Home » Nieuws » MIT in de praktijk: de inzet van sensoren en hybride AI om geluidsklimaat in kaart te brengen

MIT in de praktijk: de inzet van sensoren en hybride AI om geluidsklimaat in kaart te brengen

Geluidsoverlast is een veelvoorkomend probleem. Het goede nieuws: door de inzet van sensoren en hybride AI is het constant monitoren en automatisch herkennen van verschillende soorten geluiden nu een reële optie. Munisense, Peutz en Embedded Acoustics trekken momenteel samen op om die technologie verder te brengen, zodat het daadwerkelijk mogelijk wordt om langdurige metingen uit te voeren en met behulp van AI het soort geluid en de herkomst te bepalen. Mede mogelijk gemaakt dankzij de MIT AI-regeling.

Er schreeuwt iemand, er rijdt een motor voorbij, er vinden in de buurt bouwwerkzaamheden plaats waarbij er ook muziek uit een radio schalt. Op de achtergrond klinkt er ondertussen geronk van een vliegtuig en industrielawaai. Met het menselijk oor kun je wel een deel van die geluiden herkennen, maar puur op het gehoor is het niet mogelijk om alles te ontrafelen. Laat staan dat je daarbij ook nog eens vrij exact kunt aangeven waar al die geluidsbronnen zich bevinden.

Voorheen: momentopnames

“Vooral het feit dat geluiden met elkaar interfereren, maakt geluidsmetingen zo complex”, benadrukt George Boersma, medeoprichter en directeur van Munisense. “In Nederland wordt er al heel lang met geluidskaarten gewerkt: plattegronden waarin de gemiddelde jaarlijkse geluidsniveaus worden weergegeven. Die zijn Europees wettelijk verplicht voor grote gemeentes en die kaarten worden één keer in de vijf jaar gemaakt. Maar jaargemiddelden bieden onvoldoende inzicht in de werkelijk optredende geluidbelastingen, die sterk kunnen variëren in de tijd, de ruimte en type activiteit. De effectiviteit van beleidskeuzes blijven daardoor lang onduidelijk. En dat helpt natuurlijk niet om het vertrouwen van inwoners te winnen.”

Op naar de continue geluidsscan

“Maar dat kan anders”, geeft Boersma aan. “Als Munisense hebben we de samenwerking gezocht met Peutz en Embedded Acoustics en in 2022 de MIT AI-subsidie aangevraagd en ontvangen. Dat bedrag zetten we in om AI-algoritmen te ontwikkelen die niet alleen helpen ontrafelen welke geluiden onze sensoren in een gebied oppikken, maar die door toepassing in een netwerk ook vrij nauwkeurig kunnen bepalen waar de verschillende geluidsbronnen zich bevinden. Een continue geluidsscan dus, waarbij we de geluidsbronnen ook nog eens kunnen lokaliseren. En daarmee is het mogelijk om een dynamische geluidskaart te maken waarin de realtime situatie zichtbaar is. Nog voor bewoners over geluidsoverlast klagen, zijn er op die kaart al geluidspieken te zien.”

Zelfstandig opererende sensoren

Een netwerkinfrastructuur van sensoren in een wijk realiseren en alle opgevangen data realtime door een hybride AI-toepassing laten analyseren: dat is iets wat vijf tot tien jaar geleden nog niet mogelijk was. Dat het nu wel een optie is, komt voor een groot deel doordat zowel de sensoren als de AI-technologie steeds geavanceerder en goedkoper worden. “Daarbij kunnen de sensoren volledig zelfstandig opereren doordat ze in staat zijn om de data lokaal te analyseren”, geeft Pim Wubben, projectmanager bij Embedded Acoustics, aan. “Dat lokaal analyseren leidt niet alleen tot tijdswinst, efficiëntie en lagere kosten, maar is ook een belangrijke voorwaarde om de privacy te waarborgen. Het is namelijk zo dat de geluiden direct worden geanalyseerd, dankzij AI in de sensoren, en er alleen informatie over de karakteristieken van het geluid wordt doorgestuurd, en dus niet het geluid zelf.”

Karakteristieke audioprofielen

Maar hoe weet je wat welk geluid is? “Daar hebben we een database met veelvoorkomende geluiden voor nodig”, geeft Robbert-Jan Dikken aan. Hij is senior researcher data-driven physics & AI en doet bij Peutz onder andere onderzoek naar manieren waarop AI kan helpen om geluidsoverlast beter in beeld te krijgen. “Ons bedrijf doet al 70 jaar geluidsmetingen, dus er zijn hier al veel datasets beschikbaar. En we zijn momenteel bezig om de karakteristieken van die audio-opnamen te bepalen. Dat levert profielen op die het mogelijk maken om straks met behulp van AI direct te bepalen om welk geluid het precies gaat.”

De database waar Dikken het over heeft, wordt bovendien aangevuld met geluidssamples die Munisense met behulp van honderden sensoren automatisch bij verschillende gemeentes verzamelt en classificeert. Op basis hiervan kunnen vervolgens weer nieuwe, verbeterde machine-learning-modellen worden getraind.

