AI mod korrosion: Ny frontlinje i dansk shipping

Korrosion lyder måske som et teknisk nicheproblem, men for rederier og maritime aktører er det en af de mest omkostningstunge fjender ombord. I en tid, hvor stålpriser, CO₂-krav og bemandingspres alle peger den forkerte vej, kan rust på den forkerte plads hurtigt blive til millioner i ekstra omkostninger og unødvendig downtime.

I denne artikel i serien “AI i Dansk Shipping og Maritim Industri” dykker vi ned i, hvordan internationale aktører som Ardmore Shipping tager næste skridt og implementerer AI‑baserede systemer til overvågning af korrosion i hele flåden – og hvad danske rederier, værfter og tekniske afdelinger konkret kan lære af det.

Vi ser på, hvordan AI‑drevne korrosionsløsninger fungerer, hvorfor de er særligt relevante for en dansk kontekst i slutningen af 2025, og hvordan du kan bruge samme principper til at skære i vedligeholdelsesomkostninger, forlænge stålets levetid og styrke både sikkerhed og bæredygtighed.

Hvorfor korrosion er det perfekte problem for AI

Den skjulte milliard-regning i stål

Korrosion er ikke bare lidt overfladerust. For den globale maritime sektor løber regningen årligt op i milliarder af kroner i:

• ekstra dokophold og reparationer
• uplanlagte off‑hire‑perioder
• tykkelsesmålinger og manuelle inspektioner
• accelereret udskiftning af stål og coating

For et typisk tankskib eller bulkcarrier kan korrosionsrelaterede omkostninger over skibets levetid uden videre løbe op i tocifrede millionbeløb. Samtidig bliver kravene til strukturintegritet, klasseregler og dokumentation ikke mildere.

Netop derfor er korrosion et oplagt område for AI:

• Der findes store mængder historiske data (inspektionsrapporter, ultralydsmålinger, fotos, coating‑data).
• Fysiske sammenhænge (fugt, temperatur, lasttyper, alder, design) kan modelleres statistisk.
• Manuelle inspektioner er dyre, risikofyldte og ofte subjektive.

AI kan sætte struktur på alt dette – og levere tidlige advarsler, objektive vurderinger og konkrete anbefalinger til vedligeholdelsesteams.

Fra stikkontrol til kontinuerlig overvågning

Hvor man traditionelt har arbejdet med periodiske surveys og manuelle visuelle tjek, går udviklingen nu mod kontinuerlig overvågning af stålets tilstand:

• Fixed sensorer i tanke, kahytter og kritiske sektioner
• Droner og crawlers med kameraer og ultralyd
• Besætningsfotos og video, som uploades til en AI‑platform
• Sammenkobling med lastdata, vejrinformationer og vedligeholdelseshistorik

Her er det, at aktører som Ardmore Shipping og teknologileverandører som fx SteelCorr (fra RSS‑kategorien) viser vejen: Ved at koble AI‑billedgenkendelse med data om skib og drift kan man få et live‑billede af, hvor korrosionsrisikoen er størst – og hvordan den udvikler sig.

Sådan fungerer et AI‑system til korrosionsovervågning

Data ind, indsigt ud

Et moderne AI‑system til korrosionsmonitorering i flåder består typisk af fire lag:

1. Datainhentning

   • Fotos og video taget af inspektører eller besætning
   • Billeder fra droner/robotter i tanke og lastrum
   • Tykkelsesmålinger (UTM) og coating‑rapporter
   • Miljø- og driftsdata (vandballast, luftfugtighed, lasttype, temperatur)

2. AI‑analyse

   • Computer vision identificerer rust, blærer, afskalning og revner
   • Modeller estimerer sværhedsgrad og udbredelse
   • Algoritmer forudser udvikling: Hvordan ser dette område ud om 6, 12 eller 24 måneder?

3. Beslutningsstøtte

   • Prioriteringslister: Hvilke områder skal tages først?
   • Forslag til vedligeholdelsesstrategi (spot repair vs. større ståludskiftning)
   • Planlægning op mod dokophold og trading‑mønstre

4. Fleet‑overview

   • Dashboard med risikostatus for hele flåden
   • Benchmark mellem skibe, klasser og designs
   • Rapportering til ledelse, klasse og forsikring

Resultatet er, at tekniske chefer og superintendents kan agere proaktivt i stedet for at reagere på dårlige overraskelser i dokken.

Fra Ardmore til danske farvande – hvad er overførbart?

Selv om detaljer fra Ardmore Shippings konkrete løsning ikke er offentligt tilgængelige, kan vi med stor sandsynlighed sige, at systemet rummer:

• En central cloud‑platform, der samler data fra alle skibe
• Standardiserede workflows for inspektion (fx hvilke billeder der skal tages hvor og hvornår)
• En AI‑model, som er trænet på tusindvis af billeder af korrosion i forskellige stadier
• Integration til eksisterende Planned Maintenance Systems (PMS)

For danske rederier – uanset om fokus er tank, bulk, container, offshore service eller færger – er principperne de samme. Det afgørende er disciplineret dataindsamling og et klart billede af, hvordan AI‑indsigterne omsættes til konkret handling i teknisk afdeling.

