Wist je dat er op de vaarweg wel eens bijna-ongelukken gebeuren, die nergens worden gemeld? Bart van Engelen, student Waterbouwkunde aan de TU-Delft, bouwt aan een model dat met behulp van machine learning laat zien waar deze bijna-ongevallen hebben plaatsgevonden. Zo kunnen vaarwegbeheerders gerichter werken aan de nautische veiligheid in hun gebied. Bart en zijn begeleider Lex de Boom van Witteveen+Bos vertellen over het project.
“Ik begeleid Bart vanuit Witteveen+Bos en vanuit mijn functie als docent Ports and Waterways aan de TU Delft,” vertelt Lex. “Ons doel is om een vollediger beeld te krijgen van de ongevallen en bijna-ongevallen die op de vaarweg hebben plaatsgevonden, zodat vaarwegbeheerders beter weten waar ze welke maatregelen moeten nemen. Stel je voor dat uit ons model blijkt dat er op een bepaald traject veel bijna-aanvaringen plaatsvinden, dan kunnen zij heel lokaal campagne voeren, handhaven of de vaarroutes aanpassen. We gebruiken in dit project de DigiShape seedmoney die in mei 2022 is toegekend.“
Patronen van scheepvaartongevallen zoeken
“De afgelopen maanden heb ik me eerst verdiept in het verschijnsel zelf,” vertelt Bart. “Wat voor scheepvaartongevallen gebeuren er op welke plek? En wat zijn potentieel gevaarlijke situaties die we willen vinden? Denk aan een te kleine afstand tot een brug, een plotselinge verandering in snelheid of een afwijkende vaarrichting. Deze heb ik verwerkt in een model, dat wordt gevoed met een historische AIS dataset en openbare geografische informatie. Hier overheen draaien nu machine learning algoritmen, die op zoek zijn naar patronen die een scheepvaartongeval kunnen herkennen. De ideale uitkomst is als we een datapatroon van vaargedrag vinden, dat overeenkomt met een daadwerkelijk gemeld ongeval op dat traject. Dan kunnen we dat patroon vergelijken met de andere data en zo bijna-ongevallen gaan opsporen.”
“Bart vertelt het eenvoudig, maar dit onderzoek is behoorlijk ingewikkeld,” vervolgt Lex. “Daarom zitten er verschillende partners in de begeleidingscommissie, die hun eigen expertise meenemen. Witteveen+Bos heeft veel kennis veiligheid op binnenwateren, TU Delft en Deltares zijn goed in het verwerken van AIS data en Deltares heeft expertise hoe je machine learning kunt zetten. Daarnaast is Rijkswaterstaat aan de zijlijn betrokken, omdat zij veel vaarwegen in beheer hebben en een grote verantwoordelijkheid hebben op het gebied van nautische veiligheid. Ik verwacht dat ook provincies en havenbedrijven veel belang kunnen hebben bij dit model. Zij baseren hun veiligheidsonderzoeken nu vooral op handmatige meldingen in een database, terwijl een model als dit een veel objectiever beeld geeft van abnormale vaarbewegingen die hebben plaatsgevonden.”
Datasets omzetten tot praktische aanbevelingen
“Het leuke aan dit onderzoek is dat ik leer om praktische inzichten uit grote datasets te halen, waar men in de praktijk echt mee verder kan,” merkt Bart op. “Voordat ik aan dit project begon, had ik wat basis programmeer skills, terwijl dat een steeds belangrijkere competentie is. Ik begin er nu steeds meer gevoel voor te krijgen. Als we het proof of concept voor de bijna-ongevallen tussen schepen en infrastructuur in de steigers hebben staan, gaan we aan de slag met situaties waarbij schepen elkaar bijna raken. Ik ben heel benieuwd of we patronen gaan vinden, maar zelfs als dat niet zo is, heb ik straks heel veel van dit onderzoek geleerd.”
Lex besluit: “Ik vaar zelf ook en zie soms near misses die vrijwel nooit gemeld worden. Dit onderzoek kan enorm helpen bij het identificeren van locaties waar het vaak bijna mis gaat.. Natuurlijk weten we van tevoren niet wat eruit komt, maar als je het niet probeert kom je er ook niet achter. Met de DigiShape seedmoney hopen we na afloop van Barts onderzoek het model een stap verder brengen tot een bruikbaar product.”
Op de foto: links Lex de Boom, rechts Bart van Engelen
Zie ook:
