Internship – Machine learning in flood modelling

Arcadis is dé wereldwijde partner die vooraan staat bij de meest impactvolle projecten van onze tijd. We helpen onze klanten duurzame keuzes te maken via de combinatie van digitale innovatie, expertise en toekomstgerichte vaardigheden in onder meer milieu, energie, water, gebouwen, transport en infrastructuur. Wij zetten die extra stap om onze klanten op maat gemaakte oplossingen te bieden voor ontwerp, engineering en advies. Door data-gedreven inzichten in te zetten geven we de natuurlijke en gebouwde omgeving samen vorm. Met meer dan 34.000 mensen bundelen we wereldwijde expertise en pakken we samen uitdagingen als klimaat, betaalbare energie en leefbare steden aan. We verbeteren de levenskwaliteit door onze aanwezigheid in meer dan dertig landen. Functieomschrijving – Wat ga je doen? Wij zijn op zoek naar een gemotiveerde afstudeerstudent voor de periode van oktober 2026 tot en met februari 2027 met een sterke interesse in de toepassing van machine learning binnen overstromingsmodellering. Tijdens deze MSc-afstudeerstage ontwikkel, train en test je machine learning-modellen die 2D-overstromingssimulaties ondersteunen. Het doel is om de rekentijd van simulaties te verkorten, terwijl betrouwbaarheid en fysieke interpreteerbaarheid behouden blijven. Je werkzaamheden combineren data science, numerieke modellering en vraagstukken rondom klimaatadaptatie. Achtergrond – Waarom is dit onderwerp relevant? Klimaatverandering vergroot het risico op grootschalige overstromingen, zowel door extreme neerslaggebeurtenissen (pluviale overstromingen) als door extreem hoge rivierafvoeren (fluviale overstromingen), die kunnen leiden tot dijkdoorbraken. Overstromingssimulaties zijn essentiële hulpmiddelen om de gevolgen van dergelijke scenario’s in kaart te brengen en de ontwikkeling van overstromingsrisicokaarten te ondersteunen. Traditionele overstromingssimulaties maken gebruik van fysisch gebaseerde numerieke modellen die hydrodynamische vergelijkingen oplossen. Hoewel deze modellen nauwkeurig zijn, kunnen ze zeer rekenintensief zijn, vooral voor grote gebieden of modellen met een hoge resolutie. Machine learning biedt veelbelovende mogelijkheden om deze simulaties te versnellen, maar er zijn nog uitdagingen op het gebied van betrouwbaarheid, generaliseerbaarheid en fysieke interpreteerbaarheid van de modellen. Dit afstudeeronderzoek richt zich specifiek op deze uitdagingen. Doelstellingen en scope Het hoofddoel van dit project is het ontwerpen, ontwikkelen en evalueren van een machine learning-model voor 2D-overstromingssimulaties. De exacte invulling kan worden afgestemd op jouw interesses, maar is naar verwachting als volgt:

Je ontwikkelt en test eerst een proof-of-concept machine learning-model op basis van fictieve of synthetische trainingsdata om inundatieniveaus na een dijkdoorbraak te voorspellen. Vervolgens pas je de ontwikkelde methoden toe op een praktijkcasus met bestaande overstromingssimulatiedata voor het gebied van de Rijn en de IJssel.

Gedurende het project beoordeel je kritisch de prestaties, robuustheid en toepasbaarheid van het model binnen de professionele praktijk van overstromingsmodellering. Wat maakt deze afstudeerstage interessant?

Je werkt aan actuele klimaatadaptatievraagstukken met directe maatschappelijke relevantie. Je combineert machine learning, hydrodynamische modellering en data-analyse binnen één project. Je doet ervaring op met state-of-the-art modelleertechnieken die worden toegepast binnen de professionele ingenieurspraktijk. Je krijgt intensieve begeleiding en technische ondersteuning van specialisten uit ons River, Coast & Sea-team. Team en werkomgeving Je maakt deel uit van de adviesgroep River, Coast & Sea, een multidisciplinair team dat werkt aan projecten op het gebied van rivierkunde, overstromingsrisicobeheer, klimaatadaptatie en numerieke modellering, zowel in Nederland als internationaal. Het afstudeeronderzoek wordt uitgevoerd vanuit ons kantoor