Einsatz von Alterungsmodellen zur Prognose der Zustandsentwicklung von Abwasserkanälen. Nicolas Caradot, Hauke Sonnenberg, Pascale Rouault

Größe: px

Ab Seite anzeigen:

Download "Einsatz von Alterungsmodellen zur Prognose der Zustandsentwicklung von Abwasserkanälen. Nicolas Caradot, Hauke Sonnenberg, Pascale Rouault"

Michaela Pohl
vor 6 Jahren
Abrufe

1 Einsatz von Alterungsmodellen zur Prognose der Zustandsentwicklung von Abwasserkanälen Nicolas Caradot, Hauke Sonnenberg, Pascale Rouault

2 Warum ein Kanalalterungsmodell?

3 TV-Inspektion Manuell (Betreiber) Schadenskodierung DIN EN Automatisch Haltungsbewertung DWA M149-3

4 TV-Inspektion Manuell (Betreiber) Kodierung BAB B A (Beispiel) Schadenskodierung DIN EN Rissbildung in Längsrichtung Automatisch Segmente noch am Platz Haltungsbewertung DWA M149-3

5 TV-Inspektion Manuell (Betreiber) Schadenskodierung DIN EN Automatisch Haltungsbewertung DWA M149-3 Kodierung BAB B A (Beispiel) Haltungsbasierte Zustandsbeurteilung (nach Standsicherheit) Handlungsbedarf Sofort Mittelfristig Zustandsklasse Langfristig Schadensfrei

8 Zustand der inspizierten Haltungen

9 2017 Zustand aller Haltungen heute Bedarfsorientierte Kanalbefahrung Prognose der Kanälen mit hohem Sanierungsbedarf

10 2017

11 2018

12 2019

13 2020

14 2025

15 2030

16 2030 Zustand aller Haltungen in Zukunft Langfristige Sanierungsstrategie Zukünftige Investitionsszenarien Entwicklung des Netzzustandes Restnutzungsdauer und Abnutzungsvorrat Abschreibungen und Gebühren

17 Modellanbieter und internationale Erfahrungen App starten

22 Welche Daten sind für die Simulation notwendig?

23 Alter + Kanaleigenschaften Modell Kanalzustand

24 Ausgangsdaten: Kanalzustand TV-Inspektion Manuell (Betreiber) Schadenkodierung DIN EN Automatisch Braunschweig (SE BS) Haltungen / km CCTV Bewertung der Standsicherheit Sanierungsdringlichkeit Nach DWA M % Haltungsbewertung DWA M % 24% 10%

25 Eingangsdaten

26 Baujahr: Darstellung des Zustandes laut TV-Inspektion (reale Daten, kein Modell!)

27 Material Tiefe Steinzeug Beton Durchmesser Durchmesser (nur Betonkanäle)

28 Welche Modelle werden getestet?

29 Statistik Eine mathematische Gleichung beschreibt die Verhältnisse zwischen den Daten > Die Modellparameter werden zu den Daten angepasst Maschinelles Lernen Ein Algorithmus lernt aus den verfügbaren Daten und kann die erkennten Muster nach Beendigung der Lernphase verallgemeinern > Die Daten schaffen die Modellstruktur

30 Maschinelles Lernen Kerntechnologie für Industrie 4.0 Big data / Data mining / Predictive analytics Gesundheit: Simulation der Verbreitung von Grippewellen anhand Google Suchanfragen Medizin: Automatische Röntgenanalyse für Diagnose Industrie: Simulation der Nachfrage und Optimierung der Produktion, Predictive Maintenance, Vorhersage von Maschinenausfällen Autoindustrie: Fahrassistenzsysteme und Autonomes Fahren Marketing: Google, Facebook oder Amazon Landwirtschaft: Smart Farming Infrastruktur: Investitionsstrategien für Öl- und Gasfirmen

31 Statistik > GompitZ: Überlebensanalyse Maschinelles Lernen > Entscheidungsbaum > Random Forest > Support Vector Machine

32 Statistik > GompitZ: Überlebensanalyse Maschinelles Lernen > Entscheidungsbaum > Random Forest > Support Vector Machine

41 Statistik > GompitZ: Überlebensanalyse Maschinelles Lernen > Entscheidungsbaum > Random Forest > Support Vector Machine

42 Was ist die Modellgüte?

43 Projekt SEMA Wie gut ist die Prognose von Kanalalterungsmodellen? Partner: KWB, Veolia, OEWA, 3S Consult, SE BS (Braunschweig), BWB >

44 Modellbewertung Bedarfsorientierte Kanalbefahrung Prognose der Kanälen mit hohem Sanierungsbedarf Langfristige Sanierungsstrategie Simulation von Investitionsszenarien Entwicklung des Netzzustandes Modellgüte: > Modell sollte für Kommunen einen Vorteil bei der Planung von Sanierungsstrategien darstellen > Definition von Kennzahlen für die 2 Modellanwendungen

