Integratie van machine learning en meercriteria-beslissingsanalyse voor gezondheidsrisicobeheer in waterdistributienetwerken

Waarom veilig kraanwater slimme planning vereist

Als je de kraan opendraait, verwacht je schoon water, maar onder straatniveau ligt een netwerk van verouderde leidingen die kunnen scheuren, lekken en ziekteverwekkers binnenlaten. Deze studie onderzoekt hoe moderne datatools waterbedrijven kunnen helpen zien welke leidingen het meest waarschijnlijk zullen falen, hoe gevaarlijk die falen voor de gezondheid kunnen zijn en welke reparatiestrategieën de beste bescherming bieden voor het geld. Het biedt een praktische aanpak voor steden om drinkwater veilig te houden ondanks beperkte budgetten en oude infrastructuur.

Lekkende leidingen en verborgen gezondheidsrisico’s

Waterdistributienetwerken vervoeren behandeld drinkwater van zuiveringsinstallaties naar woningen en bedrijven. Naarmate leidingen ouder worden, ontstaan er scheuren en breuken die enorme hoeveelheden water verspillen en kosten met zich meebrengen om te repareren. Wereldwijd gaat dagelijks honderden miljoenen kubieke meters water verloren, en alleen al in Zweden verdwijnt ongeveer 15 tot 20 procent van het gemeentelijke drinkwater door lekken en breuken. Deze gebreken zijn meer dan een ergernis: wanneer de druk in de leidingen daalt, kan vuil water uit de omliggende grond of nabijgelegen riolen naar binnen worden gezogen, met ziekteverwekkers die maag- en darminfecties veroorzaken. Omdat utilities niet alle leidingen tegelijk kunnen vervangen, moeten ze weten waar uitval het meest waarschijnlijk is en welke uitval het meest schadelijk zou zijn.

Gegevens gebruiken om zwakke schakels in het netwerk te vinden

De onderzoekers werkten met een echt waternet in het zuiden van Zweden, met een focus op een sectie van 13,5 kilometer met verschillende leidingmaterialen en leeftijden. Ze gebruikten drie typen machine learning-modellen om te schatten hoe waarschijnlijk het was dat elke leiding zou breken: logistieke regressie, random forest en een methode genaamd XGBoost. Deze modellen keken naar kenmerken zoals leidinglengte, diameter, leeftijd, materiaal, bodemtype, druk en eerdere storingen. Het meest nauwkeurige model, random forest, identificeerde de meeste leidingen die in de afgelopen 20 jaar waren gefaald, terwijl het zelden gezonde leidingen foutief labelde. Leeftijd, materiaal en lengte bleken de sterkste aanwijzingen voor toekomstige uitval, wat bevestigt dat basale fysieke informatie nog steeds een groot deel van het verhaal vertelt.

Het volgen van hoe breuken de stroming en ziekteverwekkers beïnvloeden

Het inschatten van de kans op een breuk is slechts de helft van het risicobeeld. Het team vroeg zich ook af wat er zou gebeuren als elke leiding daadwerkelijk faalde. Hiervoor gebruikten ze computermodellen van waterstroming om te zien hoe het afsluiten van een leiding de druk en levering in het netwerk zou verstoren. Leidingen waarvan de uitval grote drukdalingen veroorzaakte of grote delen van het systeem afsloot, werden aangemerkt als leidinggevend voor hoge hydraulische gevolgen. Parallel daarmee voerden ze een microbiologische risicobeoordeling uit, waarbij ze simuleerden hoe ziekteverwekkers zoals Campylobacter, norovirus en Cryptosporidium via een breuk naar binnen kunnen treden, met het water kunnen bewegen en consumenten kunnen bereiken. Voor elke leiding schatten ze de dagelijkse kans dat een persoon die het water drinkt geïnfecteerd raakt, en markeerden leidingen waarbij dit risico boven een veelgebruikt veiligheidsdoel uitsteeg.

Complexe risico’s omzetten in duidelijke kaarten en keuzes

Om deze onderdelen te combineren, vermenigvuldigden de onderzoekers de breukkans van een leiding met de gecombineerde hydraulische en gezondheidsgevolgen, en brachten vervolgens de resultaten in een geografisch informatiesysteem in kaart. Leidingen werden gegroepeerd in lage, middelmatige en hoge risiconiveaus zodat ingenieurs snel hotspots konden zien. Maar weten welke leidingen risicovol zijn laat nog een lastige vraag over: welke acties moeten als eerste worden ondernomen. Om dit te beantwoorden, vroegen ze tien waterexperts verschillende strategieën te beoordelen, zoals drukbeheer, leidingreparatie, leidingvervanging, meer lekdetectie en publieksvoorlichting, aan de hand van criteria zoals kosten, uitvoerbaarheid, risicoreductie, sociale impact en betrouwbaarheid. Ze gebruikten vervolgens een beslistool genaamd TOPSIS om de strategieën te rangschikken op basis van hoe goed ze gezamenlijk aan alle criteria voldeden.

Wat dit betekent voor veiliger drinkwater

De analyse toonde aan dat drukbeheer in het netwerk, gevolgd door gerichte leidingreparatie en -sanering, het beste algehele evenwicht bood tussen risicoreductie, praktisch nut en kosten. Volledige leidingvervanging blijft belangrijk, maar is minder efficiënt als eerste stap wanneer geld en personeel beperkt zijn. Door machine learning, stromings- en gezondheidsrisicomodellen, deskundig oordeel en duidelijke visuele kaarten te combineren, helpt het raamwerk utilities te beslissen waar actie nodig is en welke middelen te gebruiken. Voor het publiek is de boodschap eenvoudig: slimmer gebruik van data kan helpen om kraanwater veilig te houden door aandacht en middelen te richten op de leidingen die het meest van belang zijn voordat ernstige gezondheidsproblemen optreden.

Bronvermelding: Sangroula, U., Viñas, V., Odhiambo, M. et al. Integrating machine learning and multi-criteria decision analysis for health risk management in water distribution networks. Sci Rep 16, 15718 (2026). https://doi.org/10.1038/s41598-026-52465-z

Trefwoorden: drinkwaterveiligheid, waterdistributieleidingen, machine learning, gezondheidsrisicobeoordeling, lekbeheer