Onderhoudsvoorspelling met kennis en data Inzet voor een optimale levenscyclus van asfaltdeklagen. CIV, Strategie en beleid

Transcriptie

1 Onderhoudsvoorspelling met kennis en data Inzet voor een optimale levenscyclus van asfaltdeklagen CIV, Strategie en beleid WOW-bijeenkomst data, 10 mei

2 VRAAG Wie gebruikt de kleinstekwadratenmethode? Regressie? Wie heeft datascientists in de organisatie? Wie wil samenwerken op gebied van data? Wie vindt bigdata een buzzword? 2

3 Inhoud 1. Uitgangspositie 2. Datasets van de weg 3. De waarde van (big) data 4. Statistiek en machine learning 5. Opbrengst 6. Andere dataontwikkelingen 7. Samenwerking gevraagd! 3

4 Uitgangspositie Jarenlange ervaring met asfaltverhardingen Veel kennis over allerlei aspecten Veel data, bij diverse partijen Samenwerking voor betere analyses Big data analytics kan meerwaarde bieden 4

5 Datasets van de weg Onderhoudsgegevens, MJPV Meetgegevens (stroefheid, vlakheid, rafeling, draagvermogen,...) Aanleggegevens GIS Meteo (bij wegwerkzaamheden, bij gebruik) Gladheidsmeldsystemen Verkeersintensiteit, asconfiguratiegegevens Weigh in Motion Herkomst/bestemmingsmatrices Verkeerscamera s Ongevallen Auto als sensor Vegetatie Vocht à BIG DATA! 5

6 De V s van BIG DATA Volume Velocity Variety Veracity (garbage in garbage out) Variability Visualization (nog >40 V s) à VALUE 6

7 Value door Statistiek Mark Twain in de praktijk: uitbijters wegknippen ipv met waarschijnlijkheidsfactor meewegen valkuil bij multivariate analyse, neem 30 correlaties: Er is een statistische verdeling van correlaties. Bij willekeurige gegevens levert dit statistisch gezien: R 2 max = 0,4 R 2 max - 1 = 0,37 R 2 max - 2 = 0,34. R 2 min = 0,03 Dus als je hierbij een R 2 i = 0,35 vindt zegt dat niets, niet significant! 7

8 Wat kan statistiek wel bijdragen? Uitgangspunt: Algemene analyse van Tijd tot eerste schadewaarneming Welke factoren beïnvloeden? Jaren tot interventie (onderhoud) in jaar x+1 vs. in jaar x: klopt verwachting? 8

9 Invloeden koppelen circa 30 datasets 9

10 Hogere-orderelaties tussen datasets: Machine learning Soort kleinste-kwadratenmethodes, fit van residuele functies. Welke werkt het beste? Per situatie verschillend 1. Beslisboom: Leeftijd, deklaagsoort, verkeer à 2. Random forest: 1000 en bomen, deelsets 3. Naïeve Bayesiaanse statistiek: p(schade >7 jaar) = p(>7 jaar schade) * = gegeven dat p(schade) p(>7 jaar) 4. Neurale netwerken: foutvoortplanting door netwerk minimaliseren 5. Gradient Boosting Machine: Efficiënte minimalisering van residuen; kleinere bomen Machine Learning vindt meer statistische significantie! à Kostenbesparing 10

11 Hogere-orderelaties tussen datasets: Machine learning Winst: 3 tot 13 procentpunt nauwkeurigheid. Maar essentieel om asfaltkennis hierbij in te zetten! 70% data voor training 30% data om het te testen 11

12 Verdere uitkomsten Weigh-in-Motion-problematiek (KPMG) à Vierdemachtswet geeft onzin; artefact van piezo-sensoren WiM Verhoogde ligging (hackathon, vergelijk met spoor) Kwakkelwinters 12

13 Combinatie met andere dataontwikkelingen LoRa-netwerk Sensoren PIM BE-GOOD WOW 13

14 LoRa-netwerk Long range, low power. O.a. KPN op 868 MHz, landelijk sinds km, bursts van pakweg 200 bits Verbindingskastjes: tot 20 sensoren, batterij voor 10 jaar, 30 euro Speciale modulatietechniek, optimale signaal-ruis vs. stroomverbruik: 14

15 Internet of Things Inzet LoRa: waar stroom ver weg is. Bv. langs wegen zonder verlichting. Voor temperatuur, vochtigheid, rek, schokken, positie, deuren geopend, waterpeil, In verharding, geleiderails, wegkantsysteemkasten, bruggen etc. Inzet hoge datastromen: sensoren bij Brienenoord West (de nieuwe): brug x wegdek: vergelijking gedrag asfalt op stalen brug, betonnen aanbruggen, weglichaam En samenhang brugconstructie asfalt voor stijfheid 15

16 Samenwerkingen asfalt PIM: Pavement Information Modelling Gezamenlijke data acht grote wegenbouwbedrijven (bouwcampus) Samenwerking PIM met Rijkswaterstaat wordt nu opgezet Gecombineerde data-analyses ASFALTIMPULS 2017 van start; gedurende vijf jaar; trekker Paul Cools (RWS, geoimpuls) Hele asfaltketen: leveranciers aannemers wegbeheerders kennisinstituten Voorstellen worden nu geschreven 16

17 BE-GOOD Building an Ecosystem for the Generation Of Opportunities for Open data Project van EU-interreg-NW, Doel: gebruik van open data / linked data stimuleren, door Ontwikkelen van 10 producten / diensten / tools Creëren van 15 fte, o.a. in MKB Middel: 11 challenges. O.a. predictive maintenance of asphalt roads (inbrenger RWS) In combinatie met safer roads (inbrenger Loiret, Fr.) Participatie Glasgow (road maintenance) Ontwerpsessie gecombineerde challenge deze maand 17

18 Samenwerking bij WOW, oproep aan u Bredere basis nodig, niet alleen Rijkswegen Participeer bij ASFALTIMPULS en bij BE-GOOD: Kennis delen, Ervaring delen, Data delen, Gezamenlijk analyseren, Gezamenlijk tools ontwerpen en gebruiken, Interesse? Graag contact opnemen met mij! 18