Digitalt vand – kunstig intelligens og automation

Senest opdateret d. 16/4-2018
Alexandra Instituttet
DHI
Resultatkontrakt 2019-2020 under temaerne Informations- og Kommunikationsteknologi og Klima og miljø
Anders Kofod-Petersen
Deputy Director, Professor / Data Science and Engineering Lab Direktionen

Den eksponentielle udvikling i digitale teknologier som big data, kunstig intelligens og cloud computing åbner nye muligheder for udvikling af operationelle serviceydelser inden for en lang række anvendelser i vandsektoren.

Med denne aktivitetsplan vil vi udnytte nye digitale teknologier inden for big data, kunstig intelligens og cloud computing til udvikling af nye operationelle serviceydelser for prognoser af vandmiljø og vandsystemer og optimeret styring og automation af vandinfrastruktur. De udviklede metoder vil blive implementeret i en åben cloudbaseret IT-platform, som sikrer skalerbarhed og fleksibilitet til udvikling af skræddersyede løsninger og integrering med andre digitale services.

Nøgleord

43 kommentarer

Herunder er indlæg og kommentarer fra interessenter på aktiviteter og aktivitetsforslag.

14175-
Onsdag d. 18/4-18 kl. 11:11

Analyser på big-data vil synliggøre komplekse sammenhænge i vores Urbane systemer - Både funktionsmæssigt men i høj grad også økonomisk og give mulighed for en bedre prioritering af midler.

Henrik Madsen (Innovationschef, DHI)
Tirsdag d. 8/5-18 kl. 16:42

Tak for din kommentar. Det er målet med vores aktivitetsplan at udnytte big data i kombination med fysisk-baserede modeller til at opnå en bedre beskrivelse af bl.a. urbane systemer som grundlag for optimering.

Trine Balskilde Stoltenborg (Strategisk projektleder, AquaGlobe v/Skanderborg Forsyningsvirksomhed)
Tirsdag d. 24/4-18 kl. 21:12

Hos Skanderborg Forsyningsvirksomhed har vi i et partnerskab etableret AquaGlobe. Både i forsyningen og hos partnervirksomhederne oplever vi, at den digitale omstilling og anvendelse af avancerede teknologier er et centralt element ift. at øge produktiviteten og væksten samt sikre fundamentet for en bæredygtig fremtid og velstand. Vi ser digitalt vand som et vigtigt element i at lykkes med vores fokus på at gå fra drift til servization.
Vi arbejder hos vandforsyningen konkret og i skala med at få etableret big data, maskinlæring, internetforbundne sensorer osv. (fx i Fremtidens Pumpestation) - "Digitalt vand; kunstig intelligens og automation" vil hjælpe os med at lykkes i højere og hurtigere grad.

Henrik Madsen (Innovationschef, DHI)
Tirsdag d. 8/5-18 kl. 16:43

Kære Trine Balskilde Stoltenborg,
Tak for din kommentar. Som du pointerer er der et stort potentiale i udnyttelse af big data, maskinlæring og IoT sensor teknologier inden for vandsektoren. Målet med vores aktivitetsplan er at udvikle værktøjer der kan udnytte dette potentiale til løsning af forskellige problemstillinger. Et vigtigt element i dette er udvikling af demonstrationsprojekter i samarbejde med forsyningsselskaber.

Michael R. Rasmussen (Professor, Aalborg Universitet)
Mandag d. 14/5-18 kl. 21:50

Dette innovationsområde kommer til at blive eet af de mest centrale inden for de næste par år. Datadrevne modellering kommer for en stor del til at erstatte traditionelle numeriske modeller på en række områder eller vil forbedre de eksisterende modeller betragteligt. Det er vigtigt med en så stærk vandteknologi virksomhed, som f.eks. DHI , til at Danmark bringer sig helt frem i feltet internationalt. Sammen med vidensmiljøer i Danmark er jeg sikker på at en ny “guldalder” for dansk knowhow kan være lige rundt hjørnet. Men det er vigtigt at disse aktiviteter igangsættes nu og at vi samler kræfterne i Danmark. Rigtig godt innovationsområde.

Henrik Madsen (Innovationschef, DHI)
Onsdag d. 16/5-18 kl. 20:56

Kære Michael
Tak for din kommentar og din pointering af vigtigheden af dette innovationsområde. Jeg er enig i at datadreven modellering vil erstatte en del af vores traditionelle modelleringsværktøjer. Men jeg ser især et stort potentiale i at kombinere datadreven modellering med fysisk-baserede numeriske modeller for fuldt at udnytte og skabe synergi med de to typer modeller. Jeg ser meget gerne at vi samler kræfterne i Danmark på dette område, som vil kunne bringe os i en førerposition internationalt.

Peter Rasch (Direktør, InforMetics)
Mandag d. 14/5-18 kl. 22:20

I øjeblikket er der to store barriere for implementeringen af machine learning teknikker i vand sektoren - fantasi og åbenhed. Fantasi forstået på den måde at der nærmest ikke er nogen grænser for hvor AI potentielt kan anvendes - og omvendt åbenhed i forhold til hvor der er noget at hente, og i branchen for at machine learning er et værktøj på linje med de (tiltider) forherligede modeller. Det er derfor rigtigt godt at DHI åbner op for samspillet mellem trekløveret - Data, Modeller og Machine Learning - og specielt hvis det kan blive på en rigtig åben platform så API'er kan tilgås og afprøves af vandselskaberne til at skræddersy deres egne løsninger. Jeg savner (som SMV'er i branchen) dog også en lidt større åbenhed fra DHI's side til netop at åbne op for hele branchen og ikke kun for kunderne og vidensinstitutionerne... På den internationale bane er toget ikke kørt endnu - men det kører snart. Med vores fremsynede forsyninger i ryggen og innovative vidensinstitutioner der bakker op er jeg helt enige i at dette er et område hvor Danmark kan markere sig meget stærkt - hvis vi tør være åbne og sætte fantasien løs !

