Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Next Minutes prediction system for ocean waves and vessel motions based on physics-informed neural networks

Alternativ tittel: Neste minutters prediksjon av havbølger og fartøysbevegelser basert på fysikkbaserte nevrale nettverk.

Tildelt: kr 12,0 mill.

Havbølgedynamikk er den største utfordringen for alle operasjoner til sjøs. Marine operasjoner som dynamisk posisjonering (DP), offshore kranoperasjoner, subsea operasjoner og installasjon og service av vindparker, og sjøtransport er komplekse operasjoner som er svært følsomme for havbølgedynamikk. Hovedmålet med dette prosjektet er å bruke fysikkbaserte nevrale nettverk for å videreutvikle og forbedre neste minutters prediksjon av havbølger, bølgekrefter og fartøybevegelser ved bruk av navigasjonsradaren på fartøyene. Det viktigste er å øke nøyaktighet, pålitelighet og prediksjonstid for høyere og mer komplekse bølgetilstander. Vi vil utvikle verdens første prediksjonssystem for neste minutters bølger og fartøysbevegelser, kun ved bruk av eksisterende navigasjonsradarer, grundig testet og klare til å bli kommersialisert til nye produkter og tjenester. Ved å utvikle automatisk kalibrering vil kun programvareinstallasjon være nødvendig. For å sjekke og videreutvikle prediksjonssystemet, vil de innkommende bølgene bli målt med MIROS-bølgeradaren som allerede er installert i baugen på DOF-fartøyene Skandi Africa og Skandi Vega. De predikterte fartøysbevegelsene vil bli målt av Kongsberg MRU (Motion Response unit) systemet ombord. NORCE har i samarbeid med MIT Ocean Research allerede utviklet RIMARC-systemet (Radar IMAge ReConstruction and wave prediction) som er i stand til å prediktere bølger og fartøybevegelser i 4-8 minutter fram i tid fra navigasjonsradaren ombord for DP (Dynamisk Posisjonering) når fartøyet er i ro. Den største utfordringen i dette prosjektet er å forutsi neste minutts bølge- og fartøybevegelse også for friseilingsoperasjoner. Systemet kan i fremtiden også videreutvikles for raskt å lære et fartøy med fysikkbasert maskinlæring selv å operere optimalt i sjøgang, både med tanke på sikkerhet, effektivitet og komfort. Dette er et nødvendig skritt mot utvikling av autonome fartøy og operasjoner.

Ocean wave dynamics is the main challenge for all ocean operations. Ocean operations nowadays are based on subjective assessments due to lack of sufficient wave pattern data. Marine operations such as dynamic positioning (DP), offshore crane operations, subsea and wind farm installation and service, and sea transportation are complex operations which are highly sensitive to ocean wave dynamics. At the same time artificial intelligence (AI) methodologies have shown the power to transform large volumes of sensor data from this complex environment into detailed real-time information and actionable knowledge. NORCE has in cooperation with MIT Ocean Research newly developed the RIMARC (Radar IMAge ReConstruction and wave prediction) system capable of forecasting deterministic (i.e. phase-resolved) wave and vessel motions in real-time 4-8 minutes in advance from standard onboard X-band navigation radars for DP under standstill operations. However, the existing linear models cannot predict high wave steepness accurately, and the advanced nonlinear higher-order models require too long computation time to be used onboard operating vessels. Then, in this project we will develop new physics-informed neural networks (PINN) based prediction methods that incorporate physical equations to perform next minutes prediction of ocean wave pattern, wave forces and vessel motions in real-time. The most critical R&D challenges is to be able to develop a system to be of practical use. Then the prediction systems must be accurate, robust and reliable. An even greater challenge is to predict next minutes wave and vessel motion also for free sailing operations. Because we already have developed the RIMARC software for next minutes prediction of waves, that already shows good correlation with full-scale testing in DP (standstill) mode, a prediction model with very high accuracy and reliability is expected to be developed by using new PINN methods.

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon