Excitability of ocean rogue waves

Abstract

Achieving short-term predictions of rogue waves on the ocean is widely considered an important objective for offshore operations and shipping. At the start of the project, none of the available approaches and methods published or used could be considered satisfying. Prediction times were on the order of a minute or less. Probably the most important reason for this was the inability to integrate the wave amplitude dependent dispersion effects properly into a computating and simulation environment that is numerically efficient enough to have real-time capability. The present state-of-the-art was thus far below what was needed. Two key obstacles were to be overcome: First, from the available wave-state measurement data, initial or initial-boundary conditions had to be identified for the subsequent prediction process. Second, the prediction processes themselves needed to reach a substantially higher quality and numerical efficiency, if real-time capability was intended. Three research fields were to be connected for progress: (i) understanding the physics of rogue ocean waves, (ii) predicting the short-term occurrence of rogue ocean waves by numerical simulation, and (iii) employing data driven methods from artificial intelligence and machine learning in the context of rogue ocean waves. In the project we succeeded to integrate the three fields of knowledge and methods to develop novel hybrid approaches. The project aimed at studying optimised combinations of all three fields mentioned to push the boundary of how one can achieve predictions closer to the theoretically possible horizon of predictability. The objectives have been reached. By combinations of wave physics, advanced numerical simulation, and data driven methods novel algorithms and approaches have been developed which allow an improvement of the achievable prediction horizon by at least one order or magnitude. This implies a sufficient accuracy in terms of amplitude and phase error of the prediction within the desired time frame. The achievement is based on mainly two streams of work. First, methods based on physical evolution equations were approached by traditional discretization based numerical schemes in combination with methods to deal with sparse data, as it results from typical wave observation techniques, like marine radars or buoys. Second, physics-informed methods of machine learning were developed to efficiently tackle the nonlinear wave evolution problem of surface gravity waves. Both approaches now enable viable predictions of ocean waves, including the rare and extreme ocean rogue waves. We expect that the new methods will serve as starting points for even more advanced ocean wave prediction tools, and we expect the methods to find wide applicability in many fields of offshore and maritime engineering, like sea-keeping, ship routing, early warning to evacuate dangerous zones on ships or platforms, construction of offshore wind plants or ocean wave energy harvesters. Die Entwicklung von Vorhersagen zeitnah bevorstehender extremer Meereswellen ist ein wichtiges Ziel für Schifffahrt und Meerestechnik. Die zu Projektbeginn vorliegenden Vorhersagemethoden bildeten den Seegang bestenfalls der folgenden Minute zufriedenstellend ab. Ursächlich hierfür waren Schwierigkeiten bei der Berücksichtigung amplitudenabhängiger Dispersionseffekte im Modell, bei gleichzeitiger Echtzeitfähigkeit des Simulationsverfahrens. Die Vorhersage von Seegang als chaotisches System ist zudem sehr empfindlich gegenüber Fehlern, Ungenauigkeiten und Unsicherheiten in den Messdaten von Anfangsbedingungen, die anschließend in die Vorhersageverfahren eingehen. Wellenphysikalische Studien legen nahe, dass Vorhersagen bis zu etwa 10 Minuten, je nach Seegangszustand auch deutlich darüber hinaus, möglich sein sollten. Um hinreichend genauer Vorhersagen für einen derartigen Zeitraum darzustellen, sind jedoch zwei Hindernisse zu bewältigen. Zunächst müssen die Verfahren zur Identifikation des Anfangsseegangs aus den Messdaten verbessert werden. Dann ist der Rechenzeitbedarf für die Prognosen so zu minimieren, dass die Vorhersagen tatsächlich rechtzeitig vorliegen, idealerweise in nahezu Echtzeit bereits kurz nach Vorliegen der Messdaten. Im vorliegenden Projekt wurden drei Themenbereiche verbunden, um dieses Ziel zu erreichen: (i) Nichtlineare Wellenphysik, (ii) numerische Wellenfeldsimulation, und (iii) datenbasierte Verfahren des maschinellen Lernens und der künstlichen Intelligenz. Die Vision des Projekts bestand in einer geeigneten Kombination und Gewichtung von Verfahren der drei Domänen, sodass Vorhersagezeiten von fünf bis zehn Minuten, bei einem hinreichend kleinen Amplituden- und Phasenfehler möglich sind. Die gesteckten Ziele wurden erreicht. Einerseits gelang es, diskretisierungsbasierte Lösungsverfahren der physikbasierten Bewegungsgleichungen nichtlinearer Meereswellen auf so auf die verfügbaren Daten anzupassen, dass die Berechnungsgeschwindigkeiten um mehr als eine Größenordnung gesteigert werden konnten. Andererseits wurde in einem parallelen Untersuchungsstrang gezeigt, wie physikgestützte Verfahren des maschinellen Lernens, als einer Untergruppe von Verfahren der künstlichen Intelligenz, für die Erfassung und Vorausberechnung realistischer Seegangszustände verwendet werden können. Die so entwickelten Berechnungsverfahren erfassen neben üblichen Seegängen auch die manchmal als Monsterwellen bezeichneten extremen Wellenzustände. Wir erwarten, dass die entwickelten Methoden Ausgangspunkt für weitere Arbeiten der numerischen Wellenberechnung sein werden und Niederschlag in einer Reihe von Anwendungsfeldern finden. Beispielsweise bei der Schiffsführung, der Routenplanung, dem Bau und Betrieb von Offshore-Anlagen wie Windkraftwerken, Meeresenergieanlagen, aber auch bei Rettungsoperationen wie Hubschrauberlandungen auf Schiffen in schwerer See.