Nieuw AI-model kan risicio's op graafschade voorspellen
Het is weer lente, en dat betekent dat de plantjes weer opkomen. Naast het vele groen springt er echter ook oranje uit de grond - de sprieten van glasvezelkabels die wachten om doorgetrokken te worden tot achter de voordeur, om zo steeds meer Nederlandse huishoudens toegang tot het snelst mogelijke internet te bieden. Maar in Nederland zit veel onder de grond, waardoor graafschade een groot risico is. Nu is er een nieuwe oplossing: een voorspellend model op basis van kunstmatige intelligentie (AI) die het risico op graafschade kan inschatten.
Graafschade kost jaarlijks tientallen miljoenen, en kan ook levensgevaarlijke situaties opleveren, bijvoorbeeld door gasexplosies of elektrocutie. In 2024 waren er in totaal 49.913 meldingen van schade door graven. Dat betekent dat ongeveer een op de achttien graafacties resulteert in schade. En de kosten stijgen - van €46,4 miljoen in 2023 tot €57,6 miljoen in het afgelopen jaar. Maar het nieuwe AI-model van ir. Jiarong Li brengt hier mogelijk verandering in. Het Damage Prediction System (DPS) model kan bij graafwerkzaamheden gebruikt worden om te voorspellen of er risico is op schade.
Li verdedigde op 10 februari met succes de scriptie waarmee ze haar ingenieurstitel behaalde. De scriptie beschrijft hoe het model data van verschillende netbeheerders en het Kabels en Leidingen Informatie Centrum (KLIC) van het Kadaster combineert met behulp van machine learning, om zo te kunnen voorspellen wat het risico op schade is bij het graven in een bepaald gebied. Het model doet dit met een nauwkeurigheid van 74.3%.
Het idee achter het model is simpel - wie ergens wil graven kan aan het model vragen hoe groot het risico op graafschade is. Op basis hiervan kunnen plannen worden aangepast om zo het risico op schade zo klein mogelijk te maken. Bovendien kan het model makkelijk worden bijgewerkt. Nieuwe gegevens van het KLIC en netbeheerders kunnen worden toegevoegd aan de bestaande dataset, om zo door het algoritme meegenomen te worden in de inschattingen. Zo blijft het model altijd actueel.
Er zijn echter nog wel enkele stappen nodig voordat het model in de praktijk gebruikt kan worden. Belangrijkste hierbij is de Wet informatie-uitwisseling bovengrondse en ondergrondse netten en netwerken (WIBON), die voorschrijft hoe informatie tussen netbeheerders en grondroerders moet worden uitgewisseld. Het is niet duidelijk of het delen van informatie zoals nodig is voor dit model binnen deze wet is toegestaan. Daarnaast zijn er mogelijk ook moeilijkheden vanuit Europese wetgeving omtrent privacy, omdat de meldingen bij het KLIC ook persoonlijke informatie bevatten.
Toch is het model veelbelovend. Graafschade kost de Nederlandse economie elk jaar tientallen miljoenen in herstelkosten, en zorgt bovendien ook voor kostbare vertragingen in de ontwikkelingen. Het DPS model is een eerste stap in het gebruik van AI om deze schade terug te brengen. Hoewel er nog wel wetmatige en praktische problemen zijn bij de implementatie, is de theoretische onderbouwing veelbelovend.