Minder kosten en betere planning dankzij monitoring asfaltslijtage met mobiliteitsdata
Data bewijzen hun waarde als je er wat mee doet. Een mooi voorbeeld is een tool die de provincie Utrecht gebruikt om asfaltslijtage te monitoren. Deze tool helpt bij het bepalen waar asfalt sneller en waar juist lángzamer slijt dan voorspeld.” Hierover gaan we in gesprek met Waldo Kolk, werkzaam bij de provincie Utrecht en voorzitter van het Regionaal Data Team Midden-Nederland.
Waldo helpt de provincie Utrecht om binnen het domein mobiliteit te digitaliseren. “We stellen mobiliteitsgerelateerde informatie zoveel mogelijk digitaal beschikbaar”, vertelt Kolk. “Die data gebruiken we om onze taken beter en slimmer uit te voeren. De bedoeling is dus dat we echt het potentieel van data benutten.”
Onlangs is de provincie Utrecht gestart met het gebruik van mobiliteitsdata om een ‘voorspellend zicht’ te krijgen op asfaltslijtage.
Van twee jaar vooruit plannen…
De provincie Utrecht telt zo’n 300 kilometer aan autowegen. Het onderhoud daarvan is op jaarbasis een fikse kostenpost.
Om te bepalen of asfalt vervangen moet worden, gaat de provincie normaliter uit van een nogal theoretische prognose van de levensduur van het asfalt. Die prognose wordt hooguit bijgesteld op basis van schouwen van weginspecteurs en (dure) video-inspecties. Kolk: “Met deze traditionele werkwijze kunnen we maximaal twee jaar vooruit plannen. Dat is te kort om de omgeving goed mee te nemen – ‘deze weg gaat er dan en dan uit voor groot onderhoud’ – en ook te kort om het asfaltonderhoud te combineren met andere werkzaamheden, zoals aanpassingen aan de weg of de vervanging van de lantarens. We zouden het liefst langer voortuit plannen.”
… naar mogelijk vijf jaar vooruit
Dat laatste lijkt haalbaar met de nieuwe tool Voorspellen Asfaltslijtage. Die baseert zich op open data als floating car data* data uit lussen in de weg, data uit de onboardsystemen** van voertuigen en weerdata, gecombineerd met technische gegevens over het asfalt op de weg, zoals samenstelling, wanneer gelegd en dikte van de laag.
“Deze gegevens vormen input voor een algoritme dat berekent waar het asfalt waarschijnlijk sneller of juist minder snel slijt dan volgens de voorspelling. Floating car data en lusdata bijvoorbeeld zeggen iets over de intensiteit en verkeerssamenstelling en dat zijn echt factoren van belang. Het maakt nogal een verschil of een wegdeel de verwachte 1000 of 2000 auto’s per uur verwerkt. Ook meer of minder vrachtverkeer dan verwacht, beïnvloedt de asfaltslijtage.”
De data verwerken tot een zinnige slijtagevoorspelling is niet eenvoudig. Maar een kleinschalige test in 2022 door het Regionaal Data Team Midden-Nederland pakte goed uit. De provincie besloot daarom een tool te ontwikkelen voor het complete provinciale wegennet. “De opdracht hebben we nu net voor drie jaar aanbesteed”, vertelt Kolk. “We hebben het deels ingericht als leerproces, om het algoritme te verder verfijnen. Dit jaar, 2025, streven we naar 60 procent nauwkeurigheid, volgend jaar willen we op 70 procent zitten, daarna op 80 procent. Onze assetbeheerder kijkt mee en bepaalt de scores.”
"Met een combinatie van bestaande data berekenen we hoe snel het asfalt slijt"
Maar ook met een wat minder hoge nauwkeurigheidsgraad heeft de tool al waarde. Weginspecteurs kunnen bijvoorbeeld gerichter op weg worden gestuurd, naar wegdelen waar het asfalt volgens de tool sneller lijkt te slijten. Het wordt met de tool ook eenvoudiger om besluiten over wel of niet asfalt vervangen te onderbouwen.
“En hoe nauwkeuriger de tool wordt, hoe verder we vooruit kunnen gaan denken. De bedoeling is dat we onze planningshorizon oprekken van twee jaar naar vijf jaar. Daar zal ook de echte winst zitten. Je kan dan werk met werk plannen en je budgetten voor onderhoud beter plannen.”
"Weginspecteurs worden gerichter op weg gestuurd, naar wegdelen waar het asfalt sneller lijkt te slijten"
Waardevol voor andere gemeenten en provincies
Dat klinkt als een tool waar ook andere wegbeheerders hun voordeel mee kunnen doen. “Dat klopt. Daarom hebben we het algoritme zo opgezet dat het ook te gebruiken is door gemeenten in de regio of door andere regio’s.”
Data als oplossing
Er zijn nog meer voorbeelden van zicht dankzij data. Een daarvan gaat over de duur van brugopeningen. Als het langer duurt voordat een brug open en weer dicht is, is dat een indicatie van slijtage. Een ander voorbeeld is dat je dat je met voertuigdata heel goed je databestand met weginformatie kan verbeteren. Dit helpt bijvoorbeeld om overbodige borden langs de weg te ruimen.
“Je hoort vaak dat we als overheid onze data op orde moeten hebben. Dat is natuurlijk zo. Maar we moeten die data vooral zinvol inzetten. Laatst zei een collega van een andere provincie dat hij moeite had om in zijn organisatie digitalisering voor het voetlicht te brengen. Ik zei: kruip in de huid van je collega’s. Die zitten niet te wachten op extra werk dat niet te linken is aan hun problemen. Data zijn geen doel, ze moeten een oplossing zijn. Als ze bijvoorbeeld merken dat ze met data de kostenpost asfalt beter kunnen beheersen, is digitalisering ineens heel interessant.”
"Als men merkt dat er met data kosten bespaard kunnen worden, is digitalisering ineens heel interessant.”
*Floating Car Data is geanonimiseerde verkeersinformatie die wordt verzameld door rijdende voertuigen. Deze voertuigen, zoals auto's, vrachtwagens of taxi's, fungeren als bewegende sensoren en sturen gegevens door over bijvoorbeeld snelheid, locatie en richting.
**Data uit onboardsystemen betreffen geanonimiseerde data uit moderne voertuigen zoals data van camera’s, temperatuursensoren, ruitenwissers, ABS enzovoort. Dit betreft data uit het Programma Road Monitor van Rijkswaterstaat.