AI som förutser undervattensskred och skyddar energi

När en undervattensslänt plötsligt ger vika händer det sällan “lite grann”. Ett skred på havsbotten kan dra med sig kablar, blotta rörledningar, flytta ankare och sätta hela offshore-anläggningar ur spel. Effekten märks inte bara hos operatören: elproduktion, försörjningstrygghet och försäkringskostnader påverkas direkt.

Det här är en av de risker som ofta hamnar i skuggan av mer synliga hot som stormar och is. Men för vindkraftparker till havs, olje- och gasinstallationer, undervattenskablar och framtida havsbaserade energihubbar är georisker under ytan minst lika avgörande. Och här kommer en nyckelinsikt: precisionen i riskbedömningen avgörs inte bara av hur mycket data du har – utan av hur du samlar in och “syr ihop” den.

Forskning från Texas A&M University visar hur man kan förutsäga undervattensskred med högre träffsäkerhet genom att kalibrera modeller med Bayesiansk statistik och, lika viktigt, genom att följa en systematisk ordningsföljd i platsundersökningar (site characterization). För oss som jobbar med AI inom försäkring och riskhantering är det här mer än en geoteknisk detalj: det är en praktisk mall för hur AI faktiskt ska användas för att minska osäkerhet, prissätta risk rätt och göra energisystem mer hållbara.

Varför undervattensskred är en risk som ofta prissätts fel

Undervattensskred är svåra att upptäcka, dyra att åtgärda och komplicerade att försäkra. På land ser vi sprickor, sättningar och varningssignaler. Under vatten är tecknen mer indirekta: förändringar i sediment, portryck, lutning, strömmar och historiska spår av tidigare skred.

Det gör att många projekt hamnar i ett klassiskt dilemma:

• Investerare vill ha snabbare beslut och lägre kostnad för förstudier.
• Ingenjörer vill ha mer data och mer tid.
• Försäkringsgivare vill ha tydliga risknivåer, inte bara “det verkar okej”.

När osäkerheten blir för stor händer två saker i praktiken:

1. Premien går upp (eller undantag läggs in i villkoren).
2. Projektet får designmarginaler som kostar – extra längd på kablar, tyngre skydd, omdragningar, fler redundanser.

Min erfarenhet är att det sällan är “fel” att bygga robust. Problemet är när robustheten blir dyr för att riskbilden är dimmig. Det är exakt den dimman Bayesiansk modellkalibrering är bra på att skingra.

Metoden: Bayesiansk modellkalibrering – AI som räknar på osäkerhet

Bayesiansk modellkalibrering handlar om att uppdatera en riskmodell steg för steg när ny evidens kommer in. I stället för att göra en enda stor bedömning på slutet, får du en löpande “sannolikhetsmotor” som väger samman mätningar, expertbedömningar och modellantaganden.

I den aktuella forskningen används detta för att förbättra förutsägelser om var och när ett undervattensskred kan inträffa. Det viktiga för riskhantering är inte bara resultatet (“här kan skred ske”), utan att modellen ger:

• Sannolikheter (inte bara ja/nej)
• Konfidensnivåer (hur säker bedömningen är)
• Spårbarhet (vilken data som påverkat beslutet)

Varför det här är AI i praktiken (inte bara statistik)

Många tänker att AI kräver neurala nät och enorma datamängder. Men i riskdomäner är det ofta tvärtom: du har begränsad data, höga insatser och behov av förklarbarhet.

Bayesianska metoder passar perfekt eftersom de:

• kan kombinera fysikbaserade modeller med data
• kan hantera små dataset genom att använda rimliga priorer
• ger beslutsunderlag som går att kommunicera till styrelse, myndigheter och försäkringsgivare

I försäkringssammanhang blir detta en brygga mellan prediktiv analys och underwriting: modellen kan direkt informera villkor, premie och krav på riskreducerande åtgärder.

Ordningen i platsundersökningen är en riskkontroll – inte en formalitet

Forskarna betonar något som låter banalt men som många projekt faktiskt slarvar med: sekvensen i platskarakterisering.

Kärnpoängen: om du samlar in och tolkar data i fel ordning ökar osäkerheten, även om du totalt sett samlar in “mycket data”.

Rekommenderad logik är i stora drag:

1. Geofysik (storskalig bild av botten och underbotten)
2. Geologi (tolkning av lager, processer och historik)
3. Geomatikkartläggning (position, terrängmodeller, precision i geometri)
4. Geoteknik (jordegenskaper, hållfasthet, portryck – ofta via provtagning)

Analogen i forskningen är träffande: att lära en bebis springa innan den kan gå. I riskhanteringstermer: du vill först minska osäkerheten om “var” och “hur det ser ut”, innan du lägger dyr provtagning på “vad materialet klarar”.

Vad händer när ordningen bryts?

När tid och budget pressar projekt blir det vanligt att:

• provtas på för få punkter (eller på fel punkter)
• geofysiska data tolkas utan geologisk kontext
• geotekniska parametrar extrapoleras för långt

Resultatet blir en modell som ser avancerad ut men bygger på skakig grund. Och då sker den mest kostsamma effekten: osäkerheten byggs in i hela livscykeln – design, drift, underhåll och försäkring.

För försäkringsbolag innebär det att man tvingas prissätta “worst plausible case” snarare än “mest sannolika scenario”. För operatören innebär det kapital som binds upp i överdimensionering.

Så kopplas det till svensk energi och hållbarhet

Svenska havsområden och Östersjön har sina egna geotekniska och miljömässiga egenheter, inklusive mjuka sediment, historiska avlagringar och känsliga ekosystem. När fler kablar, parker och sjöbaserade nät knyts ihop ökar också systemberoenden: ett fel kan få större följdeffekter.

