Kunstmatige intelligentie voorspelt warmte-uitwisseling boven zee net zo goed als klassieke natuurkunde
Je fietst langs de kust en voelt de wind vanaf zee. Wat je niet ziet: boven het water vindt voortdurend een uitwisseling plaats van warmte en beweging tussen de zee en de lucht erboven. Die uitwisseling is cruciaal voor weersvoorspellingen, klimaatmodellen en de bouw van windmolenparken op zee. Een onderzoeksteam onderzocht of computers, getraind met kunstmatige intelligentie, deze uitwisseling beter kunnen voorspellen dan de bestaande natuurkundige formules.
Tot nu toe gebruiken wetenschappers vaste wiskundige formules om te berekenen hoeveel warmte en windkracht er tussen zee en lucht wordt uitgewisseld. Deze formules, waarvan COARE-3 de bekendste is voor zee-omgevingen, zijn gebaseerd op decennia aan natuurkundig onderzoek. Maar ze zijn niet perfect: de werkelijkheid is complexer dan één formule kan vangen.
Het onderzoeksteam gebruikte meetgegevens van drie meetlocaties op zee: een toren bij Martha's Vineyard in de Verenigde Staten, een onderzoeksplatform genaamd FINO1 in de Noordzee, en een onderzoeksschip voor de kust van Californië. Op basis van die metingen trainden ze twee soorten zelflerende computermodellen: neurale netwerken (een systeem dat patronen leert herkennen, vergelijkbaar met hoe hersenen werken) en zogeheten random forests (een methode die met veel losse beslisbomen tot een gemiddelde voorspelling komt).
De resultaten zijn opvallend. Voor het voorspellen van warmte-uitwisseling deden de zelflerende modellen het op de meeste manieren beter dan de klassieke formule. Voor windkracht-uitwisseling was het beeld wisselender: alleen bij de locatie met de meeste meetgegevens, Martha's Vineyard, presteerde het model beter dan de klassieke formule. Toen de onderzoekers dat model toepasten op de andere twee locaties, werden de voorspellingen juist minder nauwkeurig dan wanneer je een model gebruikt dat op de lokale data zelf getraind is.
Een positieve uitkomst: toen de onderzoekers gegevens van alle drie de locaties samenvoegden om één groter model te trainen, verbeterden de voorspellingen juist voor de locaties die weinig eigen meetgegevens hadden. Windsnelheid bleek de belangrijkste factor voor het voorspellen van windkracht-uitwisseling. Voor warmte-uitwisseling was het temperatuurverschil tussen verschillende hoogtes boven het water het meest bepalend.
Wat betekent dit (nog) niet: Dit is één onderzoek, geen definitieve doorbraak. De zelflerende modellen zijn getraind op specifieke locaties en werken niet automatisch overal even goed. Ze vervangen de bestaande natuurkundige formules dus nog niet in klimaatmodellen wereldwijd. Er is meer meetdata van meer locaties nodig om te bepalen of deze aanpak breed inzetbaar is, bijvoorbeeld voor de planning van windparken op zee.
Voor de praktijk is dit onderzoek vooral relevant voor de ontwikkeling van offshore windenergie en het verbeteren van klimaat- en weermodellen. Nauwkeurigere voorspellingen van warmte- en windkrachtuitwisseling boven zee helpen bijvoorbeeld bij het inschatten van hoeveel energie windmolens op zee kunnen opwekken.
Bron: Developing an Offshore Machine Learning Surface Layer Scheme