionaliteten kommer att användas som ett beslutsstöd, det är viktigt att poängtera, man får hjälp att prioritera i ledningsnätet.

Om någon som läser detta själv vill testa, hur kommer man igång?

Läs på kring tekniken, och kika på vilka verktyg som finns, det är nog steg ett. Men framför allt så skulle jag säga att ha koll på er data. Verktygen kommer att komma så småningom, och har man då sin data klar så är det ju bara att köra den i modellerna. Så det bör man nog kika på redan nu, vilken typ av data har vi, vilken data borde vi ha och hur ska vi strukturera den. Det tycker jag alla kan göra för att förbereda sig. Givetvis får man även höra av sig till oss på Stockholm Vatten och Avfall om man vill veta mer. Ju mer data vi kan arbeta med, och dela med oss av, desto bättre blir modellen.

Vill du höra mer om Stockholm Vatten och Avfalls, samt David Rehns arbete med AI, och tillämpningen inom VA-området så kommer han hålla ett föredrag, på ämnet, på Position 2030 den 19-20 mars, 2019.


Hjälpte informationen dig?
Kontakta mig
Tack för din synpunkt
Just nu har vi tekniska problem, försök gärna igen senare.