Sådan skal Machine Learning skabe værdi af vandsektor-data

06-05-2020

Gennem mange år er der i vandsektoren indsamlet store mængder data, og nye data kommer til i eksplosiv fart. Som i stort set alle andre brancher er Machine Learning et overbevisende værktøj til at udnytte disse data til fx at optimere drift og vedligehold, finde hidtil ukendte sammenhænge, optimere styring og forudsige behov for fornyelse. 

Det er baggrunden for Bolette Dybkjær Hansens erhvervs-Ph.D., som hun skriver i samarbejde med Aalborg Universitet og EnviDan. Bolettes uddannelsesmæssige baggrund er indenfor Machine Learning, hvilket hun bærer med ind i EnviDan, hvor hun i den første del af sit arbejde afdækker ideer mellem vandsektordomænet og Machine Learning. På baggrund af en evaluering af de identificerede ideers værdiskabelse er der udvalgt tre emner, som hun specifikt skal arbejde videre med.

 

Ph.D. skal udvikle tre specifikke Machine Learning-baserede løsninger

For nylig rundede Bolette en milepæl, idet hun har været i gang med sin Ph.D. i 11 måneder. Bolette har i samarbejde med EnviDans forretnings- og udviklingschefer udviklet over 50 ideer til, hvordan Machine Learning kan skabe værdi indenfor de forskellige forretningsområder i EnviDan. 

 

Specifikke Machine Learning-baserede løsninger

Bolette skal udvikle tre konkrete Machine Learning-baserede løsninger, og hun er allerede godt i gang med udvikling af case 1: Forudsigelse af fysisk tilstand af kloakrør. På baggrund af mere end 100.000 TV-inspicerede ledninger og en masse informationer om ledningerne er det lykkedes Bolette at træne en model, der performer bedre end alle andre dokumenterede forsøg på at gøre det samme. Resultatet er publiceret i en videnskabelig artikel – og ikke mindst én af årsagerne til, at vi i EnviDan har stor succes med implementering af Rehab-IT i både Danmark og senest nu også i Sverige.

Udviklingen af case 2 og 3 forventes påbegyndt i løbet af 2020. Kombineret rammer de tre udvalgte ideer bredt ift. at bidrage med ny viden indenfor Machine Learning i vandsektoren og i EnviDan. 

 

Ph.D. viser vandsektor-vejen

Efter udviklingen af de tre produkter/metoder evalueres og udvides analysen af idéerne således, at der ved afslutningen af Ph.D.-projektet ligger et roadmap for en fortsættelse af implementeringen af Machine Learning i vandsektoren.

 

David Getreuer Jensen

KONTAKT MIG FOR MERE INFO

David Getreuer Jensen

+45 61 33 35 50