Maritim sikkerhed får et løft gennem forudsigende AI-analyse af roguebølger

Denne uge markerer en stor milepæl inden for oceanografisk forskning og maritim sikkerhed, efter at et hold af ingeniører offentliggjorde en undersøgelse, der viser, hvordan AI-neurale netværk kan hjælpe med at forudsige og advare om roguebølger. Bemærkelsesværdigt var disse massive begivenheder engang betragtet som uforudsigelige og har i århundreder forårsaget store tab. Her er, hvad du behøver at vide.

Roguebølger

Denne type bølger kaldes også mange navne, herunder dræberbølger, monsterbølger og ekstreme bølger. Disse bølger har en højde, der er dobbelt så høj som de normale havforhold, og kan dukke op ud af det blå, hvilket udsætter alt, der befinder sig i deres vej, for stor fare. Gennem historien har roguebølger været en del af søfarernes folklore, som uden tvivl har hørt legender om disse massive bølger, der har trukket deres medsejlere ned i dybet. I dag udgør disse bølger stadig en stor trussel.
Bemærkelsesværdigt er disse sjældne havbegivenheder lignende tsunamier i størrelse og destruktiv kraft. Men i modsætning til deres velkendte modparter kan roguebølger opstå uden nogen større mærkbar begivenhed, såsom et jordskælv. Derfor udgør disse store og uforudsigelige bølger en stor fare for offshore-infrastruktur, rejsende og andet udstyr.

Hvordan roguebølger dannes

Indtil for nylig manglede der tilstrækkelige data og beregningskraft til at skabe pålidelige mekanismer for dannelse af roguebølger. Derfor var størstedelen af forskningen om dannelsen af disse flygtige begivenheder baseret på observationelle data indsamlet efter hændelser. Disse oplysninger har ført forskerne til at identificere de tre mest fremtrædende måder, hvorpå roguebølger dannes.

Langsom opbygning

Interessant nok kan en roguebølge begynde at dannes og opbygges uden at skulle kombinere med andre bølger. Stærke strømme som Golfstrømmen kan resonere og udvide sig for at skabe en massiv havanomali. Videnskabsfolk, der studerer dette fænomen, anvender ofte en metode kaldet Benjamin-Feir-instabilitet for at forklare udvidelsen af en enkelt bølgetog. Dette er en af de sjældneste former for roguebølger, som forskere har registreret.

Flere bølger

Den mest udbredte forståelse af dannelse af roguebølger skyldes interferens mellem flere bølger, der mødes på det rette tidspunkt for at forstærke størrelsen. Når bølger opbygges og resonnerer, kan de forstørre og intensivere strømmen og voldsomheden af bølgen. Man kan tænke på det som en sneboldeffekt, hvor hver bølge absorberes i den samlede momentum og danner en massiv mur, klar til at ødelægge alt i dens vej.

Nuværende metoder til at bestemme roguebølger

Der findes ingen pålidelige globale forudsigelsessystemer for roguebølger, selvom disse begivenheder har potentiale til at forårsage milliarder i skader hvert år. De mest almindelige metoder til at identificere disse hændelser er baseret på realtidsdata fra havet, som kun kan forudsiges, når begivenheden indtræffer, og underretter forskere om stigende havniveau. Denne strategi efterlader meget at ønske med hensyn til tidlig advarsel og sikkerhedsforanstaltninger.

Roguebølger studie

Studiet “Prediction of freak waves from buoy measurements” har til formål at kaste lys over disse unikke havbegivenheder. Forskerne gik i gang med at skabe et AI-neuralt netværk, der kan forudsige sandsynligheden for, at en roguebølge opstår baseret på den aktuelle havtilstand. Som en del af denne tilgang søgte forskerne at fastlægge, hvilke forudgående faktorer der forekom før dannelsen af roguebølger.
Tilgangen havde til formål at demonstrere den funktionelle sammenhæng mellem de foregående bølger og den endelige roguebegivenhed ved brug af feltmåleinstrumenter og avancerede neurale netværk. Endnu vigtigere ønskede holdet at indfange og dokumentere faserne af synkronisering mellem de enkelte bølger, der er nødvendige for at skabe roguebølger.

Testfase

Testen startede med opbygningen af et neuralt netværk. Holdet besluttede at anvende et Long Short-Term Memory (LSTM) AI-algoritme. Disse AI-systemer blev udviklet for at forenkle den funktionelle sammenhæng mellem inputdata og outputdata. Derfor er de ideelle til at skabe datadrevne forudsigelser af komplekse systemer.

