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.

Pragmatisk og progressiv beregningsmodel

Samarbejdet 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.

Beregningstiden ved det nye værktøj forventes at være en brøkdel af konventionel beregningstid. Beregningsmodellen skal samtidig ved hjælp af Machine Learning lære af sine egne fejl, hvorfor usikkerheden løbende bliver reduceret og dermed skaber et mere sikkert resultat.

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.