Henrik Madsen (Innovationschef, DHI)
Onsdag d. 16/5-18 kl. 20:58

Kære Peter
Tak for din kommentar. Jeg er glad for at du pointerer ”trekløver” samspillet mellem data, modeller og machine learning, som netop er kernen i vores aktivitetsplan. En vigtig del af dette er at vi vil gøre udviklingerne tilgængelige på en åben cloud-baseret platform med API’er så andre, bl.a. SMVer, nemt kan tilgå det og benytte det til at udvikle egne løsninger og forretningsmodeller. Jeg ser meget gerne at du og andre SMV’er inddrages i vores udvikling gennem co-design og co-creation, så vi sikrer dette. Så lad os sammen sætte fantasien løs!

Jan Gregersen (Civililingeniør, HydroInform)
Torsdag d. 17/5-18 kl. 08:38

Absolut interessant at kikke på potentialet for anvendelse af AI og machine learning inden for vandsektoren. I forbindelse med prognoser for oversvømmelser er der jo tale om en ekstrapolering fra de målte data, da de historiske data typisk ikke vil indeholde ekstremhændelser. Her har man fæstet lid til modeller, hvor den fysiske forståelse af systemerne er indbygget i modellernes algoritmer. Jeg er derfor særlig spædt på hvordan AI vil håndtere at agere på ekstremhændelser. Men en kombination af AI, data og de eksisterende fysiske modeller, som I forslår, er sikkert den rigtige vej frem.
Som SME har vi naturligvis fokus på hvordan sådanne teknologier kan inddrages i vores forretning. Det er i den forbindelse vigtigt for os, at de udviklede systemer, via åbne interfaces og åbne dataformater tillader kobling til trediepartssoftware, så vi kan levere systemer baseret på kombinationer af egne og DHI moduler. En sådan åbenhed vil være til gavn for vores kunder, for os og for DHI.

Henrik Madsen (Innovationschef, DHI)
Fredag d. 18/5-18 kl. 14:56

Kære Jan,
Tak for din kommentar. Du peger på en interessant udfordring med brug af AI og machine learning til ekstrapolation og prediktion af ekstreme hændelser, som ikke har været tilgængelige til træning af algoritmerne. I den sammenhæng vil fysisk baserede hydrologiske og hydrodynamiske modeller sammen med anden domæne viden være vigtig data-føder til machine learning. Vores udviklinger vil blive tilgængelige via åbne interfaces og dataformater som nemt kan kobles op til tredieparts software, og åbner derved op for brede anvendelsesmuligheder for bl.a. SMVer.

Hans Jørgen Henriksen (Seniorrådgiver, GEUS)
Torsdag d. 17/5-18 kl. 12:38

GEUS forventer sig meget af dette forskningsområde i de kommende år. GEUS arbejder allerede med digitale teknologier fx cloud computing i forbindelse med VandWeb (et system til udstilling af målte og modelberegnede tidsserier for vandindvinding og afstrømning ved 30.000 vandløbslokaliteter og med beregning af økologiske flow variable på basis af den Nationale Vandressource model/DK model), som kan anvendes som et slags hydrologisk atlas i forbindelse med administration af vandindvindingstilladelser i kommuner mm. VandWeb er et første eksempel på udstilling af resultater fra DK model, som GEUS i de kommende år forventer yderligere videreudviklet med øvrige modelsimuleringsresultater fra DK model bl.a. for det terrænnære grundvand, vandbalancer, udnyttelsesgrader for grundvandsmagasiner mm. GEUS anvender forskellige typer Machine Learning i kombination med resultater fra bl.a. DK model. Jeg forventer en nærmest eksplosiv udvikling på dette område. Machine Learning vil også kunne bruges til etablering af en højere forklaringsgrad af sammenhænge mellem hydrologisk regime og økologiske flow variable.
GEUS har erfaringer med såvel Random Forest, Spatial bayesian networks, og tilsvarende værktøjer der vil kunne bringes i anvendelse i forbindelse med såvel hydrologisk kortlægning og analyse (fx terrænnært grundvand), hvor integrationen af mange forskellige datakilder baseret på både geofysiske, geologiske, remote sensing, citizen science, droner osv. vil kunne tilvejebringes med brug af Machine Learning og i kombination med resultater fra den nationale vandressourcemodel, kan integrere målinger med model, og samtidig forbedre analyser af usikkerhed på fx dybden til terrænnært grundvand.
Også til lidt bredere samfundsanalyser fx af forsikringsværdi af naturbaserede klimatilpasningsløsninger (en metodik GEUS pt. arbejder på i samarbejde med bl.a. Københavns kommune) kigger GEUS på brug af Machine Learning (QGIS plug-in til HUGIN) både til kortlægning af terrænnært grundvandsspejl på Østerbro og for det storkøbenhavnske område. Ved hjælp af Machine Learning og Bayesianske net, kombineret med regional og lokal MIKE SHE/MIKE HYDRO modellering for udvalgte scenarier, analyseres såvel wellbeing som økonomiske og andre aspekter af forskellige klimatilpasningsløsninger.
Endelig er dataudstilling (der er tilgængelig for downstream services), cloud-computing, big data og Machine Learning helt nødvendige teknikker i "participatory early warning and monitoring systems", til brug for vandforvaltning, klimatilpasning og disaster risk reduction (www.nordress.hi.is). GEUS forventer at Machine Learning vil indgår overvågnings- og varslingssystemer bl.a. til bedre prognoser, men også at resultater fra DK model vil kunne give væsentlig bedre her og nu viden (samt prognoser) for udviklinger i fx terrænnært grundvandsspejl, risiko for grundvandsoversvømmelse, og bedre varsling af oversvømmelser fra vandløb og stormfloder. GEUS arbejde i et fasttrack project i forbindelse med FODS 6.1 for SDFE med videreudvikling af DK model (til fx 100 m) med henblik på simulering af terrænnært grundvand. Machine Learning kan i denne forbindelse anvendes til forbedret nedskalering af områder med højtstående grundvand og oversvømmelser fra vandløb.

