Vanaf 1 januari 2017 hebben de Nederlandse waterkeringen een nieuwe set wettelijke veiligheidsnormen voor overstromingen gekregen (Jonkman et al., 2018). Als gevolg van deze nieuwe aanpak is geconcludeerd dat de resulterende normen van enkele tegenoverliggende dijktrajecten langs dezelfde rivieren, zoals bijvoorbeeld de IJssel, hebben geleid tot verschillende vereiste normen (factor 3 tot factor 10 verschil). De reden hiervoor is dat analyses worden gedaan door individuele dijkringen in plaats van als interactief waterkeringssysteem (zogenaamd systeemeffect). Nu de faalkanseisen voor alle dijkvakken in de wet zijn opgenomen, rijst de vraag of bij het ontwerp van deze keringen in het HWBP-programma rekening moet worden gehouden met deze resulterende verschillen in normen (en dus in dijkhoogten). Immers: als er bovenstrooms van een dijktraject 1 of meerdere dijktrajecten liggen met een lagere waterkering, dan lijkt het op het eerste oog verstandig om daarmee rekening te houden. Of dat ook inderdaad het geval is wordt nderzocht in dit onderzoeksvoorstel. Hoewel de meeste Nederlandse waterbeheerders zich bewust zijn van deze verschillen, zijn bedrijven zoals HKV (partner in ons voorstel) zeer geïnteresseerd in het opvullen van de kennislacune over het ontwikkelen van methoden en modellen waarmee ze deze uitgebreide holistische overstromingsrisicobeoordelingen kunnen uitvoeren in rekenkundig haalbare tijden en zonder de systemen te veel te vereenvoudigen. Dit zal hen ook in staat stellen om robuustere en op veerkracht gerichte oplossingen voor overstromingsrisico’s te ontwikkelen.
De ReInDeeR is bedoeld als een nauwe samenwerking tussen de waterschappen, Rijkswaterstaat, de industrie diedeze organisaties ondersteunt (zoals HKV) en de wetenschappers die onderzoeken hoe de actuele stand van de techniek kan worden verbeterd (TU Delft) met als doel de verwachte effecten van verschillende normen door conventionele overstromingsrisicomodellering (dijken+overstromingen), informatietheorie en machine learning (ML) te combineren. Het idee is om conventioneel enkelvoudige maar specifieke waterkeringsscenario’s te simuleren op basis van informatietheorie om de hoeveelheid informatie per scenario te maximaliseren. Deze simulaties worden gebruikt om de fundamentele vraag naar de effecten van variabele veiligheidsnormen te beantwoorden. Later, op basis van deze slim geproduceerde simulaties en gebruikmakend van de kracht van ML deep learning-technologieën, wordt een op deep learning gebaseerd surrogate model van het complete systeem gebouwd en getraind. Een surrogaatmodel is een model dat de input-outputgegevenssets van een ander, complexer model gebruikt om dezelfde resultaten te produceren in aanzienlijk snellere rekentijden. Aan het einde van het project zullen we naar verwachting in staat zijn om a) de effecten van variabele normen in de IJssel te kwantificeren en b) een surrogaat gebaseerde methode voor machine learing voorstellen die dezelfde vragen kan beantwoorden waarvoor minder trainingssimulaties nodig zijn en die in staat is om een aanzienlijk groter aantal scenario’s te produceren in haalbare rekentijden.

Bekijk het project