Kennisbank artikel Slimmer wegbeheer door de Asfaltslijtage app

De Asfaltslijtageapp combineert inspectiegegevens met openbare databronnen om per wegvak te voorspellen hoe rafeling zich ontwikkelt. Provincie Utrecht gebruikt deze voorspellingen om onderhoudsmomenten beter te onderbouwen en verder vooruit te plannen. Tijdens het webinar Slimmer wegbeheer door de Asfaltslijtage app op 10 juni 2026 lieten de provincie, Make Day, Integrators.ai en het Regionaal Data Team Midden-Nederland zien hoe de toepassing tot stand kwam en hoe andere beheerders kunnen aansluiten. Het webinar maakt deel uit van de reeks AI en digitalisering in de GWW van Platform WOW.

Korte samenvatting: de app voorspelt rafeling met een random forest-model en locatiespecifieke gegevens. Bij toetsing aan metingen uit 2025 werd in 67% van de gevallen binnen drie maanden het bereiken van het volgende CROW-schadeniveau voorspeld. Een GIS-weergave maakt de uitkomsten bruikbaar voor onderhoudsplanning en het toelichten van keuzes. De toepassing vult de CROW-basisplanning aan. Voor gebruik bij andere beheerders blijven lokale kennis, validatie en gezamenlijke doorontwikkeling belangrijk.

Inhoudsopgave

• Van vaste levensduur naar locatiespecifieke voorspellingen
• Databronnen en werking van het model
• De toepassing in de Utrechtse beheerpraktijk
• Samen ontwikkelen met de wegbeheerder
• Deelbaar maken voor andere beheerders
• Leerpunten en doorontwikkeling
• Q&A

 

Van vaste levensduur naar locatiespecifieke voorspellingen

Bekijk de terugblik vanaf hier op YouTube

In 2024 ontstond binnen provincie Utrecht de vraag naar een beter voorspellend model voor wegen. Waldo Kolk, in het webinar geïntroduceerd als strategisch informatiemanager bij de provincie en voorzitter van het Regionaal Data Team Midden-Nederland, kreeg daarvoor ruimte, vertrouwen en gedeeltelijke financiering. De toepassing moest beschikbaar zijn voor iedere wegbeheerder, bestaande beschikbare data gebruiken, eenvoudig te interpreteren zijn en door anderen kunnen worden uitgebreid.

De provincie deed een marktverkenning en benaderde andere marktpartijen dan gebruikelijk. Opdrachtgever, gebruiker, digitaliseringsmedewerkers en de ontwikkelpartners bepaalden gezamenlijk wat de toepassing moest doen en opleveren. Volgens Waldo draait de app binnen de omgeving van provincie Utrecht en is deze ook geschikt gemaakt voor gebruik door anderen.

Waarom rafeling centraal staat

Wegbeheerder Mark van Meeteren zag bij inspecties dat sommige wegvakken sneller achteruitgingen dan de basisplanning veronderstelde, terwijl andere langer meegingen. Bij kruisingen kunnen geluidreducerend asfalt, niet-geluidreducerend asfalt en gemodificeerde deklagen naast elkaar voorkomen. Elk type heeft een eigen theoretische levensduur en verloop van achteruitgang.

Voor provincie Utrecht is rafeling het meest bepalende schadebeeld voor het plannen van een ingreep. Scheurvorming is eveneens belangrijk, maar heeft volgens Mark minder invloed op de omvang van het totale aantal werken. Bij scheurvorming worden bovendien vaak tijdelijke herstelwerkzaamheden uitgevoerd om de periode tot groot onderhoud te overbruggen.

Verder vooruit plannen

De provincie plant normaal vier jaar vooruit. De eerste twee jaar gelden als zeker; daarna neemt de variatie toe. Verkeersdrukte, beperkte capaciteit en ingrijpende maatregelen met lange voorbereidingstijden maken een langere planningshorizon nodig. Ook moeten onderhoudskeuzes kunnen worden toegelicht aan politiek en interne opdrachtgevers.

