Mensen zijn afhankelijk van water. Toch heeft bijna een derde van de wereldbevolking geen toegang tot veilig drinkwater, terwijl meer dan 50% geen adequate sanitaire voorzieningen ter beschikking heeft. Overstromingen en andere water-gerelateerde rampen zijn verantwoordelijk voor 70% van alle sterfgevallen als gevolg van natuurrampen. Bovendien komen stedelijke watersystemen steeds meer onder druk te staan door de klimaatverandering en bevolkingsgroei, waardoor steden gedwongen worden om nieuwe benaderingen te bedenken om de watervoorziening, de sanitaire voorzieningen en het overstromingsrisicobeheer te waarborgen. 

Tegelijk verovert digitalisering ook de watersector snel. In de toekomst zullen we meer en meer op gegevens vertrouwen, aangezien sensoren goedkoper worden. Apparatuur van het Internet of Things en teledetectie brengen ‘big data’ in de watersector.   

Om optimaal gebruik te kunnen maken van deze grote hoeveelheden data, hebben stedelijke watersystemen AI-modellen nodig die rekening kunnen houden met hun onderliggende netwerkstructuur. Helaas zijn traditionele AI-technieken, die bijvoorbeeld worden gebruikt in computervisie, spraakherkenning en taalverwerking, grotendeels ongeschikt voor het modelleren van de fysieke processen in waternetwerken of overstromingen.  

Een wiskundige oplossing voor dit probleem zou kunnen liggen in Graph Neural Networks (GNNs), een uitbreiding van Deep Learning naar niet-Euclidische data, zoals grafieken. In de laatste vijf jaar heeft de wetenschappelijke gemeenschap haar inspanningen om GNNs-oplossingen te bedenken geïntensiveerd, en veelbelovende resultaten behaald in chemie, biologie, financiën, en sociale wetenschappen.  

Bij AidroLab geloven we dat GNN's ook succesvol kunnen worden toegepast op stedelijke watersystemen. De methoden en instrumenten die wij ontwikkelen zullen het aanpassingsvermogen en de veerkracht van stedelijke watersystemen verbeteren, effectieve overstromingscontrole ondersteunen en besluitvormers en reddingswerkers helpen.