test - /Default.aspx?Id=1168">CHAIN-projektet, hvor EnviDan arbejder med Machine Learning til at optimere styringen af distribution af vand fra kildeplads til forbruger.  

Fra asset management til flowmåling

Den seneste teknologi inden for Machine Learning bliver også brugt til asset management herunder til forudsigelse af ledningers fysisk tilstand, som bruges i saneringsplanlægningen samt til optimering af driften. Her er mange penge at spare for forsyningerne, hvis man er i stand til at forudsige, hvornår en ledning skal skiftes, og formår at gøre dette lige i rette tid, hvilket som oftest betyder, at der sker en levetidsforlængere. 

Machine Learning skaber også værdi i forbindelse med forudsigelse af flow på pumpestationer, hvor der i dag ikke eksisterer en flowmåler. Denne forudsigelse er mulig med Machine Learning og giver meget overbevisende resultater. Med disse mange flowmålinger i systemet kan man bedre lokalisere uvedkommende vand samt detektere, hvis nogle pumper ikke opfører sig som forventet, så det bliver muligt at foretage rettidigt vedligehold.

Der er behov for data - og vi har dem

Machine Learning har enormt mange anvendelser, men forudsætninger er dog, at man har data tilgængelige. Det er heldigvis tilfældet i forsyningsbranchen, hvilket giver os en helt unik mulighed for at  gå forrest med Machine Learning i forsyningsbranchen, hvor der mange muligheder, både kendte og ukendte, i fremtiden vil være med til at ændre måden,  vitænker brug af data idag.

test - /Default.aspx?Id=550">asset management herunder til forudsigelse af ledningers fysisk tilstand, som bruges i saneringsplanlægningen samt til optimering af driften. Her er mange penge at spare for forsyningerne, hvis man er i stand til at forudsige, hvornår en ledning skal skiftes, og formår at gøre dette lige i rette tid, hvilket som oftest betyder, at der sker en levetidsforlængere. 

Machine Learning skaber også værdi i forbindelse med forudsigelse af flow på pumpestationer, hvor der i dag ikke eksisterer en flowmåler. Denne forudsigelse er mulig med Machine Learning og giver meget overbevisende resultater. Med disse mange flowmålinger i systemet kan man bedre lokalisere uvedkommende vand samt detektere, hvis nogle pumper ikke opfører sig som forventet, så det bliver muligt at foretage rettidigt vedligehold.

Der er behov for data - og vi har dem

Machine Learning har enormt mange anvendelser, men forudsætninger er dog, at man har data tilgængelige. Det er heldigvis tilfældet i forsyningsbranchen, hvilket giver os en helt unik mulighed for at  gå forrest med Machine Learning i forsyningsbranchen, hvor der mange muligheder, både kendte og ukendte, i fremtiden vil være med til at ændre måden,  vitænker brug af data idag.

Machine Learning - hvad kan det?

Machine Learning (ML), kunstig intelligens, AI, datadrevne modeller, deep learning og softwarerobotter er blot nogle af de navne vi bruger, når vi skal beskrive metoden til at anvende en række statistiske teknikker, som giver computere mulighed for at ”lære” på baggrund af data.

Machine Learning kan bruges på tværs af domæner og skaber stor værdi bredt i forsyningsbranchen, både inden for afløbsteknik, klimatilpasning, spildevandsrensning, vandforsyning, fjernvarme, natur og vandløb og biogas.

Machine Learning skal være værdiskabende

I EnviDan bruger vi blandt andet Machine Learning til  mere effektivt at generere værdiskabende analyser, herunder helt nye analyser, som det ikke tidligere har været muligt at udarbejde, optimere realtidsstyringen samt skabe overblik og tranperens med asset management.

Mere konkret kan vi levere forudsigelser af flow og stoffer til renseanlæg baseret på neurale netværk, der giver bedre styring af renseanlægget, optimal dosering af kemikalier og energibesparelser.

Realtidsstyring er ligeledes temaet for CHAIN-projektet, hvor EnviDan arbejder med Machine Learning til at optimere styringen af distribution af vand fra kildeplads til forbruger.  

Fra asset management til flowmåling

Den seneste teknologi inden for Machine Learning bliver også brugt til asset management herunder til forudsigelse af ledningers fysisk tilstand, som bruges i saneringsplanlægningen samt til optimering af driften. Her er mange penge at spare for forsyningerne, hvis man er i stand til at forudsige, hvornår en ledning skal skiftes, og formår at gøre dette lige i rette tid, hvilket som oftest betyder, at der sker en levetidsforlængere. 

Machine Learning skaber også værdi i forbindelse med forudsigelse af flow på pumpestationer, hvor der i dag ikke eksisterer en flowmåler. Denne forudsigelse er mulig med Machine Learning og giver meget overbevisende resultater. Med disse mange flowmålinger i systemet kan man bedre lokalisere uvedkommende vand samt detektere, hvis nogle pumper ikke opfører sig som forventet, så det bliver muligt at foretage rettidigt vedligehold.

Der er behov for data - og vi har dem

Machine Learning har enormt mange anvendelser, men forudsætninger er dog, at man har data tilgængelige. Det er heldigvis tilfældet i forsyningsbranchen, hvilket giver os en helt unik mulighed for at  gå forrest med Machine Learning i forsyningsbranchen, hvor der mange muligheder, både kendte og ukendte, i fremtiden vil være med til at ændre måden,  vitænker brug af data idag.

David Getreuer Jensen

Kontakt mig
for mere info

David Getreuer Jensen

+45 61 33 35 50