Praktisk implementering av nya tekniker inom dricksvattenproduktion
De senaste åren har mängden tillämpningar inom artificiell intelligens och maskininlärning formligen exploderat. Trots möjligheterna med dessa tekniker är antalet tillämpade
implementeringar inom svensk vattensektor förhållandevis få. Varför är det så och vad
är det som är så svårt med att gå från utforskande arbete till tillämpningar som kan ge
oss nytta på daglig basis?
I denna rapport vill vi ge en bred bild av de olika delarna inom ett maskininlärningsprojekt, förklara vad som är viktigt att beakta och vilka metoder och verktyg som finns
tillgängliga. Vi betonar också vikten av att se på maskininlärning som ett ämnesövergripande område där kunskap om det studerade systemet och önskad nytta är central
ihop med kunskap om datavetenskap och teknisk infrastruktur.
Örbyfältet och Örbyverket i Skåne utgör tillsammans ett tekniskt komplicerat system som bidrar till säkrad dricksvattenleverans inom Sydvattens distributionsområde.
Systemet är svårt att beskriva med traditionella beräkningsmetoder på grund av tidsförskjutningar i systemet, komplexa magasinsförhållanden, mänsklig faktor och variation
i uttag. I detta projekt har vi angripit dessa utmaningar genom att tillämpa maskininlärning. Under projektets gång har mer än 300 maskininlärningsmodeller tränats.
Att tillämpa maskininlärning på insamlade vattendata är fantastiskt roligt. Trots att
denna rapport beskriver komplexiteten i stora maskininlärningsprojekt är uppmaningen
från oss författare denna: sätt igång att testa! Den potentiella nyttan för vattensektorn
är enorm. Och se till att lära, utveckla och framför allt samarbeta så mycket det bara går.
En referensgrupp bestående av Tommy Giertz vid Stockholm Vatten och Avfall, Philip
McCleaf vid Uppsala Vatten, Mats Henriksson vid Miljö och Vatten i Örnsköldsvik AB
och Johan Spännare vid DHI Sverige AB har bidragit med värdefulla synpunkter till
projektets genomförande. Även Patrik Lissel vid WSP har bidragit med värdefulla synpunkter om systemdynamik och hydraulisk modellering.
Ett tack ska också riktas till kollegor på NSVA och Sweden Water Research för att
ni har stått ut med oändliga frågor om kapacitet, historik och förståelse. Särskilt vill vi
nämna Sven Bengtsson och Lars Stefansson som har haft extra stort tålamod och bidragit med mycket kunskap. Ett tack riktas också till Salar Haghighatafshar vid Watrix för
synpunkter och kommentarer gällande maskininlärning.
Vi hoppas att denna rapport ska kunna ge inspiration och fungera vägledande för fler
implementeringar av maskininlärning.
Rapportnummer 2025-5
Projektnummer 22-115
