Richard van Leeuwen
Van afval naar waarde: hoe AI processen én storingen helpt voorspellen
Het project richt zich op het onderzoeken hoe kunstmatige intelligentie (AI) kan bijdragen aan het beter begrijpen, voorspellen en optimaliseren van vergistings- en composteringsprocessen bij Twence. Door gebruik te maken van procesdata, AI-modellen en domeinkennis wordt onderzocht welke factoren bepalend zijn voor de productie van biogas en compost en hoe deze processen efficiënter kunnen worden aangestuurd. Het project heeft als doel kennis op te bouwen over de toepassing van AI binnen complexe biologische processen en inzicht te verkrijgen in de randvoorwaarden voor succesvolle implementatie in de praktijk. Daarnaast draagt het project bij aan kennisontwikkeling binnen onderzoek en onderwijs op het gebied van duurzame energie, circulaire grondstoffen, data-analyse en AI.
De energietransitie en circulaire economie vragen om een efficiënter gebruik van grondstoffen en duurzame energiebronnen. Twence speelt hierin een belangrijke rol door organische reststromen om te zetten in biogas en compost. De onderliggende vergistings- en composteringsprocessen zijn echter complex, bevatten veel onderlinge afhankelijkheden en worden beïnvloed door wisselende samenstellingen van invoerstromen. Traditionele modelleer- en analysetechnieken bieden slechts beperkt inzicht in deze sterk niet-lineaire processen. Tegelijkertijd laten recente ontwikkelingen op het gebied van AI en machine learning zien dat dergelijke technieken steeds beter in staat zijn complexe biologische processen te modelleren en te voorspellen. Dit project onderzoekt hoe deze mogelijkheden kunnen worden benut om procesprestaties te verbeteren, energie efficiënter te gebruiken en de productie van duurzame grondstoffen te verhogen.
Internationaal groeit de belangstelling voor de toepassing van AI binnen biologische processen zoals anaerobe vergisting en compostering. Uit recente wetenschappelijke studies blijkt dat machine learning-modellen in staat zijn complexe, niet-lineaire relaties tussen procesparameters en prestaties te identificeren. Verschillende onderzoeken tonen aan dat AI-modellen nauwkeurige voorspellingen kunnen doen van biogasproductie op industriële schaal en ondersteuning kunnen bieden bij procesoptimalisatie.
Binnen Saxion is eerder ervaring opgedaan met het SPAVER-project, waarin AI succesvol werd toegepast op een laboratoriumvergister. Daarbij bleek dat AI kan bijdragen aan een beter begrip van biologische processen en ondersteuning kan bieden bij processturing. De uitdaging ligt echter in de vertaalslag van een gecontroleerde laboratoriumomgeving naar grootschalige industriële installaties, waar invoerstromen en procesomstandigheden veel sterker variëren.
Voorafgaand aan dit project is een verkennend onderzoek uitgevoerd naar beschikbare data, relevante procesparameters en geschikte AI-methoden. Hieruit bleek dat een groot deel van de benodigde procesdata beschikbaar is, maar dat aanvullende metingen en een verdere ontwikkeling van de data-infrastructuur mogelijk nodig zijn. Het vooronderzoek bevestigde daarnaast dat AI veel potentie heeft voor zowel vergisting als compostering, maar dat eerst meer inzicht nodig is in de kwaliteit, volledigheid en bruikbaarheid van de beschikbare data.
Het project brengt expertise samen vanuit duurzame energiesystemen, data science, AI en procestechnologie. Daarbij wordt nadrukkelijk samengewerkt met studenten, onderzoekers en medewerkers van Twence om een gezamenlijke leeromgeving te creëren waarin kennisontwikkeling en praktijktoepassing hand in hand gaan.
Het project levert inzicht op in de toepasbaarheid van AI voor de optimalisatie van vergistings- en composteringsprocessen. De resultaten bestaan onder andere uit opgeschoonde datasets, analyses van relevante procesparameters, AI-modellen, validaties in laboratorium- en praktijksituaties en aanbevelingen voor verdere implementatie.
Daarnaast ontstaat inzicht in de benodigde data-infrastructuur, meetmethoden en organisatorische randvoorwaarden voor het gebruik van AI binnen industriële processen. Het project resulteert in rapportages, kennisproducten en praktijkgerichte adviezen voor operators en proceseigenaren.
Een belangrijke aanvullende bevinding uit het onderzoek is dat de beschikbare procesdata niet alleen waardevol is voor procesoptimalisatie, maar ook potentieel biedt voor het vroegtijdig signaleren van afwijkingen en het voorspellen van storingen. Hierdoor ontstaan kansen om AI in te zetten voor predictive maintenance. Door patronen in proces- en installatiegegevens te herkennen kunnen onderhoudsactiviteiten beter worden gepland, ongeplande stilstand worden verminderd en de betrouwbaarheid van installaties worden vergroot.
Voor Twence bieden de resultaten daarmee aanknopingspunten voor een efficiëntere productie van biogas en compost, een beter begrip van procesgedrag, een meer datagedreven manier van werken en mogelijk een effectievere onderhoudsstrategie. Voor Saxion en de betrokken lectoraten levert het project nieuwe kennis op over de toepassing van AI binnen complexe biologische systemen en versterkt het de verbinding tussen onderzoek, onderwijs en praktijk.
Het project volgt een iteratieve onderzoeksaanpak waarin data-analyse, AI-modellering, experimenten en validatie elkaar cyclisch versterken. Voor zowel de vergistings- als de composteringsprocessen worden datasets verzameld, geanalyseerd en verrijkt met aanvullende metingen waar nodig. Op basis hiervan worden AI-modellen ontwikkeld die procesgedrag voorspellen en mogelijke optimalisaties identificeren.
De voorgestelde verbeteringen worden vervolgens getest in laboratoriumopstellingen en waar mogelijk in praktijksituaties bij Twence. De uitkomsten worden gebruikt om modellen verder te verfijnen en nieuwe kennisvragen te formuleren. Daarbij wordt gebruikgemaakt van de CRISP-DM-methodiek voor data science-projecten.
Studenten, onderzoekers en medewerkers van Twence werken gedurende het project samen in een learning community waarin kennis over AI, data-analyse en biologische processen wordt ontwikkeld en gedeeld. Hierdoor ontstaat een multidisciplinaire aanpak die zowel wetenschappelijke als praktische inzichten oplevert.
Richard van Leeuwen
Simon Hageman
Jeroen Linssen
Sjoerd Zagema
Tom Wagevoort
Lars Jaspers
Margot Olde Nordkamp
Marjolein Vos