In de webinarpoll over beperkingen van de huidige onderhoudsplanning kwamen twee punten het sterkst naar voren: inspecties bieden onvoldoende voorspellend inzicht en beschikbare data worden te weinig benut. Deelnemers noemden daarnaast budget, de lastige planning van groot onderhoud en het globale karakter van een globale visuele inspectie. Deze reacties beschrijven ervaringen van deelnemers; er zijn geen exacte aantallen of percentages voor deze antwoorden voorgelezen.

Bij de poll over de planningshorizon lag de grootste groep tussen twee en vijf jaar. Ongeveer 8% koos voor leven in het hier en nu; niemand koos voor minder dan één jaar. Een deelnemer nuanceerde dat diens organisatie adviseert in plaats van zelf te plannen.

Verzoeken om geplande werkzaamheden uit te stellen kwamen volgens de besproken poll vooral soms of jaarlijks voor, bij sommige deelnemers maandelijks. Een aantal deelnemers antwoordde dat zij dit niet wisten. Ook hier zijn geen exacte aantallen genoemd.

Databronnen en werking van het model

Bekijk de terugblik vanaf hier op YouTube

Stefan Wijtsma van Integrators.ai licht in de gezamenlijke presentatie met Michelle Corten toe hoe het model per wegvak een afzonderlijke voorspelling maakt. Daarvoor wordt de exacte wegvakgeometrie uit de BGT gebruikt. Elk wegvak krijgt eigen invoergegevens, verrijkt met geografisch specifieke informatie uit openbare GIS-kaarten.

Daardoor kunnen verschillen binnen een traject worden meegenomen. Een kruispunt kan bijvoorbeeld sneller slijten dan een aansluitend stuk weg met hetzelfde SMA-mengsel. Ook kunnen verschillende delen van een traject op zand- of kleibodem liggen. Het model neemt deze lokale context mee in de voorspelling.

Inspectiedata verrijken met openbare gegevens

De basis bestaat uit CROW-schadebeelden uit de schouw, aangeleverd door Mark. Provincie Utrecht voert jaarlijks CROW-inspecties uit: in even jaren op de linker rijstroken en in oneven jaren op de rechter rijstroken. Daarmee wordt een rijstrook elke twee jaar geïnspecteerd. Tijdens de Q&A verduidelijkt Mark dat twaalf jaar aan beschikbare inspectiegegevens zijn gebruikt.

De ontwikkelaars combineren deze gegevens met:

• Verkeersgegevens van NDW: verkeerstelpunten en verkeersintensiteitsmodellen. Verkeersintensiteit is volgens Stefan een van de belangrijkste voorspellers en wordt jaarlijks bijgewerkt. Extra verkeer door bijvoorbeeld een nieuwe woonwijk kan daardoor in nieuwe voorspellingen worden meegenomen.
• BGT: de exacte geometrie waarmee gegevens en voorspellingen aan wegvakken worden gekoppeld.
• AHN: hoogtegegevens.
• BRO en bodemgegevens: informatie over de ondergrond.
• Grondwatergegevens: kaarten met grondwaterpeilen in specifieke gebieden.
• UV-index en dooicycli: omgevingsinvloeden die Stefan noemt bij zijn toelichting op de gebruikte gegevens.
• Bomen in de berm: kaartgegevens over bomen, die met bepaalde schadebeelden kunnen samenhangen.

Stefan noemt daarnaast Kadaster en CROW als partijen die openbare informatie en standaarden beschikbaar stellen. De terugblikpagina noemt ook voertuigtypes en weersinvloeden als voorbeelden van de gecombineerde databronnen. Tijdens het webinar wordt de afzonderlijke verwerking van voertuigtypes niet verder toegelicht.

Random forest en exponentiële schadeontwikkeling

De app gebruikt een random forest-model dat numerieke gegevens verwerkt. Tijdens de Q&A benadrukt Stefan dat het huidige model geen beeldmodel is. Inspectiegegevens worden per wegvak verrijkt met openbare contextgegevens. Op basis daarvan wordt het verloop van de schade gemodelleerd met een exponentiële vervalfunctie.

In de getoonde grafiek betekent nul geen schade; hogere waarden staan voor meer schade. De parameter van de exponentiële functie bepaalt of een wegvak nauwelijks achteruitgaat of dat de schade snel toeneemt. Zo ontstaat een voorspelling van de ontwikkeling van een specifiek wegvak in de tijd.

