Aanleiding

Grondwaterbeheerders en bijbehorende stakeholders hebben steeds meer behoefte aan het uitvoeren van snelle verkenningen ten behoeve van diverse transitieopgaven zoals klimaatverandering, stikstofdossier, verdroging, verzilting en verstedelijking. Waterleidingmaatschappijen willen snelle scans kunnen doen o.a. voor het vinden van nieuwe grondwaterwinningslocaties als reactie op de toenemende drinkwatervraag. Op Rijksniveau wordt de roep steeds sterker om oplossingsrichtingen in relatie tot de complexe beleidsopgaves al in een verkennende fase snel in beeld te kunnen brengen. Tenslotte is er een toenemende behoefte om grondwatermodellen in een operationele (bijna real-time) setting in te zetten.

In Nederland worden bestaande numerieke 3D-MODFLOW-grondwatermodellen zowel op landelijke alsook op regionale schaal veelvuldig toegepast voor  waterbeheervraagstukken. Voorbeelden van dergelijke modellen zijn het Landelijk Hydrologisch Model (LHM) en regionale modellen zoals MIPWA, AZURE en Hydromedah. Deze modellen worden door de eigenaren (consortia) voortdurend doorontwikkeld met behoud van draagvlak voor invoer (modelparameterisatie) en modeluitkomsten.

Er is echter ook een keerzijde aan de inzet van deze 3D-grondwatermodellen: de rekentijden zijn lang (veelal enkele dagen), en de hoeveelheid uitvoer is vaak erg groot. De benodigde looptijd voor de inzet van deze modellen is daardoor lang. Vaak is ook de benodigde opslagcapaciteit van de modeldata en -uitvoer een knelpunt. Alles bij elkaar maakt dat de inzetbaarheid van deze modellen voor verkenningen dan wel operationeel gebruik zeer beperkt is, terwijl juist ook bij dergelijke toepassingen berekeningen idealiter gebaseerd moeten zijn op het gemeenschappelijk gedragen modelinstrumentarium. Verkenningen kunnen weliswaar ook ‘op de rand van de krant’ gedaan worden, echter, dan is er een reëel risico dat de uitkomsten daarvan niet consistent zijn met een meer gedetailleerde analyse in de daaropvolgende  planuitwerkingsfase waarin veelal het breed gedragen  numeriek grondwatermodel wordt ingezet.

Motivatie

Motivatie: neurale netwerken bestaan weliswaar al vrij lang, echter, hoe neurale netwerken dusdanig geconfigureerd en getraind moeten worden zodat ze de ruimtelijk verdeling van grondwaterstanden goed kunnen nabootsen en voorspellen en ingezet kunnen worden voor het beantwoorden van waterbeheervragen is onbekend (er zijn wel significante vorderingen t.a.v. het nabootsen van individuele meetreeksen, maar nog geen wetenschappelijke publicaties t.a.v. het simuleren van de ruimtelijke verdeling van de grondwaterspiegel). Daarbij is het nog onduidelijk in hoeverre het mogelijk is een neuraal netwerk te trainen voor typische niet-lineaire grondwatersystemen, en hoe hierbij geohydrologische wetmatigheden het trainingsproces kunnen verbeteren. Bij aanvang van het project zal de techniekontwikkeling voor de hypothetische testmodellen daarom een vrij hoog fundamenteel gehalte hebben. Aansluitend op de hypothetische testmodellen zijn de ‘real-world’ casussen vervolgens hard nodig om de techniek te testen en door te ontwikkelen voor veel complexere combinaties van variabelen die in de hypothetische casussen heel moeilijk op te zetten zijn. Anders gezegd, de nieuwe techniek heeft de ‘real-world’ casussen nodig om tot een volledig ‘proof-of-concept’ te kunnen komen; het doorontwikkelen en testen met gebruikmaking van de ‘real-world’ casussen heeft daarmee vooral een industrieel karakter i.p.v. een experimenteel karakter. Tevens helpen de casussen bij het aantonen van een toekomstige praktische toepasbaarheid van de techniek en vergroten ze daarmee het draagvlak onder toekomstige gebruikers.

Doel

Het doel van dit project is een nieuwe techniek te ontwikkelen en te testen om van bestaande numerieke 3D-MODFLOW-grondwatermodellen een Artificiële Intelligentie-versie (AI-versie) op basis van neurale netwerken te kunnen maken, die geschikt is voor gebruik door waterbeheerders en stakeholders voor het uitvoeren van diverse snelle verkenningen al dan niet als onderdeel van een operationeel instrumentarium. De essentie is dat er bij de opbouw van een AI-versie van een bestaand numeriek model in wezen ‘van fijn naar grof’ gewerkt wordt.

Deze AI-versie zal dan weliswaar minder gedetailleerde en nauwkeurige uitkomsten genereren, maar zal wel 100 tot wellicht 1000 keer zo snel kunnen rekenen. En omdat de AI-versie getraind zal worden met modeluitkomsten van het bestaande numerieke grondwatermodel, zullen de uitkomsten ook consistent blijven met dit onderliggende model. Daarmee zullen de uitkomsten van de AI-versie ook een vergelijkbaar draagvlak kunnen hebben als de uitkomsten van het onderliggende model.

Het trainen van de AI-versie vindt voorafgaand aan de toepassing van de AI-versie plaats. Nieuwe geohydrologische maatregelen dienen eerst in een numeriek model te worden toegevoegd, waarna de resultaten daarvan weer kunnen worden toegevoegd aan het trainingsproces van het neurale netwerk. In de nabije toekomst kan het trainingsproces van de AI-versie van het numerieke model geautomatiseerd worden waardoor er – naast een up-to-date bestaand numeriek grondwatermodel – altijd een geactualiseerde AI-versie daarvan beschikbaar is.

De toepassingsmogelijkheden van een snelle AI-versie zijn divers:

• Voor grote hoeveelheden verkennende en/of scenarioberekeningen binnen een beperkte tijd, zowel voor landelijke beleidsstudies als voor vraagstukken op regionaal niveau.
• Voor berekeningen in een (bijna) real-time operationele setting, zoals bijv. tijdens hoog- of laagwatercrises.
• Onzekerheidsanalyse bij richtinggevende scenariostudies, waarbij langjarige effecten van klimaatverandering en extremen gecombineerd kunnen worden met het effect van onzekerheden van modelparameters, bijv. ten aanzien van de heterogeniteit van de ondergrond. Of onzekerheidsanalyse bij het vaststellen van de relatie tussen windiepte en het effect aan maaiveld voor grote heterogene gebieden.
• Berekeningen op simpele ‘hand-held devices’ (bijv. tablets of smartphones).
• Voor ‘on-site’, real-time risicoanalyses bij lokale infrastructurele projecten.

Partners

Tussenresultaten