Funderingsherstel en big data (Dutch)

Funderingsherstel en big data

In Zaanstad sloegen gemeente, woningcorporatie Parteon en de data scientists van Intellerts de handen ineen om de kans op verzakkingen van huizen en gebouwen in kaart te brengen. Analyse van big data – 136 miljoen records – leidde tot opmerkelijke uitkomsten.

Op te lossen problem

Het verzakken van funderingen van huizen en gebouwen is een serieus probleem in Zaanstad, een gemeente met 152.000 inwoners. Een aanzienlijk deel van de circa 70.000 panden zijn ooit gebouwd op houten palen in zachte ondergrond. Doordat het hout – waarvan het gebruik tot 1970 door de gemeente werd voorgeschreven – kwetsbaar is voor bacteriële aantasting, neemt de draagkracht van de funderingen af. De prognose is dat uiteindelijk een derde deel van de totale woningvoorraad te maken krijgt met funderingsproblemen.

Herstel van funderingen is kostbaar; gemiddeld tussen de 30.000 en 50.000 euro per woning.

Ook met het onderzoek naar de kwaliteit van funderingen is jaarlijks veel geld en tijd gemoeid. “De inspectie van de palen geschiedt fysiek, terwijl ook de verzakkingen handmatig, door middel van meetbouten, worden geregistreerd”, aldus Levinus Jongmans verant-woordelijke voor funderingsherstel van de gemeente Zaanstad.

Toch hoeven slechte palen niet meteen te leiden tot catastrofale verzakkingen. Veel andere factoren spelen daarbij een rol, zoals het grondtype (meestal klei of turf), het waterpeil, de aanwezigheid van bomen met lange wortels die vocht onttrekken uit dieper gelegen grond, de werking van drainagesystemen, de trillingen van bouwwerkzaamheden en zo meer.

Over woningen, gebouwen en hun ondergrond zijn inmiddels grote hoeveelheden gegevens beschikbaar bij zowel de gemeente Zaanstad als woningcorporatie Parteon, die eigenaar is van veel huurwoningen in de stad. Koppeling van al deze gegevens zou nieuwe inzichten kunnen opleveren waarmee het kostbare probleem van funderingsherstel beter getackeld kan worden.

Opdracht

Is op grond van het bouwjaar, de locatie, de stand van het grondwater, de staat van het onderhoud en de jaarlijkse verzakkingstand een voorspellend model op te stellen voor de kwaliteit van de fundering van woningen en andere panden? Met deze vraag gingen de data-scientists van Intellerts uit Utrecht aan de slag.

Ontwikkelde oplossing

De inventarisatie van beschikbare gegevens leverde een zogeheten ‘datameer’ op van 140 gigabyte en zo’n 136 miljoen records. Deze kwamen niet alleen van de gemeente en Parteon, maar ook van externe partijen zoals bijvoorbeeld het KNMI en het Kadaster.

“De koppeling van al deze bestanden was een tijdrovend karwei”, vertelt Martin Haagoort van Intellerts. “Er was een flink aantal transformaties nodig om alle data op hetzelfde niveau te brengen, zodat ze in samenhang geanalyseerd konden worden.”

Van groot belang in de analyse bleken de data afkomstig van radar-satellieten. Deze data van het bedrijf SkyGeo bevatten een gedetailleerde reeks zettingsgegevens over de periode 1992-2016. Door de radarbeelden van de satellieten wiskundig te ontleden kan SkyGeo de verzakking per gebouw tot op de millimeter nauwkeurig in te tijd vaststellen.

In de volgende stap filterden de data scientists van Intellerts de data op vreemde uitschieters. “Zo lieten de satellietdata op sommige plekken onlogische waarden zien”, aldus Haagoort. “Bijvoorbeeld door bomen die in de zomer precies boven de meetpunten uitgroeiden.” Voor deze uitschieters zijn de data gecorrigeerd.

Nu waren de data gereed voor het uiteindelijke doel: het opstellen van een voorspellend model. Daartoe ontwikkelde Intellerts verschillende zogeheten ‘machine learning algoritmes’ Hiermee kon een eerste voorspellend model worden opgesteld.

De resultaten van dit model zijn vergeleken met honderd panden waarvan Parteon een volledig funderingsrapport beschikbaar heeft. Jurgen de Ruiter, CFO van Parteon zegt hierover “De uitkomst was zeer bemoedigend, zo bleek niet alleen dat het waarheidsgehalte van het model groot is, maar dat het model ook verdiepende informatie geeft die zorgt voor onderscheid in vijf risicoklassen, van laag (monitoren volstaat) tot zeer hoog (ingrijpen vereist)”

Wat zijn ‘machine learning algoritmes’?

‘Machine learning’ is een vorm van kunstmatige intelligentie die computers in staat stelt te leren zonder daartoe expliciet geprogrammeerd te worden. Een ‘algoritme’ is een wiskundig stappenplan.

Juist door algoritmes te gebruiken die voortdurend blijven leren van data, zorgt machine learning ervoor dat systemen nieuwe – vooraf niet bedachte – inzichten kunnen vinden. Anders gezegd: door machine learning worden achter de data trends en patronen ontdekt die met menselijk begrip nooit gevonden zouden zijn.

Zo helpt machine learning smartphones om menselijke stemmen te begrijpen of suggesties te doen voor (goed gespelde) woorden, zelfs als je nog maar een deel van het woord hebt getypt. Machine learning helpt ook bij het geven van snelle en relevante antwoorden op vragen in zoekmachines.

Parteon en de gemeente Zaanstad doen er hun voordeel mee

Uiteindelijk is met het model voor alle panden in Zaanstad berekend in welke groep ze thuishoren, ook al zijn voor de meeste panden geen metingen en expertinschattingen beschikbaar. “Dit leidt tot ongekende voordelen wat betreft planning en kosten in het management van funderingsherstel”, aldus Levinus Jongmans van de gemeente.

“Wij hebben nu in kaart dat circa 11.000 woningen risico’s lopen. Dit is tussen de 15 en 20 procent van de totale woningvoorraad in Zaanstad.” Ook Jurgen de Ruiter van Panteon is opgetogen: “Wij weten nu beter welke panden we moeten aanpakken, en wanneer. Hiermee kunnen we fundamenteel besparen op onze onderzoekskosten.”