De presentatie legt uit dat een random forest veel beslisbomen combineert. De ontwikkelaars motiveren hun keuze met de mogelijkheid om verschillende invloedsfactoren tegelijk te verwerken en inzicht te krijgen in welke factoren bijdragen aan slijtage. Zij vergelijken dit met lineaire regressie, die zij te eenvoudig vinden voor de niet-lineaire schadeontwikkeling, neurale netwerken, die zij geschikter achten voor beeldherkenning, en fysische modellen, die veel bekende materiaalparameters vragen.

Stefan vergelijkt de aanpak met het modelleren van een heel traject op basis van exponentieel verval volgens de CROW-aanpak. De Asfaltslijtageapp voegt meer locatiespecifieke context toe en maakt afzonderlijke voorspellingen per wegvak. Mark gebruikt de uitkomsten als aanvulling op de CROW-standaarden en de bestaande basisplanning.

Toetsing: 67% binnen drie maanden

De modelontwikkeling begon eind 2024, begin 2025. Daardoor konden voorspellingen voor 2025 worden getoetst aan de metingen van Mark. Stefan rapporteert een resultaat van 67%: in twee van de drie gevallen werd binnen drie maanden het bereiken van het volgende schadeniveau in de CROW-standaard voorspeld. Deze score betreft die specifieke toetsing en is geen garantie voor elke toekomstige voorspelling.

Voor de trainingsvoorbeelden is de ontwikkeling tussen onderhoudsmomenten afzonderlijk genomen: een weg gaat achteruit en wordt na onderhoud weer beter. Deze slijtageperiodes zijn als afzonderlijke voorbeelden uit de gegevens geknipt. Tijdens de Q&A noemt Stefan ongeveer 65.000 voorbeelden, met het voorbehoud dat hij dit aantal uit zijn hoofd noemt.

Michelle noemt bij haar uitleg van de oorspronkelijke opdracht een ambitie van ongeveer 80% nauwkeurigheid in drie jaar, onder voorbehoud. De presentatie bevestigt dat de opdracht op 80% nauwkeurigheid was gericht. Die oorspronkelijke ambitie moet worden onderscheiden van de gerapporteerde toetsingsscore van 67%.

De toepassing in de Utrechtse beheerpraktijk

Bekijk de terugblik vanaf hier op YouTube

Mark bekijkt de verwachte rafeling één, twee, vijf en tien jaar na inspectie of het inlezen van gegevens. De kaart laat zien hoe de toestand van afzonderlijke wegvakken zich naar verwachting ontwikkelt. Provincie Utrecht werkt daarbij met wegvakken van honderd meter; de indeling bij gemeenten kan anders zijn.

De getoonde beoordeling verwijst naar de oude CROW 146-methodiek. Een score van 1 betekent geen of nauwelijks rafeling. Een score van 9 betekent ernstige rafeling over grotere delen van het wegvak.

Praktijkvoorbeeld: een onderhoudsmoment onderbouwen bij een wens tot snelheidsverlaging

In de demo bespreekt Mark een traject waarvoor vanuit de politiek een wens bestond om de snelheid te verlagen, aansluitend op een verlengd deel van dat traject. Het traject stond nog niet voor het betreffende jaar in zijn onderhoudsplanning. Daardoor ontstond discussie over het moment van ingrijpen.

Met een in 2025 gegenereerde voorspelling kon hij laten zien dat in 2026 en 2027 weinig rafeling werd verwacht. Enkele wegvakken waren slechter, maar maakten volgens hem onderhoud van het hele traject nog niet noodzakelijk. Tussen het derde en vijfde jaar nam de verwachte rafeling toe. In planjaar vijf en tien liepen de voorspelde schadebeelden verder op. Het betrof ouder SMA dat richting het einde van zijn levensduur ging.

Deze ontwikkeling hielp het gesprek te voeren over een geschikt onderhoudsmoment en de onderbouwing van keuzes. Mark noemt het derde, vierde of vijfde jaar als een interessant moment om in te grijpen. Het voorbeeld beschrijft verwachte schadeontwikkeling; er wordt geen afgerond onderhoudsresultaat of gekwantificeerde besparing gemeld.

