Predictive Twin Lab voor de gebouwde omgeving

Bij de vervangings- en renovatieopgave van infrastructuur kunnen predictive twins ons helpen om nauwkeurig de technische levensduur te voorspellen en onderhoud te plannen. De meeste bruggen in ons land dateren uit de jaren 60 en 70. Wanneer ze onderhoud nodig hebben of om veiligheidsredenen vervangen moeten worden, hangt af van de daadwerkelijk belasting en toestand.

In het Predictive Twin Lab heeft TNO een digitale replica beschikbaar van een miniatuurbrug, die via sensoren met elkaar zijn verbonden. De actuele informatie uit de sensoren van de fysieke brug, zoals de frequente belasting van vrachtverkeer, voedt de digitale replica die zo een voorspellend vermogen krijgt.

Dit soort predictive twins geven tijdens de levensduur veel beter inzicht in de conditie van de brug en dus in de vervangings- en renovatieopgave. Hierdoor worden werkzaamheden veel beter planbaar, met minder overlast en lagere kosten als gevolg. In het lab wordt gewerkt met een miniatuurmodel als demo en testobject, maar de resultaten worden in de praktijk getest en gevalideerd op de Moerdijkbrug.

Het plannen van onderhoud in de openbare ruimte is vaak een complexe opgave. Naast de kosten van het onderhoud zelf, zijn er indirecte kosten, door het risico op falen of mitigatiemaatregelen, zoals het afsluiten van straten of parkeerplaatsen.

Naast de bereikbaarheid speelt ook de luchtkwaliteit een rol. In Amsterdam is het onderhoud en de renovatie van kademuren een forse uitdaging. Om grip te krijgen op consequenties en kosten, maakt de Gemeente Amsterdam gebruik van Urban Strategy. Dit multidisciplinaire planningsplatform van TNO maakt gebruik van Predictive Twins om stedenbouwkundige vraagstukken en beleidsmaatregelen door te rekenen voor hun impact op bereikbaarheid, duurzaamheid en geluidsoverlast.

Met behulp van digitale replica’s zijn voor het kade-onderhoud simulaties uitgevoerd binnen een gebied van 70 kademuren over een periode van 20 jaar. Op basis van 25 variabelen, zogeheten ‘action-state pairs’, is gekeken naar de directe en indirecte kosten van onderhoud en renovatie. Zo ontstond uiteindelijk een optimale onderhoudsstrategie met de laagst mogelijke kosten en impact op de stad en haar bewoners.

Nederland is wereldleider in glastuinbouwtechnologie. De bloeiende export van hightech greenhouses heeft een waarde van maar liefst 2 miljard euro per jaar, voornamelijk bedoeld voor de groenteteelt. Ondernemers in de glastuinbouw zijn sterk afhankelijk van duurzaam functionerende kasconstructies om een betrouwbare levering aan afnemers te waarborgen.

Onvoorziene schades of onderhoudswerkzaamheden hebben direct forse consequenties: financieel, en op de voedselproductiezekerheid. In het Predictve Twin Lab wordt gewerkt met een schaalmodel van een kasdek om te laten zien wat de effecten bij een echte kas kunnen zijn. Zo kan nauwkeurig het optimale moment voor onderhoud of reparatie worden vastgesteld. Sensoren op de kasconstructie monitoren belastingen door gewassen, wind en sneeuw. Simulatiemodellen analyseren live meetdata om de gevolgen voor de kasconstructie te voorspellen, zodat tijdig maatregelen worden getroffen.

De predictive twin technologie is niet alleen interessant voor tuinders, maar ook voor kassenbouwers die garanties afgeven voor de levensduur van de kas. Deze bedrijven kunnen zo monitoren of de kas conform de ontwerpafspraken wordt gebruikt. Bovendien kunnen predictive twins kassenbouwers helpen om op basis van voorspellingen een optimale kasconstructie te ontwikkelen die maximaal presteert.

Ook ontwikkelt TNO een predictive twin voor het bijhouden en bijsturen van de klimaat- en plantrealisatie in een fysieke kas op basis van voorspellingen en AI-optimalisatie voor een efficiënter gebruik. Al deze toepassingen illustreren de kracht van predictive twins, waarmee de concurrentiepositie van de Nederlandse glastuinbouw wordt versterkt.

Ruimte is een steeds schaarser goed in steden, waardoor vaker hoogbouw wordt toegepast. Hoge gebouwen hebben een grote impact op hun omgeving en de bouw brengt onzekerheden en risico’s met zich mee. Zo blijkt het trillingsgedrag van nieuwe hoogbouw vooraf lastig te voorspellen, zeker op de relatief slappe ondergrond die we in Nederland hebben. Overmatige trillingen kunnen negatieve invloed hebben op het comfort en veiligheidsgevoel van bewoners of werknemers.

Bij bestaande hoge gebouwen is de betrouwbaarheid van de constructie vaak moeilijk in te schatten. Door de constructieve onzekerheden van het rekenmodel wordt er conservatiever gerekend, wat resulteert in extra materiaalgebruik en hogere kosten. In het Predictive Twin Lab onderzoekt TNO met behulp van een fysiek schaalmodel van een woontoren en een digital twin, meettechnieken om trillingsgedrag beter te kunnen voorspellen.

Deze technieken worden vervolgens gevalideerd met monitoring in de praktijk van drie hoge bouwwerken in Rotterdam: De Zalmhaventorens, New Orleans en Delftse Poort. Dit levert betrouwbare gegevens op over de algemene stijfheid en funderingsstijfheid van hoge gebouwen. Hiermee worden berekeningen voor geplande hoogbouw betrouwbaarder, en de herbeoordeling van bestaande gebouwen wordt realistischer. Zo dragen predictive twins bij aan comfortabele, betrouwbare hoogbouw met minder materiaalgebruik.