⚡ electrical engineering

Safe and Near-Optimal Gate Control: A Case Study from the Danish West Coast

Dit artikel beschrijft hoe een digitale tweeling van de Ringkøbing-fjord, gecombineerd met Uppaal Stratego en voorspellingen van zee- en windniveaus, wordt gebruikt om een veilige en bijna optimale automatische sluizenbesturing te leren die menselijke ingrepen vervangt en veiligheidsvereisten garandeert.

Oorspronkelijke auteurs: Martin Kristjansen (Aalborg University), Kim Guldstrand Larsen (Aalborg University), Marius Mikučionis (Aalborg University), Christian Schilling (Aalborg University)

Gepubliceerd 2026-04-07

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Martin Kristjansen (Aalborg University), Kim Guldstrand Larsen (Aalborg University), Marius Mikučionis (Aalborg University), Christian Schilling (Aalborg University)

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Slimme Sluiswachter: Hoe een Digitale Tweeling Ringkøbing Fjord Redt

Stel je voor dat je een enorme badkuip hebt, de Ringkøbing Fjord, die aan de ene kant openstaat naar de Noordzee. Deze badkuip heeft een speciale deur: een dam met 14 grote schuifdeuren (de sluizen). De taak van deze deuren is simpel maar cruciaal: ze moeten de waterstand in de badkuip perfect houden.

Waarom is dit zo belangrijk?

Te hoog water? Dan lopen de huizen en weilanden rondom het meer onder water.
Te laag water? Dan drogen de nesten van vogels en vissen op, en kunnen de vissen niet meer zwemmen tussen zee en meer.
Te veel stroming? Dan kunnen boten niet veilig de haven in varen.

Vroeger deden mensen dit werk. Ze keken naar de golven, de wind en de regen en beslisten dan: "Oké, vandaag openen we drie deurtjes" of "Vandaag sluiten we alles". Maar met de klimaatverandering wordt het weer onvoorspelbaarder, en de zeespiegel stijgt. Mensen kunnen niet altijd snel genoeg schakelen.

Daarom hebben deze onderzoekers een digitale tweeling gebouwd.

Wat is een Digitale Tweeling?

Stel je voor dat je een videospelletje maakt dat er precies zo uitziet als de echte wereld, maar dan in de computer. Dit is de digitale tweeling. In dit spelletje kun je duizenden keren proberen hoe je de deuren moet openen en sluiten, zonder dat er echt een boot zinkt of een huis overstroomt.

De onderzoekers hebben dit spelletje gespeeld met een kunstmatige intelligentie (AI). Deze AI is als een slimme leerling die duizenden keren oefent in het spelletje om de perfecte strategie te vinden.

De Drie Regels van de AI

De AI moet zich houden aan drie harde regels (veiligheid):

De waterstand: Het water moet altijd tussen de 0 en 25 centimeter blijven (niet te hoog, niet te laag).
De wind: Als het water uit de zee het meer in stroomt, moet het hard waaien (minimaal 8 meter per seconde). Anders wordt het water niet goed gemengd en kunnen de vissen het niet aan.
De druk: Als het water aan de ene kant veel hoger staat dan aan de andere kant (meer dan 1 meter verschil), mag je de deuren niet openen. De stuwkracht zou de deuren kunnen breken.

Zodra deze regels veilig zijn, probeert de AI ook nog drie dingen om het leven leuker te maken (prestatie):

Vissen: Zorg dat er altijd minstens één deur open staat zodat vissen kunnen zwemmen.
Slijtage: Open en sluit de deuren niet te vaak, want dat is slecht voor het metaal.
Boten: Zorg dat boten niet te lang hoeven te wachten om de haven in te varen.

Hoe werkt het in de praktijk?

De AI kijkt niet alleen naar het nu, maar ook naar de weersvoorspelling voor de komende drie dagen. Het is alsof de AI een wekker heeft die zegt: "Over twee dagen komt er een zware storm, dus we moeten nu alvast water laten weglopen."

Maar omdat weersvoorspellingen niet 100% zeker zijn, werkt de AI online. Dat betekent:

De AI leert een strategie op basis van de huidige voorspelling.
Ze past die strategie toe.
Elke zes uur komt er een nieuwe, betere voorspelling binnen.
Dan leert de AI direct een nieuwe, betere strategie en vervangt de oude.

Het is alsof je een navigatiesysteem in je auto hebt dat elke paar minuten de route opnieuw berekent als er een nieuwe file of een nieuw onweer wordt gemeld.

Wat leverde het op?

De onderzoekers hebben getest hoe deze slimme AI het deed vergeleken met de oude, menselijke methode (de "basiscontroller").

