Utforskning og utvinning av dyphavsmineraler vokser frem som en mulig industri på norsk kontinentalsokkel. Kunnskapen om geologien i de øvre lagene av havbunnen, og de geologiske sammenhengene hvor mineralforekomster finnes, er imidlertid fortsatt begrenset. For å fylle disse kunnskapshullene trengs nye metoder for å samle inn og tolke data fra havbunnen.
Dette doktorgradsprosjektet undersøker hvordan kunstig intelligens kan brukes til å forbedre datainnsamlingen i dyphavsmiljøer. Spesielt utvikles metoder innen reinforcement learning (forsterkende læring), hvor en algoritme lærer å ta beslutninger gjennom prøving og feiling. Her benyttes en hierarkisk tilnærming: et overordnet lag kan foreslå delmål, mens et utførende lag finner konkrete handlinger for å oppnå dem. På denne måten kan komplekse oppgaver brytes ned i enklere deler.
Et eksempel er styring av autonome undervannsfarkoster (AUV-er) som utforsker havbunnen.Ved å kombinere hierarkisk læring med moderne sensorteknologi kan AUV-er i større grad tilpasse seg varierende miljøforhold og uforutsigbarhet i terrenget. Dette kan bidra til mer målrettet og robust innsamling av data, og dermed styrke kunnskapsgrunnlaget om dyphavsgeologien på norsk sokkel.
Historisk sett har geologisk datainnsamling på kontinentalsokkelen vært drevet av olje- og gassindustrien. I dag står Norge overfor en mulig overgang mot nye ressurser og mer bærekraftige alternativer. Forskningen i dette prosjektet utvikler digitale metoder som kan støtte en slik omstilling, ved å legge til rette for raskere og mer informerte beslutningsprosesser. Dette kan være verdifullt for både forskning, forvaltning og samfunnsdebatt knyttet til dyphavsmineraler.
Deep sea minerals exploration on the Norwegian Continental Shelf (NCS) is gaining traction, with the first licensing round expected to award licenses in Q1 2025. This emerging industry faces significant scientific, resource, and environmental uncertainties. This project aims to address these knowledge gaps and reduce uncertainties affecting the industry and public debate. The primary goal is to develop a prediction model for shallow lithology in deep-sea environments using machine learning. Although datasets on marine mineral systems on the NCS are limited, extensive analogous geological data exist. Training machine learning algorithms on this data will enhance the geological understanding of deep-sea lithology and mineral systems. As new data from NCS exploration emerges, the model will be refined and validated.
The project will leverage various geospatial datasets, including surface data, structural elements, raster data, geophysical datasets, and well data. The research will focus on the shallow lithological zone down to 200 meters below the seabed.
A secondary objective is to establish robust data protocols to ensure transparency, integrity, and reliability. As deep-sea mining is an emerging industry, inconsistent data standards hinder effective cross-industry data utilisation. The project will develop methods for combining geomorphological, geological, and geophysical data, promoting innovative data recycling to minimise environmental impact and reduce costs.
The PhD candidate will work with Adepth and have access to their data and networks, and data from sources like the Norwegian Offshore Directorate and Geological Survey of Norway. The research aims to publish three peer-reviewed articles on data representation methods, a cross-disciplinary study on machine learning for surface data, and a model for sub-surface data. Overall, the project aims to advance the understanding of deep-sea minerals, improving exploration efficiency and sustainability.