Gevinster for danske rederier, værfter og havne

1. Økonomi: Færre overraskelser, bedre budgetter

AI‑understøttet korrosionsmonitorering kan mindske:

• uplanlagte reparationer i fremmede havne
• ekstra liggedage i dok på grund af “fundet stål”
• spild af coatingmaterialer på områder, som egentlig er sunde

Samtidig bliver det muligt at lave multi‑års budgetter for stål og coating, der bygger på data snarere end på mavefornemmelser. For danske rederier med flåder på tværs af segmenter kan det være forskellen mellem et stabilt og et meget volatilt vedligeholdelsesbudget.

2. Sikkerhed: Færre manuelle og risikofyldte inspektioner

Korrosionsinspektioner foregår ofte i:

• ballasttanke
• trange cofferdams
• højder med brug af stiger og stilladser

Ved at lade robotter, droner og AI tage det første analysearbejde kan man reducere behovet for, at folk bevæger sig ind i farlige miljøer. Menneskelige inspektører kan fokuseres på de områder, hvor AI’en viser klar risiko – ikke på at gennemtjekke alt fra A til Z.

3. Bæredygtighed: Grøn shipping starter i stålet

Korrosion er også en bæredygtighedsudfordring:

• Mere udskiftning af stål = større CO₂‑aftryk fra produktion og transport
• Dårlig coating og skader kan påvirke skibets hydrodynamik og dermed brændstofforbrug
• Tidlige skader på tanke kan give øget risiko for miljøhændelser

Ved at bruge AI til at forlænge stålets levetid, optimere coating‑strategier og undgå unødigt stålspild, bidrager rederier direkte til ESG‑mål og EU‑krav – samtidig med at bundlinjen styrkes.

4. Talent og vidensdeling: Fra “mestre i hovedet” til digital viden

Dansk shipping og maritim industri står, ligesom resten af branchen, over for generationsskifte. Meget af den dybe korrosionsviden sidder i få, erfarne inspektører.

AI‑systemer gør det muligt at:

• “Optage” deres vurderinger i modeller og guidelines
• Standardisere, hvad der er kritisk, moderate og kosmetiske skader
• Sikre, at yngre superintendent‑profiler får kvalificeret beslutningsstøtte, også når de ikke har 20 års erfaring

Det er ikke et spørgsmål om at erstatte fagfolk, men om at skalere deres ekspertise på tværs af flåden.

Praktiske skridt: Sådan kommer du i gang i 2026

1. Start med et pilotprojekt

I stedet for at omvælte hele flåden fra dag ét, kan et dansk rederi:

1. Udvælge 2‑3 skibe med forskellig alder og design
2. Definere 3‑5 kritiske områder (fx ballasttanke, lastrum, dæk)
3. Indsamle systematiske fotos/videoer over 6‑12 måneder
4. Lade en leverandør (eller intern data science‑funktion) træne en første AI‑model

Målet er ikke perfektion, men at vise konkret værdi: bedre prioritering, færre overraskelser, mere gennemsigtighed.

2. Integrér med eksisterende systemer

AI‑løsningen skal spille sammen med:

• Planned Maintenance System (PMS)
• ERP/økonomisystem (for omkostningsopfølgning)
• Flådestyrings- og rapporteringsværktøjer

Når korrosionsrisici automatisk udløser opgaver i PMS og indgår i langsigtede budgetter, bliver AI‑indsigterne en naturlig del af driften – ikke endnu et sideløbende “eksperiment”.

3. Træn besætning og teknisk afdeling

AI‑systemer lever af gode data. Det kræver:

• Klare retningslinjer for, hvilke billeder der skal tages, og hvordan
• Enkle mobil‑ eller tablet‑workflows for upload og annotering
• Træning i tolkning af AI‑rapporter: Hvad betyder en given risikoscore i praksis?

En ofte overset gevinst er, at besætningen bliver mere bevidst om korrosion i hverdagen, når de aktivt bidrager med data. Det kan i sig selv sænke skadesniveauet.

4. Byg en business case, der taler til ledelsen

For at få opbakning på C‑level kræver det en klar business case. Overvej at beregne:

• Besparelser pr. undgået dok‑overraskelse
• Reduktion i stålforbrug over 5‑10 år
• Mindre off‑hire og forbedret pålidelighed over for kunder
• Forbedrede ESG‑nøgletal og rapporteringsmuligheder

Sammenlign evt. investeringen i et AI‑system med prisen på én uforudset større stålopgave – det sætter typisk tingene i perspektiv.

AI i dansk maritim sektor: Korrosion som pilotområde

I denne serie om AI i Dansk Shipping og Maritim Industri har vi allerede set, hvordan kunstig intelligens kan løfte ruteoptimering, brændstofeffektivitet og havneoperationer. Korrosionsmonitorering er et oplagt næste skridt, fordi:

• Problemet er velkendt og dyrt
• Data allerede findes i stor stil – men ligger spredt
• Gevinsterne er konkrete og målbare

Ardmore Shippings satsning på et AI‑system til overvågning af korrosion på tværs af flåden sender et tydeligt signal: Det her er ikke fremtidsmusik – det er drift anno 2025.

For danske rederier, værfter og maritime servicevirksomheder er spørgsmålet derfor mindre, om man skal i gang, og mere hvordan og hvornår.

Hvis du vil ligge forrest i feltet i 2026, er korrosion et ideelt sted at begynde din AI‑rejse: konkret, målbart og tæt knyttet til både sikkerhed, økonomi og grøn shipping.

Næste skridt kan være at kortlægge, hvilke korrosionsdata du allerede har, og hvor i din organisation der sidder eksperterne – så AI kan hjælpe med at gøre deres viden skalerbar på hele flåden.

Når stålet holder længere, holder forretningen det også.