Veiligheid: De menselijke methode faalde in bijna alle scenario's. Het water stond te hoog of te laag, wat gevaarlijk is. De AI slaagde altijd. Het water bleef perfect binnen de veilige grenzen, zelfs tijdens extreme stormen of droogte.
Vissen en Boten: De AI deed het net zo goed als de mensen voor vissen en boten. De wachttijden voor boten waren bijna hetzelfde, en vissen konden net zo vaak zwemmen.
Aantal bewegingen: De AI deed iets meer bewegingen (meer openen/sluiten) dan de mensen, maar dat was de prijs die ze betaalden om het water perfect veilig te houden.

De conclusie

Dit onderzoek laat zien dat we niet meer hoeven te vertrouwen op "gevoel" of vaste regels voor zulke complexe systemen. Met een digitale tweeling en een slimme AI kunnen we de sluizen zo aansturen dat we veilig blijven, de natuur beschermen en de scheepvaart soepel laten verlopen.

Het is alsof we een onzichtbare, super-snelle en nooit moe wordende sluiswachter hebben die 24/7 de beste beslissingen neemt, gebaseerd op de toekomstige weersvoorspelling. En dat is een grote stap naar een veilige kustlijn in een veranderend klimaat.

Titel: Veilige en Bijna-Optimale Sluisbesturing: Een Case Study van de Deense Westkust

Auteurs: Martin Kristjansen, Kim Guldstrand Larsen, Marius Mikučionis, en Christian Schilling (Aalborg Universiteit).
Publicatie: Proceedings of the 7th Workshop on Models for Formal Analysis of Real Systems (MARS'26), EPTCS 443, 2026.

1. Probleemstelling

Ringkøbing Fjord is een binnenzee aan de Deense westkust die via een dam met 14 afzonderlijk bedienbare sluisdeuren en een scheepvaartsluis verbonden is met de Noordzee. De huidige bediening van deze deuren gebeurt handmatig door operators, die moeten balanceren tussen tegenstrijdige eisen:

Veiligheid: Het waterpeil moet binnen een specifiek bereik blijven (0,00 m tot 0,25 m DVR90) om overstroming van vasteland en uitdroging van natuurgebieden te voorkomen.
Ecologie: Vissen moeten kunnen migreren tussen zee en fjord.
Scheepvaart: Boten moeten veilig de sluis kunnen bereiken zonder hinder van stroming.
Infrastructuur: De slijtage van de deuren (openen/sluiten) moet geminimaliseerd worden.

De uitdaging wordt verergerd door klimaatverandering (stijgende zeespiegels, zwaardere regenval) en het feit dat weersvoorspellingen slechts voor de korte termijn geldig zijn. Er is behoefte aan een geautomatiseerd, adaptief controlesysteem dat rekening houdt met deze dynamiek.

2. Methodologie

De auteurs hanteren een Online Reinforcement Learning (RL) benadering binnen het tool UPPAAL STRATEGO.

A. Digitale Tweeling (Digital Twin)

Er is een simulatiemodel ontwikkeld dat de waterhuishouding van het fjord nabootst.

Fysiek Model: Het model berekent de verandering in waterpeil ( $h_f$ $h_{f}$ ) op basis van de stroom door de deuren ( $Q_{gates}$ $Q_{g a t es}$ ) en de instroom van rivieren ( $Q_{streams}$ $Q_{s t r e am s}$ ).
- De stroom door de deuren wordt gemodelleerd met een vergelijking die afhankelijk is van het hoogteverschil ( $\Delta h$ ) en het open oppervlak van de deuren.
- De instroom van rivieren wordt geschat op basis van historische maandgemiddelden.
Omgeving: Het model integreert historische data voor zeespiegels en windsnelheid, maar voegt onzekerheid toe (uniforme verdeling) om te simuleren dat het systeem werkt met voorspellingen in plaats van perfecte data.
Tijdschaal: Een tijdseenheid komt overeen met 1 minuut; beslissingen worden elke 10 minuten genomen.

B. Reinforcement Learning (RL) Strategie

Agent: De controller die beslist hoeveel deuren open moeten zijn (0, 1 of alle 14).
Actie-ruimte: Beperkt tot drie acties (geen deuren, één deur, alle deuren), gebaseerd op huidige praktijk.
Learning Query: Het doel is het minimaliseren van een kostenfunctie ($cost$) die bestaat uit vier gewogen termen:
1. Tijd buiten het veilige waterpeilbereik (Veiligheid).
2. Kwart van de wachttijd van boten (Scheepvaart).
3. Aantal keer dat de deurconfiguratie verandert (Slijtage).
4. Tijd waarin vissen hadden kunnen migreren maar deuren gesloten waren (Ecologie).
Online Update: Omdat weersvoorspellingen verouderen, wordt de strategie periodiek (elke 6 uur, wanneer een nieuwe voorspelling beschikbaar is) herleerd op basis van de huidige toestand en de nieuwe voorspelling. De horizon voor het leren is 3 dagen.

