In rioleringsdatabases en beheersystemen wordt rioleringsdata in een gestructureerde vorm opgeslagen en gekoppeld aan de kaart. Sweco is in 2019 door de gemeente Utrecht gevraagd om de huidige data in het beheersysteem te verbeteren met behulp van automatisering en big data. Hiervoor hebben we een datatool ontwikkeld, waarmee we snel grote hoeveelheden data kunnen vergelijken. Lucas Nieuweboer, consultant bij Sweco: “Als je data op orde is, kun je inspecties gerichter uitvoeren en dus ook accurater plannen en begroten.”
“De data van de gemeente Utrecht was niet altijd meer actueel”, vertelt Lucas. “Daarnaast werden de beschrijvingen van onderdelen van het rioolsysteem en het oppervlaktewaterareaal niet consequent toegepast. Dit komt gedeeltelijk doordat er in het verleden keuzes gemaakt zijn voor bepaalde benamingen en er in de loop van de tijd nieuwe benamingen bijgekomen zijn. Maar ook omdat er niet altijd gerapporteerd en verwerkt wordt wat er in het veld is aangepast. Op die manier kan er een mismatch ontstaan tussen de database en de werkelijkheid.”
Grote hoeveelheid data automatisch vergelijken
Vanwege de grootte van het areaal is het handmatig opsporen van dit soort mismatches een omvangrijke klus. “Daarom hebben we een datatool gemaakt, die big databestanden vergelijkt met een ruimtelijke component. Dat is normaal gesproken heel arbeidsintensief, maar door dit proces te automatiseren, kunnen we heel snel een grote hoeveelheid data vergelijken”, legt Lucas uit.
Fouten opsporen in rioleringsdata
“Tijdens dit project bij de gemeente Utrecht stuitten we onder andere op duikers, die niet aan water vast zitten”, gaat Lucas verder. “Het water is bijvoorbeeld gedempt, maar de duiker staat nog in het systeem of ligt niet op je juiste locatie. Dit kun je controleren door de duikers te vergelijken met oppervlaktewater uit de BGT. En andersom kun je bekijken welk oppervlaktewater geen duikers heeft, terwijl je dit wel verwacht. Zo hebben we dit soort fouten weten op te sporen.”
“Een ander voorbeeld is dat niet alle slokops in het beheersysteem bekend waren. Slokops zijn overloopvoorzieningen, die direct op een infiltratievoorziening zijn aangesloten. Sommige slokops stonden als ‘kolken’ beschreven. En als een slokop niet bekend is in het beheersysteem, wordt het door de reinigingsdienst ook niet meegenomen in het onderhoud. Om deze te lokaliseren, hebben we onderzocht welke kolken op begroeid of onbegroeid terrein liggen, minimaal 40cm vanaf de weg liggen en dus eigenlijk slokops kunnen zijn. Van de 312 slokops lagen er maar 177 in een bekende wadi en 9 langs de weg. Dit reduceert het aantal slokops, die in het veld gecontroleerd moeten worden, aanzienlijk. En dat scheelt natuurlijk veel tijd.”
Een aanvulling op je beheersysteem
“Door geautomatiseerd en op een datagestuurde manier door de beheerdata te gaan, kan in korte tijd veel resultaat behaald worden”, zegt Lucas. “Uit de data-analyse komt een lijst met potentiële fouten en objecten. Deze kun je als gemeente zelf controleren, door inspecties uit te voeren in het veld. De bevindingen kun je als beheerder vervolgens terugzetten in je beheersysteem.”
“De datatool is een aanvulling op het gebruikelijke gegevensbeheer én op je beheersysteem, dus ook op Obsurv. Doordat de huidige data op een andere manier geïnspecteerd wordt, kun je er fouten uithalen, die anders over het hoofd worden gezien. De data die je in Obsurv hebt staan, wordt hiermee dus accurater en actueler. Door je data te optimaliseren, kunnen inspecties efficiënter uitgevoerd worden en kun je nóg gerichter plannen en begroten”, besluit Lucas.
Contact
Wil jij ook jouw rioleringsdata optimaliseren en daardoor gerichter je beheer plannen en begroten? Neem dan contact op met Lucas Nieuweboer. Hij denkt graag met je mee.
