Modelleren met datatypen
Voor het Hoogheemraadschap De Stichtse Rijnlanden (HDSR) maakten wij een 3D model van de ondergrond onder de noordelijke Lekdijk, tussen Schoonhoven en Amerongen. In de periode 2017- 2029 is HDSR de Lekdijk aan het verstevigen, zodat steden als Utrecht en Amsterdam optimaal beschermd blijven als het waterpeil stijgt. Met het ondergrondmodel bepaalt HDSR welke versterkingsmaatregelen op welke plek passen, op welke locaties meer gegevens nodig zijn en om aan omwonenden uit te leggen waarom maatregelen nodig zijn.
De ondergrond in dit gebied is complex, maar goed te karteren omdat er veel boringen en sonderingen zijn. En dat biedt kansen om meer detail in te brengen in het model: doordat we in dit project alle beschikbare data hebben gebruikt, konden we met een hoge resolutie modelleren.
Gevarieerde ondergrond vraagt om hoge resolutie
Voor het modelleren van de ondergrond onder de Lekdijk gebruikten we 3D-cellen van 25 x 25 x 0.25 m. Dat is bijzonder, want het landelijke GeoTOP model wordt met cellen van 100 x 100 x 0.5 m gemaakt; de resolutie in dit project is 32 keer zo hoog! Dat maakt het mogelijk om de ondergrond met meer detail te modelleren. Voor een gebied waarvan de ondergrond veel variatie vertoont, zoals hier in het rivierengebied, is dat van groot belang.
Sonderingen interpreteren met machine learning
Om met zoveel detail te modelleren, is wel meer data nodig dan normaal. Normaal gebruiken we alleen boringen als basis voor de modellering, maar nu hebben we ook sonderingen gebruikt. Sonderingen geven net als boringen informatie over de ondergrond, maar in een heel andere vorm. We moesten de sonderingen dus anders aanpakken dan de boringen. In het gebied is een flink aantal plekken waar boringen en sonderingen vlak bij elkaar staan. Hier kun je zien hoe de metingen in een sondering zich vertalen in een beschreven boring. Met machine learning technieken hebben we een artificieel neuraal netwerk getraind met deze boor-sondeerparen, om vervolgens alle sonderingen te kunnen vertalen naar informatie die je normaal uit een boring zou halen: uit welk materiaal bestaat de ondergrond. Nu konden we de sonderingen, samen met de boringen, gebruiken om enerzijds te bepalen waar de overgangen tussen verschillende geologische eenheden zitten en anderzijds voor elke 3D-cel van het model te berekenen wat het meest waarschijnlijke materiaal is, zoals zand, klei of veen). Het inzetten van machine learning om ondergrond informatie te analyseren geeft goede resultaten en we willen deze techniek verder ontwikkelen.
Meer innovaties
Naast deze innovaties onderzochten we hoe je een bestaand ondergrondmodel kunt verrijken met nieuwe datapunten, zodat de voorspellingen van het model nog beter worden. En wanneer je nieuwe datapunten toevoegt, wil je weten hoe goed die in het model passen, dus daar hebben we een statistische methode voor ontwikkeld. Tot slot zijn we ook goed aan het kijken hoe we rivierbeddingen modelleren: voor deze langgerekte, smalle elementen nemen we nu de richting van de rivierloop (anisotropie) mee in de statistische berekeningen die voorspellen hoe de ondergrond eruitziet.
Samenwerken met GDN?
Ben je geïnteresseerd in het gebruik van neuraal netwerk analyse of machine learning in ondergrondmodellering? Of denk je dat een hoge resolutie ondergrondmodel een antwoord kan geven op jouw vragen? Neem dan contact op met Willem Dabekaussen via onderstaande blauwe knop met het label ‘mail direct’.
