Studenten onderzoeken welke rekenomgeving de waterstofsimulator EnHyCo de beste verhouding biedt tussen gemeten prestaties, benodigde capaciteit en kosten, en onderbouwen dat met metingen en een beproefde configuratie.
EnHyCo, de EntrancE Hydrogen Configurator, is een Python-applicatie waarmee energiesystemen met onder andere waterstof worden doorgerekend en geoptimaliseerd. De gebruiker stelt een systeem samen uit energieopwekking, opslag en conversie; een optimizer onderzoekt vervolgens de samenstelling en dimensionering van componenten op basis van kosten en andere voorwaarden.
De applicatie draait nu lokaal, terwijl de MySQL-database al in Microsoft Azure staat. Vooral de optimizer veroorzaakt veel rekenwerk. Uitgebreide optimalisaties kunnen meerdere uren duren en in bepaalde situaties 24 tot 48 uur. Tijdens een demonstratie duurde ook een kleine berekening al meerdere minuten en liep het geheugengebruik op een laptop met 16 GB werkgeheugen hoog op.
Het probleem is niet alleen dat EnHyCo lokaal draait. Er zijn nog onvoldoende meetgegevens om te bepalen welke technische capaciteit EnHyCo werkelijk nodig heeft. Of werkgeheugen, CPU-capaciteit, de optimizer zelf of een combinatie daarvan de beperkende factor is, is nog niet vastgesteld. Zonder reproduceerbare metingen is niet te zeggen of extra capaciteit de rekentijd bruikbaar verbetert en of de kosten daartegen opwegen.
“Hoe kunnen we vaststellen welke rekenomgeving EnHyCo voldoende prestaties en benodigde resourcecapaciteit biedt binnen de financiële en praktische mogelijkheden van EntrancE, rekening houdend met het gemeten CPU- en RAM-gebruik, de gebruikstijden en de beheerbaarheid?”
Het project levert EntrancE een onderbouwd advies over de rekenomgeving die het beste past bij EnHyCo. Eerst volgt een reproduceerbare nulmeting op een standaard Hanze-laptop, waarbij met een representatieve rekencasus CPU-belasting, RAM-gebruik en rekentijd worden gemeten. Daarna worden de alternatieven op dezelfde manier vergeleken.
De deelvragen gaan over:
“Welke rekenomgeving biedt voor EnHyCo de beste verhouding tussen gemeten prestaties, benodigde resourcecapaciteit en kosten binnen de financiële mogelijkheden van EntrancE, rekening houdend met gebruikstijden en praktische en technische randvoorwaarden?”
De oorspronkelijke opdracht noemde een proof of concept in Azure als eindproduct. Na de probleemverkenning is Azure een van de te vergelijken rekenomgevingen geworden, naast een fysieke server, virtuele-machineconfiguraties en andere haalbare infrastructuur. Het doel is niet de krachtigste omgeving ongeacht de prijs, maar een configuratie die binnen de mogelijkheden van EntrancE voldoende capaciteit en bruikbare prestaties biedt.
Een volledige productie-implementatie, herbouw van EnHyCo of structureel beheer na afloop van het project. De AI-verkenning is voorwaardelijk: uiterlijk bij mijlpaal M2 wordt besloten of een concrete use-case relevant en haalbaar genoeg is voor verdere uitwerking.
Het team werkt iteratief volgens Design Thinking en plant het werk in sprints in Azure DevOps. Aannames worden vastgelegd in een aannameregister en pas als conclusie behandeld wanneer reproduceerbare metingen ze onderbouwen. Het project doorloopt zes fasen die elkaar deels overlappen:
Bekijk alle projecten van CollabSpace.