Golfbewegingen in Noordzee beter te voorspellen door Machine Learning
Bij waterbouwkundige projecten aan de kust en voor de scheepvaart zijn voorspellingen van golfbewegingen cruciaal. Het plaatsen van een offshore windturbine in de Noordzee bijvoorbeeld, hangt af van een complex samenspel van golfbewegingen, die worden beïnvloed door wind en deining. Hoe nauwkeuriger en betrouwbaarder de golfvoorspellingen zijn, hoe beter de uitvoering van projecten op zee te plannen is. Experts van Coastal Structures & Waves van Deltares ontdekten dat je golfbewegingen beter kunt voorspellen door procesgebaseerde modellen aan Machine Learning-modellen te koppelen.
Joost den Bieman, senior researcher bij Coastal Structures & Waves van Deltares en een van de experts van dit onderzoek, legt uit dat snelle, accurate golfvoorspellingen waardevolle informatie opleveren voor de scheepvaart, kustbescherming en offshore-constructies. “Hiermee kun je namelijk veel beter je werkbare dagen plannen en getijpoorten voor schepen voorspellen. Snelle, nauwkeurige data betekenen een betere workflow en minder risico op schade aan installaties en schepen. Dat is dus winst!”, zegt Joost.
Complexe patronen
Traditioneel worden procesgebaseerde modellen gebruikt om golfbewegingen te simuleren. Deze modellen zijn gebaseerd op natuurkundige principes van de bathymetrie van de zeebodem, ofwel de interactie tussen de voortplantingssnelheid van een golf en de diepteligging van de zeebodem. “Deze bestaande modellen leveren zeer gedetailleerde informatie op over golfbewegingen. Maar, ze hebben ook hun beperkingen”, zegt Joost.
“Om de golfvoorspellingen in de Noordzee nog een slag beter te krijgen, combineren we deze met Machine Learning-modellen.” Hiermee is de afgelopen jaren enorme vooruitgang geboekt op wetenschappelijk en technisch gebied. Door Machine Learning-modellen te trainen op historische golfdata, leren ze complexe patronen van grote datasets te herkennen. Hiermee kunnen ze tekortkomingen van traditionele procesgebaseerde modellen aanvullen. “Vooral op plekken waar fysica moeilijk te modelleren is”, legt Joost uit.
Beste van twee werelden
“Het doel van ons onderzoek is om het beste van twee werelden te combineren”, zegt Joost. Het team van experts heeft hiervoor een hybride modellering gebruikt. In de testfase van hun onderzoek voerden ze een slimme integratie van beide modellen uit: de nauwkeurige fysische principes van de procesgebaseerde modellen én de sterke voorspellingskracht van de Machine Learning-modellen. “Deze modellen kunnen complexe trends en relaties identificeren in grote datasets, die niet altijd makkelijk zijn te modelleren met traditionele, fysische modellen”, legt Joost uit. “We trainen het Machine Learning-model met een uitgebreide dataset van historische golfobservaties en -voorspellingen.”
Resultaten
Om het hybride model te valideren en te evalueren heeft het team uitgebreide testen uitgevoerd met verschillende datasets. Hiervoor zijn de prestaties van het hybride model vergeleken met die van individuele procesgebaseerde modellen. Ook heeft het team de voorspellingen van het hybride model vergeleken met waargenomen data om de nauwkeurigheid en betrouwbaarheid te kunnen beoordelen.
Het hybride model is vergeleken met het afzonderlijke SWAN-model. Dit is een type golfmodel, dat onder andere voor de Noordzee wordt gebruikt. Uit deze experimenten komt naar voren dat het hybride model superieure prestaties levert. Dit model maakt circa 30% tot 40% minder fouten in de voorspelling”, zegt Den Bieman. “Hiermee neemt de nauwkeurigheid van de operationele golfvoorspellingen met een tijdshorizon van 48 uur significant toe.”
Veelbelovende toepassing
Volgens Joost toont hun onderzoek aan dat het combineren van procesgebaseerde modellen en Machine Learning-modellen een veelbelovende toepassing is om snelle, betrouwbare golfvoorspellingen op te leveren. “Het hybride model stelt ons in staat om meer inzicht te krijgen in complexe golfgedragingen. Tegelijkertijd levert het model snelle en nauwkeurige voorspellingen van actuele omstandigheden en weercondities.” Scheepvaartbedrijven kunnen hiermee hun routes optimaliseren en offshore-projecten worden veiliger uitgevoerd.
Joost vindt dat het noodzakelijk is om het hybride model verder te ontwikkelen en verfijnen. “Machine Learning modellen zijn data-gedreven, dus hoe meer relevante data beschikbaar zijn om te trainen, hoe beter.” Hij geeft aan dat dit ook geldt voor de golfdataset. “Je kunt bijvoorbeeld elk jaar het Machine Learning-model ‘hertrainen’. Dit levert een extra jaar aan data op.”
Scheepvaartbedrijven kunnen hiermee hun routes optimaliseren en offshore-projecten worden veiliger uitgevoerd
Joost den Bieman
Kinderschoenen
Het hybride modelleren staat nog in de kinderschoenen. Volgens Joost is een logische volgende stap om uit te zoeken of het combineren van procesgebaseerde en Machine Learning-modellen ook voor andere toepassingen meerwaarde kan bieden. “De toepassing in de Noordzee toont in ieder geval aan dat golfbewegingen beter zijn te voorspellen, wat een forse optimalisatieslag inhoudt voor maritieme en kustgerelateerde activiteiten”, aldus Joost.
Publicatie
Samen met zijn collega-onderzoekers Menno de Ridder, Marisol Irías Mata en Joana van Nieuwkoop van Coastal Structures & Waves van Deltares, publiceerde senior researcher Joost den Bieman in mei dit jaar het wetenschappelijke artikel ‘Hybrid modelling to improve operational wave forecasts by combining process-based and machine learning models’. In dit artikel beschrijven zij gedetailleerd op welke manier golven nauwkeurig en betrouwbaar voorspeld kunnen worden door procesgebaseerde modellen aan Machine Learning-modellen te koppelen.
