Tilbake til søkeresultatene

OFFPHD-Offentlig sektor-ph.d.

TRYKKFORVALTNING OG MASKINLÆRING I VANNDISTRIBUSJONSNETTET

Alternativ tittel: PRESSURE MANAGEMENT AND MACHINE LEARNING IN WATER DISTRIBUTION

Tildelt: kr 1,8 mill.

Prosjektnummer:

313058

Prosjektperiode:

2021 - 2028

Midlene er mottatt fra:

Maskinlæring (ML) og big data-analyse kan bidra til å redusere lekkasjer i vanndistribusjonsnettet, ved hjelp av f.eks. trykkoptimalisering. Prosjektet skal utrede hvordan ML kan anvendes for å effektivisere og optimalisere drift innen vanndistribusjon, i offentlig sektor. Hovedutfordringen for norsk drikkevannsforsyning og vannkvalitet, er gammelt ledningsnett med stort vedlikeholdsbehov, som fører til stort lekkasjetap, som igjen kan føre til innsug av smittestoffer. Lekkasjetapet på nasjonalt nivå er ca. 1/3 av produsert vann. Derfor er det nødvendig å vurdere trykkreduserende tiltak for å redusere vannlekkasjene og risikoen for brudd. Trykket i vannledningene skal være slik at vannleveransen til forbruker skjer på en hensiktsmessig måte. Per i dag er trykket stort sett statisk, med mindre man gjør manuelle endringer. Det vil si at sonetrykket varierer i forhold til forbruksvariasjoner, og vil dermed være høyest på natten når forbruket er lavest. Noen steder er dette nattrykket for høyt. Dette overskuddstrykket er nødvendig å fjerne fra nettet ved hjelp av trykkreduksjon. Disse tiltakene vil redusere vannlekkasjene, bidra til færre brudd og energioptimalisering. For å gjennomføre trykkreduserende tiltak, er det nødvendig å forstå relasjonen mellom trykk og forbruk. Vi har daglige forbruksvariasjoner, og også sesongvariasjoner knyttet til høytider, ferieavvikling, temperatur m.m. Oslo kommune, Vann- og avløpsetaten ønsker å utrede sammenhengen, for å styre vanndistribusjonsnettet optimalt. Det er behov for å anvende teknikker som maskinlæring, for å automatisere analyse av historiske trender og sammenhenger, og identifisere relasjoner i dataene knyttet til ulike faktorer, som påvirker trykket. Ved å trekke erfaring fra store mengder data, kan ML være beslutningsstøtte hva gjelder trykkstyring, basert på denne kunnskapen. Modeller som kan forutse fremtiden, basert på omfattende bearbeidelse av disse dataene, kan gjøre VAV proaktiv med tanke på trykkstyring.

LEKKASJE- OG TRYKKREDUKSJON Hovedutfordringen for norsk drikkevannsforsyning og vannkvalitet er et gammelt ledningsnett med stort vedlikeholdsbehov, som fører til stort lekkasjetap, og kan medføre innsug av smittestoffer. Lekkasjetapet på nasjonalt nivå er 29,8%. Derfor er det nødvendig å vurdere trykkreduserende tiltak for å redusere vannlekkasjene og risikoen for brudd. Trykket i vannledningene skal være slik at vannleveransen til forbruker skjer på en optimal måte. Derfor er vanndistribusjonsnettet delt opp i trykksoner. Per i dag er sett-trykket, ut av trykkregulerende stasjoner, stort sett statisk, og det er konstant i tid, med mindre man gjør manuelle endringer. Det vil si at sonetrykket varierer i forhold til forbruksvariasjoner, og vil dermed være høyest på natten når forbruket er lavest. Enkelte steder er dette nattrykket for høyt. Et såkalt overskuddstrykk er nødvendig å fjerne fra nettet ved hjelp av trykkreduserende tiltak. MASKINLÆRING Digitalisering og maskinlæring er nøkkelen til å lykkes med de komplekse problemstillingene vannbransjen står ovenfor. Maskinlæring benyttes for å gjøre datamaskinen i stand til å trekke erfaring fra store mengder data, samt ta valg eller være beslutningsstøtte basert på denne kunnskapen. Vann- og avløpsetaten i Oslo (VAV) besitter mye data, fra langt tilbake, som høstes i sensorparken. Det er sammenheng mellom trykket og forskjellige faktorer, uten at VAV har klart å beskrive denne sammenhengen. Det er behov for å anvende teknikker som maskinlæring, for å automatisere analyse av historiske trender og sammenhenger, og identifisere relasjoner i dataene knyttet til ulike faktorer, som påvirker trykket. Denne innsikten blir verdifull når den benyttes som beslutningsgrunnlag, hvor VAV kan optimalisere drift, med tanke på energibruk, lekkasjereduksjon, o.l. Modeller som kan forutse fremtiden, basert på maskinlæring, kan gjøre VAV proaktiv med tanke på trykkstyring.

Budsjettformål:

OFFPHD-Offentlig sektor-ph.d.

Finansieringskilder