Predicting Lithology in Mineral Systems

Utforskning og utvinning av dyphavsmineraler vokser frem som en industri på norsk kontinentalsokkel. Kunnskapen og tilgjengelige data om geologien i de øvre lag av havbunnen i dyphavet, den geologiske sammenhengen hvor mineralforekomster finnes, er imidlertid svært begrenset. Hovedmålet med dette prosjektet er å utvikle en maskinlæringsmodell for å predikere geologi i dyphavsmiljøer. Mens kunnskapen og vitenskapelige datasett om marine mineralsystemer på norsk sokkel fortsatt er begrenset, er store mengder data for analoge geologiske miljø tilgjengelig. Ved å utvikle og trene maskinlæringsalgoritmer på eksisterende analoge data, vil den geologiske forståelsen av dyphavsgeologi, og dermed også mineralsystemer, forbedres. Mineralforekomster på norsk sokkel er imidlertid gjenstand for betydelig ressurs- og miljøusikkerhet. Dette ph.d.-prosjektet tar sikte på å tette kunnskapshull, og å redusere usikkerheten som i dag påvirker både næringen og den offentlige debatten om temaet. Historisk sett har geologisk datainnsamling på kontinentalsokkelen vært drevet frem av olje- og gassindustrien i Norge. Men ettersom fokus nå skifter mot bærekraft, er det et kritisk behov å prioritere data for initiativer innen grønnere alternativer. Forskningen vil spesifikt rette seg mot den geologiske sonen mellom havbunnen og 200 meter nedover, med overgang fra tradisjonelle dype petroleums ressurser til mineralogiske overflate- og overflatenære avsetninger. Kunnskapen fra Ph.D. prosjektet vil muliggjøre raskere og mer informerte beslutningsprosesser. Som sådan, har dette prosjektet som mål å forbedre utnyttelsen og analysen av en rekke datatyper for å bedre beslutningstaking i overgangen fra olje- og gassindustrien til en grønnere økonomi. Dette vil være av verdi for den fremvoksende norske dyphavsmineralindustrien, en industri som potensielt vil ha nasjonal og global innvirkning.

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.