AI in het beheer en onderhoud van infrastructuur

Het inwinnen van gegevens over de staat van de infrastructuur kan dankzij kunstmatige intelligentie (AI) aanzienlijk efficiënter worden uitgevoerd. Ingenieursbureau Iv past een combinatie toe van bewezen tools en zelfontwikkelde AI-toepassingen om niet alleen sneller en kostenefficiënter te inspecteren, maar vooral ook om schades accurater te detecteren en te diagnosticeren en beheerders van gerichtere adviezen te voorzien.

Dromen van AI

Voor het opstellen van het optimale meerjaren onderhoudsplan (MJOP) voor een verzameling assets heeft Iv de methode DREAM® (Datagedreven en Risicogestuurd Enterprise Asset Management) ontwikkeld. In deze aanpak worden per asset alle mogelijke faalmechanismen geanalyseerd, die vervolgens op basis van inspectiegegevens, scans en/of sensordata van kansen van optreden worden voorzien.

De kwaliteit en actualiteit van de beschikbare data zijn hierbij essentieel. Ze bepalen in grote mate het risicoprofiel van de assets. Zo kunnen recent geïnspecteerde schades uitwijzen dat de staat van een viaduct dusdanig slecht is dat de kans op constructief falen onacceptabel hoog is. In dergelijke gevallen is het duidelijk dat er zo snel mogelijk actie moet worden ondernomen, zoals schadeherstel of versterkende maatregelen, eventueel in de vorm van een aslast- en gewichtsbeperking, of zelfs een totale afsluiting van het viaduct om de veiligheid te waarborgen.

Het kan echter ook voorkomen dat er al vele jaren geen inspectie is uitgevoerd van een kunstwerk of dat de beschikbare inspectiegegevens en/of metingen onvoldoende inzicht bieden. In dit geval is er sprake van relatief veel onzekerheid over de constructieve staat van het kunstwerk, wat eveneens leidt tot een verhoogd en mogelijk zelfs onacceptabel risicoprofiel. Ook in dit geval is het raadzaam om actie te ondernemen, maar dan in eerste instantie in de vorm van een aanvullende inspectie of nader onderzoek. Dit heeft als doel de kennisonzekerheid te verkleinen en zo het verwachte faalmoment beter te kunnen inschatten. Dit leidt in de meeste gevallen tot een verlaging van het risico, waardoor verdere maatregelen op de korte termijn wellicht niet langer nodig zijn, maar kan incidenteel uiteraard ook leiden tot een verhoogd risico wanneer ernstige constructieve schades worden geconstateerd.

Binnen deze datagedreven en risicogestuurde aanpak wordt het identificeren en diagnosticeren van schade dan ook steeds belangrijker. Een veelbelovende ontwikkeling op dit gebied is het gebruik van AI. Iv past AI in de vorm van onder andere machine learning toe, ondersteund door een omvangrijke database die is opgebouwd uit duizenden inspecties van diverse assets gedurende de afgelopen decennia. De werking van deze AI-tool is gebaseerd op deze rijke dataset, waardoor schade op basis van slechts een foto sneller en nauwkeuriger kan worden herkend en gediagnosticeerd. De AI leert vervolgens continu van de data die het verwerkt en door de grote hoeveelheid historische inspectiedata van Iv, kan de AI steeds accurater worden in het identificeren van schade.

Hoewel de AI zich hiermee steeds verder ontwikkelt en steeds ‘slimmer’ wordt, blijft de expertise van ingenieurs voorlopig onmisbaar. Zo moeten de eventuele schades op dit moment nog door een ter zake kundige inspecteur worden herkend en vastgelegd, maar veel belangrijker: de diepgaande technische kennis en ervaring van de ingenieurs, opgebouwd door het jarenlang ontwerpen en inspecteren van complexe constructies, maken het mogelijk ook de minder voor de hand liggende schadepatronen en technische problemen te doorgronden en hier een passend advies voor te geven.

