Erhvervs-ph.d.-studerende Mathias Busk Dahl løfter grundvandsberegninger til nye højder via Machine learning.

Revolutionerer grundvandsberegninger

Machine Learning skal løfte grundvandsberegninger til nye højder

Erhvervs-ph.d.-studerende i NIRAS skal optimere brugen af grundvandsberegninger via Machine Learning. Målet er at skabe et digitalt værktøj, der kan lave lynhurtige beregninger.

Under jordoverfladen ligger en tidsrøver for mange af landets 98 kommuner, flere private virksomheder og forsyningsselskaber. Det er efterhånden et almenkendt fænomen, at grundvandskortlægning og de tilhørende modelberegninger ved klimatilpasningsprojekter, drikkevandsboringer mv. både tager tid og koster mange penge. Det skal snart være slut.

Et nyt Erhvervs-ph.d.-samarbejde mellem NIRAS og Aarhus Universitet (Institut for Geoscience og Institut for Datalogi) skal reducere tidsforbruget ved grundvandsberegninger. Kombinationen mellem Machine Learning, geostatistik og hydrologi skal transformere konventionelle og tidskrævende beregningsmetoder til et nyt state-of-the-art værktøj. Det skal bidrage til øget fleksibilitet og reducere tidsforbruget - til gavn for kunder og medarbejdere.

140 gange hurtigere

Efter ét års forskning er erhvervs-ph.d.-studerende Mathias Busk Dahl godt i gang med at udvikle sin Machine Learning-model, som udregner én grundvandssimulering ca. 140 gange hurtigere end normale, beregningstunge metoder.

Hvis man fx skal finde den optimale placering af en ny brønd til at indvinde grundvand, kan man have behov for at køre 1.000 simuleringer. Det kan Machine Learning-modellen klare, imens man henter en kop kaffe, hvorimod beregningerne normalt tager en hel arbejdsdag.

Pragmatisk og progressiv beregningsmodel

Samarbejdet mellem universitetet og NIRAS skal medvirke til at belyse gevinstmuligheden og potentialet ved Machine Learning. Projektet skal udmønte sig i en ny, digital platform, hvor rådgiveren lynhurtigt kan ændre på parametrene i beregningen ude i felten og hos kunden. Dermed kan man - på baggrund af en masse indtastet data, der medvirker til at udvikle og træne beregningsmodellen - lave en ny grundvandsberegning med det samme.

Nuværende beregningsmetoder giver ikke mulighed for at kunne justere på beregningerne lige så hurtigt, da de nøjagtige beregninger ofte tager flere timer at udregne. Dermed skal man ofte tilbage på kontoret og regne på nye scenarier og data. Projektet skal dermed medvirke til at transformere tidsaspektet ved beregningerne.

Sikkerhedsværdi på 80-85 %

Det nye beregningsværktøj kommer til at arbejde ud fra en tilnærmelsesvis statistisk sikkerhed på 80-85 %. Det vil sige, at Machine Learning på nuværende tidspunkt ikke kan give et fuldstændigt svar, da der vil være en usikkerhed på 15-20 % ved beregningerne. Resultaterne fra modellen nærmer sig dog nøjagtigheden af de konventionelle og præcise metoder, men der vil altid være en usikkerhed forbundet med modellens udregninger.

Udover, at beregningstiden i det nye værktøj forventes at være en brøkdel af den, som konventionelle metoder tilbyder, skal beregningsmodellen samtidig lære af sine egne fejl ved hjælp af Machine Learning. Dermed bliver usikkerheden løbende reduceret, hvilket gradvist giver mere sikre resultater.

Grænseoverskridende potentiale og øget samarbejde

Projektet er allerede modtaget med interesse fra vores svenske naboer. Derfor skal projektet testes i Sverige under forskellige geologiske sammensætninger, når værktøjet er tættere på at være færdigt. Forventningerne til værktøjet er høje, og der er forhåbninger om, at flere lande vil vise interesse på sigt. 

Som et screeningsværktøj fungerer machine learning rigtig godt til grundvandsberegninger. Hvis man har sådan et værktøj, som foretager beregningerne på en brøkdel af det normale tidsforbrug, så kan det give mulighed for flere undersøgelser og projekter, der normalt ikke ville være penge til. Derfor håber jeg, at machine learning kan optimere vores brug af grundvand i Danmark og give miljømæssige gevinster.   

Mathias Busk Dahl, Erhvervs-PhD