Of het nu om geluid, trillingen of elektromagnetische straling gaat, met smart monitoring kunnen wij meer informatie uit metingen halen. Door gebruik te maken van machine learning-algoritmes en fysische modellen kunnen metingen meer inzichten ontsluiten dan op basis van de data alleen. Deze inzichten leiden tot gedetailleerde prognoses en advies.
Een voorbeeld is een onderzoek ter plaatse van geplande nieuwbouw met laboratoria waar werkzaamheden met gevoeligheid voor elektromagnetische straling zullen worden uitgevoerd. Op een aantal specifieke posities zijn metingen uitgevoerd naar het optredende niveau ten gevolge van de verschillende bronnen van EM-straling, zoals een nabijgelegen transformatorhuis, bodempompen en elektriciteitsleidingen in de bodem. Met een combinatie van de meetdata, een fysisch model en een machine learning-algoritme zijn de EM-stralingniveaus in het projectgebied inzichtelijk gemaakt. Op basis van deze EM-stralingniveaukaart is de opdrachtgever geadviseerd met betrekking tot de locatie van de geplande laboratoria.
Een systeem dat ons in staat stelt om geluid en/-of trillingen te monitoren op een aantal locaties in een studiegebied zonder dat op alle locaties voor de gehele monitoringduur meetapparatuur fysiek aanwezig is, is ook een mooi voorbeeld van smart monitoring. Door gebruik van machine learning-algoritmes kunnen de verbanden in de meetdata geütiliseerd worden en komt met minder meetapparatuur meer informatie beschikbaar.
Advisering door Peutz
Met deze integrale benadering van machine learning, fysische modellen en metingen kunnen gedetailleerde prognoses worden gemaakt. Hierdoor kan smart monitoring inzichten bieden die kunnen leiden tot beter beargumenteerde beslissingen op het gebied van bouw, industrie, milieu en energie en duurzaamheid. Voelt u zich vrij contact op te nemen wanneer u hier meer informatie over wenst.
Contact: r.dikken [at] peutz.nl (Robbert-Jan Dikken)