Henrik Madsen (Innovationschef, DHI)
Fredag d. 18/5-18 kl. 15:18

Kære Hans Jørgen
Tak for din kommentar. Du peger på mange interessante anvendelsesmuligheder med cloud-computing, big data og machine learning inden for vandsektoren. De illustrerer rigtig godt mulighederne for mere intelligent brug af forskellige datakilder med machine learning teknologier til etablering af forskellige løsninger der giver et forbedret grundlag for vandressourceforvaltning.

Morten Borup (Adjunkt, DTU Miljø)
Fredag d. 18/5-18 kl. 15:45

Super spændende og relevant forslag og jeg kan fint tilslutte mig de fleste af ovenstående kommentarer. Evnen til automatisk at detektere diverse fejl i systemerne er helt sikkert noget vi hurtigst muligt skal opdyrket, da det simpelt hen er noget computere potentielt er utroligt meget bedre til en mennesker så snart vi har data nok.

Jeg er spændt på at høre nærmere om jeres planer for at bruge machine learning (ML) sammen med MPC. Jeg tror at ML kan have et potentiale både som værktøj til at estimere brugbare MPC indstillinger og domæner, men også som en integreret del af selve MPC frameworket.

Når I nu går grundigt i gang med at kombinere modeller og data bliver det næsten uundgåeligt at udvikle metoder til at rette op på modelmangler. Dette tror jeg kan blive en af de meget brugbare positive sideeffekter af projektet for folk der arbejder offline f.eks. med dimensioneringsmodeller.

Henrik Madsen (Innovationschef, DHI)
Onsdag d. 23/5-18 kl. 17:16

Kære Morten
Tak for din kommentar. Der er helt sikkert et stort potentiale i at udnytte data i samspil med modeller til at detektere fejl. Men som du påpeger også et interessant potentiale i at udnytte dette samspil til at forbedre vores modeller. Brug af machine learning sammen med MPC til optimering af styring er et forholdsvis nyt forskningsområde, hvor vi ser interessante anvendelsesmuligheder inden for styring af vandsystemer. Der er flere muligheder for at kombinere de to teknologier som vi gerne vil teste, og vi vil meget gerne etablere samarbejde med forskningsmiljøer i Danmark for at udforske dette nye område.

Carsten Thirsing (Procesingeniør, BIOFOS A/S)
Tirsdag d. 22/5-18 kl. 10:08

BIOFOS har i de seneste år sammen med forsyningsselskaberne i renseanlæggenes oplande arbejdet på at få etableret en sikker og mere omkostningseffektiv drift at vores fælles infrastruktur. Samtidigt skal man også understøtte en optimal og robust drift af det samlede system, hvor ejerne får mest for pengene.
Styring af det samlede afløbssystem både under normale mindre regnhændelser og under skybrud vil i fremtiden derfor have stor fokus for både BIOFOS og forsyningerne der driver kloaksystemet i renseanlæggenes oplande.
Med et stigende antal online sensorer og stærkt stigende datamængder, er det særdeles vigtigt at man i disse data får fokus på datakvalitet, at man kan detektere fejldata, for ikke at tage forkerte beslutninger på baggrund af fejlbehæftede/ikke valide data. Et andet vigtigt fokusområde er at få beskrevet usikkerheder på egne data og datakilder som man ikke selv genererer. Et vigtigt input til optimering af det samlede system vil også være at der bliver tilknyttet usikkerheder på de nedbørs forecasts (både radar og vejrmodel) som benyttes som input til bl.a. de hydrauliske afløbsmodeller og til online optimering af driften af kloaksystem og renseanlæg.
Online datamængderne bliver i fremtiden kun større, vi får flere sensorer, flere data bliver til rådighed, samtidig med at IOT teknologien i fremtiden vil give os billigere sensorer og derved mulighed for få mere viden fordi vi kan sætte yderligere sensorer op i vores infrastruktur. Data mining og læring af disse data på baggrund af AI samt machine learning og brugen af MPC vil være en meget vigtig fremtidig disciplin hvis vi skal kunne få noget ud af alle disse data.
Det er desuden også meget vigtigt at ’datasiloerne’ brydes ned, så det bliver lettere at dele data (både onlinedata og offline data) på tværs af aktører. Det er vigtigt at der også er fokus på åbne interfaces (API’er) og standardiserede dataformater, vil gøre det lettere at bringe data sammen på tværs af aktører og software platforme. Hvis vi kan det uden besvær, så vil vi kunne få udviklet de bedste løsninger på baggrund af alle de data der er tilgængelige.
Vi håber, at vi får mulighed for at forsætte samarbejdet om at løse disse udfordringer i de kommende år.

