Doktortitel für unseren KWB-Kollegen Nicolas Caradot!

Promotionsthema: Der Einsatz von Alterungsmodellen zur Simulation von Asset-Management-Strategien im Kanalnetz.

Herzlichen Glückwunsch an unseren Kollegen Nicolas Caradot! Im Sommer 2019 hat er an der Universität von Lyon den Doktortitel erworben. In seiner Doktorarbeit (Download unten) hat er seine langjährigen Erfahrungen und neuen Ansätze zur Prognose der Alterung von Kanalnetzen zusammengefasst und wissenschaftlich ausgewertet.

Zusammenfassung der Arbeit:
Der Betrieb von Kanalnetzen ist aufwändig und teuer. Studien zeigen, dass derzeit die in vielen europäischen Kommunen getätigten Investitionen zur Instandhaltung und Sanierung nicht ausreichen, um damit die fortschreitende Alterung der Kanalisation aufzuhalten. Das liegt unter anderem auch daran, dass die Entwicklung des baulichen Zustands der unterirdischen Infrastruktur sehr schwer zu erkennen ist.

Abhilfe schaffen hier teilweise spezielle Kamerasysteme, die seit den 80iger Jahren des letzten Jahrhunderts auf dem Markt sind. Wegen der großen Ausdehnung der Netze und der vergleichsweise hohen Betriebskosten für Kamerabefahrungen werden sie aber nicht immer flächendeckend eingesetzt. Mittlerweile sind aber auch sogenannte Alterungsmodelle auf dem Markt, mit denen der bauliche Zustand der Kanalinfrastruktur über Prognoserechnungen simuliert werden kann. Die Ergebnisse können von Nutzen sein, um die Festlegung von kostenwirksamen Kanalinspektionen und Sanierungsstrategien zu unterstützen. Bisher hat sich allerdings der Einsatz solcher Modelle noch nicht so recht durchsetzen können, da für Netzbetreiber die Angaben zu Art und Umfang der zu liefernden Daten und zur Genauigkeit der zu erwartenden Ergebnisse noch recht vage sind.

Genau diese Informationslücken hat jetzt vorliegende Doktorarbeit geschlossen. In Fallstudien wurden verfügbare Alterungsmodelle auf ihre Aussagekraft überprüft, insbesondere wenn die Randparameter Datenmenge und Datenqualität verändert werden. Im Fokus der Studie stand ein statistisches Modell (GompitZ) sowie ein auf Algorithmen des „Maschinellen Lernens“ aufbauendes Modells (Random Forest). Beide Modelle wurden mit Daten aus realen Kamerabefahrungen von Abwasserkanälen der Städte Braunschweig und Berlin gefüttert.

  • Für die Prognose des Zustands von einzelnen Kanalhaltungen wird das statistische Modell durch das „Maschinelle Lernen“ leistungsmäßig übertroffen. Mit Random Forest wurden fast 70% der Haltungen im kritischen Zustand korrekt prognostiziert. Dieses Ergebnis zeigt den Vorteil der Nutzung des Modelles für die Planung von Kanalbefahrungsstrategien und die Identifizierung von Haltungen im kritischen Zustand.
  • Bei der Kanalbefahrung liegt die Wahrscheinlichkeit einer richtigen Erkennung eines schlechten Zustands bei 80 – 85 Prozent. Diese Unsicherheit hat einen Einfluss auf die Qualität der Prognose der Modelle und soll bei Simulationen berücksichtigt werden.

Bild:
Nicolas Caradot bei der Präsentation von Ergebnissen seiner Promotion auf der internationalen Konferenz LESAM/PI in Vancouver am 26. September 2019

Teaser-Bild:
Nicolas Caradot bei der Pressekonferenz zum Auftakt des Vorhabens Digital-Water.City, 5. September 2019