Efficiëntie verhogen voor Duitsland's grootste pomp-operatie
- De challenge
- Waterpeil voorspellen in lege mijnen in het Ruhrgebied.
- Onze oplossing
- Met regen-data en geologische data is een AI getraind dat het waterpeil correct voorspelt.
- De toekomst
- Landscape helpt RAG op dit moment om het AI model te verbeteren en adviseert hoe zij AI-gedreven beslissingen kunnen nemen.
“The cooperation with Landscape exceeded all our expectations. The results of the challenge are very promising and gaining insight in Machine Learning was valuable for future projects.”
– Isabelle, Geoloog (mijnwatermanagement) bij RAG
Nadat Duitsland stopte met het ontginnen van steenkool werd RAG verantwoordelijk voor het onderhouden van de vele mijnen die nu niet langer in gebruik waren. Hun hoofdactiviteit bestaat uit het dagelijks wegpompen van tonnen regenwater uit de mijnschachten, om te voorkomen dat mijnwater en ondergrond drinkwater met elkaar vermengen.
Door het waterpeil in de mijn te kunnen voorspellen zal RAG hun pomp-activiteiten preciezer kunnen plannen, wat kosten bespaart.
Maar hoe voorspel je het waterpeil in eeuwenoude mijnen, zonder kaarten en zonder exacte kennis van de omliggende grondlagen?
En zelfs als hierin slaagt, hoe weet je dan dat deze voorspellingen ook later nog correct zijn, aangezien de pompinstallaties voor onbepaalde tijd zullen blijven pompen?
Onze oplossing: Explainable AI aan het werk
Precies om deze vragen te beantwoorden vroeg RAG de hulp van Landscape. Tijdens de pilotfase hebben we het waterpeil in 3 mijnen voorspeld aan de hand van o.a. geologische kaarten, data over hoeveelheden regen en sensordata uit de mijn.
Dit neurale netwerk slaagde erin om het waterpeil 8 weken vooruit te voorspellen met een nauwkeurigheid van 78-84%.
Vervolgstappen
De pilot heeft bewezen dat AI de efficiëntie van RAG kan verhogen. Het gaf RAG ook hun eerste succes op het gebied van data science. In toekomstige projecten zullen we het model verder verbeteren, de scope uitbreiden naar alle mijnen, en verder blijven werken aan datagedreven beslissingen nemen.
Swier Heeres
Swier was Lead data scientist bij dit project met RAG. Zijn achtergrond in de natuurkunde en klimaatwetenschappen combineerde uitzonderlijk goed met zijn kennis van neurale netwerken en Explainable AI.