Videreutvikling og testing av en fysisk bymodell til bruk i overvannsundervisning

Abstract

Urbane områder står overfor flere problemer knyttet til overvannshåndtering. Klimaendringer fører til kraftigere og hyppigere nedbør. Økt urbanisering og tetting av grønne flater minker mengden infiltrert nedbør i bakken. Konsekvensene er større avrenning og flomhendelser som forårsaker skader på bygninger, infrastruktur og helse. Fremtidens overvannshåndtering må utvikles og forbedres for å håndtere utfordringene.

Dagens opplæring og kompetanseheving består i hovedsak av tradisjonelle undervisningsformer som for eksempel kurs, oppgaveløsning og casestudier. En stor del av overvannsundervisning foregår på ulike dataprogrammer, som gjør at man kan miste nærhet til faget.

Hensikten med masteroppgaven er å videreutvikle og teste en fysisk modellby til bruk i overvannsundervisning ved NMBU. Modellbyen står under en nedbørssimulator som tilfører nedbør. I modellbyen kan naturbaserte overvannstiltak som regnbed og grønne tak plasseres forskjellige steder. Tiltakene påvirker den totale avrenningen fra modellen. Gjennom testing og utprøving av modellen kartlegges effekten av tiltakene. Bymodellen forbedres blant annet i form av lekkasjereduksjon ved tetting av ledningsnettet.

Bymodellens hensikt er å bli brukt som et undervisningsverktøy. Hvor godt modellen fungerer som undervisningsverktøy ble testet under arbeidet med oppgaven. Både studenter og ansatte i fagfeltet besøkte og testet modellbyen. Etterpå deltok besøkende i en spørreundersøkelse som ga tilbakemeldinger på opplevelsen med modellen. Deltagerne var som regel veldig fornøyde med hvordan modellen fungerte og synes det var interessant å se effekten av overvannstiltak i en fysisk modell. Flere hadde innspill for videre forbedring av modellen.

Resultater fra modellen brukes som datagrunnlag for å trene en digital modell med maskinlæring. I modellen endres ulike parametere for de ulike overvannstiltakene slik at simulert avrenning stemmer med observerte resultater. Etter kalibrering av modellen brukes den til å finne optimale løsninger. Til slutt testes noen optimale løsninger i bymodellen for å undersøke nøyaktigheten til de simulerte resultatene. Flere store avvik oppsto mellom de simulerte og de observerte resultatene. Årsaken var usikkerhetsfaktorene i nedbørssimulatoren og bymodellen. Dersom usikkerhetene reduseres, nærmer de observerte verdiene de simulerte optimale forsøkene. Man kan derfor anta at modellen er kalibrert riktig, og kan anvendes til å finne optimale løsninger for overvannstiltak.

Urban areas face multiple challenges related to stormwater management. Climate change leads to more intense and frequent rainfall. Increased urbanization and the sealing of green areas reduce the amount of rainfall infiltrating the ground. The consequences include increased runoff and flood events, causing damage to buildings, infrastructure, and public health. Future stormwater management needs to be developed and improved to handle these challenges more effectively.

Current education and skill development primarily rely on traditional teaching methods such as courses, problem-solving, and case studies. A significant portion of stormwater education occurs on various computer programs, lacking physical proximity to the subject and its issues.

The purpose of the master's thesis is to further develop and test a physical model city for stormwater education at NMBU. The model city is placed under a rainfall simulator that simulates precipitation. Nature-based stormwater measures such as rain beds and green roofs can be placed in different locations in the model city. These measures affect the total runoff from the model. The effects of the measures are mapped through testing and experimentation with the model. The city model is also improved by reducing leaks through the sealing of the drainage network.

The purpose of the city model is as an educational tool and is continuously tested. Both students and professionals visited and tested the model city. Afterward, visitors participated in a survey providing feedback on their experience with the model. Participants were very satisfied with how the model functioned and found it interesting to see the physical effects of stormwater measures. Several also provided good ideas for further improving the model.

Results from the model are also used as data for training a machine learning-based digital model. Various parameters for different stormwater measures are adjusted in the model to match simulated runoff with observed data. After calibration, the model is used to find optimal solutions. Finally, some of these optimal solutions are tested in the city model to examine the accuracy of the simulated results. Several significant discrepancies occurred between the simulated and observed results, primarily due to uncertainties in the rainfall simulator and city model. The main factor was varying rainfall amounts due to the pump. If uncertainties are reduced, observed values approach the simulated optimal ones. Therefore, it can be assumed that the model is calibrated correctly and can be applied to find optimal stormwater management solutions.