Nederland is een dichtbevolkt land dat bovendien hoog is ontwikkeld. Doordat er veel gebouwd is in de loop der jaren, moest overal een ondergrondse infrastructuur worden aangelegd. Er ligt dan ook een wirwar aan kabels en leidingen in Nederland.

In een vorige blog lieten we zien dat deze enorm complexe infrastructuur nog niet helemaal goed is geadministreerd. Dat heeft vooral te maken met de situatie voor 2008: toen pas werd de WION, de Wet informatie-uitwisseling ondergrondse netten, van kracht, waardoor partijen de posities van kabels en leidingen verplicht moesten bijhouden. Daarvoor was er sprake van zelfregulering, maar dat ging niet altijd goed. Ook was de apparatuur die locaties moest bepalen simpelweg een stuk minder accuraat in de jaren ’50 en ’60 van de vorige eeuw, toen er flink gebouwd is onder druk van een sterk aangejaagde economie. Vandaag de dag is de WION uitgebreid naar de WIBON, om ook bovengrondse netten mee te nemen in deze ontwikkelingen.

Al deze uitdagingen hebben één groot gevolg: jaarlijks worden er tijdens graafwerkzaamheden vele kabels en leidingen geraakt. Er ontstaat daarbij voor miljoenen Euro’s aan schade, om nog maar niet te spreken van de immateriële schade. Want wat als er een gasleiding wordt geraakt?

Graafschades voorkomen, onder andere met grondradar

In samenwerking met TerraCarta B.V. onderzoeken we sinds januari in het kader van een afstudeeronderzoek aan de Universiteit Twente of we Artificial Intelligence kunnen gebruiken om met grondradar graafschades te voorkomen. De grondradar zendt namelijk elektromagnetische golven de grond in, die weerkaatsen op objecten en vervolgens weer door een antenne worden opgepikt. Een expert is vervolgens nodig om de beelden te interpreteren. Dankzij jarenlange ervaring kan deze bepalen wat er in de ondergrond ligt.

Op basis van een uitgebreid literatuuronderzoek hebben we achterhaald wat de stand van zaken is in de wetenschap op het gebied van machine learning en grondradar. Er blijkt al veel werk verricht te zijn op het gebied van het herkennen van ondergrondse objecten. Kortom: het is met hedendaagse algoritmes heel goed mogelijk om de aanwezigheid van objecten te herkennen. Het verbaast ons dan ook niet dat verschillende marktpartijen deze ontwikkelingen al in huis hebben. Wat uit onze analyse echter wel is gebleken is dat met deze algoritmes niet de structuur van kabels en leidingen kan worden achterhaald. De algoritmes zijn namelijk erg goed in het herkennen van de hyperboolvorm (die we in de afbeelding hieronder zien), maar niet in het herkennen van de structuur ervan.

Drie nieuwe algoritmes voor herkennen kabels en leidingen

Toch beginnen wetenschappers langzaam maar zeker te bewegen richting het herkennen van de structuur van ondergrondse objecten. Gaat het om een stalen object? Of is het misschien toch PVC? De hoeveelheid werk die zich verdiept in dat onderwerp is beperkt, maar wel uiterst relevant voor de praktijk.

In de afgelopen weken hebben we daarom in overleg met TerraCarta’s geofysisch expert, het professoraat op de Universiteit Twente en een expert op het gebied van signaalverwerking drie algoritmes ontwikkeld die we in de komende tijd gaan testen. Het streven is dat het signaal dat uit de grondradar komt op een slimme manier wordt voorbewerkt zodat het karakteristiek wordt voor het ondergrondse object. Doordat met deze inputdata vervolgens een state-of-the-art neuraal netwerk wordt getraind dat is gespecialiseerd in het herkennen van dergelijke data, hopen we een nieuwe stap voorwaarts te zetten. Dergelijke neurale netwerken, die op een kunstmatige manier de manier van informatieverwerking van de mens proberen na te bootsen, zijn de laatste jaren aan een opmars bezig en zijn daarom de uitgelezen kandidaat voor dergelijk onderzoek.

De precieze configuratie van de drie neurale netwerken, hetgeen we natuurlijk doen op basis van eigen inzichten aangevuld met online gerapporteerde bevindingen van andere machine learning engineers, is vervolgens een klus op zich. Momenteel ronden we deze configuratie af, waarna we de modellen gaan trainen. Als het dan even meezit – net als dat je een kind niet kunt dwingen om perfect een nieuwe taal te leren, kun je een ongetraind machine learning-model ook niet dwingen om perfect de data te begrijpen – vinden we positieve resultaten die bruikbaar zijn in de praktijk.

Aime & TerraCarta… én een multinational

In de afgelopen periode is er dus op een enorm goede manier samengewerkt met TerraCarta om tot de ontwikkeling van drie nieuwe algoritmes te komen. TerraCarta’s experts hebben verschillende innovatieve ideeën die geënt zijn in hun kennis van geofysica, de bodem en de grondradarmarkt, en kunnen die nu in het kader van onze samenwerking uitproberen. Een win-winsituatie voor iedereen.

Een positieve afsluiter van deze blog: dankzij het voortreffelijke werk van TerraCarta in een eerder project is er momenteel sprake van interesse van een multinational om betrokken te raken bij de vervolgontwikkelingen. Recent is een delegatie van TerraCarta en Aime op bezoek geweest bij deze partij, waarbij interessante ideeën zijn besproken om de markt weer een stuk volwassener te maken. Wordt vervolgd!