Meerdere geluidsbronnen, wind en weerkaatsing

Het op basis van beschikbare data classificeren van geluiden is de eerste stap. Nu die fase zo goed als afgerond is, richten de drie samenwerkende partijen zich op het samenbrengen van metingen en modellen (noise emission mapping) waarbij Peutz het voortouw neemt. Daarbij wacht hen de volgende uitdaging: vooral in stedelijke omgevingen is er altijd wel een combinatie van geluiden te horen. En hoe ver een specifiek geluid reikt? Dat is mede afhankelijk van de windsnelheid en -richting. Ook de stedelijke inrichting speelt een rol. Zo zorgt een torenflat ervoor dat geluiden weerkaatsen, waardoor het lastig te achterhalen is waar de geluidsbron zich precies bevindt. Althans voor het menselijk oor. Met sensoren en hybride AI behoort het zowel specificeren als lokaliseren van geluidsbronnen wel tot de mogelijkheden. Maar daar zijn wel ingewikkelde formules en complexe rekenmodellen voor nodig.

Het geluid van zeeschepen meten

Peutz heeft de nieuwe geluidmeettechnologie al meerdere keren kunnen toepassen. Dat gebeurde vooral bij bouwprojecten. Maar veruit de grootste pilot vindt momenteel plaats in de Rotterdamse haven. Daar wordt geautomatiseerd de geluidbronvermogens van zeeschepen vastgesteld. Peutz ontwikkelde hiervoor een hybride AI-systeem dat zich richt op de emission mapping van het geluid. En voor het meetnetwerk wordt de sensortechnologie van Munisense ingezet. Nu is het havengebied een nogal complexe akoestische omgeving. Het geluid van zeeschepen wordt daarom gescheiden van de geluiden van alle andere activiteiten die daar plaatsvinden. De resultaten zijn veelbelovend en dragen bij aan de ontwikkeling van dynamische geluidskaarten.

Verkeersaso aanpak

Maar er zijn nog meerdere praktische toepassingen mogelijk. Zo heeft Munisense in de zomer van 2023 op verzoek van de gemeente Rotterdam en Amsterdam op verschillende plekken in de stad geluidsmeters opgehangen die het mogelijk maken om realtime het verkeerslawaai te monitoren. En daar was duidelijk behoefte aan, want in deze gemeenten is er vooral in de zomer sprake van veel geluidsoverlast door onnodig hard optrekkende auto’s en motoren, knallende uitlaten en luide muziek van autoradio’s. In sommige gevallen zijn de geluidsmeters voorzien van een matrixbord waarop de ‘verkeersaso’ wordt geattendeerd op de veroorzaakte geluidsoverlast en de hoogte van de boete die daarvoor staat.

Geluidsvoorspellingen

De ontwikkelingen gaan momenteel dus snel. Zo snel dat er ook al wordt nagedacht over mogelijke toepassingen voor de toekomst. “Wellicht kunnen we burgers straks een instrument bieden waarmee ze niet alleen kunnen zien wat er momenteel op het vlak van geluid in hun omgeving gebeurt, maar waarin ook wordt aangegeven welk geluidsniveau er in de nabije toekomst wordt verwacht. Een soort buitenradar dus, maar dan voor geluid”, oppert Wim van der Maarl, projectleider geluid en omgeving bij Peutz. “Je kunt natuurlijk nooit alle geluiden voorspellen. Maar hoe meer data we verzamelen, hoe meer inzicht we krijgen in de belangrijkste geluidsbronnen op verschillende momenten. Op basis daarvan moet het met behulp van AI zeker mogelijk zijn om een algemene trend te ontdekken, waardoor het systeem in staat is om afwijkingen te detecteren. Op die manier kun je er bijvoorbeeld voor zorgen dat burgers direct inzicht krijgen in wat er in hun leefomgeving gebeurt.”

Snel bijsturen

“Maar er is nog veel meer mogelijk”, vervolgt Van der Maarl. “Zo kunnen de dynamische geluidvoorspellingskaarten realtime input leveren aan digital twins voor stedelijke gebieden en data-gedreven besluitvorming mogelijk maken. Daarbij kunnen lokale bestuurders nauw optrekken met de inwoners en gebruikers – zoals bedrijven – van een gebied om samen tot maatregelen te komen die bijdragen aan een prettiger woon-, werk- en leefklimaat. Het effect van die maatregelen kun je vervolgens real-time monitoren en waar nodig dus ook snel bijsturen. Dat laatste kan een enorme impact hebben, want geluidshinder kan in veel gevallen worden voorkomen als de veroorzaker zich beter bewust is van de overlast die een bepaalde activiteit met zich mee kan brengen. En hinder die kan worden voorkomen, hoeft niet te worden gehandhaafd.”

Meer informatie?

Bezoek de websites van MunisensePeutz en Embedded Acoustics. Of stel uw vragen aan Robbert-Jan Dikken of George Boersma.

Interesse in de MIT-regeling?

Het mkb, waaronder ook veel startups, heeft een belangrijke economische en innoverende rol. De AiNed MIT AI call om de kloof tussen de kennisbasis en toepassing van AI-innovaties te overbruggen, staat momenteel open en wordt ondersteund vanuit het AiNed programma. De call wordt jaarlijks herhaald tot en met 2026, via onze website blijft u op de hoogte.

Gepubliceerd27/03/2024
Focusgebieden: 
Delen
Gepubliceerd27/03/2024
Delen: