In zee met machine learning

Interview | Joost den Bieman, senior researcher bij Coastal Structures & Waves van Deltares

Voor de scheepvaart en tal van waterbouwkundige projecten, zoals het plaatsen van windturbines op zee, spelen de golfbewegingen een rol. Deskundigen van onderzoeksinstituut Deltares in Delft zijn dankzij machine learning in staat de golfbewegingen te voorspellen.

Golfbewegingen zijn de optelsom van wind, deining, stromingen en zelfs aardbevingen (denk aan tsunami’s). Windgolven komen het meest voor. Ze worden veroorzaakt door de wind die over het wateroppervlak jaagt. De hoogte van de golven wordt bepaald door de windsnelheid, duur van de wind en afstand die de wind over zee aflegt. Getijdegolven ontstaan door de aantrekkingskracht van aarde en maan op de watermassa. Deze golven hebben een langere golflengte dan windgolven en kunnen zich over grote afstanden verplaatsen. Het is, kortom, een klus om met zoveel variabelen te kunnen voorspellen hoe de zee zich op een bepaald moment zal gedragen.

Die voorspellingen zijn evenwel nuttig, vertelt Joost den Bieman, senior researcher bij Coastal Structures & Waves van Deltares. Snelle, accurate golfvoorspellingen leveren waardevolle informatie op voor de scheepvaart, kustbescherming en offshore-constructies. ‘Hiermee kun je veel beter je werkbare dagen plannen en getijpoorten voor schepen voorspellen. Snelle, nauwkeurige data betekenen een betere workflow en minder risico op schade aan installaties en schepen. Dat is dus winst.’

Complexe patronen

Traditioneel worden procesgebaseerde modellen gebruikt om golfbewegingen te simuleren. Deze modellen zijn gebaseerd op natuurkundige principes 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 gedetailleerde informatie op over golfbewegingen. Maar ze hebben ook hun beperkingen’, zegt Den Bieman. ‘Om de golfvoorspellingen in de Noordzee nog een slag beter te krijgen, combineren we deze met machine learning-modellen.’ Hiermee is de afgelopen jaren grote 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 fysica moeilijk te modelleren is.

Beste van twee werelden

Het doel van het onderzoek is volgens Den Bieman om het beste van twee werelden te combineren. Het team van experts heeft hiervoor een hybride modellering gebruikt. In de testfase van hun onderzoek voerden ze een slimme integratie van beide modellen uit: de nauwkeurige fysische principes van de procesgebaseerde modellen én de sterke voorspellingskracht van de machine learning-modellen. ‘Deze modellen kunnen complexe trends en relaties identificeren in grote datasets, die niet altijd makkelijk zijn te modelleren met traditionele, fysische modellen. We trainen het machine learning-model met een uitgebreide dataset van historische golfobservaties en -voorspellingen.’

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.

Het hybride model is vergeleken met het afzonderlijke SWAN-model (Simulating Waves Nearshore). Dit is het type golfmodel, dat onder andere voor de Noordzee wordt gebruikt en is opgesteld door Rijkswaterstaat en Deltares. In de praktijk wordt nu dit model gebruikt.

Uit experimenten komt naar voren dat het hybride model superieure prestaties levert. ‘Dit model maakt circa dertig tot veertig procent minder fouten in de voorspelling’, zegt Den Bieman. ‘Hiermee neemt de nauwkeurigheid van de operationele golfvoorspellingen met een tijdshorizon van 48 uur significant toe.’

Veelbelovende toepassing

Volgens Den Bieman toont hun onderzoek aan dat het combineren van procesgebaseerde modellen en machine learning-modellen een veelbelovende toepassing is om snelle, betrouwbare golfvoorspellingen op te leveren.‘Het hybride model stelt ons in staat om meer inzicht te krijgen in complexe golfgedragingen. Tegelijkertijd levert het model snelle en nauwkeurige voorspellingen van actuele omstandigheden en weercondities. Scheepvaartbedrijven kunnen hiermee hun routes optimaliseren en offshore-projecten worden veiliger uitgevoerd.

Den Bieman vindt dat het noodzakelijk is om het hybride model verder te ontwikkelen en verfijnen. ‘Machine learning modellen zijn datagedreven, dus hoe meer relevante data beschikbaar zijn om te trainen, hoe beter.’ Hij geeft aan dat dit ook geldt voor de golfdataset. ‘Je kunt bijvoorbeeld elk jaar het machine learning-model ‘hertrainen’. Dit levert een extra jaar aan data op.’

Kinderschoenen

Het hybride modelleren staat nog in de kinderschoenen. Volgens Den Bieman 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.’

De data die het team van Den Bieman hebben gebruikt om het machine learning-model te voeden, zijn afkomstig van veertien boeien die Rijkswaterstaat langs de Nederlandse kust heeft liggen. ‘Wij zijn nu bezig om het machine learning-model te integreren in het SWAN-model’, legt de onderzoeker uit. ‘Als het meezit, is dat eind dit jaar, begin volgend jaar klaar. Op dat moment is er een model beschikbaar dat in de praktijk is toe te passen. Zo brengen we het van theorie naar praktijk.’

In beginsel is de vinding van Deltares geschikt voor de Noordzee. Maar eigenlijk is het overal ter wereld zinvol om golfbewegingen te voorspellen. ‘Wij hebben geen rechtstreekse, internationale contacten over dit onderzoek. Maar iedereen die beschikt over een procesgebaseerd model – zoals SWAN – en boeien die data verzamelen, kan machine learning toepassen om het model te verbeteren. Je zou eventueel ook satellietdata kunnen gebruiken als die golfbewegingen weergeven.’