Drogestof in het rantsoen: grip met AI en sensoren

Op een doorsnee winterochtend (21-12-2025) draait de voermengwagen alsof er niets aan de hand is. Toch kan de werkelijke drogestof (ds) in het rantsoen die dag zomaar 5% of meer afwijken van wat je voerprogramma gisteren nog berekende. En nee, dat zit niet alleen in rekenfouten of “de kuil is nou eenmaal wisselend”. Het zit vaak in iets heel eenvoudigs: weer op het snijvlak.

Onderzoek laat zien dat regen en warmte het ds-gehalte in kuilen snel en lokaal kunnen veranderen. Dat merk je niet meteen aan de kleur of structuur van het voer, maar wél aan je tank, je pensgezondheid en je voerefficiëntie. Deze post hoort bij onze serie AI in Landbouw en Voedselproductie en pakt het probleem praktisch aan: wat gebeurt er precies in de kuil, wat kun je vandaag al beter doen, en hoe helpt AI om het rantsoen stabiel te krijgen—ook als het weer alle kanten op gaat.

Waarom 5% ds-afwijking meteen geld kost

Een afwijking in ds is geen detail; het is een directe verstoring van je opname en nutriëntenaanbod. Als ds lager uitvalt dan gedacht, voer je feitelijk minder energie en eiwit per kilo “nat voer”. Valt ds hoger uit, dan kan het rantsoen droger en scherper worden dan je bedoeld had—met risico op selectie, pensverzuring of wisselende mest.

Wat je in de praktijk ziet:

• Schommelende melkproductie zonder dat je “iets veranderd hebt”.
• Onrust in het koppel: meer sorteren aan het voerhek, wisselende herkauwactiviteit.
• Krachtvoer dat onbedoeld corrigeert: je denkt dat je basis stabiel is, maar de TMR is het niet.
• Lagere voerefficiëntie: dezelfde kilo’s aanvoer, minder kilogrammen meetmelk.

Een 5% ds-verschil klinkt klein, maar bij 25 kg ds-opname/dag is dat 1,25 kg ds. Dat is een flinke hap energie. In tijden met krappe marges en dure eiwitbronnen is dat simpelweg te kostbaar om “erbij te nemen”.

Wat regen en warmte écht doen in de kuil (en waarom je het niet ziet)

Het sleutelpunt: ds-variatie ontstaat lokaal, vaak in de bovenste laag en rondom het snijvlak. Het onderzoek waarop dit onderwerp is gebaseerd, plaatste sensoren op 20 cm diepte vanaf het snijvlak in gras- en maiskuilen om ds te volgen tijdens neerslag en warme perioden.

Neerslag: onder 5 mm weinig effect, boven 10 mm begint de ellende

Regen is vooral een homogeniteitsprobleem. Bij lichte neerslag (onder ~5 mm) bleek het effect beperkt. Maar bij regen boven ~10 mm nam het vochtgehalte duidelijk toe en werd de variatie in de kuil groter.

Concreet gemeten effecten:

• In de bovenste ~10 cm van een maiskuil daalde het ds-gehalte gemiddeld met 0,8%, met lokale uitschieters tot 4%.
• In een graskuil werd een gemiddelde ds-daling gezien van 2,5% na een stevige bui.

Dat betekent: je steekt op één plek een hap met “normale” ds, en een meter verder een hap die opvallend natter is. Als je dat onvoldoende mengt of te smal uitfrees, komt die variatie terug in de voergoot.

Warmte: vooral uitdroging van de toplaag, mais reageert sterker

Warm weer doet het omgekeerde van regen: het droogt de bovenlaag uit. Bij temperaturen tot rond 35°C werd vooral de bovenste ~10 cm droger. Met name maiskuil reageerde sterk: het ds-gehalte lag gemiddeld 2% hoger na de hitteperiode. Graskuilen bleken minder gevoelig.

Waarom dit ertoe doet: een drogere hap is compacter qua energie per kilo product. Als je op nat gewicht voert, schiet je energiedichtheid omhoog zonder dat je het doorhebt.

Beter mengen is de snelste winst (en onderschat hoe groot het effect is)

Als je vandaag één ding aanpast: vergroot het deel van het snijvlak dat je meeneemt en meng langer/beter. In de proef met de voermengwagen zorgde het frezen van grotere delen van het snijoppervlak en vervolgens mengen voor een duidelijke homogenisering van ds.

Dat klinkt logisch, maar hier gaat het vaak mis:

• Te smal uitnemen (alleen “mooie” stukken) → meer ds-variatie per schep.
• Te korte mengtijd → variatie blijft in “plakken” aanwezig.
• Onjuiste volgorde in de mengwagen → ruwvoer wordt niet goed opengetrokken.

Praktische checklist voor een stabielere TMR

Gebruik dit als werkbare routine (zeker in natte winterperiodes):

1. Neem breder uit: liever een groter vlak per voermoment dan een smalle strook.
2. Voorkom regenbelasting: werk met goed passende afdekkingen en een strak snijvlak.
3. Meng op tijd, niet op gevoel: hanteer vaste mengtijden per rantsoen.
4. Controleer sorteren: als de voergoot “laagjes” laat zien, is je homogeniteit onvoldoende.
5. Meet ds vaker bij wisselweer: niet één keer per maand, maar op momenten dat het weer omslaat.

Dit is de basis. Maar eerlijk: alleen met “beter werken” kom je er steeds minder, omdat het weer grilliger is geworden en de druk op efficiëntie hoger.

Waar AI in rantsoenbeheer wél het verschil maakt

AI is het sterkst in het herkennen van patronen en het voorspellen van afwijkingen voordat jij ze aan de tank ziet. In rantsoenbeheer betekent dat: van achteraf corrigeren naar vooraf bijsturen.

