Förutse undervattensskred: AI som skyddar energi

Ett undervattensskred är ingen dramatisk nyhet i en pressrelease – det är ett tyst, snabbt händelseförlopp som kan knäcka kablar, flytta havsbotten och slå ut offshore-drift på minuter. När det händer är det för sent att “öka beredskapen”. Det enda som hjälper är att ha sett signalerna i tid.

Den senaste forskningen pekar på nya metoder för att förutse undervattensskred innan de slår till och därmed stärka robustheten i offshore-anläggningar. För oss som jobbar med AI inom försäkring och riskhantering är det extra intressant: samma typ av prediktiv logik – datainsamling, riskmodeller, tidiga varningar och beslutsstöd – är precis det som förflyttar försäkring från reaktiv skadehantering till proaktiv riskstyrning.

Det här inlägget förklarar vad som faktiskt står på spel, vilka data som går att använda, hur AI kan byggas in i riskprocesser, och vad försäkringsbolag, energibolag och riskansvariga kan göra redan 2025 för att minska både skador och kapitalbindning.

Varför undervattensskred är en affärsrisk – inte bara geologi

Undervattensskred är i praktiken en infrastrukturhändelse. När sedimentmassor rör sig kan de dra med sig rörledningar, fundament, ankare och kommunikations- och elkablar. För offshore-energi (vind, olje- och gas, framtida vätgasinfrastruktur) kan ett enda skred skapa följdeffekter som snabbt blir dyra.

Vad kan skadas?

Kärnproblemet är att havsbotten inte är “stabil mark” – den är en dynamisk miljö. Typiska skadeobjekt:

• Exportkablar och inter-array-kablar till havsbaserad vindkraft
• Rörledningar (gas/olja, men även CO₂-transport i CCS-projekt)
• Fundament och förankringar (monopiles, jacket, flytande plattformar)
• Subsea-noder (sensornät, kopplingsboxar, telekom)

Och skadan är sällan isolerad. En avgrävd kabel blir inte bara en reparationskostnad – den blir också:

• produktionsbortfall
• logistikkostnader (fartyg, väderfönster, reservdelar)
• avtalsrisker (t.ex. leveransåtaganden)
• potentiella miljörisker (beroende på system)

En bra riskdefinition: Undervattensskred är en låg-frekvent men hög-konsekvens risk som framför allt slår mot kritisk energi-infrastruktur.

Varför blir ämnet extra aktuellt vintern 2025?

I december är det lätt att glömma offshore – men vinterperioder betyder ofta tuffare väder, svårare insatser och längre ledtider. För riskansvariga blir det ett test av robusthet: klarar vi en större händelse när fönstret för reparation är begränsat?

Samtidigt byggs mer infrastruktur i och runt Nordsjön och Östersjön. Mer nät, fler kablar, fler anslutningspunkter. Det gör prediktion och riskstyrning mer värdefullt för varje år.

Så förutsäger man skred: från mätning till tidig varning

För att kunna förutse undervattensskred behöver man kombinera två saker: förståelse av processerna (geoteknik/geomorfologi) och kontinuerlig observation (sensorer och fjärranalys). Den nya metoden som nämns i RSS-källan pekar mot bättre prediktion – och det är precis här AI blir praktiskt användbar.

Vilka signaler kommer före ett undervattensskred?

Ett skred är ofta slutpunkten av en kedja där lutning, portryck, sedimentegenskaper och yttre triggers samverkar. Vanliga “försignaler” och orsaker:

• Ökat portryck i sediment (minskar friktion/stabilitet)
• Mikrorörelser i sluttningar (små deformationer över tid)
• Erosion vid foten av en sluttning
• Snabba belastningsförändringar (stormvågor, strömmar)
• Seismisk aktivitet (även svag kan vara trigger i känsliga miljöer)

Det svåra? Signalerna är svaga, brusiga och kan variera geografiskt. Det är exakt den typen av problem där maskininlärning ofta presterar bättre än fasta tröskelvärden.

Datakällor som faktiskt går att använda

Det är frestande att prata om “mer data” – men här är de datatyper som brukar göra skillnad i praktiken:

1. Bottensensorer (tryck, pore pressure, lutning, accelerometrar)
2. Batymetri och sonar (förändringar i topografi över tid)
3. Seismiska data (lokala sensorer och regionala nät)
4. Oceanografiska data (ström, vågor, temperatur, salthalt)
5. Driftdata från anläggningen (last, vibrationer, förankringskrafter)

AI blir starkast när man kan samköra dessa strömmar och hitta mönster som föregår instabilitet.

AI i praktiken: från prediktion till beslut som minskar skador

AI ska inte “spå framtiden”. AI ska ge bättre beslut under osäkerhet. I riskhantering för offshore betyder det att gå från “skred händer ibland” till en operativ modell: hur stor är risken just nu, var, och vad gör vi åt det?

Tre AI-approacher som passar geohazards

1) Anomali-detektion för tidiga varningar När man inte har många historiska skred (vilket är vanligt) fungerar anomali-modeller bra: de lär sig normalbeteende och flaggar avvikelser.

2) Prediktiv modellering med sannolikhet Försäkring och risk kräver sannolikheter, inte bara klassificering. Bra modeller ger:

• P(skred inom 7 dagar)
• osäkerhetsintervall
• vilka variabler som driver risken

3) Fysik-informerad ML (hybridmodeller) Ren ML kan bli “svart låda”. Hybridmodeller tar in känd geoteknik (stabilitetsvillkor, portryckslogik) och låter ML optimera parametrar och osäkerhet. Det är ofta mer robust och lättare att försvara i en riskkommitté.

