Machine learning til beslutningsstøtte og overvågning

Hydrauliske modeller og sensor data bruges til design og overvågning af afløbssystemet. De detaljerede modeller er langsomme og kan være svære at gennemskue. Derudover tages beslutninger ofte ude fra
aggregerede informationer, såsom total økonomisk oversvømmelsskade i et opland, minimal ilt koncentration i et vandløb, eller forventet maksimal tilstrømning til et bygværk. Det vil ofte give mening at
træne machine learning modeller til resultater fra detaljerede modeller eller sensormålinger. Machine learning modellen generer så en prædiktion af beslutningskriteriet ude fra let tilgængelige inputs. Fordelen
ved det er, at beregningstiden er meget kortere og at forskellige "meta-modeller" kan trænes for forskellige dele af vandkredsløbet. En integreret analyse af vandkredsløbet kan derved gennemføres uden de tekniske
vanskeligheder der ligger i at få forskellige komplekse modeller til at snakke sammen. Foredraget giver eksempler for anvendelser af teknikkerne og illustrerer potentialer og udfordringer.