Henrik Madsen (Innovationschef, DHI)
Onsdag d. 23/5-18 kl. 17:21

Kære Carsten
Tak for din kommentar. Du peger på de forskellige muligheder de nye digitale teknologier giver i forbindelse med drift af vandinfrastruktur. Men nok så vigtigt også de udfordringer vi står overfor for fuldt at udnytte teknologierne. Her det vigtigt at se på hele værdikæden fra data til optimering af styringen, herunder lettere adgang til data via åbne interfaces, data mining og data validering, kvantificering og reduktion af usikkerheder i data og prognoser og robuste løsninger til styring og automation. Vores foreslåede udviklingsaktiviteter vil understøtte hele værdikæden. Vi ser i den forbindelse meget frem til fortsat samarbejde med BIOFOS.

Henrik Rask (Adm. direktør, ARTOGIS a/s)
Mandag d. 28/5-18 kl. 07:52

Vi er helt enige, Carsten - godt skrevet :-)

CLAES CLIFFORD (International Water Director, NIRAS INTERNATIONAL CONSULTING (NIC))
Torsdag d. 24/5-18 kl. 12:00

NIRAS i Danmark arbejder med en helhedsorienteret vandplanlægning og fokuserer både på det samlede vandkredsløb men også på lokal afledning af regnvand, mindre afløbssystemer, gigantiske skybrudstunneller samt stormflods- og kystbeskyttelse. De beskrevne udviklingsaktiviteter indenfor operationelle serviceydelser for prognoser af vandmiljø og vandsystemer er derfor absolutte relevant og vil være til stor gavn for kontrol af vandmasser i større danske byer
Som rådgivere specielt i større asiatiske byer oplever vi ofte at planlægningen af fornuftig afskaffelse af regnvand (samt spildevand and alm. dagsrenovation) ikke har haft den højeste prioritet. En konsekvens er derfor at gader og stræder oversvømmes i regntiden af en hed mørk miks af regnvand, spildevand og skrald. En løsning her og nu er selvfølgelig en langt bedre urban planlægning og konstruktion af fungerende kloaksystemer, stormkanaler og kontrollerede lossepladser. Men ofte er det institutionelle ”setup” heller ikke ideelle og på plads, så situationen kan egentligt ikke ændres dramatisk med elegante tekniske innovationer.
Derfor vil det, efter min mening, kun være i de større byer, som allerede har relativt velfungerende ”urban environment sanitation” systemer, at man ville kunne videreudvikle med disse styringssystemer.
Men igen – når de større infrastrukturer er på plads, vil de foreslåede ”udviklingsprodukter” være til stor gavn for succesfuld dansk rådgivning internationalt.

Henrik Madsen (Innovationschef, DHI)
Søndag d. 27/5-18 kl. 10:26

Kære Claes Clifford
Tak for din kommentar. Du har ret i at det primært er byer med eksisterende velfungerende vandinfrastruktur, som umiddelbart vil kunne udnytte det potentiale der er i de foreslåede aktiviteter vedrørende prognoser og styring af afløbssystemer. Det er dog vigtigt at inkludere effekten og værdien af prognose- og styringssystemer ved planlægning og design af infrastruktur. Sådanne løsninger kan være betydeligt mere omkostningseffektive end traditionel udbygning af infrastruktur.

Kim Skov Hilding (Konsulent, Dansk Standard)
Fredag d. 25/5-18 kl. 14:15

Kunstig intelligens og machine learning er teknologiske områder i massiv vækst. Den stadigt stigende implementering af intelligente løsninger, der gøres mulige ved hjælp af kunstig intelligens, rejser en række vigtige spørgsmål, som grundlæggende handler om hvorvidt teknologien er sikker at bruge. Det danske standardiseringsudvalg har derfor stort fokus på dataetik og ambitionen er, at sætte danske fingeraftryk på de internationale standarder, der bliver fremtidige markedskrav.
Dansk Standard mener at GTS’erne har en vigtig strategisk og operationel rolle i at deltage aktivt i udvikling af internationale/europæiske standarder inden for kunstig intelligens og machine learning som er af afgørende interesse for dansk erhvervsliv. Gennem internationale standarder kan GTS’erne effektivt opbygge og formidle teknologiske kompetencer til dansk erhvervsliv.
GTS’erne er ofte i en unik situation, hvor deres brede kendskab til danske virksomheders behov og udfordringer, sætter dem i stand til at varetage danske interesser, når der udvikles nye internationale standarder. Dansk Standard oplever at GTS'erne er efterspurgte i standardiseringsarbejdet, da de bidrager med unik og aktuel viden, som efterspørges af virksomhederne.

Henrik Madsen (Innovationschef, DHI)
Søndag d. 27/5-18 kl. 10:42

Kære Kim Skov Hilding
Tak for din kommentar omkring standarder for kunstig intelligens. Vores foreslåede aktiviteter vedrører metodeudvikling for brug af kunstig intelligens til forskellige anvendelser inden for vandsektoren. En interessant vinkel at se hvorledes dette arbejde kan bidrage til udvikling af internationale standarder inden for området. Vi indgår meget gerne i et samarbejde omkring dette.

Henrik Madsen (Professor, Sektions- og Centerleder, DTU Compute (CITIES DTU), NTNU (Trondheim))
Fredag d. 25/5-18 kl. 23:30

På DTU Compute (Institut for Matematik og Computer Science) har vi gennem rigtig mange år haft stor glæde af samarbejdet med DHI omkring metoder til modelbygning, data assimilering, prognoser og styring af vandmiljø og -systemer, og jeg kan kun varmt støtte dette forslag. Der er ingen tvivl om, at metoder i relation til big data analytics, kunstig intelligens, advanceret statistik, cloud/fog/edge computing, IoT, og IoS nu er vejen frem for at kunne høste gevinsten af de nye digitale muligheder og herunder de mange sensorer.