Havbøjer

Forskerne indsamlede data fra 172 bøjer placeret ud for den amerikanske østkyst og i Stillehavsøerne med dybder fra 20 meter til over 4000 meter. To typer bøjer blev anvendt i testen: Datawell Directional Wave Rider MkIII med en prøvetagningsrate på 1,28 Hz og Datawell Directional Wave Rider MkIII med en rate på 2,56 Hz. Disse enheder er velafprøvede og leverer pålidelige data, herunder accelerometre, der overvåger vertikal forskydning.

Kilde – MATLAB

Datasæt

Det neurale netværk blev programmeret ved brug af et datasæt svarende til 880 års sammenhængende data om forhold før roguebølger. Specifikt blev 14 millioner 30-minutters målinger af havoverfladens højde kombineret med 40.000 målinger fra de samme bøjer. Disse data blev derefter scannet for at finde afvigelser. Dataene blev så ført tilbage i algoritmen for bedre at træne den i at opdage disse faktorer.

Relevant for havforhold

Forskerne var ivrige efter at holde prøverne af roguebølger sjældne i testfasen for at sikre, at dataene var tættere på virkelige scenarier. Prøverne blev derefter opdelt i kategorierne ikke‑roguebølger og roguebølger, som blev forstærket. Bemærkelsesværdigt blev de indledende data indhentet via Coastal Data Information Program (CDIP) i samarbejde med Scripps Institution of Oceanography.

Scannet for roguebølger

Forskerne scannede bøgeprøvedata ved hjælp af University of Maryland’s supercomputer-ressourcer. Denne adgang gjorde det muligt for dem at udnytte en NVIDIA (NVDA ) A100 GPU i kombination med en lokal NVIDIA Quadro P1000 GPU for at forbedre AI‑ydelsen, træningstiderne og nøjagtigheden.

Resultater

Resultaterne af denne undersøgelse kan få en gennemgribende indvirkning på, hvordan ingeniører og forskere fremover ser på roguebølger. Disse engang næsten umulige at bestemme begivenheder kunne udpeges med 75 % nøjagtighed ved brug af AI‑systemerne. Specifikt blev 75 % af roguebølgerne forudsagt inden for 1 minut efter deres fremkomst. Procenten faldt kun til 73 % når varslingstiden blev udvidet til 5 minutter.
I alt forudsagde AI’en næsten 3 000 roguebølger med høj præcision. Kun 855 hændelser undslap AI‑detektionen, hvilket efterlod systemet med en nøjagtighed på 23 %. Da mange forskere mente, at det var umuligt at bestemme disse begivenheder, har disse resultater åbnet døren for nye og mere effektive forudsigelsessystemer.

Fordele

Dette studie kan bringe mange fordele til markedet. For det første er det det første pålidelige koncept for et forudsigelsessystem for roguebølger. Det tager idéen om, at disse begivenheder er for komplekse til at forudsige, og introducerer i stedet en meget pålidelig og omkostningseffektiv løsning, der kan give værdifuld tidlig advarsel til skibe og offshore‑platforme, når det er nødvendigt.

Bruger eksisterende bøjedata

En anden stor fordel ved denne tilgang til at bestemme sandsynligheden for roguebølger er, at der ikke er behov for at installere nye sensorer eller systemer. Bøjer er allerede blevet udsendt og testet i årtier. Derfor leverer de en pålidelig og dokumenteret datakilde med en sporbar historik. Denne AI‑forudsigelsesopgradering er software. Som sådan kan den udnytte de millioner af timers data, som disse enheder leverer, for at forbedre og styrke fremtidig ydeevne.

Universel anvendelse

Et af de mest interessante aspekter ved deres AI‑træning er, at modellen kunne anvendes med succes på lokationer uden for det oprindelige bøjedatasæt. Holdet var i stand til at forudsige med høj sandsynlighed roguebølge‑risikoen for to eksterne bøjer. De testede deres teori på Buoy 132, placeret nær Jacksonville, Florida, og Buoy 067 nær San Nicolas Island ud for Los Angeles kyst. Resultaterne viste, at algoritmen kunne anvendes med succes på andre lokationer.

