Empirical Study and Modelling of Sea-Spray Parameters for Robust Marine Icing Estimation

Abstract

Sea-spray icing poses a significant risk to maritime operations in Arctic and sub-Arctic regions, threatening the stability, safety, and efficiency of vessels and offshore structures. Current icing estimation models are constrained by limited data and are often tailored to specific vessels or structures. A critical challenge lies in accurately estimating spray flux, which is the amount of water available for freezing. While the freezing fraction is well-researched, spray flux estimation relies on field data that is challenging to collect due to extreme weather and the absence of standardized equipment. This research addresses these limitations by focusing on the development of specialized equipment, collection of field data, and enhancement of estimation models. Two novel devices, the "SPRICE sea-spray collector" (a catching-type collector inspired by the cyclone separator principle) and the "SPRICE sea-spray sensor" (a high-resolution capacitive sensor), were developed to measure spray flux, frequency, and duration. These devices were tested at a fish farm in Northern Norway under real-world conditions, yielding valuable field data. Classical statistical and machine learning models were developed using this data to accurately estimate spray parameters, including spray frequency and duration, forming a more reliable foundation for spray flux estimation. Additionally, to tackle the challenges of limited field data availability, synthetic data generation was explored using generative machine learning models, resulting in enhanced model robustness. This research demonstrates that the innovative equipment and data-driven approaches hold significant potential to improve the reliability of spray flux estimation, effectively addressing critical gaps in marine icing models. These advancements can contribute to improved safety and operational efficiency of maritime operations in cold regions.

Sjøsprøyt-islegging utgjør en betydelig risiko for maritime operasjoner i Arktis og subarktiske områder, og truer stabiliteten, sikkerheten og effektiviteten til fartøy og offshore-strukturer. Eksisterende isleggingsmodeller er begrenset av utilstrekkelig data og er ofte tilpasset spesifikke fartøyer eller strukturer. En kritisk utfordring er nøyaktig estimering av sprøytfluks, som er mengden vann tilgjengelig for frysing. Selv om frysefraksjonen er godt utforsket, er estimering av sprøytfluks avhengig av feltdata som er utfordrende å samle inn på grunn av ekstreme værforhold og mangel på standardisert utstyr. Denne forskningen adresserer disse begrensningene ved å fokusere på utvikling av spesialisert utstyr, innsamling av feltdata og forbedring av estimeringsmodeller. To nye enheter, "SPRICE sjøsprøytsamler" (en fangsttype samler inspirert av syklonseparatorprinsippet) og "SPRICE sjøsprøytsensor" (en høyoppløselig kapasitiv sensor), ble utviklet for å måle sprøytfluks, frekvens og varighet. Disse enhetene ble testet på et oppdrettsanlegg i Nord-Norge under reelle forhold, og ga verdifulle feltdata. Klassiske statistiske og maskinlæringsmodeller ble utviklet ved bruk av disse dataene for nøyaktig å estimere sprøytparametere, inkludert sprøytfrekvens og varighet, noe som dannet et mer pålitelig grunnlag for sprøytfluksestimering. I tillegg, for å håndtere utfordringene knyttet til begrenset tilgjengelighet av feltdata, ble syntetisk datagenerering utforsket ved hjelp av generative maskinlæringsmodeller, noe som resulterte i forbedret modellrobusthet. Denne forskningen viser at det innovative utstyret og de data-drevne tilnærmingene har betydelig potensial til å forbedre påliteligheten av sprøytfluksestimering og effektivt adressere kritiske mangler i modeller for isleggingsprediksjon. Disse fremskrittene kan bidra til økt sikkerhet og operasjonell effektivitet i maritime operasjoner i kalde regioner.