45 Modellbewertung Bedarfsorientierte Kanalbefahrung Prognose der Kanälen mit hohem Sanierungsbedarf Langfristige Sanierungsstrategie Simulation von Investitionsszenarien Entwicklung des Netzzustandes Modellgüte: > Modell sollte für Kommunen einen Vorteil bei der Planung von Sanierungsstrategien darstellen > Definition von Kennzahlen für die 2 Modellanwendungen

46 Modell Prognose Jede Haltung im Inspektionsjahr Vergleich mit Zustandsbewertung nach Kanalbefahrung Handlungsbedarf Zustandsklasse Sofort Mittelfristig Langfristig Schadensfrei

47 Modell Prognose 1000 Haltungen im schlechtesten Prognose-Zustand

48 Modell Prognose 1000 Haltungen im schlechtesten Prognose-Zustand Alterungsmodell 73% Inspektionsdaten 18% 3% 6%

49 Modell Prognose 1000 Haltungen im schlechtesten Prognose-Zustand Zufallsmodell Alterungsmodell 26% 18% 73% Inspektionsdaten 10% 46% 18% 3% 6%

50 Prognosegestützte Inspektionsstrategie 1000 Inspektionen 730 Kanäle in schlechtem Zustand Zufallsmodell Alterungsmodell Zufall Inspektionsstrategie 1000 Inspektionen 260 Kanäle in schlechtem Zustand 26% 18% 10% 73% Modell findet 3 X mehr Kanäle in schlechtem Zustand 46% 18% 3% 6%

51 Modellbewertung Bedarfsorientierte Kanalbefahrung Prognose der Kanälen mit hohem Sanierungsbedarf Langfristige Sanierungsstrategie Simulation von Investitionsszenarien Entwicklung des Netzzustandes Modellgüte: > Modell sollte für Kommunen einen Vorteil bei der Planung von Sanierungsstrategien darstellen > Definition von Kennzahlen für die 2 Modellanwendungen

52 Inspektion Prognose Kalibrierung 100% Daten Haltungen 1500 km Abweichung: Inspektion VS Prognose

Inspektion Prognose Kalibrierung 50% Daten 15000

53 Inspektion Prognose Kalibrierung 50% Daten Haltungen 750 km Abweichung: Inspektion VS Prognose

54 Inspektion Prognose Kalibrierung 20% Daten 6000 Haltungen 300 km Abweichung: Inspektion VS Prognose

55 Inspektion Prognose Kalibrierung 5% Daten 1500 Haltungen 75 km Abweichung: Inspektion VS Prognose

56 Inspektion Prognose Kalibrierung 1% Daten 300 Haltungen 15 km Abweichung: Inspektion VS Prognose

57 Inspektion Prognose Kalibrierung 0.5% Daten 150 Haltungen 8km Abweichung: Inspektion VS Prognose

58 Inspektion Prognose Kalibrierung 0.2% Daten 60 Haltungen 3km Abweichung: Inspektion VS Prognose

59 Zusammenfassung Zuverlässige Modellvorhersage an der Netz- und Haltungsebene Potenzial für operative und strategische Planung Notwendige Daten: Kanalzustand + Alter, Material, Durchmesser und Tiefe Gute Prognosequalität erfordert eine Mindestanzahl von TV-Inspektionsdaten für Modellkalibrierung: in Braunschweig: 1500 Haltungen 75 km 5 % des Netzes

60 Perspektiven Zustandsbewertung und Substanzwertermittlung Fehlersuche bei der Kodierung und Zustandsbewertung (Analyse von wiederholten Inspektionen) Darstellung der Genauigkeit der Investitionsvorhersage Berücksichtigung des Alterungsprozesses von Renovierungsverfahren Berücksichtigung von Kosten und Zusammenarbeit mit anderen Diensten (z.b. Straßenbau)

61 Projekt SEMA- Berlin Auswahl des besten Modelleinsatzes für Berlin: statistisches VS maschinelles Lernen Modell Partner: KWB, BWB > 1 Jahr

62 Danke für Ihre Aufmerksamkeit Fragen? Nicolas Caradot

Ähnliche Dokumente

Dr.-Ing. Robert Stein Geschäftsführender Gesellschafter S & P Consult GmbH Prof. Dr.-Ing. Stein & Partner GmbH

Dr.-Ing. Robert Stein Geschäftsführender Gesellschafter S & P Consult GmbH Prof. Dr.-Ing. Stein & Partner GmbH Was sind die Kanalflüsterer Die Kanalflüsterer sind eine Interessensgemeinschaft, die sich