GIS maakt de modeluitkomsten bruikbaar

De eerste resultaten van Integrators.ai bestonden uit omvangrijke gegevenslijsten. Tijdens de vragenronde noemt Mark als orde van grootte dertig- tot zestigduizend regels. Ondanks zijn ervaring met Excel waren die lijsten onvoldoende toegankelijk voor dagelijks gebruik.

De vaste GIS-adviseur van de provincie vertaalde de resultaten naar een visuele kaart. Deze GIS-laag was oorspronkelijk geen onderdeel van de opdracht, maar maakte de uitkomsten snel bruikbaar. Mark gebruikt de kaart zowel voor zijn eigen afwegingen als om opdrachtgevers met minder asfaltkennis mee te nemen in onderhoudskeuzes.

De app helpt hem sneller tot beslissingen te komen en de basisplanning nauwkeuriger af te stemmen. Hij wil daarnaast rechtstreeks rapporten uit de visuele weergave laten genereren. Dat wordt in het webinar als vervolgwens genoemd.

Van vier jaar naar een schaduwlijst voor vijf à zes jaar

Tijdens de vragenronde vertelt Mark dat hij inmiddels een persoonlijke planningshorizon van vijf à zes jaar gebruikt. Dit is een schaduwlijst die stapsgewijs wordt uitgebreid, zonder dat de planning daarmee vaststaat. Waar die lijst eerder op theoretische levensduur was gebaseerd, kan hij nu bijstellen welke wegen waarschijnlijk eerder aandacht nodig hebben.

Als bijvoorbeeld drie studies moeten worden opgestart voor werkzaamheden over vier à vijf jaar, kan hij via de assetmanager aangeven welk wegtype voorrang verdient omdat daar eerder problemen worden verwacht. Zo helpt de toepassing ook bij het prioriteren van voorbereiding en studies.

Samen ontwikkelen met de wegbeheerder

Bekijk de terugblik vanaf hier op YouTube

Michelle Corten van Make Day beschrijft in de gezamenlijke presentatie met Stefan Wijtsma hoe ontwerpende innovatiestrategen, software- en AI-ontwikkelaars en provincie Utrecht samenwerkten.

Ruimte laten om de opdracht bij te stellen

In de oorspronkelijke opdracht stond dat er niets zou worden gevisualiseerd. Tijdens de ontwikkeling bleek echter dat een bruikbare weergave essentieel was om Mark met de uitkomsten te laten werken. Het team verschoof daarom de aandacht naar gebruiksvriendelijkheid: wat moet zichtbaar zijn, waarop moet de gebruiker kunnen klikken en hoe past de toepassing in zijn werkproces?

Michelle adviseert om met een duidelijke beginopdracht te starten en tegelijk ruimte te laten voor nieuwe inzichten uit de samenwerking. Het verbeteren van de nauwkeurigheid bleef belangrijk, maar het team wilde eerst zorgen dat het model waarde leverde in de beheerpraktijk.

Praktijkkennis vertalen naar indicatoren

Make Day werkt met design thinking, door Michelle ook omschreven als design doing. Het team ging vroeg in gesprek met experts en onderzocht welke andere gebruikers, waaronder assetmanagers, betrokken waren. Interne interviews brachten de processen en de vraag achter de vraag in kaart, bijvoorbeeld de behoefte om te beoordelen of onderhoud naar een ander moment kon worden verschoven.

De presentatie laat zien dat onder meer programmamanagement, assetbeheer, een GIS-adviseur en een projectleider realisatie werden betrokken. Bij de externe verkenning noemt de slide onder andere advies- en ingenieursbureaus, gebiedsmanagers, Unihorn met computer vision-technieken, een programmamanager TKI en een verhardingsadviseur. Dit zijn geraadpleegde deskundigen en rollen, geen lijst van ontwikkelpartners.

Uit de gesprekken bleek dat al toepassingen met computer vision bestonden, waarbij een computer schadebeelden bekijkt. Het team kwam mede via deze verkenning uit op rafeling als focus. Experts leverden een lijst met belangrijke indicatoren; Stefan en zijn collega's onderzochten vervolgens welke openbare databronnen beschikbaar waren om deze in het model op te nemen.

