Grootschalige offshore-installatieprojecten opereren in een dynamische omgeving waarin logistiek, weersomstandigheden, assetcoördinatie, verzekeringspolissen en veiligheid continu op elkaar inwerken. Elke afvaart van een schip, elke kraanbeweging, de beschikbaarheid van materieel en elk weerwindow is van belang. Zelfs de aanwezigheid van zeezoogdieren in de nabijheid, om hen te beschermen tegen geluidsoverlast, maakt deel uit van deze complexe puzzel. Met dagelijkse operationele kosten die kunnen oplopen tot meerdere miljoenen euro’s, hebben zelfs kleine inefficiënties een aanzienlijke financiële impact.

Onze klant, een toonaangevende wereldwijde dienstverlener actief in de bagger-, maritieme infrastructuur en maritieme dienstensector, verzorgt offshore monopile-installaties voor windparken. Momenteel is deze Nederlandse partij sterk afhankelijk van informatie uit e-mails, documenten en rapportages die over een lange periode zijn verzameld. De ambitie is nu om real-time datastromen te benutten, zoals apparatuurtelemetrie, scheepsbewegingssignalen en omgevingsdata. Het omzetten van deze stromen naar direct toepasbare inzichten is niet langer slechts een gemak, maar een technische noodzaak om veilige, efficiënte en voorspelbare uitvoering van offshore projecten te waarborgen. Met volledige erkenning van SDG Group, een ALTEN-onderneming, vanwege hun sterke staat van dienst in het combineren van IoT-capaciteiten met real-time intelligentie, heeft de dienstverlener hen ingeschakeld voor deze digitale transformatie.

Digital Twin ontmoet de Offshore Wereld 

SDG, als divisie van ALTEN in Nederland, bouwt momenteel een semantische digital twin met behulp van Azure Digital Twins en Microsoft Fabric. Deze digital twin representeert de offshore-omgeving op een niveau waarop ruwe operationele data wordt omgezet in contextuele inzichten. De eerste projectfase richt zich op het opzetten van een live digital twin-graph van locaties, schepen, kranen, monopiles en installatiefasen. Naast het opslaan van ruwe telemetrie begrijpt een digital twin wat elk signaal in de echte wereld betekent en welke relaties het heeft met andere digital twins.

Neem kraanactiviteiten als voorbeeld. Met behulp van een digital twin wordt het hijsen van een monopile (de fundering van een windturbine) niet langer gezien als een eenvoudige stroom numerieke data. In plaats van signalen geïsoleerd te beoordelen, herkent het systeem karakteristieke patronen in hoe meerdere variabelen zich in de tijd ontwikkelen. Wanneer een specifieke combinatie van drempelwaarden, richtingsveranderingen en temporele relaties optreedt, interpreteert het platform dit als het begin van een bepaalde operationele toestand. Een overeenkomstige set veranderingen duidt erop dat deze toestand wordt beëindigd.

Een voorbeeld hiervan is een korte stijging in meerdere gecorreleerde inputs, gevolgd door een consistente verandering in hun verloop, die het begin van een activiteit markeert. Door deze signalen te correleren, identificeert het platform de activiteit als het terugplaatsen van materieel in opslag. Hierdoor kunnen projectteams de operationele status in real time volgen, in plaats van te moeten wachten op handmatige rapportages aan het einde van een dienst of werkdag.

Dezelfde aanpak geldt voor scheepsbewegingen. Automatic Identification System (AIS)-data, zoals locatie, koers en snelheid, stelt de digital twin in staat om scheepstoestanden automatisch te bepalen. Op dezelfde manier leidt de digital twin af dat er een overgang plaatsvindt naar een andere toestandsklasse, wanneer het gedrag van een entiteit overeenkomt met een herkenbaar patroon binnen een gedefinieerde context, zoals veranderingen in relatieve positie, snelheid of stabiliteit. Wanneer het patroon opnieuw op een gecoördineerde manier verandert, wordt de toestand bijgewerkt. Een voorbeeld is een periode van stabiel gedrag gevolgd door een duidelijke koerswijziging, wat duidt op een overgang naar een nieuwe operationele modus. Dit zijn kleine voorbeelden, maar ze illustreren hoe semantische modellering telemetrie in real time omzet in bruikbare operationele kennis.

Het werken met geolocaties in geofencing-toepassingen brengt verschillende uitdagingen met zich mee. Hoewel de posities van kades, havens en marshallinglocaties vastliggen, moeten geofence-buffers rekening houden met variaties zoals GPS-onnauwkeurigheid, onregelmatige signaalupdates en alternatieve manoeuvres van schepen. De mogelijkheid om zowel geofences als scheepsposities te visualiseren vereenvoudigt testgerelateerde vereisten aanzienlijk. Met behulp van de recent geïntroduceerde Microsoft Fabric Maps kunnen GeoJSON-vormen, zoals LineStrings en Polygons, worden gevisualiseerd (zie Figuur 1). Door gebruik te maken van gelaagde visualisaties kunnen geofence-gerelateerde eisen worden vertaald naar effectieve business rules binnen de digitale twin-omgeving.

Tijd tot Oplevering & Simulatie

Deze digital twin-fundering ontsluit meerdere intelligentielagen. De volgende ontwikkelfase introduceert datagedreven inzichten in de verwachte tijd tot projectoplevering, gebaseerd op parameters zoals het huidige installatietempo, beschikbaarheid en locatie van assets en operationele omstandigheden. In plaats van een statische voorspelling kan het systeem continu de live-voortgang evalueren en op basis van de daadwerkelijk waargenomen installatiesnelheid de verwachte opleverdatum berekenen.

Vervolgens breiden probabilistische prognoses en simulatiemogelijkheden dit verder uit. Als weermodellen bijvoorbeeld aangeven dat er over drie dagen een storm nadert, kan het platform de impact op het installatietempo inschatten, de blootstelling van de planning kwantificeren en de meest kritische knelpunten inzichtelijk maken, zoals kraangebruik of de volgorde van schepen. Ook kan het systeem het nieuwe verwachte eindresultaat berekenen wanneer een schip aan het project wordt toegevoegd of juist wordt verwijderd. Daardoor wordt het mogelijk wordt om scheepsinzet over projecten heen te optimaliseren. Het resultaat is geen enkele vaste einddatum, maar een dynamisch tijdsvenster met betrouwbaarheidsniveaus en transparante oorzaken van variatie, wat vroegtijdige en beter onderbouwde interventies mogelijk maakt.

Tot slot zal een conversationele insight engine, aangedreven door large language models, agentic interactie via natuurlijke taal mogelijk maken. Een gebruiker kan bijvoorbeeld vragen: “Waarom verloopt de installatie deze week langzamer dan vorige maand?” Het systeem kan dan antwoorden met een onderbouwing, zoals “beperkte hijsuren door windcondities”, “toegenomen vaartijd door zeegang” of “onverwacht onderhoud aan een ondersteunend schip”. Het kan zelfs mitigerende acties voorstellen op basis van historische patronen.

Het resultaat is een continue intelligence loop, gebaseerd op de actuele stand van zaken in de digital twin, gecombineerd met historische data. Real-time inzicht in operaties voedt voorspellende planning en ondersteunt proactieve besluitvorming op schaal. Zelfs het besparen van één enkele dag kan al miljoenen euro’s beschermen, wat de enorme waarde van dit platform onderstreept.

We staan aan het begin van deze reis. Het bouwen van het digitale twin-model vandaag maakt simulatie en AI-gedreven inzichten van morgen mogelijk en leidt uiteindelijk tot een toekomst waarin offshore-executie profiteert van datagedreven operationele excellentie.