DSM bij VSL: De impact van modellen, algoritmen en AI op het vertrouwen in metingen

Blog

DSM bij VSL: de impact van modellen, algoritmen en AI op het vertrouwen in metingen

 

In vrijwel iedere sector worden beslissingen genomen op basis van metingen, van emissierapportages en vergunningen tot energierekeningen en medische beelden. Achter die metingen zit een complex geheel van modellen, software – en steeds vaker AI – om meetdata te duiden. De vraag is dus niet alleen of de meting klopt, maar ook of de modellering eromheen betrouwbaar is.

Bij VSL richt de afdeling Data Science & Modelling (DSM) zich precies op dat vakgebied, waar metingen, data en modellen samen bepalen wat ‘waar’ is.

Meer weten over onze diensten?

Onze experts staan voor je klaar.

Adriaan van der Veen
Chief Scientist Chemistry and Data Science & Modelling

compass@vsl.nl

Van losse metingen naar een samenhangend totaalbeeld

 

Voor DSM zijn metingen slechts het vertrekpunt. De data science-kant van DSM richt zich op wat er in die data zelf zichtbaar is: statistische analyse van meetreeksen, het kwantificeren van meetonzekerheid, het opsporen van trends en patronen, afwijkingen en drift in de tijd. Bij VSL wordt data science uiteraard uitsluitend toegepast in een metrologische context en die aansluit bij de expertise van andere afdelingen. Het gaat altijd om data die voortkomt uit metingen van onder meer gasstromen, elektrische grootheden, sensornetwerken en emissies, en niet om bijvoorbeeld klantgedrag of telefoongebruik. De vragen zijn steeds: wat laten de metingen zien? Binnen welke onzekerheidsmarges? En waar wijst dat mogelijk op systematische problemen in de praktijk?

De modellering-kant van DSM borduurt daarop voort en beschrijft het gedrag van meetsystemen en -methoden in wiskundige termen. Dat kan gaan om een enkel instrument, maar ook om complete gas‑ en elektriciteitsnetwerken of emissie‑ en verspreidingsprocessen rond veehouderijen. In modellen wordt vastgelegd hoe signalen, fouten en onzekerheden zich door zo’n systeem heen voortplanten, welke aannames daarbij worden gemaakt en hoe het geheel zich in verschillende scenario’s gedraagt. Vervolgens kunnen die modellen ook weer worden getoetst aan echte metingen, bijvoorbeeld met achtergrondmetingen van ammoniak in de buitenlucht of velddata uit netwerken.

Samen zorgen deze twee kanten ervoor dat losse metingen onderdeel worden van een consistent en herleidbaar beeld van de werkelijkheid. Data science helpt om uit meetdata betrouwbare patronen en onzekerheden af te leiden en modellering verbindt die patronen met de onderliggende situatie. Zo ontstaat een gedeelde basis waarop partijen zoals netbeheerders en vergunningverleners weloverwogen beslissingen kunnen nemen.
Die modellering gaat verder dan een mooie curve door meetpunten trekken. DSM kijkt nadrukkelijk naar de aannames, de onzekerheden en de koppeling met de praktijk. Ook kijkt het naar alternatieve modellen en algoritmen, zodat een passende oplossing wordt gekozen. Modellen moeten niet alleen wiskundig kloppen, maar ook in het veld standhouden.

De hele keten in beeld

 

Een belangrijk verschil met andere afdelingen is dat DSM naar het gehele systeem kijkt. Een gasmeter kan in het laboratorium heel precies worden gekalibreerd door onze experts, maar voor de onzekerheid van het totale afgenomen gasvolume over een jaar spelen ook andere factoren een rol:

  • hoe vaak en op welke manier de meter wordt uitgelezen
  • welke aannames in de dataverwerking worden gemaakt
  • hoe variaties in gebruik en gaskwaliteit worden meegenomen

In zulke situaties komt DSM in beeld. De eenvoudige zaken rekenen organisaties zelf uit; DSM wordt ingeschakeld als alles volgens de richtlijnen is gedaan en er tóch iets schuurt tussen model en werkelijkheid. Of wanneer er simpelweg heel moeilijke en complexe berekeningen moeten worden gedaan.

Altijd praktisch toepasbaar

Bij VSL zetten we DSM graag in voor praktische toepassingen om positieve impact op de samenleving te maken. Denk bijvoorbeeld aan:

  1. Emissies van ammoniak en methaan
    DSM modelleert samen met de afdeling Chemie emissies in stallen en de verspreiding van bijvoorbeeld ammoniak rond veehouderijen. Met meetfaciliteiten buiten worden achtergrondniveaus bepaald, zodat verspreidingsmodellen ook echt getoetst kunnen worden. Dat is cruciaal in discussies over de agrarische sector, waar modellen en metingen elkaar soms lijken tegen te spreken.
  2. Elektriciteitsnetwerken en netcongestie
    In samenwerking met de afdeling Elektriciteit worden meetdata uit netwerken gebruikt om congestie beter te begrijpen en tegen te gaan. Modellen ondersteunen keuzes over capaciteit en flexibiliteit – maar alleen als hun onzekerheden en beperkingen duidelijk zijn.
  3. Gasnetwerken en gaskwaliteit
    In gasnetten speelt de spreiding van de gaskwaliteit een grote rol voor zowel meetsystemen als afnemers van gas. DSM kijkt naar de vraag hoe meters en andere instrumenten daarop reageren, en wat dat betekent voor de totale onzekerheid in volumes en de impact op bijvoorbeeld jaarrekeningen. Daarnaast wordt beoordeeld of afnemers gas krijgen van de vereiste kwaliteit. In beide gevallen gaat het daarbij expliciet om de stap van nauwkeurige kalibratie van instrumenten naar het gedrag in een complex, dynamisch netwerk.

In al deze voorbeelden zoekt DSM naar een realistisch evenwicht: modellen die voldoende detail bieden om beslissingen te ondersteunen, maar ook eerlijk zijn over de grenzen van hun geldigheid.

Software als onmisbare schakel in de metrologische keten

 

Waar traditionele metrologie vaak wordt geassocieerd met hardware, zoals de meter of de sensor, is software tegenwoordig minstens zo bepalend voor het eindresultaat van metingen. Zeker in gevoelige omgevingen als laboratoria en ziekenhuizen gelden daarom strikte eisen voor softwarevalidatie. DSM beoordeelt bij VSL onder meer of software en firmware:

  • Wiskundige modellen correct en stabiel implementeren;
  • Op een reproduceerbare manier met het meetsignaal omgaat;
  • Geen “verborgen” aannames of foutafhandeling bevatten die de uitkomst vertekenen.

Voor fabrikanten is firmware misschien bijzaak; voor VSL is het een volwaardig onderdeel van de metrologische keten. DSM ontwikkelt waar nodig ook zelf oplossingen, zodat gevalideerde modellen in de praktijk kunnen worden geïmplementeerd en goed worden toegepast.

AI als nieuw type meetsysteem

 

Steeds vaker speelt AI een rol in systemen die we gebruiken om te meten en te beoordelen. Machine‑learning modellen worden bijvoorbeeld in gas- en elektriciteitsnetwerken gebruikt om verbruik te voorspellen of defecten op te sporen. In de medische wereld helpen deep‑learning modellen bij beeldanalyses om tumoren en andere afwijkingen in weefsels sneller te identificeren.

 

DSM bouwt deze AI-modellen niet zelf, maar onderzoekt of de output betrouwbaar, herleidbaar en reproduceerbaar is. Hoe gevoelig is een AI-model voor variaties in data? Hoe borg je dat het model over een langere tijd niet onmerkbaar op drift raakt? En hoe kwantificeer je onzekerheid in AI-uitkomsten op herleidbare wijze? Dit zijn het type AI-vragen waar DSM zich mee bezighoudt.

Vertrouwen als einddoel

 

Het meeste werk van DSM is voor eindgebruikers onzichtbaar. Dat is precies de bedoeling. Wie een gasrekening krijgt, een emissierapport leest of vertrouwt op een medische uitslag, wil niet hoeven nadenken over elke stap van meting, model en software. Het vertrouwen in de uitslag moet vanzelfsprekend zijn.

Data Science & Modelling bij VSL draagt bij aan de voorwaarden voor dat vertrouwen. Door modellen, software, AI‑toepassingen en complete meetketens door te lichten, te modelleren en te valideren. Door duidelijk te maken welke onzekerheden en aannames daarbij horen. In een wereld waarin data en (AI-)modellen de basis vormen voor steeds belangrijkere besluiten, is dit soort betrouwbare modellering absolute noodzaak.