Tijdens de vragenronde vertelt Mark dat kritisch doorvragen locatiespecifieke verschillen zichtbaar maakte. Hij noemde bijvoorbeeld dat rafeling in boomrijk gebied anders kan zijn en vaak een hogere prioriteit krijgt dan in open gebied. Die kennis hielp de ontwikkelaars hun keuze en gebruik van databronnen af te stemmen.

De presentatie benoemt daarnaast versnipperde gegevens van wisselende kwaliteit, verlies van ervaringskennis door uitstroom en langere voorbereidingstijden als uitdagingen. Als kansen noemt zij uitlegbare modellen, een visuele schadeweergave en meer inzicht in de betrouwbaarheid van de planning in jaar drie en vier.

Een terugkerende cyclus van controleren en aanpassen

De ontwikkeling verliep in herhaalde rondes met de gebruiker:

• Data verzamelen uit verschillende bronnen en opschonen.
• Met de wegbeheerder controleren of de gegevens kloppen en wat ze betekenen.
• Bepalen welke kenmerken, of features, in het model worden opgenomen.
• Met experts en eindgebruikers valideren of de uitkomsten aansluiten bij de praktijk.
• Feedback verwerken en het model aanpassen.

Mark leverde ideeën en controleerde of de uitwerking overeenkwam met wat hij voor ogen had. Tijdens de vragenronde geeft hij aan dat dit relatief weinig tijd kostte doordat de ontwikkelaars gericht doorvroegen. De samenwerking bracht domeinkennis, softwarekennis en procesbegeleiding bij elkaar.

Deelbaar maken voor andere beheerders

Bekijk de terugblik vanaf hier op YouTube

Stephan Schrijvers, beleidsadviseur mobiliteit bij gemeente Vijfheerenlanden en kernteamlid van het Regionaal Data Team Midden-Nederland, beschrijft de app als een toepassing waaraan provincie en gemeenten samenwerken. Gemeentelijke medewerkers dragen bij aan die samenwerking. Het uitgangspunt is dat andere wegbeheerders de toepassing kunnen gebruiken, verbeteren en hergebruiken.

In het webinar wordt de app als open source aangeduid. Naast Asfaltslijtageapp worden de namen Asfalt Voorspel app en degradatie-app gebruikt; die laatste naam wordt genoemd in verband met het algoritmeregister. Een definitieve uniforme naam wordt tijdens de sessie niet vastgesteld.

Toegang, eigenaarschap en gezamenlijke ontwikkeling

In de poll over voorwaarden voor breder gebruik werd eenvoudige toegang het vaakst genoemd. Ook gezamenlijke doorontwikkeling en heldere afspraken over eigenaarschap en beheer kwamen naar voren. De antwoordopties omvatten daarnaast een technisch deelplatform en vertrouwen dat de toepassing buiten Utrecht werkt. Er zijn geen exacte percentages genoemd.

Op de open vraag wat eenvoudige toegang betekent, noemde een deelnemer inhoudelijke controle en betrouwbaarheid van de voorspellingen. In reactie daarop lichtte Mark toe dat de toepassing locatiespecifieke informatie toevoegt aan de CROW-standaarden. Stephan vroeg beheerders welke ondersteuning zij binnen hun organisatie nodig hebben en welke ideeën het regionale datateam kan gebruiken om dit te faciliteren.

De ambitie reikt verder dan Midden-Nederland: grote en kleine wegbeheerders moeten de app kunnen gebruiken. De toepassing vult bestaande werkwijzen aan door voorspellingen inzichtelijker te maken.

Lokale kennis blijft nodig

Michelle benadrukt dat andere beheerders niet zonder meer kunnen instappen met de verwachting dat alles direct werkt. Gemeenten, provincies en andere overheden werken verschillend. De bestaande toepassing biedt een basis, maar verdere rondes met nieuwe gebruikers zijn nodig om hun kennis te benutten en de toepassing te verbeteren.

Stefan wijst op de mogelijkheid om trainingsgegevens van andere provincies en gemeenten toe te voegen. De ontwikkeling is tot dan toe met Utrechtse gegevens uitgevoerd. Door gegevens te delen kunnen beheerders bijdragen aan een groter trainingsbestand en verdere verbetering van het model.