Vad ska modellen leverera till verksamheten?

Det som ger effekt är inte en fin ROC-kurva. Det som ger effekt är ett beslutsunderlag som kan kopplas till åtgärder:

• Riskkarta: vilka kabelstråk/sluttningar är mest exponerade?
• Risknivå per tidsfönster: 24h, 7 dagar, 30 dagar
• Åtgärdsrekommendationer: inspektera, sänk last, planera fartyg
• Spårbarhet: varför modellen larmar (förklarbarhet)

Snabb tumregel: Om ett larm inte har en tydlig “playbook” kopplad till sig blir det bara mer brus.

Exempel: hur en tidig varning kan spara pengar

Säg att en vindparks exportkabel går i en sluttning med historik av sedimentrörelser. Om modellen visar en tydlig riskökning kopplat till portryck + strömhändelse kan operatören:

• tidigarelägga ROV-inspektion
• temporärt anpassa drift/last (om relevant)
• förbereda reservdelar och fartyg
• säkra alternativa flöden i nätet

Kostnadslogiken är enkel: en planerad insats är nästan alltid billigare än en akut insats i dåligt väder med produktionsstopp.

Vad betyder detta för försäkring och underwriting?

Försäkringsbranschen brukar hamna efter när risker kräver sensordata och realtidsanalys. Jag tycker det är ett misstag. Undervattensskred är ett skolboksexempel på när försäkring kan gå från historikstyrd prissättning till framåtblickande riskmodellering.

Underwriting: från zoner till faktiska förhållanden

Traditionell underwriting lutar sig på:

• geologiska zonkartor
• djup och bottentyp
• generella hazardbedömningar

Med bättre prediktion kan underwriting kompletteras med:

• kontinuerlig riskprofil per anläggning
• kvalitet på övervakningssystem (sensorer, inspektion)
• “risk management maturity” som prispåverkande faktor

Det öppnar för mer nyanserade upplägg: självrisker, villkor och premier som speglar beteende och kontroll, inte bara geografi.

Skadehantering: snabbare triage och mindre sekundärskador

När något väl händer är tidslinjen avgörande. AI-baserade riskmodeller och monitorering kan hjälpa till med:

• prioritering av insatser (vilka objekt riskerar följdskador?)
• bättre första skadebedömning
• dokumentation av händelseförlopp (nyttigt vid regress/ansvar)

Parametriska upplägg – realistiskt eller önsketänk?

Parametrisk försäkring (utbetalning baserat på mätbara triggers) diskuteras ofta. För undervattensskred är det svårt men inte omöjligt.

Det som krävs är:

• robusta, accepterade mätpunkter (t.ex. portryck + deformation)
• tydlig koppling till förväntad skada
• skydd mot manipulation och databortfall

Min bedömning: parametriskt kan passa för insatskostnader och driftstörning i vissa projekt, men kommer ofta behöva kombineras med traditionell skadereglering.

Så kommer ni igång: en 90-dagars plan för riskteam

Det fina är att man inte behöver börja med en fullständig digital tvilling av havsbotten. Börja med det som gör riskbeslut bättre.

Steg 1 (dag 1–30): Kartlägg och prioritering

• Inventera kabelstråk/fundament och kända geohazards
• Gör en enkel riskmatris: sannolikhet × konsekvens
• Definiera beslut som ska stödjas (inspektion, last, beredskap)

Steg 2 (dag 31–60): Data och “minimum viable monitoring”

• Identifiera befintliga datakällor (ROV, sonar, driftdata)
• Säkerställ datakvalitet: tidsstämplar, felkoder, bortfall
• Sätt upp en första dashboard: trend + avvikelseflaggar

Steg 3 (dag 61–90): Modell + playbook

• Bygg en anomali-modell för tidiga varningar
• Sätt trösklar för åtgärder (inte bara larm)
• Öva en händelse: “larm kommer 03:10 – vad gör vi 03:15?”

Det som skiljer bra team från medelbra: De tränar på beslutskedjan innan en incident.

Från undervattensskred till smarta elnät: samma AI-logik

Här finns en tydlig bro till kampanjen AI inom energi och hållbarhet. Prediktion av undervattensskred är i grunden samma disciplin som lastprognoser i elnät:

• många datakällor
• brusiga signaler
• stora konsekvenser vid fel
• behov av transparens och robusthet

Skillnaden är bara miljön. Logiken är densamma: förutse, agera, minska konsekvens.

Och om man vill vara lite spetsig: energibranschen har länge accepterat prediktiv analys för produktion och nät. Nu är det dags att behandla geohazards med samma professionalism.

Nästa steg för er som jobbar med risk 2025

Undervattensskred går att förutse bättre än många tror – men bara om man slutar betrakta dem som “sällsynta naturfenomen” och börjar hantera dem som en mätbar, modellerbar risk. Försäkring, underwriting och riskhantering vinner på att flytta fokus från efterhandsanalys till tidig varning och preventivt underhåll.

Om du arbetar med offshore-energi, försäkring eller risk: börja med en enda fråga i nästa riskmöte: Vilka sensorer, dataflöden och beslut behövs för att vi ska kunna agera 48 timmar tidigare än idag?

För det är där värdet sitter. Inte i att veta att skred kan hända – utan i att kunna göra något åt det innan det händer.