Jeg er helt enig i punkterne nævnt i forslaget og de mange kommentarer: big data analytics og kunstig intelligens er vejen frem for at etablere operationelle og evidensbaserede modeller for de komplekse vandrelaterede systemer. Yderligere vil jeg gerne understrege, at jeg også ser stokastiske modeller som et vigtigt områder. Dette skyldes ikke kun at modellerne ofte skal bruges i forbindelse med en risikovurdering; men også at omkostningerne kan være voldsomt asymmetriske. Eksempelvis kan omkostningerne ved en oversvømmelser i et byområde være ganske enorme; det gælder derfor om at være 'på den sikre side'. Jeg er glad for, at forslaget indeholder emner såsom statistiske mål for nøglevariable (fx. oversvømmelsesrisiko).

Også som tovholder for flere af de største Smart By projekter (f.eks. CITIES, Cities Innovation Center, og Smart Cities Accelerator), ser jeg store anvendelsesmæssige muligheder gennem det skitsere innovationsforslag. Vi glæder os til at kunne samarbejde med bla. DHI omkring dette vigtige område. Det skitserede forslag er et godt innovationsområde med et meget stort udviklings- og forretningspotentiale.

Henrik Madsen,
Professor v. DTU (Lyngby) og NTNU (Trondheim),
Leder af bla. Center for IT-Intelligente EnergiSystemer (CITIES)

Henrik Madsen (Innovationschef, DHI)
Søndag d. 27/5-18 kl. 11:00

Kære Henrik
Tak for din kommentar og støtte til vores forslag. Jeg er enig i din pointering omkring stokastiske modeller som et vigtigt område. Kvantificering af usikkerheder er et fokusområde i vores aktivitetsplan så model prædiktioner suppleres med vigtig information omkring prognoseusikkerheder og tilhørende statistiske mål, og at disse usikkerheder inddrages i styringsalgoritmerne til at opnå robuste styringsstrategier. Vi ser frem til fortsat samarbejde med DTU Compute til at udforske muligheder og udvikle løsninger inden for dette område.

Morten Grum (Direktør, WaterZerv)
Søndag d. 27/5-18 kl. 17:29

Spændende aktivitetsplan. Specielt syns jeg at udviklingsarbejdet vedrørende kombinationen af de tre områder data, machine learning og procesforståelse (hydrologisk, hydraulisk, kemisk, biologisk, ... osv.) er yderst relevant. Vi kommer til at opleve mange tilfælde hvor der ikke er tilstrækkelig data til læring/træning og der bliver behov for at ekstrapolere ud i områder hvor data grundlaget er tyndt (f.eks. ekstremer). Derfor er der brug for at få udforsket de muligheder og det potentiale der ligger i neurale netværk "pre-wired" med procesforståelsen og systemkendskabet. Ser frem til samarbejde og nye værktøjer.

Henrik Madsen (Innovationschef, DHI)
Mandag d. 28/5-18 kl. 21:31

Kære Morten
Tak for din kommentar. Samspillet mellem data, machine learning og procesforståelse, som du pointerer, vil være en central del af udviklingen. Netop dette samspil er vigtig for at udvikle værktøjer der er generelt anvendelige, og især hvor der kun er få data til rådighed til træning af algoritmerne. Jeg ser frem til samarbejde med WaterZerv og andre partnere til udvikling af de værktøjer.

Anders Lynggaard-Jensen (Fagchef Automation og Procesoptimering, Aarhus Vand AS)
Mandag d. 28/5-18 kl. 02:28

Jeg kan kun tilslutte mig at kombinationen af data, deterministiske modeller og maskinlæring (AI) vil være næste skridt i forbindelse med optimeret styring af vandinfrastrukturen – alene er ingen af de tre dele tilstrækkeligt. Der er dog et par udfordringer undervejs.
1) Når vi taler egentlig realtidsstyring af infrastrukturen er det vigtigt at holde sig for øje at denne ingenlunde er statisk, hvilket vil sige at en brugbar anvendelse af AI til dette kræver at ”genoptræning” bliver lettilgængelig.
2) Implementering i forsyningens SRO-system – her handler det om sikkerhed, hvor standarden ”IEC 62443 Industrial Communication Networks – Network and System Security” sandsynligvis bliver central for forsyningerne. Heri foreskrives allerede på næstlaveste niveau, at netværket med realtidsstyring af maskiner, mv. adskilles fysisk fra resten af forsyningens netværk – eller lidt firkantet sagt – en direkte styring af eksempelvis pumper fra en cloud-service ned i en PLC er pt. ”no go”.
Med disse udfordringer i baghovedet anser jeg aktivitetsplanen for at være helt nødvendig for at bringe ny teknologi i spil sammen med en bedre udnyttelse af data og eksisterende modeller, og Aarhus Vand deltager (fortsat) meget gerne – herunder med fuldskala afprøvninger.

Henrik Madsen (Innovationschef, DHI)
Mandag d. 28/5-18 kl. 21:33

Kære Anders
Tak for din kommentar og støtte til vores foreslåede aktiviteter. Du fremhæver nogle vigtige udfordringer. Vi har fokus på at de metoder der udvikles nemt kan opdateres når der laves ændringer i infrastrukturen. Netop her er procesforståelse og brug af deterministiske modeller vigtig for at opdatere styringsalgoritmerne. Sikkerhed er centralt, og det er vigtigt at de interfaces der udvikles mellem de cloud-baserede services og styringssystemerne har ”mellemlag” der kan sikre dette. Aarhus Vand og andre forsyningsselskaber er vigtige samarbejdspartnere for udvikling og fuldskala demonstration af de foreslåede aktiviteter.

