Aller først må vi forklare litt hva maskinlæring (ML) egentlig er:
Maskinlæring er en spesialisering innen kunstig intelligens (KI) hvor vi bruker statistiske metoder for å la datamaskiner finne mønstre og sammenhenger i store datamengder. Vi sier at maskinen "lærer" i stedet for å bli programmert. Det å lære kalles også å trene opp en modell, og for å trene opp en modell, trengs data. Mye data.
Og det er nettopp data fra kommunens avløpsnett Lars Erik Risholm og Robert Styve har trent modellene sine med. De jobber i ingeniørgruppen som jobber med avløpssystem, prosess og miljø i avdeling Avløp og miljø i Bergen Vann. I dag har de til sammen 170 modeller de trener. Det vil si data fra mengdemålere installert på om lag 170 pumpestasjoner eller renseanlegg. Hver har sin modell som får hver sine unike data. Mengdemålerne måler hvor mye avløpsvann som passerer til enhver tid. I tillegg trener de modellene med historiske data tilbake til 2019.
"Fremmedvann"
Avløpsnettet i Bergen transporterer store mengder vann fra blant annet private husholdninger, industri og ikke minst regnvann, og fører det til renseanleggene. I Bergen har vi fem store renseanlegg som håndterer alt dette avløpsvannet. I tillegg til avløpsvann kommer det dessverre også en god del fremmedvann. Det er det de kaller vann som egentlig ikke skal være der! Det kan være fra lekkasjer i ledningsnettet, regnvann som trenger inn, eller sjøvann som finner veien inn i systemet.
Fremmedvannet gir oss utfordringer, fordi det både øker kostnadene knyttet til pumping frem til renseanleggene, og at renseanleggene må håndtere større vannmengder enn de ellers hadde trengt å gjøre. Og økte pumpe- og produksjonskostnader kan gi økte vann- og avløpsgebyrer! Avløpsnettet blir også «fullt», som igjen fører til økt risiko for overløpsutslipp. For når avløpsnettet blir fullt, vil avløp gå i overløp – det vil si at det vil gå urenset ut i sjø og vann uten å være innom et renseanlegg.
Nyttig verktøy
Og det er HER maskinlæringsmodellene kommer til nytte! De hjelper rett og slett til med å effektivisere driften på avløpsnettet, og til å finne avvik og skjulte feil som ellers er vanskelig å finne. Og de finner de mye tidligere enn de normalt ville gjort.
– Modellene varsler oss blant annet om det kommer unormalt mye inn via en pumpestasjon. Om vi ikke ser en naturlig forklaring som for eksempel mye nedbør, kan dette tyde på en lekkasje – og vi kan sette i gang tiltak for å lete etter, og ikke minst utbedre feilen. Det samme gjelder om en modell forteller oss at det er unormalt lite "trafikk" via en pumpestasjon. Det kan rett og slett tyde på at noe er tett, sier Lars Erik Risholm.
Her er noen eksempler:
Unormalt HØYE verdier
Unormalt LAVE verdier
Skrekkeksempel før maskinlæring
Fra idè til praksis
Ideen om denne maskinlæringsmodellen kom etter at Tore Lunde, en tidligere kollega av Styve og Risholm, hadde vært på kurs om maskinlæring på NTNU. Tankene begynte å rulle og gav grunnlag for et proof of concept utarbeidet av masterstudent Scott Gullaksen sommeren 2020. Modellen ble videreutviklet i samarbeid med Bouvet og Ansattservice i Bergen kommune, med datasjøen som en sentral del av plattformen.
– Dette har gitt oss mulighet til å håndtere store mengder data og utnytte avanserte algoritmer til å overvåke og optimalisere systemet, sier Robert Styve. Både han og Risholm har hatt hovedansvaret for prosjektet de siste seks månedene. Nå kun i regi av Bergen Vann.
Den første live-versjonen av modellen ble satt i drift i juni 2021. Dataene ble koblet til Power BI, noe som gjorde det enkelt å visualisere og analysere avvik i sanntid.
Veien videre
Risholm og Styve jobber nå med å optimalisere modellene slik at de blir så like virkeligheten at de settes i full drift. Så langt kan de vise til gode resultater. ML har så langt:
- Hindret utslipp av om lag 7000 m3 urenset avløpsvann
- Spart over 35.000 kWt med pumping i pumpestasjoner
- Oppdaget lekkasjer som igjen har spart produksjon og distribusjon av om lag 77.000 m3 drikkevann
- Oppdaget flere pågående hendelser og/eller avvik som undersøkes
Det blir spennende å følge dette prosjektet videre, og ikke minst: Se hvilke resultater det gir. Håpet er å kunne bruke ML i flere deler av vann- og avløpsdriften – og kanskje også innenfor andre områder i Bergen kommune.