Verbetering van een machinelearningmodel keuze proefsleuf-GPR
Léon olde Scholtenhuis
Organisatie || Siers Infraconsult
Kandidaat || Laia Salvat Vives
Type project || BSc-scriptie [downloaden]
Periode || april 2026 – juli 2026
Het selecteren van een geschikte methode om een ondergrondse kabel of leiding op locatie te identificeren, vereist expertise op het gebied van infrastructuur en GPR-apparatuur. Beide zijn echter niet standaard beschikbaar op een bouwplaats, omdat detectie-specialisten meestal moeten worden gemobiliseerd en niet standaard aanwezig zijn. Om te ondersteunen bij de beslissing om een proefsleuf te graven of GPR in te zetten om een gebied te scannen, hebben onderzoekers van de UT eerder een machinelearningmodel ontwikkeld. Dit model maakt gebruik van Case-Based Reasoning (CBR), oftewel redeneren op basis van vergelijkbare casussen.
Dit CBR-machinelearningmodel voor het in kaart brengen van ondergrondse kabels en leidingen was ontwikkeld en leek onder testomstandigheden goed te presteren, maar toepassing en validatie in de praktijk ontbraken nog. Het onderzoek van Laia had als doel de toepasbaarheid van de tool te testen aan de hand van praktijkgevallen en mogelijkheden te onderzoeken om het model te vereenvoudigen en te verbeteren. Hiervoor werden 23 casussen van kabel- en leidingaannemer Siers Infraconsult verzameld en gebruikt voor empirische validatie. Het model werd gebruikt om een voorspelling te doen van een keuze van een specialist, en daarna vergeleken met de daadwerkelijke keuze die bij de 23 casussen genomen waren. Bijvoorbeeld: het model werd gebruikt om een voorspelling te doen voor 1 specifieke casus (waarbij de bodemgegevens, kabels- en leidigdata en andere projectgegevens bekend waren). Vervolgens werd gekeken of de voorspelde methode overeen kwam met de keuze van de specialist die gewerkt heeft aan deze casus.
Voorbeeld van een proefsleufregistratie, zoals gebruikelijk wordt uitgevoerd. Beeld verkregen van Siers Infraconsult (2026)
Het oorspronkelijke model bleek onvoldoende juist te voorspellen wat de specialisten uitvoerden. Omdat dit onverwacht was gezien de eerdere lab-testen, is getracht te verklaren waardoor dit kwam. Onze vermoeden is dat het getrainde systeem geofysisch en technisch optimale oplossingen lijkt voor te stellen, terwijl uitvoerders hun beslissingen vaak baseren op pragmatische criteria. Voorbeelden hiervan zijn de vraag of de omstandigheden op locatie GPR-scanning toelaten, de kosten van de inzet, de beschikbare tijd voor het scannen en de gewoonte om proefsleuven te graven. Verder lijkt het dat specialisten nog niet voldoende kennis hebben om te kunnen beoordelen wat er ten aanzien van detectie technisch/geofysisch gezien mogelijk is. Ze lijken de capaciteiten van de GPR soms te onderschatten, maar ook te overschatten.
Uit de analyses bleek dat bepaalde kenmerken uit het CBR-model konden worden verwijderd. Uiteindelijk verbeterde een vereenvoudigd binair model de voorspellende werking. Dit laat zien dat het model potentie heeft om beslissingen over de noodzaak van het graven van proefsleuven te ondersteunen. Toekomstig onderzoek zal zich richten op het overbruggen van de kloof tussen de beslislogica van ervaren uitvoerders en geofysisch optimale beslissingen.
Schematisch overzicht van stappen in het Case Based Reasoning-model, gebruikt voor het voorspellende model