Project DataBeach afgerond: enkele conclusies
Innovaties op het gebied van machinaal leren en meettechnologieën zullen het mogelijk maken om de financiële risico’s beter in te schatten. Deze innovaties kunnen niet alleen worden toegepast op bestaande zandige kustlijnen zoals stranden en duinen, maar ook op nieuwe dynamische kustverdedigingssystemen zoals kunstmatige eilanden en hybride zachte en harde kustverdedigingen.
In het DataBeach-project ontwikkelden IMDC, Fluves, DEME en Vanbreda nieuwe meettechnologie, machine learning-modellen en probabilistische rekenmethodes voor een disruptieve vooruitgang in het ontwerp van zachte zeeweringen. Het doel daarbij was kustbeheer op een duurzamere en efficiëntere manier uit te voeren, en een kwantitatieve basis te ontwikkelen voor (her-)verzekeringsoplossingen voor stormgerelateerde zandverliezen.
Evolutie van de kustlijn in beeld gebracht
DEME en IMDC installeerden een CoastSnap-station op de dijk bij Oostende-Oost, waarmee burgers mee worden ingeschakeld om de evolutie van de kustlijn in beeld te brengen. In totaal werden al 475 foto’s van het strand verzameld.
Door de grote variatie in waterstanden was het een uitdaging om de kustlijnevolutie te verkrijgen. De toepassing van een getij-onafhankelijke methode blijft onderwerp van verder onderzoek.
Grondwaterstroming verstoort monitoring zandvolume
Fluves onderzocht de mogelijkheden van Distributed Temperature Sensing (DTS) om het zandvolume te monitoren. Door grondwaterstromingen op het strand was er geen goede overeenkomst tussen de referentiemetingen van het strandprofiel en het basis berekeningsmodel (dat geen rekening houdt met grondwaterstromingen).
Verdere labometingen van warmtetransport bij grondwaterstroming in marien zand leverden nuttige inzichten op rond de impact van gedwongen convectie op begraven hoogspanningskabels.

Erosievoorspellingen kunnen sneller maar moeten accurater
IMDC ontwikkelde een nieuw model voor kustmorfologie op basis van machine learning. Dit nieuwe model leidde tot een sterke verbetering in rekentijd in vergelijking met traditionele numerieke modellen. Het nieuwe model is dan ook erg geschikt voor probabilistische voorspellingen gezien het grote aantal berekeningen.
Om de prestaties van de voorspelling over 10 jaar van het machine learning model te beoordelen, werd een vergelijking gemaakt met meetdata (LiDAR) van dezelfde zone. Hieruit blijkt dat de voorspelde volumes goed aansluiten in de hoogste sectie van het model (5 tot 10 m TAW), terwijl in het intergetijdengebied (0 tot 5 m TAW) de volumeveranderingen door het model worden overschat.
Het model was dus deels in staat om de volumeveranderingen over 10 jaar correct te voorspellen. Dit was zowel het geval voor de initiële locatie bij Oostende-Bredene, als voor de pilot-case locatie bij Knokke-Zoute.
Verharding van de verzekeringsmarkt bemoeilijkt doorstart
Vanbreda onderzocht de mogelijkheden om de probabilistische morfologische berekeningen te vertalen naar een dataset die voldoet aan de noden van de verzekeringssector. Momenteel blijkt het model nog niet betrouwbaar genoeg, voornamelijk voor de lagere delen van het strand, om ingezet te worden als input voor een verzekeringsproduct.
Daarnaast is er op de huidige verzekeringsmarkt weinig interesse voor het ontwikkelen van nieuwe verzekeringsproducten. Een verdere uitbouw van het probabilistische model rond sedimentatie-erosievolumes, kan het vertrouwen van de herverzekeraars doen toenemen en er uiteindelijk toe leiden dat het aanbod in de (her-) verzekeringsmarkt zal toenemen.
Meer info
Wil je graag meer weten over de resultaten van het DataBeach-project? Neem dan contact op met Lien Loosvelt.