Optimale strategieën voor overstromingsbeheer langs waterlopen.

Overstromingen zijn een wereldwijd probleem; het zijn de natuurrampen die het vaakst voorkomen, het meeste dodelijke slachtoffers maken en de grootste economische schade veroorzaken. Er wordt verwacht dat het aantal rivieroverstromingen de komende decennia zal toenemen ten gevolge van de klimaatverandering en antropogene activiteiten zoals de toename van urbanisatie en verharde oppervlakten. Daardoor is er nood aan een verbeterd integraal overstromingsbeheer. Eén van de beloftevolle methodes hier voor is de intelligente sturing van hydraulische structuren. Dit is een beheersmaatregel waarbij optimaal gebruik wordt gemaakt van de reeds bestaande infrastructuur en beschikbare bergingscapaciteit om de overstromingsgevolgen te beperken. Dit proefschrift stelt een dergelijk intelligent sturingssysteem voor en onderzoekt de impact van verschillende onzekerheden op de kwaliteit van de sturing.

Intelligente sturingssystemen vereisen nauwkeurige riviermodellen om de toekomstige riviertoestanden te voorspellen. Dit onderzoek maakt hiervoor gebruik van de conceptuele modelleringstechniek ontwikkeld aan de KU Leuven waarbij de hydrodynamische processen geaggregeerd worden in de ruimte om zo rekenefficiënte, accurate riviermodellen te bekomen. Deze modelleringsaanpak is verder ontwikkeld om riviermodellen op maat van real-time sturingstoepassingen te bekomen. Verbeteringen zijn onder andere een meer doorgedreven aggregatie van de hydrodynamische processen, het elimineren van overbodige tussenberekeningen en variabelen, en het vervangen van groepen hydraulische structuren door een nieuw transportelement, namelijk stromingsmatrices. De zo bekomen gereduceerde conceptuele modellen zijn 60 tot 300 keer sneller dan de oorspronkelijke gedetailleerde conceptuele modellen, terwijl de nauwkeurigheid slechts beperkt beïnvloed wordt.

Het intelligent sturingssysteem voorgesteld in dit proefschrift is een combinatie van de model predictive control (MPC) techniek en een gereduceerd genetisch algoritme (RGA), hierna vermeld als RGA-MPC. Het ontwikkelde RGA is een heuristisch optimalisatiealgoritme gebaseerd op een klassiek genetisch algoritme. Door het aantal optimalisatievariabelen te reduceren wordt een snellere convergentie naar een bijna optimale oplossing bekomen. Optimalisaties zijn gebaseerd op vier regelobjectieven met verschillende prioriteiten, waaronder het minimaliseren van de economische schadekost in het gehele netwerk. RGA-MPC overtreft de klassieke programmable logic controller (PLC) gebaseerde regelstrategie voor alle beschouwde gebeurtenissen en studiegebieden onder ideale omstandigheden. Door te anticiperen op toekomstige neerslag slaagt RGA-MPC er in om de schade te reduceren met 370 000 EUR tot 1.1 miljoen EUR voor de gevalstudie van de Demer. De belangrijkste voordelen van RGA-MPC zijn de rekenefficiëntie en de toepasbaarheid op uitgebreide en complexe niet-lineaire (rivier)modellen.

Modelonnauwkeurigheden en onzekere neerslagvoorspellingen resulteren in voorspellingsfouten van de toekomstige riviertoestanden en dus in een minder optimale regeling. Het verlies aan regelperformantie ten gevolge van de hydrodynamische modelonzekerheid kan grotendeels gecompenseerd worden door het toepassen van de moving horizon estimator of de ensemble Kalman filter in combinatie met de in dit onderzoek ontwikkelde flexibele foutcorrectiemethode (data-assimilatie). Deze nieuwe methode analyseert de modelfouten geobserveerd in het verleden en past een geschikt correctiemodel toe op basis van de geobserveerde foutentrend. Een experimentele generator voor neerslagvoorspellingsscenario’s is ontwikkeld om de invloed van de neerslagonzekerheid op de regelperformantie te onderzoeken. Het performantieverlies is beperkt, aangezien MPC inherent robuust is ten opzichte van onzekerheden wanneer data-assimilatie regelmatig wordt toegepast (elke 15 minuten), zelfs voor grote neerslagonzekerheden. Robuuste MPC methoden beschouwen een ensemble van inputreeksen om de neerslagonzekerheid expliciet in rekening te brengen tijdens de optimalisatie. De beschouwde methoden tonen op basis van de huidige resultaten geen significante meerwaarde ten opzichte van deterministische MPC, waardoor verder onderzoek hiernaar aangewezen is.

De in dit onderzoek ontwikkelde methodes zijn bijkomend toegepast voor drie types impactstudies. Zo is de reductie van de historische overstromingsschade door RGA-MPC en de impact van de klimaatverandering geanalyseerd aan de hand van langetermijnoptimalisaties. Daarnaast is aangetoond dat een conceptueel model snel geherkalibreerd kan worden voor verschillende plantengroeiscenario’s aangezien de oorspronkelijke modelstructuur behouden kan blijven. Data-assimilatie met behulp van de flexibele foutcorrectiemethode compenseert 80% van het performantieverlies ten gevolge van seizoensgebonden plantengroei. Hierdoor kan het conceptuele model met gemiddelde plantengroei gedurende het hele jaar gebruikt worden voor real-time sturing. Tot slot is de impact van neerslagonzekerheid in het specifieke geval van consistente over- of onderschatting van de neerslag onderzocht. In het algemeen kan data-assimilatie het performantieverlies opnieuw grotendeels compenseren. In het specifieke geval van consistente onderschatting van een extreme neerslagperiode tonen de robuuste MPC-methoden een betere performantie dan de deterministische MPC-aanpak. Er is echter verder onderzoek nodig naar deze robuuste MPC-methodes.