AI i VASS: verktyget som pekar ut var vattenledningen troligen går sönder

Svenskt Vatten har integrerat ett AI-verktyg i VASS som skattar sannolikheten för fel och läckage på vattenledningsnätet. Verktyget använder inrapporterade nätdata för att peka ut de ledningssträckor som löper högre risk. Det är gratis för medlemmarna och resultatet kan laddas ned och läggas in som ett lager i kommunens GIS.

Det viktiga att förstå direkt: verktyget hittar inte läckan. Det är ett prioriteringsstöd. En sträcka som flaggas som högrisk måste fortfarande kontrolleras i verkligheten — med nattflödesanalys, zonmätning, korrelator eller akustisk läcksökning — innan någon beslutar om förnyelse.

Vad verktyget faktiskt är

Modellen är en bearbetad variant av en modell som Stockholm Vatten och Avfall tidigare utvecklade. I stället för att bygga en fristående tjänst lade Svenskt Vatten in den i VASS, branschens egen statistikdatabas. Motivet är dubbelt: dataskyddet blir hanterat inom en miljö som organisationerna redan använder, och verktyget kan förfinas i takt med att fler rapporterar in.

Så här fungerar det i praktiken:

1. VA-organisationen förbereder och för över sina nätdata enligt de mallar som följer med.
2. Modellen räknar fram ett värde per ledningssträcka som beskriver sträckans skattade status.
3. Resultatet laddas ned och importeras som ett kartlager i GIS, där högriskssträckorna blir synliga tillsammans med allt annat organisationen vet om nätet.

Verktyget gäller dricksvattenledningar, inte spillvattennätet. Tillgången är kostnadsfri via VASS för medlemmar, och en användarmanual finns att ladda ned.

De variabler som den här typen av modell bygger på är välkända från fältet: ledningsmaterial, ålder, dimension, längd, tidigare fel- och läckhistorik samt markförhållanden. Det är kombinationen som gör skillnad — inte någon enskild faktor.

Varför det spelar roll: den svenska skalan

Sverige har enligt VASS Drift 84 502 km kommunala vattenledningar (2023), och nätet är den dyraste tillgång de flesta VA-organisationer förvaltar. Tre siffror ur samma statistik förklarar varför prioritering blivit den centrala frågan:

Vid en halv procent per år tar det ungefär två sekel att byta ut nätet en gång. Ingen kommun kommer att förnya sig ur problemet. Svenska VA-organisationer lägger redan nära åtta miljarder kronor om året på förnyelse av näten, och Svenskt Vatten rekommenderar medvetet ingen generell förnyelsetakt — varje organisation måste bedöma vilken takt som är rimlig för sitt eget nät. Just därför blir frågan "vilka meter ska vi ta först?" viktigare än "hur många meter hinner vi?".

Det är den frågan modellen försöker besvara.

Göteborg tog modellen ett steg längre

Det mest lärorika svenska exemplet finns i Göteborg. Kretslopp och vatten tog Svenskt Vattens modell och kombinerade sannolikhetsanalysen med en konsekvensanalys. Roger Andersson, enhetschef för drift av vattenledningsnätet, beskriver det så: "Vi har förädlat den modell som Svenskt Vatten hade genom att kombinera sannolikhetsanalysen med en konsekvensanalys."

Konsekvensdelen väger in vad ett brott faktiskt skulle drabba — sjukhus, äldreboenden, skolor. Av ungefär 15 000 försörjningsområden i det 180 mil långa nätet flaggades omkring 1 000 som kritiska. Under samma utvecklingsarbete gick Göteborgs vattenförluster från omkring 20 procent till 15 procent, vilket motsvarar tiotusentals badkar vatten per dygn.

Poängen är principiell och gäller alla nät: sannolikhet ensam räcker inte. En liten servisledning som går sönder på en villagata och en huvudledning som brister under en genomfartsled kan ha samma statistiska risk och helt olika konsekvens. Att den ekonomiska sidan av just den skillnaden är mätbar visar en färsk studie av fel och reparationskostnader.

Ärliga förbehåll

• Modellen är bara så bra som nätdata. Ett register med luckor i material, läggningsår eller felhistorik ger en riskkarta som ser övertygande ut men vilar på gissningar. Datakvalitet är arbetet före verktyget, inte efter.
• Svenskt Vattens egen sida redovisar inga träffsäkerhetssiffror. Där anges varken lanseringsdatum, validering eller vilka variabler modellen väger tyngst. Den som vill veta hur väl den träffar får utvärdera mot sitt eget nät.
• En skattad sannolikhet är ingen upptäckt läcka. Fältmetoderna finns kvar: nattflödesanalys och zonmätning för att lokalisera var i nätet vattnet försvinner, korrelator och akustisk läcksökning för att hitta punkten.
• Risk är inte detsamma som prioritet. Utan konsekvensbedömning kan en modell rangordna en sträcka högt som i praktiken betyder lite — och tvärtom.
• AI ersätter inte hydraulisk analys eller ingenjörsbedömning. Det är ett beslutsstöd som sorterar en lång lista, inte en ersättning för den som kan nätet.

Det viktigaste att ta med sig

1. Svenskt Vatten har lagt in ett AI-verktyg i VASS som skattar felrisk per ledningssträcka och kan exporteras som ett GIS-lager. Det är kostnadsfritt för medlemmar och gäller dricksvattenledningar.
2. Modellen är en bearbetad variant av Stockholm Vatten och Avfalls tidigare modell, placerad i VASS för säker datahantering och en känd miljö.
3. Det är ett prioriteringsstöd, inte läcksökning. Flaggade sträckor kontrolleras med nattflödesanalys, zonmätning, korrelator eller akustisk läcksökning.
4. Skalan gör frågan skarp: 84 502 km vattenledningar, 19,4 % vattenförluster och en förnyelsetakt på 0,47 % mot önskvärda ~0,7 % (VASS Drift 2023).
5. Göteborg visade nästa steg: kombinera sannolikhet med konsekvens — cirka 1 000 av 15 000 försörjningsområden flaggades som kritiska, och vattenförlusterna gick från ~20 till ~15 procent.
6. Bra ledningsdata är den egentliga investeringen. Material, ålder, dimension, felhistorik och markförhållanden avgör om modellen är användbar eller bara snygg.

Källor och vidare läsning

• Svenskt Vatten: AI-verktyg för vattenledningsnät
• Svenskt Vatten: Viktiga uppdateringar i VASS
• Svenskt Vatten: Drift, underhåll och förnyelse
• Svenskt Vatten: Resultatrapport för VASS Drift 2023 — Tillståndet i VA-Sverige (R2024-06, PDF)
• Ingenjören: Löser vattenläckage med hjälp av AI (Göteborg, 2024)
• Sweden Water Research: En AI-modell för vattenledningsnätet (rapport, PDF)
• Svenskt Vatten: Automatisk detektion av anomalier i ledningsnät (forskningsprojekt)
• Svenskt Vatten: Investeringsbehov och framtida kostnader för kommunalt vatten och avlopp (2023, PDF)
• Svenskt Vatten Utveckling: Vattenförluster från ledningsnätet (rapport 2019-17, PDF)

Uppgifterna kontrollerade 29 augusti 2026. Siffrorna från VASS Drift 2023 är nationellt uppräknade värden baserade på svar från 231 av 290 kommuner.