AI-verktyg för stöd till underhåll och förnyelse
Publicerad: 13 november, 2020
Foto: José-Manuel Sudrez/Wikimedia Commons
Svenskt Vatten har tillsammans med experter tagit fram ett lättanvänt AI-verktyg för stöd i planering av framtida underhåll och förnyelse av vattenledningsnät. Alla VA-organisationer kan nu använda en betaversion av AI-verktyget via VASS. Det skriver Svenskt Vatten på sin hemsida.
Det finns idag ett stort fokus på att förbättra underhållsplaneringen av svenska VA-nät. Även reinvestering i ledningsnäten kommer att behöva öka och då ökar behovet att välja förnyelseobjekt med god framförhållning utifrån en prioritering som ger mest nytta och långsiktig leveranssäkerhet för pengarna.
Digitalisering av de allmänna vattentjänsterna och befintliga VA-anläggningar är på olika plan en tydlig trend. Analys av mätningar och indata på mer raffinerade sätt är således en nödvändig utveckling som har potential att gynna samtliga VA-organisationer oavsett storlek och var i landet de befinner sig.
Ett AI-verktyg till alla VA-organisationer
Svenskt Vatten startade ett projekt hösten 2019 tillsammans med Stockholm Vatten och Avfall (SVOA) där målet är att tillgängliggöra ett AI-verktyg (en s.k. ANN-modell) till alla VA-organisationer i Sverige. SVOA har under en tid utvecklat en AI-modell för att matematiskt bearbeta en stor mängd indata (ex driftstörningar, ledningsålder, rörmaterial och dimension) för att på bred front bedöma status, underhållsbehov och risk för framtida driftstörningar.
AI-verktyget som finns tillgängligt via VASS är en modifierad variant av SVOA-modellen, anpassad och testad av ett antal VA-organisationer för att vara en Sverigemodell som alla ska kunna använda. Alla kommunala VA-organisationer kan från och med november 2020 använda AI-verktyget kostnadsfritt.
Verktyget är inriktat på vattenledningsnät och modellen ska ge en beräknad ”poäng” för status på varje ledning. Resultatfilen som genereras av VASS för det lokala nätet kan laddas ned och importeras till GIS-program som ett lager i kartan. På så sätt belysa behov av åtgärd, såsom behov av förebyggande underhåll eller renovering. I framtiden kan liknande verktyg utvecklas för avloppsledningar.
Att på detta sätt nyttja den stora mängden indata för att ”lära datormodellen” att dra slutsatser som kan hjälpa underhållsplaneringen innebär mycket stora möjligheter och varianter av tillämpning. När nu AI-verktyget trimmats kan förhoppningsvis beslutstöd erhållas med mycket liten insats och med successivt högre precision.