Henrik Rask (Adm. direktør, ARTOGIS a/s)
Mandag d. 28/5-18 kl. 07:47

Jeg er meget enig med dig, Peter Rasch. Der er for mange silo-systemer i vandsektoren, og stor lukkethed i.f.t. samarbejde. I ARTOGIS arbejder vi p.t. - i regi af det MUDP-støttede fyrtårnsprojekt HEPWAT - på en IoT/Big Data platform. Platformen ventes frigivet i Q1-2019 - naturligvis som open source :-). Vi eftersøger partnere, der på åben og deleøkonomisk basis vil være med til at bidrage til den fortsatte udvikling.
Interesserede er meget velkomne til at kontakte mig

Henrik Madsen (Innovationschef, DHI)
Mandag d. 28/5-18 kl. 21:51

Kære Henrik Rask
Tak for din kommentar. Vi vil gøre vores udviklinger tilgængelige på en cloud-baseret platform med åbne interfaces og dataformater som nemt kan tilgås og benyttes af andre til integrering i egne løsninger. Vi indgår gerne i dialog omkring disse udviklinger.

Jacob Birk Jensen (phd, civ. ing., WatsonC)
Mandag d. 28/5-18 kl. 14:08

Det er en spændende tid vi lever i. Specielt på datasiden kan IOT teknologi give os mulighed for en hidtil uhørt dataopløsning i tid og sted. Truslen ved flere data kan være, at vi ingen data har. Forstået på den måde, at vi ikke kan overskue og udnytte den tilgængelige datamængde. Derfor er AI, assimilering, mv nødvendig for at nyttiggøre data og dermed er satsningen god.
En anden udfordring er at sikre en hurtigt og effektiv implementering af nye data og nye modeller i den ofte decentrale vandforvaltning. En tidlig adaption og dermed værdiskabelse af beslutningsstøtteværktøjer hos kommuner og forsyninger kan være en særdeles stor udfordring som jeg mener bør adresseres.

Henrik Madsen (Innovationschef, DHI)
Mandag d. 28/5-18 kl. 22:03

Kære Jacob
Tak for din kommentar. Udvikling af værktøjer til værdiskabelse af data er det centrale i vores foreslåede aktivitetsplan. Du har en meget vigtig pointe i den forbindelse med hensyn til tidlig adaption hos kommuner og forsyninger for at realisere dette store potentiale. En udfordring som absolut skal adresseres. Derfor er det vigtigt at inddrage kommuner og forsyninger og deres rådgivere i udviklingen.

Ole Larsen (Sektionsleder, Hofor)
Onsdag d. 30/5-18 kl. 12:27

Det er en meget interessant aktivitet. De metoder I påtænker at udvikle må være meget relevante også at implementere decentralt i systemerne. Det er vel være en fordel f.eks. at samarbejde med industrien om disse løsninger således at styrringsobjekter som pumper automatisk slukker/tændes? Projektet ser meget ambitiøst ud og det kan måske målrettes ved at indgå i tæt samarbejde med slutbrugerne af de udviklede metoder og teknologier så måske vil det være en fordel at udvide samarbejdspartnerkredsen med dem.

Henrik Madsen (Innovationschef, DHI)
Onsdag d. 30/5-18 kl. 22:57

Kære Ole
Tak for kommentaren. Du har ret i at de metoder vi vil udvikle ikke kun er relevante i forhold til optimering af samstyring af hele systemet. De udviklede metoder kan også benyttes decentralt til styring af fx pumper enkeltvis, eller flere pumper i koordineret styring, i samspil med den overordnede styring af hele systemet. Tæt samarbejde med slutbrugere vil være vigtigt for den foreslåede udvikling.

David Getreuer Jensen (Fagchef Machine Learning, EnviDan A/S)
Onsdag d. 30/5-18 kl. 15:48

Nu har jeg gennemgået de tidligere input og kan kun være enig i mange af de holdninger og kommentarer, som er givet. Jeg mener ligeledes, at Machine Learning til prædiktion og styring i kombination med deterministiske modeller er fremtiden, det afhænger dog af, hvordan man vil kombinere de to.

Når jeg læser oplægget, så lader det til, at selve tilgangen er klassisk i den forstand, at man bruger samme dataflow som, hvis det var deterministiske modeller, der benyttes til prognose og styring, hvilket taler meget ind i en "ren" supervised tilgang. Reinforcement Learning (RL) giver dog midlertidigt andre muligheder i forbindelse med RTC og udelukker ikke brugen af determinisme. I beskrivelsen ser jeg ikke umiddelbart RL-tilgangen repræsenteret og da udviklingen i høj grad foregår inden for RL, så er min vurdering, at Danmark skal være med i den udvikling.

Som en sidste kommentar vurderer jeg, at mange af disse tanker og delelementer i en eller anden form allerede pågår i dag bl.a. igennem innovationsfondsprojektet CHAIN i konteksten af styring af vanddistribution, hvor Alexandra Instituttet, DHI, Kamstrup, Aarhus Vand, Skanderborg Forsyning og EnviDan er med i konsortiet.

Oplægget er spændende og arbejder i samme retning, som EnviDan arbejder i, hvorfor vi gerne vil være en del af udviklingen.

Henrik Madsen (Innovationschef, DHI)
Onsdag d. 30/5-18 kl. 22:59

Kære David
Tak for din kommentar. Der er forskellige måder man kan kombinere data og deterministiske modeller med machine learning. Herunder den rene supervised tilgang som vi bl.a. vil arbejde med i CHAIN projektet, som du henviser til (beskrevet under aktivitetsplanen Digitalt urbant vand: https://bedreinnovation.dk/digitalt-urbant-vand). Reinforcement learning er en anden tilgang med et meget interessant potentiale for realtidsstyring. Jeg er enig i at vi skal udforske de muligheder, der ligger i de metoder. Jeg ser frem til samarbejdet!

Marianne Skov (Flood Risk Specialist, Rambøll)
Onsdag d. 30/5-18 kl. 23:04

Rambøll ser dette som centrale aktiviteter og støtter op om en fortsat udvikling af modeller, således der i større grad kan opstås forståelse af processer og udfordringer. Større link mellem vejrprognoser, varsling og beredskab aktiviteter etc. Det er vigtigt fortsat at udvikle teknologiske løsninger som støtter op om de problemstillinger hverdag og ekstreme situationer byder. Vi bidrager gerne herfra ifht. udviklingen/afprøvningen af jeres idéer.

Henrik Madsen (Innovationschef, DHI)
Torsdag d. 31/5-18 kl. 20:48

Kære Marianne,
Tak for din kommentar og støtte til de foreslåede udviklinger. Jeres bidrag til udvikling og afprøvning vil være vigtig til at sikre optag og anvendelse af de udviklede produkter i konsulentløsninger.

Anders Refsgaard (Projektchef, COWI A/S)
Torsdag d. 31/5-18 kl. 11:26

COWI arbejder på daglig basis med vandbranchen bl.a. med at sikre mod oversvømmelser fra skybrud gennem opbygning af et netværk af skybrudstunneller i – og under – København til afledning af regnvand. Den fremtidige styring af disse systemer er et vigtigt succeskriterie både for kunderne og for COWI, og optimal udnyttelse af data ved anvendelse af nyeste metoder inden for AI og machine learning vil være oplagte muligheder for at sikre dette kriterie. Og at sikre at overskydende vand holdes adskilt fra sensitiv infrastruktur samt borgere og deres ejendomme.

Derfor hilser vi DHIs initiativer i denne retning meget velkomne, og rollen som bindeled mellem ren forskning og anvendt teknologisk udvikling er vigtig og fint beskrevet i projektbeskrivelsen.

COWI er med til – i samarbejde med vores forsyningskunder – at generere mange af de data, der kan anvendes i datadrevne systemer, der er beskrevet i projektforslaget. Vi kan se en fordel for alle parter i at involvere konsulentbranchen på et tidligt tidspunkt i udviklingsprojekter og som sparringspartnere i projektforløb, så resultaterne af projekterne bliver optimalt anvendelige i fremtidige projektløsninger.

Henrik Madsen (Innovationschef, DHI)
Torsdag d. 31/5-18 kl. 20:53

Kære Anders
Tak for din kommentar og støtte til vores foreslåede aktiviteter. Jeg er enig i at involvering af konsulentbranchen på et tidligt tidspunkt i udviklingen og som sparringspartnere er vigtig for at sikre optimal anvendelse af de udviklede produkter. Jeg ser meget gerne COWI og andre konsulenter involveret i dette arbejde.

Trine Balskilde Stoltenborg (Strategisk projektleder, AquaGlobe v/Skanderborg Forsyningsvirksomhed)
Torsdag d. 31/5-18 kl. 14:26

Ved Skanderborg Forsyningsvirksomhed arbejder vi med data, AI og automatisering ift. at nedbringe driftsomkostningerne ved prognoser og dermed levere bedre og billigere til vores vandforbrugere og sikre optimale klimaløsninger, så vi er altid på udkig efter nye operationelle serviceydelser for prognoser af vandmiljø og vandsystemer og optimeret styring og automation af vandinfrastruktur. Helst vil vi dog være med til at udvikle dem i vores real life testfaciliteter på vores 24-7 fuldt fungerende anlæg og med inddragelsen af vores partnere i AquaGlobe, så vi håber, at det kunne gå hen og blive virkelighed med dette projekt, samt at vi kunne få anledning til at fremvise det i vores showroom på vores dashboards for de mange erhvervsdelegationer, vi modtager fra hele verden.

Henrik Madsen (Innovationschef, DHI)
Torsdag d. 31/5-18 kl. 20:54

Kære Trine Balskilde Stoltenborg
Tak for din kommentar. Et vigtigt element i vores foreslåede aktiviteter er udvikling af demonstrationsprojekter i samarbejde med forsyningsselskaber. Så vi indgår meget gerne i samarbejde med Skanderborg Forsyningsvirksomhed og partnere i AquaGlobe. Det vil være et rigtig godt udstillingsvindue.