Selvforbedrende

En af de største fordele ved denne type AI‑algoritme er, at den løbende kan forbedre sit datasæt, styrke sin forståelse og forbedre ydeevnen. Disse systemer vil blive bedre, efterhånden som dataene forfines. Som sådan giver denne metode en omkostningseffektiv og effektiv måde at optimere driften på.

Forskere

Thomas Breunung og Balakumar Balachandran var hovedforskerne i undersøgelsen. De nåede deres mål om at demonstrere en metode til at bestemme roguebølger med høj nøjagtighed på globalt plan. Bemærkelsesværdigt leverede University of Maryland supercomputer‑ressourcer og støtte til holdet, som nu søger at forbedre resultaterne ved at introducere flere data i deres model, herunder vindhastighed, placering og dybde. Alle disse faktorer kan hjælpe med at forbedre detektionstiderne og endda give en metode til at bestemme begivenhedens højde.

Virksomheder, der kan integrere denne teknologi i dag

Mange virksomheder kan opnå umiddelbare fordele af dette studie. Der er i øjeblikket milliarder investeret i offshore‑infrastruktur og skibsfart, der krydser havet. Disse virksomheder vil uden tvivl investere i enhver teknologi, der kan hjælpe med at forhindre katastrofale tab og dødsfald.

1. Diamond Offshore Drilling Inc.

Diamond Offshore Drilling Inc. er en stor olie- og gasboringsvirksomhed beliggende i Katy, Texas. Virksomheden gik ind på markedet i 1987 som Diamond M Drilling, før den gennemgik flere rebrandinger. I øjeblikket har de 44 offshore‑boringsplatforme, herunder 32 semi‑submersible platforme og 5 borefartøjer.
Diamond Offshore Drilling Inc. har kontrakter med mange af verdens største olie- og gasvirksomheder, herunder Hess Corporation , Petrobras, BP og Occidental Petroleum (OXY ). Dens position og efterspørgslen efter fossile brændstoffer gør denne aktie til en stærk “hold“. Bemærkelsesværdigt har den oplevet nogle ulemper på grund af en tilstrømning af grøn energi på markedet, men analytikere forudser fremtidige gevinster, da konflikter og andre faktorer driver gaspriserne op.

2. Sable Offshore Corp

SOC Prisdiagram

Sable Offshore Corp (SOC ) er en anden borevirksomhed, der kan udnytte et forudsigelsessystem for roguebølger til at beskytte sin flåde af offshore‑rigge og borestationer. Virksomheden blev grundlagt i 2020 som Flame Acquisition Corp , før den skiftede navn til Sable. Sable har offshore‑operationer ud for Californiens kyst i føderale farvande. Den ejer også 76 000 acres af undervandslejekontrakter, der gør det muligt at transportere råolie og naturgas.
Firmaet har mange strategiske partnerskaber med brancheledere, herunder ExxonMobil (XOM ), Canada Ltd, Imperial Oil (IMO ) Resources Limited og Pengrowth Energy Corporation, for at nævne nogle.  Virksomhedens aktie har for nylig lidt under markedets udsving. Dog har Californien en stigende efterspørgsel efter disse tjenester, hvilket positionerer Sable Offshore Corp som en førende lokal energileverandør.

Fremtiden for forudsigelse af roguebølger

Dette studie kaster lys over den flygtige verden af roguebølger. Disse begivenheder er ikke længere søfolkshistorier, men nu forudsigelige hændelser. I fremtiden vil disse systemer blive integreret i hele den maritime økonomi for at mindske risiko og forbedre effektiviteten.  Bemærkelsesværdigt vil disse systemer blive meget bedre og mere præcise, efterhånden som de får yderligere forstærkede data.
Man kan forvente at se denne type forudsigelse kombineret med systemer som blockchain‑netværk, der snart vil levere realtidsmonitorering af massive data på tværs af verden. Denne forbedring vil gøre det muligt for systemerne at registrere og spore realtidsforekomster over havet på en uforanderlig måde. Disse data kan derefter bruges til at forbedre forskernes forståelse af disse flygtige hændelser.

Roguebølger er et problem, som detektion kan løse

Der er endnu ingen måde at forhindre, at roguebølger dannes. Men det første skridt mod at undgå store tab er at fastslå, hvornår og hvad der får disse begivenheder til at opstå. Disse ingeniører har taget de første skridt og lagt grundlaget for fremtidig forskning, der kan redde liv. Indtil videre skaber deres indsats “bølger” på tværs af flere industrier.
Lær om andre spændende AI‑projekter nu.