Smart AUVs for detection and quantification of greenhouse gas seepage in the oceans

Kartlegging av klimagasser i havet er en viktig men også svært krevende oppgave. Gassforekomster ved havbunnen har ofte naturlige årsaker som nedbryting av biologisk materiale, men de kan også stamme fra infrastruktur som olje- og gassledninger eller brønner. Karbonfangst og lagring (CCS) er en lovende teknologi for å redusere klimagassutslipp til atmosfæren ved å lagre CO2 i geologiske formasjoner offshore, samtidig er det viktig å verifisere at lagret CO2 ikke ender opp i havet. Autonome undervannsfarkoster (AUVer) er svært godt egnet til kartlegging av store havområder, og kan blant annet være utstyrt med en rekke kjemiske og akustiske sensorer for detaljert kartlegging både havbunnen og vannkollonnen. Per i dag er disse farkostene autonome i den forstand at de selv kan følge et forhåndsprogrammert kjøremønster og samle inn data til senere analyse og tolkning. Smart AUVs har som mål å gjøre disse farkostene enda bedre egnet til å finne og kartlegge klimagasser i havet, ved å ta i bruk avansert dataanalyse inkludert Artificial Intelligence (AI) slik at farkosten kan ta intelligente avgjørelser i sanntid basert på sensormålinger. På denne måten vil farkosten kontinuerlig optimalisere både kjøremønster og datainnsamlingsparametere slik at interessante funn blir kartlagt i detalj samtidig som farkosten ikke bruker unødvendig mye tid i områder hvor den ikke finner tegn til lekkasje. Dette vil bidra til langt mer effektiv og målrettet kartlegging, og mer verdifulle data. Prosjektet samler fagmiljøer innenfor anvendt matematikk, AI, signalbehandling, autonomi, CCS og oseanografi for å nå dette målet. En viktig del av prosjektet er utvikling av nye metoder og algoritmer både for deteksjon og kartlegging av CO2 og CH4 i havet, og strategier for hvordan farkosten bør bevege seg for optimal kartlegging av mulige lekkasjer. Som en del av prosjektet vil det gjennomføres omfattende sjøprøver i Oslofjorden med to prinsipielt ulike men kompletterende AUVer; HUGIN og Eelume. Så langt har prosjektet i WP1 gjennomført en studie for å kartlegge og beskrive hva slags lekkasjer man ønsker å fokusere på, og hvilke egenskaper disse har (lekkasjekildekilde, lekkasjerate, type utslipp, havdyp, mm). Videre har vi i WP2 simulert disse representative utslippene i høy oppløsning i både tid og rom, for å skape en forståelse av hvordan slike utslipp utarter seg i et realistisk havmiljø, og for å danne et omfattende simulert datagrunnlag for utvikling av intelligente algoritmer. Dette grunnlaget ble videre brukt i planleggingen av feltforsøk og datainnsamling med en AUV og med et forskningsfartøy. Våren 2024 gjennomførte vi omfattende kontrollerte utslipp på 70 meters havdyp, 450 meter fra land. Små til mellomstore mengder av CO2 og CH4 i gassform (bobler), ble sluppet ut ved havbunnen over en periode på 5 dager, ved å bruke en spesialdesignet lekkasjeramme som ble laget for formålet. Utslippet ble kontrollert fra land, og digitale flow målere ved utslippspunktet sikret full kontroll på utslippet. Under forsøkene ble en HUGIN AUV brukt til å kartlegge utslippene i detalj, både akustisk og kjemisk. AUV'en hadde i forkant blitt bygget om til formålet, med relevante kjemiske sensorer (CO2, CH4, O2, pH), i tillegg til akustiske sensorer (HISAS, EM2040 og EK80). EK80 sensoren brukes vanligvis innen fiskeri, og har ikke tidligere vært brukt på en HUGIN AUV på denne måten. Den ble tatt i bruk her fordi den har potensiale for å kvantisere gassutslipp akustisk. Selv om hovedmålet med årets feltforsøk var å undersøke ulike AUV kjøremønstre og deres egnethet for å kartlegge denne type utslipp, har vi også lagt grunnlaget for å teste ut adaptiv kjøring i 2025, dvs at AUV’en skal kunne bruke sensormålingene i sanntid til å optimalisere kjøremønsteret. En algoritme utviklet for automatisk deteksjon av gassbobler ved hjelp av EM2040 sonaren ble, som en del av prosjektet, optimalisert og integrert i HUGIN AUV’en slik at den kjørte i sanntid på en av HUGINs interne pc’er under datainnsamlingen. Det neste steget, som vi håper å ta i 2025, vil være å la output fra denne og andre algoritmer sende beskjeder til kontrollsystemet i HUGIN AUV'en, slik at AUVen kan danne en «forståelse» av side omgivelser og å ta intelligente avgjørelser deretter. I de planlagte feltforsøkene i 2025 håper vi også å ta i bruk en Eelume AUV i tillegg til HUGIN. Prosjektet har også hatt flere sommerstudender som har bidratt med dataanalyse og visualisering av data. Prosjektets to PhD studenter jobber med både akustisk deteksjon av lekkasjer, og med adaptiv path planning. Vi gleder oss til veien videre!

Monitoring the marine environment is a vital part of ensuring safe and sustainable marine operations and understanding the dynamics of the global carbon cycle. AUVs play a key role in marine monitoring because of their ability to cover large areas and use sensors tailored to the monitoring needs. Currently these vehicles have limited decision autonomy and therefore follow a pre-defined travel path. SmartAUVs will dramatically improve the monitoring capabilities of AUVs, by applying artificial intelligence (AI) in concert with specialized signal processing techniques to enable AUV decision autonomy, i.e., the ability to take intelligent action in real time based on sensor input. The aim of WPs 1 and 2 is to understand critical CO2/CH4 emission scenarios and simulate these to provide detailed knowledge about plume properties. These insights determine the desired AUV behaviour including travel path and sensor usage. In WP3 we develop intelligent algorithms for automatic leak detection; converting raw sensor data to information based on which the AUV can act (e.g., sonar data converted to information about seepage). In WP4 we develop AUV autonomy including situational awareness and optimized travel path. Algorithms for leak detection (WP3) and adaptive behaviour (WP4) will be implemented in the HUGIN AUV processing unit, and full autonomy demonstrated during field trials (WP5). The Eelume AUV will also be used during the field trials, and a basic level of decision autonomy developed and demonstrated. The HUGIN and Eelume AUVs have fundamentally different properties and complementary monitoring capabilities. SmartAUVs will contribute to improved monitoring of the oceans, which in turn will enable sound management of marine activities, strengthened confidence in safe CO2 storage, and insights into the amount of CH4 entering the oceans through natural- and industry related processes. Active industry engagement will enable efficient benefits realization.