Ordning i RörANN
Med Ordning i RörANN kickstartatade vi arbetet med artificiell intelligens för ledningsunderhåll i VA-branschen i Sverige.
Projektet byggde på Stockholm Vatten och Avfalls (SVOA:s) ANN-modell för att förutsäga vilka dricksvattenledningar som riskerar att läcka. Modellen beräknar, med hjälp av ett tjugotal attribut såsom material, dimension, jordtyp och tryckzon, ett så kallat prediktionsvärde (0 till 1), vilket anger om ledningarna liknar de ledningar som det tidigare rapporterats läckor för. SVOAs modell har i projektet körts för fyra ledningsägare (SVOA, VA SYD, Göteborg och VAKIN). Sedan har rapporter om nya läckor samlats in, vilka har använts för att utvärdera modellens tillförlitlighet. Det är en tidskrävande uppgift att samla in och kvalitetssäkra stora mängder data. Det är därför intressant att veta vilka attribut som är viktigast. Utvärderingen visar att de fyra attributen material, ålder, närliggande driftstörningar och ledningslängd tillsammans ger ett bra resultat. Det indikerar att det är dessa attribut som främst bör samlas in och kvalitetssäkras.
Genom att kombinera ANN-modellen (sannolikhet för läcka) med en modell för konsekvenser kan högriskledningar vaskas fram. För kvalitativ konsekvensbedömning av läcka/driftstopp har ett antal faktorer identifierats som viktiga och samtidigt möjliga att storleksbestämma utifrån VA-organisationers erfarenheter och datatillgänglighet. Metoden bygger på poängsättning av konsekvenser. Dock saknas ofta underlag och erfarenhet även hos experter för att kunna göra en väl underbyggd poängsättning. Att ha med många faktorer ökar osäkerheten hos de som ska sätta poängen. En förenklad modell har därför diskuterats. I den rangordnas konsekvensen av läckage efter ledningsdimension och instängda områden. Dessa faktorer finns tillgängliga att hantera i ledningsägarnas GIS-system och bedöms vara några av de viktigare faktorerna för att bedöma storlek på konsekvens vid läcka.
Resultat från Ordning i RörANN, och systermodellen VASS AI som utvecklats parallellt av Svenskt Vatten, har nu börjat användas som prioriteringsverktyg i arbetet med underhålls- och reinvesteringsplanering runtom i Sverige: SVOA, där ANN-modellen har utvecklats, har kommit relativt långt i sitt arbete med proaktivt ledningsunderhåll. Modellen används i det dagliga läcksökningsarbetet samt i investeringsplaneringen. Dessutom håller SVOA på att utveckla sin modell för konsekvensbedömning. I Umeå avses ANN-modellen användas till förebyggande underhåll och som underlag till förnyelseplanering. För Vindeln tränades modellen på data från Umeå och appliceras sedan på Vindelns ledningar. VA SYD har testat flera digitala verktyg och använder i nuläget ANN-modellen som underlag för att planera arbetet för sitt läcksökningsteam och som en del i att identifiera vilka ledningssträckor som är intressanta att undersöka vidare i förnyelsearbetet. Modellen har även körts på data från Göteborg Kretslopp och Vatten. Miljö- och Vatten i Örnsköldsvik AB (MIVA) planerar att köra modellen inom närmaste åren. Även MittSverige Vatten & Avfall (MSVA) har testat VASS AI-modellen och de ser ett stort behov av denna typ av arbetssätt. Därför följer de utvecklingen och arbetar med sina data för att kunna använda denna typ av modell skarpt i en nära framtid.
Projektledare
Johanna Sörensen, Lunds universitet
Slutrapport
Slutrapport: Ordning i RörANN, en smart ANN-modell för minskat läckage på dricksvattennätet
Presentationer
Projektledare Johanna Sörensens presentation vid Rörnät och Klimat 2022
”AI-modell för läckage fungerar” – Artikel med projektledare Johanna Sörensen på SSTT
