Alle projecten Case · Publieke infra

AI-voorspelmodel voor de Minst Gepeilde Diepte

Rijkswaterstaat start in mei 2026 een proef van zes maanden met een AI-voorspelmodel voor de Minst Gepeilde Diepte op de Rijntakken. DotX ontwikkelt het model.

Dashboard van het MGD-voorspelmodel: een driedimensionale weergave van de rivierbodem in hoogtekleuren
JAAR
2026
KLANT
Rijkswaterstaat
SECTOR
Publieke infra
METHODEN
Voorspelmodel op tien jaar openbare dieptemeetdata · Verkenning van realtime scheepvaartdata als aanvulling · Toetsing van voorspellingen tegen de reguliere metingen
TOOLS
Vaarwegenwijs

De Minst Gepeilde Diepte en de belading

De Minst Gepeilde Diepte geeft aan waar de waterdiepte in de vaargeul het laagst is. Die waarde bepaalt hoe diep een schip geladen mag varen, en is daarmee direct van belang voor de veiligheid en de economie van de binnenvaart.

Rijkswaterstaat onderzoekt of een AI-voorspelmodel daarvoor een betrouwbaar alternatief of een aanvulling kan zijn op de huidige manier van meten. In april 2026 maakte Rijkswaterstaat bekend dat in mei 2026 een proef start op de Rijntakken, en dat het model samen met DotX Control Solutions wordt ontwikkeld.

Tien jaar dieptemeetdata als basis

Het model combineert tien jaar aan openbare dieptemeetdata. Daarnaast wordt verkend welke meerwaarde realtime data kan bieden, bijvoorbeeld uit de scheepvaart zelf.

De proef duurt zes maanden. Gedurende die hele periode lopen de reguliere metingen gewoon door, en wordt getoetst of de voorspellingen aansluiten op wat er werkelijk gemeten wordt. Veiligheid en verantwoord gebruik van AI staan daarbij expliciet voorop: het model vervangt niets voordat het bewezen is.

Binnen DotX ligt dit werk bij het team achter Vaarwegenwijs, waar historische peilingen, scheepvaartdata en modellen samenkomen tot voorspellingen die in de dagelijkse operatie van vaarwegbeheerders en baggercombinaties bruikbaar zijn.

Wat dit vraagt van AI in publieke infrastructuur

Dit is niet het soort AI dat je uit een bibliotheek haalt. Wat het vraagt is domeinkennis van regeltechniek, waterbouw en stromingsdynamica naast de data science; modellen die op de fysica aansluiten en niet alleen op de historie; stapsgewijze toetsing voordat nieuwe techniek een bestaande werkwijze vervangt; en duidelijkheid over wat het model wel en niet kan.

Dat is ook waarom deze proef zo is ingericht als hij is ingericht.

AI voor publieke infrastructuur in stappen

AI-modellen voor kritieke publieke infrastructuur bouw je niet in één keer. In het persbericht verwijst Rijkswaterstaat ook naar het eerdere model voor de bodemligging in de IJssel, dat wordt ingezet om de vaargeul gerichter te baggeren. Dat traject is de basis waarop deze proef voortbouwt: eerst een afgebakende vraag beantwoorden, dan opschalen naar iets waar de operatie op leunt.

Uit het projectdossier
Vaarwegenwijs dashboard: 3D-visualisatie van bodemligging in een rivier, gemeten en voorspeld via het Digital Twin-platform van DotX
Vaarwegenwijs dashboard: 3D-visualisatie van bodemligging in een rivier, gemeten en voorspeld via het Digital Twin-platform van DotX
Meting versus voorspelling van bodemligging op de meetvakken YS-144 tot en met YS-151, inclusief een geannoteerd baggergebied
Meting versus voorspelling van bodemligging op de meetvakken YS-144 tot en met YS-151, inclusief een geannoteerd baggergebied
Detail-view van het Vaarwegenwijs-dashboard met dieptekleurschaal en legenda
Detail-view van het Vaarwegenwijs-dashboard met dieptekleurschaal en legenda

Een vergelijkbaar probleem?

Eerste gesprek van dertig minuten over uw installatie of asset. Geen verkoop-funnel, geen pitch-deck. Gewoon inhoudelijk.