Malte Ahm (Ph.D., Aarhus Vand)
Torsdag d. 31/5-18 kl. 21:51

Dette Innovationsområde er yderst vigtigt for at den danske vandsektor kan bibeholde sin position som globalt vand-vækstcenter. Aktivitetsforslaget fokus på transparente datasnitflader og metode udvikling, som implementeres i en åben cloudbaseret IT-platform er vigtigt for innovationen på tværs af vandsektoren og vandselskaberne. Vi skal udfordre de traditionelle tankegange med proprietære systemer, hvor forsyninger låses til bestemte leverandører og rådgivere. Vi skal arbejde frem mod at få en transparent data-dreven håndtering af vores fælles vandsystemer til gavn for hele samfundet.
I det nyligt startede Grand Solution projekt, DONUT, støttet af Innovationsfonden, arbejder vi blandt andet på at skabe en omkostningseffektiv IoT infrastruktur skræddersyet til den blå, grønne og klimatilpassede by. Det vil gøre det muligt at have en mere holistisk tilgang til håndtering af vandet i byen. Hundrede eller tusindvis af sensorer rundt i byen kombineret med kunstig intelligens vil på sigt kunne give et ”røntgenbillede” af vandet i byen og give vandselskaberne meget bedre muligheder for at træffe de rigtige beslutninger. Der er mange gode synergier mellem dette aktivitetsforslag og DONUT-projektet.
Dette aktivitetsforslag er særlig vigtigt, da vi netop nu har muligheden for at bringe Danmark i en global føreposition indenfor værdiskabende "Water IoT and AI" ved at samle kræfterne via fælles fokus og åbne platforme.

Peter Steen Mikkelsen (Professor, Danmarks Tekniske Universitet, Institut for Vand og Miljøteknologi)
Torsdag d. 31/5-18 kl. 23:27

Det er svært at tilføje meget nyt i forhold til de mange gode kommenterer der allerede er givet. Men dette er et VIRKELIG spændende og perspektivrigt område, hvor jeg er overbevist om at dansk know-how vil kunne gøre forskel internationalt i det kommende årti, både med hensyn til forskning, innovation og eksport. I vandsektoren har vi arbejdet med modeller gennem mange årtier og skal måske vende os til at kalde det virkelighedens ”digitale tvillinger”, når nu rigtig mange andre områder er begyndt at bruge dette ord. Vi har brugt modeller, fordi det har været den eneste vej frem. For systemer der er ”gemt under jorden” eller ”ligger langt fra alfarvej” er en god model et helt utrolig værdiskabende værktøj, fordi den tillader at tage beslutninger på grundlag af fakta - så langt som man kan genskabe disse i modellen. Her har Danmark en helt særlig tradition internationalt set, og i DHI en aktør som har medvirket både til at professionalisere modeludviklingen og –anvendelsen og til at gøre landet kendt internationalt for kompetence på området. Det nye er, at der kommer mange flere data fremover, i en form for real tid. I et vidst omfang data for vandniveauer og flows, hvor IoT teknologi, satellitter og droner vil skabe stor fremdrift. For vandkvalitet kommer vi til at se mange flere og nye sensorer, der kan måle nye og vigtige parametre meget dynamisk, og passive samplere der kan måle specifikke stoffer akkumuleret over lang tid. Men de kræver drift og vedligehold, og derfor kommer vi også til at se helt nye ikke-invasive typer af sensorer, hvor man kan undgå at stikke sensoren ned i beskidt vand ved f.eks. at måle på en gasfase i et headspace, på et lysspektrum eller ved at analysere videooptagelser af en bevægelig vandoverflade. Hertil kommer data for meteorologiske variable, fra satellitter og droner, og et væld af forskellige prognoseprodukter – f.eks. regnprognoser med forskellig detaljeringsgrad. I dag kan DMI f.eks. levere regnprognoser et par timer frem baseret på vejrradar, nogle timer frem baseret på en kombination af vejradar of vejrmodeller, et par dage frem baseret på en lokal vejrmodel, og et par uger frem baseret på fælleseuropæiske vejrmodeller. Og om få år vil data som disse blive gjort offentligt tilgængelige, hvilket giver mulighed for en eksplosiv innovation baseret på åbne data standarder. Kunne vi måske også gøre de mange nye ”smart meter” data for vandforbrug tilgængelige, så de kan bruges til andre formål som f.eks. diagnosticering af utætheder i kloaksystemer, under inddragelse af andre proxydata og kunstig intelligens metoder? Danmark er allerede foran indenfor digitalisering, så nu er det tid til at udnytte dette indenfor vandsektoren. Men måledata vil aldrig komme komme til at give komplet information om systemer der er så komplekse og vidtstrakte som vandsystemer – vandforsyningsnet, kloaksystemer, naturbaserede metoder til klimatilpasning, vandløbssystemer, søer og kystområder. Så der er brug for at bringe modellerne ind i realtidsverdenen på en måde, der hænger sammen med data fra realtid. Derfor bliver dataassimilering i realtidsmodeller ektremt vigtigt fremover, som grundlag for systemovervågning, for flow, oversvømmelser, vandkvalitetsparametre, osv. Og for prognoser der kan bruges til varsling og optimeret, modelprædiktiv styring af systemerne. Intelligensen i femtidens ”smarte” vandsystemer kommer nogen gange til at være gemt i skyen – baseret på et totalt systemoverblik. Andre gange bliver intelligensen gemt i produkter som sensorer og pumper, der kan fungere autonomt men spille sammen på systemniveau, og som kan give danske vandteknologiproducenter helt afgørende forspring internationalt. Åbne data og åbne platform bliver vigtigt. Kun herved kan vi sikre at de mest innovative unge mennesker bliver inddraget og får mulighed for at bruger deres entreprenør-gen indenfor netop vandbranchen. Det bliver åben kommunikation om metoder og resultater også – på den måde kan man allerede blive klogere af at læse de mange spændende kommentarer ovenfor. Og det bliver vigtigt at kunne gå på tværs af traditionelle organisatoriske og fagdisciplinære siloer. På DTU har vi etableret et tværgående center for vandaktiviteter med mere end 10 deltagende institutter - Water DTU (http://www.water.dtu.dk/), med netop dette formål. Vi er klart til at samarbejde med DHI og den øvrige vandverden om at skabe fremtiden indenfor ”digitalt vand – kunstig intelligens og automation”.