Motivation: verbesserte Seegangsprognosen recheneffizient erzeugen um operative Entscheidungen zu unterstützen

Der geplante Rückbau des ersten deutschen Offshore-Windparks alpha ventus während der Projektlaufzeit bietet eine einmalige Gelegenheit für praxisorientierte Forschung zum gesamten Lebenszyklus von Offshore-Windparks. Gleichzeitig stellen Errichtung, Betrieb und Rückbau solcher Anlagen hohe betriebliche und logistische Anforderungen an die Planung und Durchführung von Offshore-Operationen.

Numerische Wellenmodelle bilden heute die Grundlage vieler maritimer Vorhersagesysteme. Ihre Genauigkeit wird jedoch durch Unsicherheiten in den Eingangsgrößen (z. B. Windfelder), durch vereinfachte physikalische Annahmen sowie durch begrenzte räumliche Auflösung beeinflusst. Insbesondere in küstennahen Gebieten oder bei komplexen hydrodynamischen Bedingungen können daher Abweichungen zwischen Modellvorhersagen und tatsächlichen Seegangsbedingungen auftreten. Für operative Anwendungen wie Wartungsarbeiten, Installationen oder Rückbauoperationen ist eine möglichst zuverlässige Einschätzung der Seegangsbedingungen jedoch von zentraler Bedeutung.

Im Rahmen des vorherigen Forschungsprojekts OpenRAVE (FKZ: 03EE3009C) wurde daher ein Verfahren entwickelt, das die Vorteile flächendeckender numerischer Modelle mit in-situ Seegangsmessungen kombiniert. Hierbei werden die vom Deutschen Wetterdienst im Seegangs-Vorhersagesystem (SVS) berechneten Prognosen mit den Messdaten des Seegangsmonitoringnetzes des Bundesamts für Seeschifffahrt und Hydrographie (BSH) abgeglichen und angepasst. Auf dieser Grundlage werden für die Deutsche Bucht angepasste Übersichtskarten des Seegangs erstellt, die derzeit in halbstündlicher Aktualisierung öffentlich (hier) bereitgestellt werden.

Im Projekt finalRAVE-ML wird dieser Ansatz weiterentwickelt. Ziel ist es, datengetriebene Modellierungsansätze auf Basis von Machine-Learning- und Deep-Learning-Methoden zu untersuchen. Diese Methoden bieten das Potenzial, räumliche und zeitliche Zusammenhänge in großen Datensätzen effizient zu erfassen und Vorhersagen recheneffizient zu erzeugen. Dadurch können bestehende numerische Modelle ergänzt und die Bereitstellung von Seegangsprognosen für operative Anwendungen – etwa bei Wartungs- oder Rückbauarbeiten – weiter verbessert werden. Eine wichtige Grundlage hierfür ist die Integration qualitätsgesicherter Messdaten aus Offshore-Windparks, die eine verbesserte Entscheidungsgrundlage für Offshore-Operationen ermöglichen.

Messdaten, Modellierung und Modellabgleich

Im Projekt werden Messdaten, numerische Modellinformationen und datengetriebene Modellansätze in einer gemeinsamen Analysepipeline zusammengeführt. Ziel ist es, aus heterogenen Datenquellen konsistente Datensätze zu erzeugen und diese für die Entwicklung neuer Seegangsmodelle nutzbar zu machen.

MessDaten

Für die Analysen werden verschiedene Datensätze kombiniert, darunter:

• Seegangsmessungen von Bojen und Wellenradar (1D/2D)
• Strömungsprofile aus ADCP-Messungen
• Winddaten der FINO-Forschungsplattformen
• numerische Seegangsmodelle (z. B. CMEMS, CWAM, EWAM)

Dateninfrastruktur

Die Daten werden in einer skalierbaren Dateninfrastruktur verarbeitet und bereitgestellt. Hierfür wird eine containerisierte Umgebung auf Basis von Docker mit einer SQL-basierten Datenbank eingesetzt. Diese Architektur ermöglicht

• die strukturierte Speicherung großer Mess- und Modelldatensätze
• eine automatisierte Verarbeitung und Aktualisierung der Daten
• die flexible Integration zusätzlicher Datenquellen
• reproduzierbare Analysen für wissenschaftliche Anwendungen

Modellierung und Nowcasting

Auf dieser Datengrundlage werden datengetriebene Modellansätze zur Beschreibung des Seegangs untersucht. Aktuell wird ein Random-Forest-Regressionsmodell eingesetzt, das numerische Modellfelder effizient auf ein räumliches Gitter übertragen kann und bereits vielversprechende Ergebnisse für ein flächiges Nowcasting liefert.

Darüber hinaus werden hybride Deep-Learning-Ansätze untersucht, insbesondere Kombinationen aus Graph Neural Networks und LSTM (GNN-LSTM) sowie CNN-LSTM-Architekturen, um räumliche und zeitliche Abhängigkeiten gemeinsam abzubilden. Diese Modelle befinden sich derzeit noch in einer frühen Entwicklungsphase und werden hinsichtlich ihrer Eignung für operationelle Anwendungen evaluiert.

Validierung anhand realer Offshore-Einsätze

Zur Bewertung der Modellansätze werden vertikale Beschleunigungen auf Offshore-Arbeitsschiffen gemessen. Hierfür werden Messboxen auf Crew Transfer Vessels (CTV) und ggf. Service Operation Vessels (SOV) installiert, die während regulärer Einsätze in Offshore-Windparks eingesetzt werden.

Die gemessenen Schiffsbewegungen ermöglichen es, die modellierten Seegangsbedingungen mit den tatsächlich auftretenden Belastungen während realer Offshore-Operationen zu vergleichen. Dadurch kann untersucht werden, inwieweit die entwickelten Modelle die für Offshore-Logistik relevanten Seegangsbedingungen realitätsnah abbilden.

Diese Validierung schafft einen direkten Bezug zwischen Seegangsmodellierung und operativer Anwendung, beispielsweise bei der Planung von Wartungsarbeiten, Transporten oder zukünftigen Rückbauoperationen in Offshore-Windparks.

Realisierung

• Projektlaufzeit: 01.06.2025 – 31.05.2028.
• Iterative Entwicklung mit fortlaufender Validierung und Benchmarking.
• Enge Zusammenarbeit mit BSH, DNV und IWES für Messdatenerhebung, Modellintegration, Praxistests und Vernetzung
• Wissenschaftliche Verwertung über Publikationen, Konferenzen (z. B. OMAE, ICCE) und Workshops mit Industrie und Behörden.