Bijdragen aan een gezamenlijke ontwikkelgemeenschap

De afsluitende slide van de presentatie roept extra partners op om data, kennis en budget bij te dragen aan een community vanuit provincie Utrecht. Het voorgestelde vervolg bestaat uit jaarlijks evalueren, gegevens toevoegen, het model blijven trainen en nieuwe functionaliteiten ontwikkelen. Voor belangstelling verwijst de presentatie naar Stefan Wijtsma en Michelle Corten.

Als aanvullende informatie beschrijft de gekoppelde projectpagina Grip op Asfaltslijtage het voornemen om gezamenlijke doorontwikkeling via een stichting te organiseren. De pagina noemt een jaarlijkse bijeenkomst en ondersteuning bij het vertalen van prognoses naar planning en besluitvorming. Dit is aanvullende projectinformatie; de oprichting van een stichting wordt in het webinar niet toegelicht.

Leerpunten en doorontwikkeling

Bekijk de terugblik vanaf hier op YouTube

Verfijnen voor verschillende deklagen en schadebeelden

Mark noemt drie groepen deklagen waarop de toepassing bij de provincie vooral is gericht en waarvoor hij verdere verfijning wil:

• Dichte deklagen, voornamelijk SMA en daarnaast AC surf.
• SMA 8G+, een SMA-variant met geluidreductie en een ander verloop van achteruitgang.
• Dunne geluidreducerende deklagen, waarvan de provincie verschillende typen heeft.

Vooral de variatie binnen die laatste categorie vraagt verdere verfijning met aanvullende gegevens. Ook wil Mark de GIS-weergave uitbreiden met rechtstreeks te genereren rapporten.

Tijdens de Q&A licht Stefan toe dat het model zich nu op rafeling richt, terwijl de beheerpraktijk nog vijf andere schadebeelden kent. Voor bijvoorbeeld scheurvorming kan beelddata meerwaarde bieden. Daarvoor is een andere dataverwerkingspijplijn nodig; het combineren daarvan met de bestaande numerieke gegevensstroom brengt extra moeilijkheden mee. Dit staat op de roadmap voor doorontwikkeling.

Roadmonitoring en gegevens uit voertuigen

Waldo wil onderzoeken of samenwerking mogelijk is met Roadmonitoring, een landelijk project dat volgens hem vanuit het Rijk wordt gefinancierd. Ook wil de provincie meer gegevens benutten over wat zich over wegen, bruggen en andere assets beweegt, om toekomstige ontwikkelingen beter te kunnen voorspellen. Deze vervolgvraag is ook door de programmamanager gesteld en wordt in regionaal verband opgepakt.

Stephan ziet mogelijkheden om gegevens die auto's genereren te gebruiken voor het registreren van gaten, hobbels en lijnscheuren. Hij noemt daarnaast brugdata en elementenverhardingen als mogelijke toepassingsgebieden. Dit zijn toekomstmogelijkheden; in het webinar wordt niet gemeld dat deze al in de app zijn geïmplementeerd.

De aanvullende projectinformatie over de doorontwikkeling noemt ook spoorvorming, fietspaden, specifieke asfaltsoorten en koppelingen met digital twins en ROMO-data. Deze ontwikkelrichtingen zijn op de projectpagina uitgewerkt en worden daar als vervolg gepresenteerd.

Begin met beschikbare data en een concrete casus

De sprekers adviseren om samen te experimenteren met de gegevens die er al zijn. Mark benadrukt dat het beginidee was om bestaande data te benutten in plaats van opnieuw te meten. Michelle adviseert om niet te wachten totdat gegevens volledig of perfect zijn: begin met een casus en een pilot, onderzoek hoe die werkt en bouw daarna verder. Een poging die niet werkt, kan aanleiding geven om een andere aanpak te proberen.

Stefan plaatst de score van 67% tegenover het eerdere uitgangspunt van één theoretische levensduur per mengsel. De app geeft een ontwikkeling in de tijd per wegvak. Volgens hem biedt dat, ondanks de resterende onzekerheid, toegevoegde waarde voor de beheerpraktijk. Er wordt geen numerieke vergelijking met de nauwkeurigheid van die eerdere werkwijze gegeven.