Det är därför jag gillar att se undervattensskred som en del av klimatanpassning och resiliens snarare än bara “geoteknik”. Vi bygger mer till havs av två skäl:

• energiomställning (mer havsbaserad vind, mer överföring)
• försörjningstrygghet (redundans i nät och anslutningar)

Om vi samtidigt ignorerar geohazards under ytan skapar vi en ny typ av sårbarhet.

Riskreduktion som faktiskt är hållbar

Det hållbara i sammanhanget är inte att “bygga tyngst möjligt”, utan att bygga rätt, baserat på bättre prediktioner.

Med mer kalibrerade sannolikhetsmodeller kan man exempelvis:

• välja kabelkorridorer som minskar skredexponering
• dimensionera skydd där det behövs, och undvika onödiga ingrepp där det inte behövs
• planera inspektion och sensorer riskbaserat (mer där risken är hög)

Det ger lägre materialåtgång, färre störningar av bottenmiljö och stabilare leverans över tid. Hållbarhet blir då ett resultat av bättre riskprecision.

Vad betyder detta för försäkring och riskhantering?

Försäkring tjänar på modeller som minskar osäkerhet snabbare än de minskar risk. Det låter motsägelsefullt, men det är centralt: om du kan separera “vi vet inte” från “det är farligt” kan underwriting bli både mer rättvis och mer lönsam.

Här är tre konkreta användningsfall i en svensk kontext:

1) Underwriting för havsbaserad energiinfrastruktur

En Bayesiansk ansats kan översättas till underwriting som bygger på:

• tydlig sannolikhet för skredhändelse per område/stråk
• osäkerhetsintervall kopplat till datakvalitet
• krav på miniminivå av platsdata innan bindande offert

Det gör att försäkringsgivaren kan säga: “Premien är X om ni gör Y i undersökningen – annars är den X+Δ.” Det blir en incitamentsmodell snarare än ren riskpremie.

2) Skadeprevention och villkorsstyrd drift

När modellen uppdateras med ny data (t.ex. sensorer, återkommande batymetri eller portrycksmätningar) kan man koppla det till:

• villkor som triggar extra inspektion
• tidsbegränsade restriktioner (t.ex. vid ovanliga strömförhållanden)
• “risk windows” för underhållsarbete

Det är riskhantering som lever i drift, inte bara i projekteringen.

3) Skadereglering och regress

Om en incident sker blir data- och modellspårbarhet viktig. Bayesianska modeller kan bidra med:

• dokumentation av vilka antaganden som var rimliga givet dåvarande evidens
• bättre analys av om utförd platsundersökning följde branschpraxis
• underlag för regress mot leverantörer om krav/sekvens brustit

Det här minskar tvister och snabbar på skadereglering.

Praktisk checklista: Så kommer du igång med AI-baserad skredrisk

Du behöver inte börja med en “stor AI-satsning”. Börja med att göra datan användbar och beslutsbar.

1. Kartlägg datakällor och ägarskap
   • geofysiska undersökningar, seismik, batymetri
   • geotekniska prov, laboratoriedata
   • miljödata: strömmar, stormhistorik, sedimenttransport
2. Sätt en minimumstandard för platsundersökningens sekvens
   • skriv in ordningskrav i upphandling och tidsplan
3. Bygg en enkel Bayesiansk “riskmotor”
   • börja med ett fåtal parametrar (lutning, jordtyp, portryck, historiska skredspår)
   • uppdatera modellen när ny evidens kommer in
4. Knyt modellen till beslutspunkter
   • ruttval, design, sensorplacering, driftkrav, försäkringsvillkor
5. Gör resultatet läsbart för icke-tekniker
   • sannolikhet + osäkerhet + rekommenderad åtgärd

Om jag får vara lite spetsig: många organisationer lägger mer energi på att visualisera risk än på att minska osäkerheten i riskens indata. Det är fel ände att börja i.

Vanliga frågor (som alltid dyker upp)

Är detta “AI” eller bara avancerad statistik?

Det är AI i den mening som betyder mest i riskarbete: en metod som kombinerar data och modeller för att fatta bättre beslut under osäkerhet, med spårbarhet och uppdatering över tid.

Kräver det massor av historiska skreddata?

Nej. Bayesianska metoder är starka när data är begränsad, eftersom du kan använda fysik, expertkunskap och successivt förbättra modellen när mer data kommer.

Kan man använda samma tänk för andra naturhazards?

Ja. Samma logik fungerar för exempelvis erosion kring fundament, kabelblottläggning, stormrelaterade belastningar och andra geohazards där evidens byggs stegvis.

Där det här landar: bättre riskprecision ger bättre hållbarhet

AI som förutser undervattensskred handlar i praktiken om att göra offshore-energi mer förutsägbar. Stabilare produktion, färre haverier och mindre akututryckningar betyder lägre klimatavtryck per producerad kilowattimme.

För AI inom försäkring och riskhantering är lärdomen tydlig: när datainsamlingen görs i rätt ordning och modellerna kalibreras probabilistiskt går det att flytta samtalet från “vi hoppas” till “vi vet hur sannolikt, och vi vet vad vi ska göra åt det”.

Om du bygger, försäkrar eller finansierar havsbaserad infrastruktur 2026 är frågan inte om du ska använda datadriven riskmodellering, utan hur snabbt du kan få den att styra riktiga beslut. Vilken del av din riskkedja är mest mogen att koppla till en sådan sannolikhetsmodell redan nästa kvartal?