4 mei 2026 · 8 minuten leestijd

Machine learning in de infrasector: waar het nu al werkt en waar het nog niets oplost

Raymon Somford zet uiteen waar machine learning in infra en wegbeheer al resultaat oplevert en waar de belofte de praktijk nog voorbijloopt.

Door Raymon Somford — infra, tijdelijke verkeersmaatregelen en geodata

• machine learning
• infrasector
• digitalisering
• data

Een technologie met veel claims en weinig nuance

Machine learning wordt in de grond-, weg- en waterbouwsector regelmatig gepresenteerd als oplossing voor bijna elk probleem: van onderhoudsplanning tot verkeersveiligheid tot procesoptimalisatie. Die framing helpt niemand. Machine learning is geen enkele technologie, maar een verzameling methoden — van eenvoudige patroonherkenning tot complexe deep learning-modellen — die elk hun eigen randvoorwaarden en beperkingen hebben (ConsulTable, AI in de GWW). Raymon Somford werkt zowel aan de uitvoerende kant van infraprojecten als aan datagedreven softwareoplossingen voor deze sector, en dat perspectief maakt het mogelijk om onderscheid te maken tussen wat al werkt en wat nog vooral belofte is.

Waar machine learning nu al aantoonbaar werkt

Beeldherkenning bij weginspecties

Het herkennen van schades aan wegdek — scheuren, spoorvorming, putdeksels die verzakt zijn — vanuit camerabeelden of pointclouds is een van de meest volwassen toepassingen van machine learning in de sector. Machine vision, als aparte categorie binnen machine learning-algoritmen naast supervised learning en reinforcement learning, wordt specifiek ingezet voor dit soort visuele inspectietaken op basis van highway-datasets (Implementing Machine Learning with Highway Datasets, Maryland Department of Transportation). Dit werkt goed omdat de trainingsdata (afbeeldingen van wegschades) relatief eenvoudig te verzamelen en te labelen is, en omdat de foutmarge van het model direct te controleren is door een menselijke inspecteur.

Automatische classificatie van pointclouds

Zoals in de verwerking van geodata al gebruikelijk is, kunnen deep learning-modellen objecten in een pointcloud herkennen en classificeren — grond, vegetatie, gebouwen, verkeersborden — zonder dat elk punt handmatig moet worden gelabeld (Classify point clouds using deep learning, Esri ArcGIS). Dit is een van de meest praktijkrijpe toepassingen van machine learning binnen geodata-verwerking, precies omdat het probleem goed is afgebakend: een beperkt aantal objectcategorieën, een consistente datastructuur, en een duidelijke definitie van wat een correcte classificatie is.

Analyse van geolokaliseerde weginventarisaties

Franse overheidsdocumentatie over AI in de wegensector noemt geolokaliseerde weginventarisaties (inventaires routiers géolocalisés) als concreet toepassingsgebied van kunstmatige intelligentie binnen infrastructuurbeheer, naast ontwerp-optimalisatie (Intelligence artificielle appliquée aux infrastructures, Ministère de la Transition écologique). Dit sluit aan bij wat in de Nederlandse praktijk ook zichtbaar is: het combineren van grote, geolokaliseerde datasets met patroonherkenning is technisch haalbaar en levert bruikbare output op, zolang de onderliggende data van voldoende kwaliteit is.

Data-gedreven assetmanagement als kader

CROW omschrijft datagedreven assetmanagement als het verbinden van data, technologie en vakmanschap: door inzichten uit metingen, analyses en voorspellende modellen te combineren met menselijke ervaring blijven assets langer functioneel tegen lagere kosten (CROW, Datagedreven werken). Dat "combineren met menselijke ervaring" is geen bijzin, maar de kern: de meest werkende toepassingen zijn die waarin het model een deel van het werk versnelt, zonder de menselijke beoordeling te vervangen.