C. Veiligheidseisen (Constraints)

Het model bevat strikte veiligheidsregels (guards) die niet mogen worden geschonden:

Deuren mogen niet open als het waterpeilverschil > 1 meter is (risico op schade).
Deuren mogen alleen water toelaten bij wind > 8 m/s (voor menging), tenzij het alleen om vismigratie gaat.

3. Belangrijkste Bijdragen

Digitale Tweeling voor RL: De implementatie van een gedetailleerd hydraulisch model in UPPAAL STRATEGO dat continuïteit heeft met de fysieke realiteit.
Online Adaptief Control: Een framework waarbij de controller continu wordt bijgewerkt op basis van nieuwe voorspellingen, waardoor het systeem robuust is tegen veranderingen in de omgeving (bijv. stijgende zeespiegel).
Vergelijking met Baseline: Een systematische vergelijking tussen een handmatig-geïnspireerde baseline-controller en de geleerde RL-strategieën.
Parameteranalyse: Een analyse van de invloed van de gewichten in de kostenfunctie, specifiek het afwegen van veiligheid versus prestatie.

4. Resultaten

De experimenten zijn uitgevoerd voor drie scenario's: normale waterstanden, lage waterstanden en hoge waterstanden (overstromingsrisico). De resultaten zijn gebaseerd op 100 simulaties per scenario.

Prestatie-indicator	Baseline (Handmatig)	Geleerde Controller (RL)
Veiligheid (Binnen bereik)	Faalt (63% - 82% van de tijd)	100% (Altijd binnen bereik)
Vismigratie	Hoog (95-99%)	Zeer Hoog (96-99%)
Max. wachttijd boten	~9 minuten	~8,8 minuten
Aantal bedieningen	Lager (minder slijtage)	Iets hoger (meer acties)

Veiligheid: De baseline-controller faalt in alle scenario's om het waterpeil veilig te houden, met name bij extreme omstandigheden. De geleerde controllers houden het waterpeil altijd binnen de veilige grenzen (0,00 - 0,25 m).
Prestatie: De geleerde controllers presteren vergelijkbaar of beter op het gebied van vismigratie en wachttijden voor boten.
Kosten: De enige nadeel is een iets hoger aantal bedieningen (openen/sluiten), wat leidt tot meer slijtage, maar dit is een acceptabele trade-off voor de veiligheid.
Gewichtstuning: Een analyse van de veiligheidsweergave ( $w_1$ ) toont aan dat een hoge waarde noodzakelijk is om veiligheid te garanderen. Een waarde van $10^3$ bleek een goed compromis, waarbij veiligheidsviolaties minimaal waren zonder de andere prestaties te sterk te beïnvloeden.

5. Betekenis en Toekomstperspectief

Dit paper demonstreert dat UPPAAL STRATEGO effectief kan worden ingezet voor het leren van beveiligde, bijna-optimale controlestrategieën voor complexe, continue systemen in de echte wereld.

Haalbaarheid: Het leren van een strategie duurt ongeveer 60 minuten, wat veel sneller is dan de voorspellingshorizon (3 dagen), wat online implementatie mogelijk maakt.
Veiligheidsgarantie: In tegenstelling tot traditionele RL-methoden die soms onveilige acties kunnen leren tijdens het trainen, garandeert de gebruikte aanpak (met strikte guards en digitale tweeling) dat de veiligheidsvereisten worden nageleefd.
Toekomstig werk: De auteurs identificeren enkele verbeterpunten voor de echte implementatie:
- Uitbreiding van de actie-ruimte (meer dan alleen 0, 1 of 14 deuren).
- Integratie van zoutgehalte (saliniteit) in het model, wat cruciaal is voor de ecologie.
- Implementatie van een "shield" (veiligheidsschild) om onveilige acties fysiek te blokkeren.
- Verfijning van het wateroppervlak-model (huidig model gaat uit van een vlak oppervlak, maar wind kan variaties veroorzaken).

Concluderend biedt deze studie een veelbelovende route voor het moderniseren van kritieke waterinfrastructuur door middel van formele methoden en online leeralgoritmen, waarbij veiligheid voorop staat.