Deltares heeft een nieuw theoretisch model ontwikkeld waarmee golfbewegingen van de Noordzee nauwkeuriger zijn te voorspellen. Het model maakt 30% tot 40% minder fouten in de voorspelling, waardoor de nauwkeurigheid met een tijdshorizon van 48 uur significant toeneemt. Het model kan gebruikt worden voor waterbouwkundige projecten aan de kust en door de scheepvaart.
Nauwkeurige voorspellingen van golfbewegingen in de Noordzee geven belangrijke informatie voor de scheepvaart, kustbescherming en offshore constructies. 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.
De huidige modellen geven wel veel details over de golfbewegingen, maar bieden weinig ruimte voor voorspellingen op plekken waar de natuurkundige principes niet altijd gelden. Onderzoekers van Deltares van Coastal Structures & Waves combineerden daarom de al bestaande proces gebaseerde modellen met de computer, via machine learning. Zo ontstond een nieuw, hybride model.
Snelheid en diepte golven
De huidige proces gebaseerde modellen om golfbewegingen te voorspellen zijn gebaseerd op natuurkundige principes. Die gaan uit 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 den Bieman, senior onderzoeker van Deltares.
Machine learning
“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 de natuurkunde moeilijk te modelleren is”, legt den Bieman uit.
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.
SWAN-model Noordzee
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. Hiermee neemt de nauwkeurigheid van de operationele golfvoorspellingen met een tijdshorizon van 48 uur significant toe”, aldus den Bieman.
Toepassingen
Het onderzoek toont aan dat het combineren van procesgebaseerde modellen en Machine Learning-modellen een veelbelovende toepassing is om snelle, betrouwbare golfvoorspellingen op te leveren. Doordat het hybride model een nauwkeuriger beeld geeft van weeromstandigheden en weercondities, kunnen scheepvaartbedrijven hiermee hun routes optimaliseren en offshore-projecten kunnen veiliger worden uitgevoerd.
Volgens de onderzoekers 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”, zegt Den Bieman.
