Op de rioolwaterzuivering Amsterdam West wordt een van de zeven beluchtingstanks aangestuurd met Artificial Intelligence (AI). Waterschap Amstel, Gooi en Vechtstreek (AGV) experimenteert hiermee om de lachgas uitstoot zo laag mogelijk te houden. “In de eerste maanden zagen we dat het model de hoeveelheid uitgestoten lachgas aanzienlijk omlaag bracht”, zegt Alex van der Helm, adviseur onderzoek en advies bij AGV.
Door Rens Nijholt
Lachgas is een krachtig broeikasgas dat maar langzaam uit de atmosfeer verdwijnt. De bijdrage van een gram lachgas aan de opwarming van de aarde is ruim 250 keer zo groot als die van een gram kooldioxide. Tijdens het biologische zuiveringsproces van afvalwater komt er lachgas vrij.
Alex van der Helm
Waterschap Amstel, Gooi en Vechtstreek beoogt in 2035 klimaatneutraal te zijn en zocht een oplossing om de uitstoot te verlagen. “Lachgas bepaalt voor een groot deel onze klimaatvoetafdruk”, vertelt Alex van der Helm. “Zo’n 60 procent, een fors deel.”
Zelflerend AI-model
De klassieke regeling van een afvalwaterzuivering is gericht op de kwaliteit van het uitgaande water en het energieverbruik. AGV werkt samen met het Spaanse onderzoeksbureau Eurecat, KWR en TU Delft aan het begrijpen en controleren van de lachgasemissie. Met Eurecat is een model ontwikkeld dat ook rekening houdt met een vermindering van de lachgasemissie, zegt Van der Helm.
“Onze onderzoeksafdeling meet al sinds 2016 de lachgasemissie. Wij hebben daarmee een unieke meetreeks. Maar er was weinig bekend over het sturen van de vorming en uitstoot in de praktijk, simpelweg omdat er eerder minder aandacht en weinig mogelijkheden voor waren. Het maakte het erg geschikt voor een datagedreven aanpak met een zelflerend AI-model.”
Slimmer sturen
De zuivering in Amsterdam West bestaat uit zeven gelijke straten. Op twee straten zijn extra sensoren geplaatst en wordt het lachgas gemeten, waarvan één straat met AI besturing is uitgerust en de andere als vergelijking dient. Doordat de beluchtingstanks zijn afgedekt, is het mogelijk de hoeveelheid goed te meten. AGV installeerde extra sensoren om real-time monitoring mogelijk te maken.
Met behulp van deze metingen, en de bestaande data, kan het AI-model de zuivering slimmer sturen. “Het AI-model is zo gebouwd dat het leert hoe het de zuivering moet besturen om minder lachgas uit te stoten. Tegelijkertijd voldoet het model uiteraard wel aan de effluent kwaliteitseisen”, aldus Van der Helm.
'Het model wordt ‘beloond’ op het moment dat de lachgas uitstoot én het energieverbruik laag is'
Dit doet het model met een zogeheten control agent. Die wordt tijdens het leren ‘gestraft’ op het moment dat het lachgas toeneemt. Het kijkt daarbij niet alleen naar het lachgas maar ook naar het energieverbruik, vertelt Van der Helm. “Het model wordt ‘beloond’ op het moment dat de lachgas uitstoot én het energieverbruik laag is. Oftewel het model leert in dit soort situaties een betere sturing aan het proces te geven. De techniek die we hiervoor gebruiken heet reinforcement learning. Zo krijgen we met de tijd een optimale instelling voor de rwzi.”
Datalab
Hoewel bekend is dat de lachgas uitstoot van individuele straten kan verschillen, zijn de eerste resultaten veelbelovend, zegt Van der Helm. “We zien nu dat er tientallen procenten minder lachgas uitstoot is dan bij de normale klassieke regeling.”
Van der Helm schat in dat er tot wel vijftig procent reductie zou kunnen plaatsvinden als het model op de gehele zuivering toegepast wordt. “Dat doen wij nu nog niet. We zijn een half jaar bezig en om een compleet beeld te krijgen, willen we eerst weten hoe het model onder alle seizoensinvloeden draait.”
'We zien nu dat er tientallen procenten minder lachgas uitstoot is dan bij de normale klassieke regeling'
Het AI-model is een van de producten van het Datalab, een initiatief dat vier jaar geleden werd opgestart door Waternet/AGV. Van der Helm: “Overal om ons heen zagen we dat AI meer en meer integreerde in dagelijkse toepassingen. Binnen de watersector pasten we het echter nog weinig toe. Wij verzamelden en gebruikten wel veel data, maar nog niet in combinatie met AI of andere data science-technieken. Onze verwachting was dat we met real-time data science toepassingen veel meer uit onze data konden halen om onze processen verder te verbeteren en verduurzamen. Met het Datalab werken we daar nu dagelijks aan.”
Schematische weergave van beluchtingstank met sensoren (klik op beeld voor vergroting) I Beeld: Waterschap Amstel, Gooi en Vecht
Een interessant gegeven is dat 80% van ons drinkwater thuis wordt verbruikt. Daar ligt een enorme uitdaging, maar ook een kans om echt verschil te maken. Door slimmer om te gaan met de distributie van water, kunnen we helpen om het verbruik te verminderen zonder dat we daar veel van merken. Dit zou niet alleen helpen om onze waterbronnen te sparen, maar ook de druk op het systeem tijdens droge perioden verlagen.
Dit gaat verder dan alleen maar korter douchen; het gaat om een bewuste verandering in ons dagelijks leven om ervoor te zorgen dat er genoeg water is voor iedereen. Iemand iets gunnen. Beginnen met het nadenken over de oplossingen menukaart ook met water zoals we dat met energie doen - waar kunnen we besparen, hoe kunnen we efficiënter zijn, en hoe kunnen we ons aanpassen aan nieuwe omstandigheden?
Er is geen eenduidige oplossing voor het probleem, en additionele productie levert ons op langere termijn niets op. Misschien is het tijd om deze uitdaging aan te gaan en te kijken naar hoe we thuis ons watergebruik kunnen optimaliseren.