Ik zie in de praktijk (en in projecten rond sensorgestuurde voeding) dat AI vooral waarde levert op drie niveaus.

1) Van steekproef naar continu meten: ds-sensoren als basis

Met alleen periodieke bemonstering loop je achter de feiten aan—zeker bij regen en dooi. Sensoren op of bij:

• het snijvlak (kuilmonitoring),
• de mengwagen (inline ds-inschatting),
• of zelfs NIR-metingen op het voerpad,

geven een datastroom waarmee een model kan leren wat “normaal” is voor jouw bedrijf.

Belangrijk detail: AI maakt sensoren pas echt bruikbaar als je ruis (bemonsteringsfouten, variatie in scheppen) kunt uitmiddelen en trends kunt herkennen.

2) Weerdata + kuildata = voorspellen in plaats van gissen

Het onderzoek laat een duidelijk oorzaak-gevolg zien: boven ~10 mm regen neemt ds-variatie toe; bij hitte droogt de toplaag uit. AI kan dit vertalen naar een praktisch signaal:

• “Er is 14 mm regen verwacht en wind op het snijvlak: ds-daling in de toplaag waarschijnlijk.”
• “Na 2 warme dagen: ds stijgt in de bovenlaag, risico op drogere TMR.”

Zo’n model hoeft niet ingewikkeld te zijn. Vaak werkt een combinatie van:

• weersverwachting (neerslag, windrichting, temperatuur),
• kuilparameters (type kuil, afdeksysteem, voersnelheid),
• en historische ds-metingen,

al verrassend goed om te bepalen of je morgen moet bijsturen.

3) Automatische rantsoencorrectie: kleine aanpassingen, groot effect

Het doel is niet ‘AI die jouw voerman vervangt’. Het doel is AI die elke dag micro-correcties voorstelt. Denk aan:

• natgewicht-aanpassing van mais/graskuil in de TMR,
• vochtcompensatie via bijproducten,
• of het herschikken van de volgorde en mengtijd bij “natte hap”-risico.

De winst zit in stabiliteit. Koeien zijn geen fan van verrassingen. Een constant rantsoen geeft rust in de pens en dat zie je terug in productie en gezondheid.

Een goed AI-model maakt ds-schommelingen zichtbaar op het moment dat ze ontstaan—niet pas als je melkcurve het al verteld heeft.

Mini-case: zo pak je dit aan op een Vlaams melkveebedrijf

Stel: 160 melkkoeien, TMR met maiskuil + graskuil, wintervoeren volledig aan het voerhek. In december heb je vaak natte perioden en zachte dagen; soms wisselt het binnen 48 uur van kletsnat naar koud en droog.

Aanpak in 30 dagen (realistisch en behapbaar):

Week 1: nulmeting en discipline

• 3x ds-bepaling per week van beide kuilen (vaste tijd, vaste plek, vaste methode).
• Mengprocedure vastleggen (volgorde, tijd, toerental).
• Eenvoudige KPI’s kiezen: melk, vet/eiwit, herkauwactiviteit (als je halsbanden hebt), mestscore.

Week 2-3: sensoren of “semi-sensor”

• Als er een ds-sensor op de mengwagen beschikbaar is: aanzetten en kalibreren op jouw kuilen.
• Zo niet: werk met snelle ds-tests (microgolf/quick test) en registreer consequent.

Week 4: AI-light in Excel of in je voerplatform

• Combineer ds-metingen met weerdata (regen/temperatuur) en noteer gebeurtenissen: “16 mm regen op snijvlak”.
• Maak simpele regels: bij >10 mm regen en wind op kuil → +X kg nat gewicht mais, of mengtijd +2 min.
• Laat je voeradviseur dit vertalen naar een eerste automatisering in het rantsoenprogramma.

Na een maand heb je geen perfect model, maar wel iets beters dan onderbuik. En belangrijker: je team voert hetzelfde proces uit, elke dag.

Veelgestelde vragen (zoals ze écht gesteld worden)

“Moet ik nu elke dag monsters nemen?”

Niet elke dag, maar wel op wisselmomenten: na zware regen, na een warm/droog blok, bij kuilwissel, of als je voersnelheid verandert. AI helpt juist om te bepalen wanneer extra meten zinvol is.

“Is beter mengen niet genoeg?”

Beter mengen is de snelste winst en vaak onderschat. Maar als je ds aan het snijvlak hard verschuift, kan mengen alleen de variatie dempen—niet voorkomen dat je energiedichtheid anders is dan gedacht.

“Wat is de eerste AI-stap zonder grote investering?”

Begin met datadiscipline. Meten, loggen, en vaste routines. Daarna kun je met eenvoudige modellen of functies in je voerplatform al voorspellen en bijsturen.

Wat dit betekent voor ‘AI in Landbouw en Voedselproductie’

De link met voedselproductie is direct: stabiel ruwvoer = voorspelbare melkproductie = stabielere keten. Als ds-schommelingen structureel worden, krijg je meer correcties met krachtvoer, meer gezondheidsrisico en meer kosten—en dat werkt door tot in de verwerker en afnemer.

AI is hier niet “iets voor later”. Het is een manier om weersinvloeden te compenseren met meetdata, voorspelling en dagelijkse bijsturing. De bedrijven die dit nu oppakken, bouwen een voorsprong op in efficiëntie én in stuurinformatie.

Wil je hiermee starten, pak dan één kuil, één meetmethode en één routine. Als dat staat, is de stap naar sensoren en AI-gestuurde rantsoencorrectie ineens heel klein.

Welke vraag wil jij het liefst laten voorspellen: “Wat is de ds vandaag?” of “Wat moet ik morgen aanpassen?”