Het project beoogt gezamenlijk twee hoofddoelen te bereiken. Het eerste doel is gericht op het beantwoorden van fundamentele vragen met betrekking tot de verwachte prestaties van de huidige Nederlandse waterkering die is voortgekomen uit de nieuwe benadering van overstromingsrisico die in 2017 is geïntroduceerd. Onderdeel van deze benadering is dat de kans op een overstroming en de gevolgen van een overstroming integraal beschouwd. De gevolgen komen tot uitdrukking in economische schade en verlies van mensenlevens. Uit deze analyse is geconcludeerd dat de normen van de trajecten van de IJssel nogal verschillen (factor 3 tot 10 verschil), maar er is geen rekening mee gehouden dat de trajecten langs dezelfde rivier liggen. Nu de faalkanseisen voor de vakken in de wet zijn opgenomen, rijst de vraag of bij het ontwerp van deze keringen in het HWBP-programma rekening moet worden gehouden met de verschillen in normen (en dus in dijkhoogten). Dezelfde vraag rijst langs de Maas, want ook daar zien we dat de normen voor de verschillende dijktrajecten een factor 10 kunnen verschillen.
Het tweede doel van het project is om gebruik te maken van de conventionele overstromingsrisicobeoordeling die gegevens, simulaties en resultaten heeft opgeleverd die nodig zijn om het eerste doel te bereiken en deze te gebruiken om de mogelijkheden te verkennen van het trainen van een op diep leren gebaseerd surrogaatmodel (eenvoudiger model van een model). Met dit nieuwe model willen we de rekentijd verbeteren die nodig is om de oorspronkelijke beoordeling uit te voeren, zodat er ook aanvullende overstromingsscenario's kunnen worden geproduceerd zonder dat de oorspronkelijke 2D-overstromingsmodellen hoeven te worden berekend, maar deze voornamelijk bij benadering te produceren. Als dit lukt, zouden we in staat moeten zijn om exact dezelfde vragen te beantwoorden die al zijn beantwoord met de conventionele beoordeling plus aanvullende met meer haalbare rekentijden.

In 2017 is een nieuwe aanpak van overstromingsrisico’s geïntroduceerd. Onderdeel van deze aanpak is dat de kans op een overstroming en de gevolgen van een overstroming integraal worden beschouwd. De gevolgen worden uitgedrukt in economische schade en verlies van mensenlevens. Uit deze analyse is geconcludeerd dat de normen van de trajecten van de IJssel nogal verschillend zijn (factor 3 tot 10 verschil), maar hierbij is niet in acht genomen dat de trajecten langs dezelfde rivier liggen (zogenaamde systeeemwerking). Nu de faalkanseisen voor de trajecten in de wet zijn opgenomen, doet de vraag zich voor of met de verschillen in normen (en daarmee in dijkhoogtes) rekening moet worden gehouden bij het ontwerpen van deze keringen in het HWBP programma. Dezelfde vraag doet zich voor langs de Maas, want ook daar zien we dat de normen voor de verschillende trajecten een factor 10 kunnen verschillen. Om de afgeleide effecten op het overstromingsrisico en de gevolgen van de verschillende normen te bestuderen, moest een aanzienlijke hoeveelheid probabilistische berekeningen en daaruit voortvloeiende overstromingsscenario's worden gemodelleerd. Al deze geproduceerde gegevens vormen een krachtige bron van informatie die kan worden gebruikt om op machinaal leren gebaseerde modellen te bouwen en te trainen, die later kunnen worden gebruikt om vergelijkbare en misschien zelfs verschillende beoordelingen uit te voeren ten opzichte van de oorspronkelijke beoordelingen die op de conventionele manier zijn uitgevoerd. De belangrijkste drijfveer van dit project is het onderzoeken van de mogelijkheid om robuuste modellen te maken op basis van de reeds door Rijkswaterstaat uitgevoerde studies.

