Hos DHI sidder en række specialister i vandmiljø og tager sig af udfordringer inden for vand og miljø. Derfor er de også særligt optagede af, hvordan vi i fremtiden kan håndtere de større mængder regn, vi vil få, i mange tilfælde over kortere tid. Hos Alexandra Instituttet sidder en række specialister i nye teknologier, og derfor var det oplagt at gå sammen i et samarbejde om at bruge nye teknologier til at løse fremtidens vejrudfordringer.

Det er der i første omgang kommet tre cases ud af, der allerede er med til at gøre en forskel.

Med løsningen ”Radar-to-flow” har de i samarbejde undersøgt, om man præcist kan forudsige, hvor meget vand, der kommer til et rensningsanlæg ved brug af vejrradar-billeder. At kunne forudsige, med større præcision, hvor stort et flow, der kommer til et rensningsanlæg er en stor hjælp i forhold til at optimere driften af rensningsanlægget og reducere udledning af urenset spildevand. For når der kommer meget vand, er der en anden proces i rensningsanlægget, og i jo bedre tid man ved, hvor meget vand der kommer, jo bedre tid har man til at omstille anlægget til det, så man skal sende mindst muligt vand udenom anlægget.

De vejrradar-billeder, man bruger i dag, viser refleksionen af vandpartikler i atmosfæren og kan give en pejling om eventuel nedbør. Men udfordringen er, at den angivelse, der indikerer nedbør, også blot kan skyldes refleksioner fra bygninger, terræn, fly, fugle osv. Desuden giver vejrradaren ikke en entydig sammenhæng mellem refleksion og nedbørsintensitet. Derfor er det svært at vurdere ud fra radarbilleder, præcis hvor meget nedbør der kommer. Og når først det regner, så er det for sent for rensningsanlæggene at tilpasse sig, hvis regnen kommer i større eller mindre mængde end antaget. Men ved at bruge kunstig intelligens og kigge tilbage på radarbilleder og sammenligne dem med den nedbør, der rent faktisk kom, kan vi bruge de data til at forudsige med større præcision, hvor meget nedbør vi kan forvente, når vi også ser på fremskrevne radarbilleder. Værktøjet er ved at blive finpudset, men fungerer allerede bedre end de værktøjer, rensningsanlæggene hidtil har arbejdet med.

I et andet projekt er det blevet undersøgt, om man kan blive bedre til at opdage, hvis noget er ved at gå galt i et rensningsanlæg. Selvom rensningsanlæggene ikke fungerer på præcis den samme måde, så er processerne bag stadig de samme. Typisk er anlæggene temmelig selvkørende, og der er ikke mange mennesker, der holder øje med processerne. Men der foregår ikke desto mindre mange processer, der skal gå op i en højere enhed – vi har at gøre med særlige blandinger af kemikalier og temperaturer, så der kan godt opstå uhensigtsmæssige situationer – og det skal vi have en alarm om! Derfor er et system blevet udviklet, der kan følge med i processerne og vurdere, om noget er ved at gå skævt et sted, vurderet ud fra data fra anlæggene.

Endelig har casen MetOcean Emulator undersøgt, om vi kan skabe en bedre model til at forudsige bølgehøjder i havet. Det er afgørende for vores muligheder for at kunne servicere eksempelvis havvindmøller. Ofte vil man sejle ud til lokationerne på havet i lejede både, men kan man ikke tids nok forudse, hvordan vejret bliver, kan man blive nødt til at vende om eller aflyse med kort varsel, så man ikke får løst opgaven, mister penge på leje af båden og spilder reparatørernes tid.
De typiske modeller, man bruger i dag, er beregningstunge og kræver lange beregningstider til at forudsige bølgehøjder. Hurtigere beregninger, der inkluderer usikkerhed og risikoparametre i forudsigelserne er essentielle for at optimere servicen. Og det er også ambitionen med den løsning, som DHI arbejder på at videreudvikle på baggrund af casen.

Mange forbinder kunstig intelligens med noget, der udelukkende foregår i en computer. Men selvom et rensningsanlæg eksempelvis er et praktisk foretagende, så vil styringen af det ofte være digitalt. Og når vi skal agere i en natur, der bliver mere og mere uforudsigelig, så får vi brug for al den hjælp, vi kan få. Her er det oplagt at bruge kunstig intelligens, der netop kan finde mønstre i komplicerede data – det er vores mulighed for at forudse det uforudsigelige.

Artiklen er skrevet af Alexandra Instituttet, august 2021