Het leidingnet in beeld

Het ondergrondse drinkwaterleidingnet is lang een zwarte doos geweest. Nog steeds is ons beeld van de toestand van de leidingen beperkt en grotendeels gebaseerd op inschattingen. Dit geldt eveneens voor de exacte ligging van leidingen en in beperktere mate ook voor de connectiviteit. Omdat waterbedrijven steeds meer van op ervaring gebaseerde beslissingen naar op informatie gebaseerde beslissingen overgaan, wordt het cruciaal dat deze informatiebasis correct is. Zo moet iemand die een beslissing baseert op de uitkomst van een hydraulische berekening kunnen vertrouwen op de invoergegevens van het hydraulische model, zoals de exacte topologie en connectiviteit, maar ook zaken zoals materialen, diameters en afsluiterstanden.
De afgelopen decennia zijn er diverse inspectietools ontwikkeld die stukjes van deze zwarte doos hebben geopend voor de drinkwaterbedrijven, zoals de Aquarius en de Air in-line inspectie platforms. Van individuele leidingen komt hierdoor meer data beschikbaar. Binnen het komende decennium kunnen door de introductie van inspectierobots en nieuwe sensoriek enorme hoeveelheden data over de begraven infrastructuur beschikbaar komen. Dit biedt de kans om de zwarte doos volledig te openen, oftewel om een volledig en actueel beeld van het begraven leidingnet te hebben wat betreft toestand, topologie, verschillende componenten etc.
Het beschikbaar komen van al die nieuwe data brengt ook nieuwe uitdagingen met zich mee. Eén daar van zal zijn om deze grote hoeveelheid data te interpreteren: om videobeelden, radar- en geluidssignalen, gps-coördinaten en andere meetgegevens te vertalen naar afsluiterstanden, wanddiktes, materialen, diameters, locaties van buizen, verbindingen of appendages en dergelijken. Deze interpretatiestap is essentieel voor de constructie van een digitaal evenbeeld van het leidingnet waarop de toekomstige drinkwaterexpert zijn of haar beslissingen op kan baseren. In sommige gevallen zal deze stap te complex zijn om handmatig uit te voeren, maar in nog veel meer gevallen zal handmatige interpretatie simpelweg te tijdrovend zijn. Mensen zijn bijvoorbeeld typisch goed in staat om (te leren om) videobeelden in één oogopslag te duiden en daar de belangrijke zaken in te identificeren, maar het is zeer arbeidsintensief werk om duizenden uren beeldmateriaal handmatig door te werken en daar alle belangrijke zaken uit op te tekenen voor verdere verwerking.
In het voorliggende rapport gaan we dieper in op het voorbeeld van die videobeelden uit inspecties. Het doel is om een proof-of-concept te geven van automatische interpretatie van visuele data afkomstig van inspectietools en – robots. Op die manier wordt gedemonstreerd dat hiermee een significante verbetering van kennis van het leidingnet en van de kwaliteit van de beschikbare data hiervan valt te realiseren. Figuur 1 illustreert hoe dit past in de keten van data naar assetmanagementbeslissingen en -beleid.