De fundamenteel overstromingsrisico onderzoeksvragen zijn:
1. Wat zijn de verschillende onzekerheden die het ontwerp van een waterkering beïnvloeden, en wat betekenen deze onzekerheden voor de hoogte van de waterkeringen langs de IJssel, gegeven ook de verschillende normen voor de trajecten?
2. Zijn deze verschillende hoogten van de waterkeringen significant voor het overstromingsrisico van het gehele IJsselsysteem, zowel in termen van gevolgen als in termen van overstromingskansen?
3. Een kering is niet altijd even hoog maar zal dalen in de loop van de tijd. Hoe kan daar op een passende manier mee omgegaan worden bij een risicoberekening?
4. Is het aantrekkelijk om bij het ontwerpen van de waterkeringen langs de IJssel rekening te houden met bovenstroomse effecten zoals dat in het systeem GRADE ook gebeurt bij overstromingen in Duitsland?
5. Stel dat de normen voor het IJsselsysteem opnieuw geanalyseerd zouden worden, wat kan het overstromen van meer bovenstrooms gelegen gebieden betekenen voor de hoogte van de normen?
De deep learning/ Machine learning onderzoeksvragen zijn:
1. Met welk type deep learning-algoritme kan een surrogaatmodel voor 2D-overstroming worden getraind en de exacte resultaten worden gereproduceerd die zijn verkregen in de reeds uitgevoerde conventionele 2D-overstromingssimulaties?
2. Welke vragen die worden gesteld voor de conventionele overstromingsrisicobeoordeling kunnen ook worden beantwoord door het deep learning-surrogaatmodel?
3. Welke conventionele scenario's kunnen worden gesimuleerd die niet waren opgenomen in de oorspronkelijke trainingsdataset van het deep learning-algoritme?
4. Welke aanvullende overstromingsrisicobeoordelingen kunnen worden uitgevoerd met het op deep learning gebaseerde surrogaatmodel die niet kunnen worden uitgevoerd in de conventionele overstromingsrisicobeoordeling?

Deep learning-methoden worden bijna de regel bij het oplossen van problemen waarbij zowel in tijd als ruimte moet worden ontlokt, gezien hun krachtige vermogen tot classificatie. Eenvoudig gezegd maakt de technologie het mogelijk waarden van inundatiediepte en -snelheid te voorspellen wanneer getraind wordt met ruimtelijke informatie zoals bodemgebruik, topografie, afstand tot waterbron of kromming. Al deze methoden voorspellen echter alleen concrete waarden op basis van stationaire statistische fittingen. Dit is nuttig voor het berekenen van blootstelling en schade, maar niet voor real time toepassingen, ruimtelijke stochastiek of veerkrachtscenario's. De reden hierachter is dat de beschikbare gegevens worden gebruikt als een classificerende machine-leermethode in plaats van een datagedreven surrogaatmodel-methode. Als de latere methode wordt gebruikt, kunnen de meest recente memory wise type deep learning methoden zoals generatieve adversariële netwerken (GANS'), autoencoder netten, transformator netten of mesh gebaseerde netten worden getraind als surrogaatmodellen van volledige hydrodynamische Saint-Ven ant oplossingen die later in zeer kleine computationele tijden kunnen worden uitgevoerd (Raissi et al. , 2019). Bij de afdeling Overstromingsrisico's van de TU Delft hebben we in het kader van een MSc-onderzoek al een proof of concept ontwikkeld dat veelbelovende resultaten liet zien ( Stolp, 2021). Convectionele overstromingsrisicomethoden voor het nauwkeurig inschatten van de gevolgen van een overstroming vereisen voorkennis van het doorbraakpunt langs de waterkeringen. De probabilistische in deze veelgebruikte methoden worden echter meestal uitgevoerd onder de onzekerheden die alleen worden afgeleid van de betrouwbaarheid van de waterkeringen. Dit betekent dat de meest waarschijnlijke overstroming wordt geconditioneerd aan het meest waarschijnlijke doorbraakpunt. In dit onderzoek stellen we voor het probleem te analyseren zonder rekening te houden met het meest waarschijnlijke doorbraakpunt en in plaats daarvan te proberen een deep learning modelleerkader voor overstromingen te ontwikkelen dat het mogelijk maakt alle mogelijke doorbraakpunten en de daaruit voortvloeiende overstromingsgebeurtenissen in de tijd te simuleren binnen redelijke rekentijden. Indien succesvol, zal dit raamwerk niet alleen toelaten om ruimtelijke risicoanalyses op het binnenland uit te voeren (bv. wat is het meest waarschijnlijke droge punt voor evacuatie op basis van alle overstromingsmogelijkheden), maar het zal ook toelaten om op veerkracht gebaseerde analyses uit te voeren zoals het bepalen van de optimale locatie van evacuatiepaden of de optimale positie voor detentiebekkens. Alle gelijkaardige bekende studies hebben enkel tot doel tijdssimulaties te reproduceren voor zeer kleine domeinen, aangezien zij gebaseerd zijn op Navier-Sokes-oplossingen en geen overstromingsrisicotoepassingen omvatten.

Open access publicaties in open access tijdschriften of code repositories.
Het rapport is eigendom van Rijkswaterstaat, maar het wordt eveneens open source gepubliceerd

nvt

De publicaties zijn vrij te downloaden van de website van de uitgever, dus het is aan het ReInDeeR-project om de verspreiding ervan te bevorderen via sociale media zoals Twitter, LinkedIn en op interne netwerken van de TU Delft en Rijkswaterstaat. Broncode en datasets worden ook beschikbaar gesteld aan het publiek in TU Delft en GitHub formaat repositories.

Andere kennisinstellingen zijn welkom om deel te nemen aan de jaarlijkse bijeenkomsten van advance en zijn vrij om de publicaties en code te downloaden zodra het project is afgerond.