Q&A

Bekijk de terugblik vanaf hier op YouTube

Wat wilden deelnemers over de app leren?

In de openingspoll vroeg Platform WOW naar de belangrijkste reden om het webinar bij te wonen. De meerderheid wilde de app begrijpen en mogelijk zelf gebruiken. Daarnaast werden inspiratie voor digitalisering en datagebruik in het beheer en inzicht in de opbrengsten voor wegbeheer genoemd. Deelnemers konden meerdere antwoorden kiezen; er zijn geen exacte aantallen of percentages voorgelezen.

Kan de app worden gebruikt bij een maatregeltoets?

Mark gebruikt de voorspellingen als onderdeel van de maatregeltoets. De provinciale aanpak verschilt van die van veel gemeenten doordat vaak een heel traject wordt aangepakt, bijvoorbeeld van een kruising tot een spoorlijn of het volgende dorp. De app geeft voordat hij naar buiten gaat een eerste indicatie van de planjaren waarnaar onderhoud mogelijk kan worden verschoven.

Wordt de toepassing ook buiten gebruikt?

Mark geeft aan dat ongeveer 90% van zijn werk op kantoor plaatsvindt. Wanneer hij buiten trajecten bekijkt, neemt hij zijn laptop mee en raadpleegt hij de toepassing daarop. Hij kan vooraf het traject onderzoeken. Vanuit zijn eerdere gemeentelijke ervaring noemt hij dat daar soms meer visueel voorwerk nodig is voordat een beheerder naar buiten gaat.

Voor welke gemeentelijke wegen is de app interessant?

Volgens Marks inschatting is de toepassing vooral interessant voor ontsluitingswegen, stroomwegen en wegen in het buitengebied. Daar is de wegbeheerder vaak hoofdopdrachtgever voor onderhoud. Woonwijken kennen een andere context: in zijn eerdere gemeentelijke praktijk werd onderhoud daar vaak gekoppeld aan rioolvervanging of klimaatadaptieve werkzaamheden, met tussentijdse herstelmaatregelen om die periode te overbruggen.

Hoe sluit het model aan op de CROW-standaarden?

Mark ziet de app als een aanvulling op de CROW-standaarden. Door inspectiegegevens te combineren met locatiespecifieke factoren ontstaat volgens hem meer inzicht in wat op een bepaalde locatie nodig is. Hij blijft de CROW-basisplanning gebruiken en verrijkt die met de modeluitkomsten.

Kunnen foto's uit de schouw worden meegenomen?

In het huidige model worden geen foto's verwerkt. Het random forest-model gebruikt numerieke invoer. Beeldverwerking voor andere schadebeelden, zoals scheurvorming, is een mogelijke doorontwikkeling. Daarvoor moeten een andere gegevenspijplijn en de combinatie met de bestaande gegevensstroom worden uitgewerkt.

Hoeveel historische gegevens zijn gebruikt?

Mark noemt twaalf jaar inspectiedata. Stefan licht toe dat voor de modellering vooral afzonderlijke slijtageperiodes tussen onderhoudsmomenten als voorbeelden zijn gebruikt. Hij noemt ongeveer 65.000 voorbeelden, onder voorbehoud. Een aantal jaren en een aantal trainingsvoorbeelden beschrijven daarmee verschillende aspecten van de dataset.

Waar kunnen beheerders de toepassing bekijken en meedenken over gebruik?

De terugblikpagina verwijst naar de demo-omgeving met voorspellingen van provincie Utrecht, een toelichting op het gebruik van de tool en informatie over het Utrechtse project. Het toegangsgegeven voor de demo staat op de terugblikpagina.

Stephan Schrijvers vraagt beheerders om aan te geven wat zij nodig hebben om de app binnen hun organisatie te gebruiken. Suggesties over ondersteuning en het faciliteren van gebruik kunnen worden gericht aan Stephan Schrijvers.

Dit artikel is samengesteld met behulp van AI op basis van de terugblik Slimmer wegbeheer door de Asfaltslijtage app – 10 juni 2026. Mochten er onjuistheden in staan, neem dan contact met ons op.