Assistent professor Structural Flood Resilience Juan Aguilar López van de TU Delft wordt een steeds bekender gezicht binnen DigiShape. Hij faciliteert verschillende AI-werkgroepsessies met zijn collega José A.A. Antolinez en geeft lezingen over overstromingsrisico’s en dijkbestendigheid, waardoor hij actief bijdraagt aan de gemeenschap. We interviewden hem over zijn werk, hoe machine learning gebaseerd surrogaat modelleren werkt en wat hij denkt dat het potentieel van DigiShape is.
Juan, vertel ons eens over je werk. Wat is je focus?
“Ik werk bij de faculteit Civiele Techniek en Geowetenschappen van de TU Delft, specifiek op de afdeling Waterbouwkunde. Mijn focus ligt op overstromingsbestendigheid en het aanpassen van Nederland aan mogelijke overstromingsscenario’s met behulp van technologie. Als assistent-professor is het mijn doel om machine learning en sensoren te gebruiken om surrogaatmodellen te ontwikkelen en te voeden, zodat overstromingen en dijkdoorbraken sneller gesimuleerd kunnen worden. Ik werk veel samen met José A.A. Antolinez, ook een bekend gezicht binnen de DigiShape-gemeenschap. Hoewel ons werk aanzienlijk verschilt (hij concentreert zich op kustsystemen, terwijl ik gespecialiseerd ben in dijken en rivieren), hebben we veel raakvlakken en werken we samen in onze dagelijkse taken en in verschillende projecten.”
Je hebt op verschillende DigiShape-evenementen lezingen gehouden over surrogaatmodellen. Wat zijn dat?
“Een surrogaatmodel is een vereenvoudigde en rekenkundig efficiënte benadering van een complexe, tijdrovende simulatie of wiskundig model. Het dient als vervanging, biedt snelle inzichten en voorspellingen van een systeem en vermindert de behoefte aan resource-intensieve berekeningen. We maken deze modellen met behulp van machine learning, waarbij we ze voeden met gegevens die zijn gegenereerd uit al bestaande op fysica gebaseerde modellen.”
Hoe helpen surrogaatmodellen de watersector?
“Op dit moment beschikt de watersector over robuuste modellen die overstromingen kunnen simuleren, maar ze vereisen nog steeds een aanzienlijke rekentijd en soms zelfs vereenvoudigingen. Mijn ambitie is om zeer gedetailleerde maar rekenkundig efficiënte modellen te ontwikkelen, waarmee overstromingen in Nederland snel kunnen worden gesimuleerd zonder dat daarvoor krachtige rekenfaciliteiten nodig zijn. Deze aanpak maakt het mogelijk om een groot aantal overstromingsscenario’s te evalueren, waardoor de watersector een bredere kijk krijgt op het tegengaan van klimaatverandering. Voor het bepalen van de optimale locatie voor bijvoorbeeld een keermuur of een rioolbuis zijn meerdere modelruns nodig, wat tijdrovend is en vaak niet zoveel als we zouden willen. Het versnellen van dit proces zou de kwantificering van de onzekerheid in onze voorspellingen verbeteren. Op dit moment worden veel analyses niet uitgevoerd, niet omdat Nederlandse specialisten er niet van op de hoogte zijn, maar omdat ze tijdrovend zijn. Daarom wordt vaak gekozen voor probabilistische benaderingen. Daarnaast stelt de overvloed aan beschikbare gegevens en de kracht van bijvoorbeeld deep learning-technologie ons in staat om tientallen jaren aan expertkennis in onze modellen te verwerken.”
Welk potentieel zie je in DigiShape?
“Ten eerste is het een gefinancierde groep met praktische vaardigheden die een platform biedt voor het ontwikkelen van onderwerpen die aansluiten bij de behoeften en uitdagingen van de sector. We kunnen hiaten in onze kennis opvullen en bijdragen aan het oplossen van problemen, door waardevolle samenwerking te bevorderen met experts in diverse wateronderwerpen uit de academische wereld, overheden en industrie. Net zo belangrijk is onze focus op het leren delen van gegevens. Terwijl ik mijn gegevens begrijp, heb ik vaak geen inzicht in de beschikbaarheid van datasets van anderen – hun opslagformaat, verzamelmethoden, gebruikte instrumenten, meetonzekerheid en toegepaste modellen. Veel bedrijven investeren veel in de aankoop van gegevens, zich er niet van bewust dat ze misschien al toegang hebben tot relevante informatie. Met José en de mensen van DigiShape zijn we het er allemaal over eens dat het opzetten van een opslagplaats voor het delen van gegevens aanzienlijk kan helpen bij het aanpakken van vragen waarvan we ons misschien niet eens bewust zijn dat anderen ze ook oplossen.”
Welke uitdagingen zie je voor DigiShape en de digitalisering van de watersector?
“Er zijn een paar uitdagingen die we moeten aanpakken. Ten eerste zijn er veelvoorkomende misvattingen over machine learning. Mensen zien het vaak als een magische oplossing die elk probleem kan oplossen, terwijl ze het probleem of de hoeveelheid gegevens die nodig zijn om het op te lossen onderschatten. Het is belangrijk om de beperkingen ervan te begrijpen en duidelijk te communiceren. Gebruikers moeten beschikken over diepgaande kennis van het vakgebied zodat machine learning en AI optimaal worden benut. Machine learning is een krachtig hulpmiddel, maar soms is het niet de juiste keuze voor elk probleem. Bedenk dat het hebben van gegevens niet gelijk staat aan het hebben van informatie.
Ten tweede moeten we een kritiek punt overwinnen waarop discussies overgaan in uitvoerbare stappen. Het is niet genoeg om alleen maar te praten over het potentieel van digitalisering en het delen van gegevens; we moeten proactiever worden. Alle actoren moeten bereid zijn om de oplossingen te implementeren, te evalueren en indien nodig te bekritiseren in plaats van het oude “dit is te veel een black box” argument te gebruiken. Het overwinnen van deze hindernis zal essentieel zijn voor het realiseren van de echte voordelen van DigiShape en het bevorderen van de watersector door middel van digitalisering.”
Wat maakt jouw baan het leukste ter wereld?
“Ik haal enorm veel voldoening uit de creatieve vrijheid en flexibiliteit die bij mijn functie horen. Ten eerste heb ik als onderzoeker en assistent-professor de autonomie om onderwerpen te verkennen die me intrigeren, waardoor ik voortdurend intellectueel kan groeien. Ten tweede kan ik studenten inspireren om “hun handen in de modder te steken”, aangezien machine learning sterk gebaseerd is op matrixalgebra, statistiek en calculus; allemaal vakken die ze in hun eerste jaren als ingenieur hebben gestudeerd. Bovendien heb ik het gevoel dat ik echt kan bijdragen aan zinvolle veranderingen in de maatschappij door het verantwoord gebruik ervan te promoten. En ten derde, wat ik vaak voor de grap zeg: er is niets waardoor je meer van je werk gaat houden dan een kind en een hypotheek.”