Waar machine learning de belofte nog niet inlost

Voorspellend onderhoud zonder voldoende historische data

Predictive maintenance-modellen zijn afhankelijk van historische storings- en conditiedata om patronen te leren. Voor veel gemeentelijke assets in de openbare ruimte — wegen, kunstwerken, verlichting — ontbreekt die gestructureerde historie grotendeels, of is die verspreid over meerdere, niet-gekoppelde systemen. Onderzoek naar data-acquisitie voor voorspellend onderhoud van civiele constructies benadrukt dat de kwaliteit en volledigheid van de data-acquisitie een randvoorwaarde is voordat voorspellende modellen zinvol kunnen worden toegepast (Towards Data Acquisition for Predictive Maintenance, ScienceDirect). In de praktijk betekent dit dat veel "voorspellend onderhoud"-projecten in de openbare ruimte vooral nog datavoorbereidingsprojecten zijn, niet werkende voorspelmodellen.

Digital twin-gekoppelde voorspelling op smart city-schaal

Er wordt veel onderzoek gepubliceerd naar digital twin-gekoppelde voorspellend-onderhoudsraamwerken voor smart city-infrastructuur, waarbij IoT-sensordata en AI-modellen worden gecombineerd (Digital Twin-Enabled Predictive Maintenance Framework; predictive maintenance of civil infrastructure using digital twin, thesesjournal). Dit soort raamwerken bestaat op dit moment vooral in onderzoekscontext en pilotprojecten. De randvoorwaarden — dichte sensordekking, een werkende digital twin met actuele data, en voldoende historische storingsdata — zijn bij de meeste Nederlandse gemeenten nog niet op orde, waardoor de daadwerkelijke inzet van dit soort raamwerken in de dagelijkse beheerpraktijk beperkt blijft.

Reinforcement learning voor optimalisatie in de praktijk

Reinforcement learning wordt genoemd als een van de drie hoofdtypen machine learning-algoritmen die relevant zijn voor highway-datasets (Maryland Department of Transportation), bijvoorbeeld voor het optimaliseren van verkeerslichtregelingen of onderhoudsplanning. Deze methode vraagt om een omgeving waarin het model herhaaldelijk kan experimenteren en leren van de uitkomst — iets dat in een fysieke, kostbare en veiligheidskritische omgeving als de openbare weg niet zomaar kan. Toepassing vindt daardoor vrijwel altijd plaats via simulatie, met als risico dat het model goed presteert in de simulatie maar niet automatisch even goed in de praktijk.

Automatisering die menselijke beoordeling probeert te vervangen in plaats van te ondersteunen

Een aantal aanbieders in de sector positioneert AI-toepassingen als vervanging van inspecteurs of beheerders, in plaats van als ondersteuning. Uit de bredere sectorliteratuur blijkt dat AI vooral effectief is in het automatiseren van repetitieve taken en het ondersteunen van besluitvorming, niet in het volledig overnemen van beoordelingen die context en ervaring vereisen (ConsulTable, AI in de GWW). Projecten die deze grens negeren, lopen tegen kwaliteitsproblemen aan zodra de praktijk afwijkt van de trainingsdata.

De praktische scheidslijn

Het onderscheid tussen wat wél en niet werkt, valt grofweg samen met drie factoren:

1. Is het probleem goed afgebakend, met een duidelijke definitie van een correcte uitkomst? Beeldherkenning van wegschade en pointcloud-classificatie voldoen hieraan; open-einde voorspellingen over toekomstig assetfalen vaak niet.
2. Is er voldoende, representatieve historische data beschikbaar? Waar die data ontbreekt of versnipperd is, is een voorspellend model in de praktijk niet meer dan een aanname met een technisch jasje.
3. Vervangt het model menselijke beoordeling, of versterkt het die? De toepassingen die in de praktijk het langst stand houden, zijn die waarin een deskundige de output controleert en corrigeert, in plaats van toepassingen die volledig autonoom beslissingen nemen.

Machine learning heeft in de infrasector een aantal bewezen toepassingen, geconcentreerd rond beeld- en puntherkenning op basis van goed gedefinieerde categorieën. Voor de bredere belofte van voorspellend, zelflerend assetbeheer op basis van sensordata en digital twins geldt vooralsnog dat de randvoorwaarden — datakwaliteit, datavolume, organisatorische inrichting — meestal nog niet aanwezig zijn.

Raymon Somford werkt aan digitale innovatie en machine learning-toepassingen in de bouw- en infrasector.

← Alle artikelen van Raymon Somford