Geavanceerde inspectiemethoden

AI wordt niet alleen ingezet voor schadeherkenning op basis van foto’s, maar speelt ook een steeds grotere rol in geavanceerde inspectiemethoden. Een voorbeeld hiervan is de door Iv ontwikkelde scanauto die in één rit een volledig areaal zeer gedetailleerd in kaart brengt. Terwijl de auto rijdt, worden objecten zoals verkeersborden, wegmarkeringen, bomen, viaducten en verkeerslichten geregistreerd. De combinatie van 360-graden foto’s en 3D-laserscans resulteert in een digitale kopie van de werkelijkheid.

Joost Assendelft, teamleider Geodata bij Iv, stond jaren geleden aan de basis van deze eerste scanauto van Nederland en is nog altijd nauw betrokken bij de verdere ontwikkeling ervan. Hij licht toe: “De puntenwolk van de 3D-laserscans biedt nauwkeurige x-, y- en z-coördinaten van objecten, waardoor de exacte locatie, vorm en afmetingen meetbaar zijn. In tegenstelling tot foto’s, die geen ruimtelijke data bevatten, levert dit een veel gedetailleerder en betrouwbaarder overzicht van de infrastructuur. Beheerders kunnen bijvoorbeeld direct zien of obstakels te dicht bij de weg staan, of drempels en wegmarkeringen aan de normen voldoen, of wat de exacte doorrijhoogte van viaducten is.

In plaats van meerdere inspecties voor wegen, verkeersborden, lichtmasten of groenbeheer, kan nu alles in één meting worden vastgelegd. Dit betekent dat alle relevante gegevens direct beschikbaar zijn, zonder dat er voor elk afzonderlijk beheervraagstuk opnieuw veldwerk nodig is. Hierdoor kunnen beheer- en onderhoudsbeslissingen niet alleen sneller en efficiënter, maar vooral ook beter op elkaar afgestemd en beter onderbouwd worden genomen.”

Tot voor kort werd de grote hoeveelheid data die de scanauto verzamelt nog handmatig geanalyseerd. Iv werkt inmiddels druk aan AI-toepassingen die deze interpretaties automatiseert. In plaats van menselijke tussenkomst kan AI direct markeringen, objecten en schades herkennen en classificeren. Dit maakt het proces sneller, efficiënter en betrouwbaarder.

Joost vervolgt: “Hoewel AI veelbelovend is, bevindt de toepassing ervan zich nog in de onderzoeksfase. We zijn daarom bij de start van onze AI-ontwikkeling bewust begonnen met het herkennen en analyseren van wegmarkeringen. Markeringen, zoals pijlen en strepen, hebben namelijk een hoog contrast met het wegdek en zijn daardoor goed te onderscheiden. Dit maakt het een ideaal startpunt om te testen hoe betrouwbaar AI patronen herkent. Dit helpt ons om beter te begrijpen hoe AI kan worden ingezet voor complexere inspectietaken in de toekomst.”

De toekomst van AI in het beheer en onderhoud van infra

AI transformeert de manier waarop infrastructuur wordt geïnspecteerd. In de toekomst zullen routinematige taken, zoals het detecteren van graffiti, corrosie van geleiderails of scheuren in asfalt, grotendeels door AI worden uitgevoerd.

Toch blijft de rol van ervaren inspecteurs cruciaal. “Het gevaar is niet zozeer dat AI de inspecteurs vervangt, maar dat we over tien tot twintig jaar te weinig experts hebben die risicovolle schades kunnen herkennen en diagnosticeren.” waarschuwt Arno Willems, directeur Assetmanagement bij Iv. “Als AI alle schadeherkenning en diagnoses overneemt, wordt het lastiger om nieuwe inspecteurs praktijkervaring te laten opdoen. Daarom moeten we AI niet zien als een vervanging van de mens, maar als een hulpmiddel dat de inspecteur ondersteunt in zijn werk.”

Dit betekent dat inspecteurs zich minder bezig hoeven te houden met repetitieve controles, maar juist kunnen focussen op complexe en unieke schadegevallen waar écht menselijk inzicht voor nodig is. Dit maakt niet alleen het werk van de inspecteurs interessanter en gevarieerder, maar zorgt er ook voor dat ze hun expertise kunnen inzetten op de plekken waar technologie niet in staat is om de juiste inschatting te maken. Zo blijft de combinatie van menselijke ervaring en kunstmatige intelligentie essentieel voor de kwaliteit en effectiviteit van infrastructuurbeheer.