Het lijkt bijna onvermijdelijk: de bouwwereld is zo’n beetje overgeschakeld op BIM, de hekkensluiters maken nu de overstap. En sensoren die data inzamelen van alles op en om gebouwen en constructies worden ook steeds meer gemeengoed. Koppel die twee ontwikkelingen aan elkaar en je hebt een digital twin: een virtuele kopie van een bouwwerk die voortdurend wordt gevoed met actuele informatie. Reuze handig voor iedereen die bezig is met beheer, onderhoud, verbouwingen, uitbreidingen, of wat dan ook.
Niet voor niets zoemt de term al een tijdje rond als buzzwoord en hangt er een soort hijgerigheid omheen. Daardoor wordt er ook veel onzin verkondigd temeer omdat de praktijk nog achterblijft bij de vergezichten die door de voorlopers worden voorgespiegeld. Daarom formuleerde TNO recent haar visie op het fenomeen in een position paper. Daarbij put TNO uit ervaringen uit een scala eigen kennis- en innovatieprojecten, maar ook uit wereldwijde trends en ontwikkelingen in de bouw- en infrawereld en de industrie.
Fundamentele discussies
TNO-onderzoeker Arjen Adriaanse gaat al even mee in de bouw. Hij maakte de opkomst van BIM mee vanaf het prille begin in de jaren negentig van de vorige eeuw. Inclusief alle fundamentele discussies over wat BIM nu eigenlijk was. Zo werden er bijvoorbeeld verhitte discussies gevoerd over little BIM en big BIM. Ging het alleen over het gebruik van BIM binnen de eigen organisatie (little) of ging het om het uitwisselen van BIM-informatie tussen samenwerkende partijen in de bouwprocesketen (big)? Er moesten bovendien stevige nationale en internationale afspraken worden gemaakt over hoe die data precies werden vastgelegd en opgeslagen, zodat alles uitwisselbaar was en iedereen ermee overweg kon.
In dat soort discussies raken Adriaanse en zijn collega’s nu opnieuw verwikkeld rondom het onderwerp digital twin. Hoever ga je in het optuigen van dat databouwwerk, welke informatie heb je nodig en hoe vaak ververs je die? Wat is zinvol ten behoeve van beheer en vooral voorspellend onderhoud of predictive maintenance? Want daarin schuilt volgens TNO een grote meerwaarde van digital twins.
Dat je continu weet in wat voor staat een brug, weg, kantoorgebouw of installatie zich bevindt en wanneer er onderhoud nodig is. Niet op het moment dat iets in storing gaat, maar ruim daarvoor. Omdat de data die worden ingezameld afwijkingen tonen die een monteur inseinen om ter plekke een kijkje te gaan nemen.
Voorspellende tweelingen
Warmtepompen die plots veel meer stroom gaan verbruiken, brugdekken die gaan scheuren. Daarom spreken ze bij TNO liever over voorspellende tweelingen van fysieke bouwwerken oftewel predictive twins. Daarmee willen Adriaanse en consorten een specifieke focus kiezen binnen de brede digital twin-hype. “Daar schuilt immers het gevaar in dat, zodra het nieuwtje ervan af is, iedereen er ook onmiddellijk weer mee ophoudt. Terwijl juist nu de afspraken moeten worden gemaakt hoe je twins opbouwt, actueel houdt en gebruikt.”
Net als bij de ontwikkeling van BIM ziet TNO nadrukkelijk een rol voor zichzelf weggelegd in de ontwikkeling van predictive twins. “Omdat we niet alleen IT-kennis in huis hebben, maar ook fundamentele technische kennis van bijvoorbeeld bouwfysica, materialen en constructies. Dat is kennis die een commercieel IT-bedrijf niet zomaar in huis haalt door een constructeur, materiaalkundige en nog een paar andere specialisten aan te nemen.”
Rijkswaterstaat
In het position paper wordt onder andere ingegaan op de visie en plannen voor predictive twins van bruggen en viaducten. Volgend jaar worden de stappen die de laatste jaren zijn gezet getest en gedemonstreerd in een zogeheten fieldlab van een brug van Rijkswaterstaat.
Er staat een plaatje in de publicatie van de Van Brienenoordbrug, maar dat is volgens Adriaanse niet de brug waarvoor het nieuwe fieldlab wordt gestart. De grote Rotterdamse brug is wel het object van een ander fieldlab dat al langer loopt en waar eerder belangrijke stappen zijn gezet richting een predictive twin. TNO en Rijkswaterstaat beproeven daar onder andere nieuwe sensortechnieken, zoals akoestische emissiesensoren die het geluid meten dat ontstaat als een scheur groeit in een stalen brugdek.
TNO koppelt die meetgegevens aan modellen die de scheurgroei en de restlevensduur voorspellen. De integratie van dat soort nieuwe technieken met de verwachte verkeersbelastingen in het wegennet, BIM en andere data tot een predictive twin, is volgens de onderzoeker bij uitstek iets dat op het lijf is geschreven van TNO.
Doorbraak
Adriaanse: “Het lijkt allemaal steeds sneller te gaan, dat maken van voorspellende modellen en integreren met dynamische databronnen. Maar een eindig elementenmodel opbouwen van een grote constructie als de Van Brienenoordbrug kost nu nog altijd meer dan een jaar. Dit houdt de brede toepassing van predictive twins tegen. Wij werken nu aan een methode waarmee in een korte tijd een ‘eenvoudig’ voorspellend model van een predictive twin van een brug ontwikkeld kan worden. De twin leert vervolgens op basis van monitoringsdata. De overtuiging is dat de ontwikkeltijd voor de benodigde voorspellende modellen zo kan worden teruggebracht van een jaar naar een week. Dat zou een grote doorbraak zijn voor de brede toepasbaarheid van predictive twins van bruggen. Daar zijn partijen als wij juist voor om dat in nauwe samenwerking met beheerders als Rijkswaterstaat op te zetten. Zij zien ook de waarde in van de opbouw van dergelijke kennis en ze hebben er natuurlijk ook zelf een belang bij.”
Energieprestatie monitoren
Predictive twins zijn volgens TNO ook het instrument bij uitstek om de energieprestatie van gebouwen te monitoren. In Heerhugowaard start daarvoor binnenkort een fieldlab bij een rijtje nieuwbouwhuizen: de zogeheten NeroZero-woningen in het Europese project Sphere. Onderzoeker Arjen Adriaanse: “Een predictive twin kan feilloos de invloed van bewonersgedrag blootleggen op het daadwerkelijke energiegebruik. Dat is nu nog vaak een factor die buiten schot blijft. In de ontwerpfase worden uitvoerige energieprestatieberekeningen uitgevoerd en daar worden certificeringen als BREEAM aan gekoppeld. Maar hoeveel een gebouw na oplevering daadwerkelijk verbruikt blijft vaak ongewis. Natuurlijk weet de leverancier van de warmtepomp heel nauwkeurig hoeveel energie het apparaat gebruikt en op welke momenten van de dag of seizoen. En dat weet de installateur van de warmteterugwinning ook, net als die van de zonneboiler. Ze hebben allemaal hun twins op verschillende schaalniveaus. Door AI en gedragsmodellen te koppelen met bijvoorbeeld sensoren die aangeven of een bewoner zijn raam openzet of de elektrische auto oplaadt, en een netwerk van twins op te bouwen ontstaan er nieuwe inzichten.”
