Forskjeller i transmisjonstap beregnet med målt, modellert og klimatologisk lydhastighetsprofil

Abstract

Under anti-ubåt og andre undervannsoperasjoner er det svært viktig å ha god og nøyaktig informasjon om lydhastigheten i området hvor en opererer. For å ha oversikt og kontroll på lydhastigheten i tid og rom i et operasjonsområde, kreves det urealistisk store måleressurser. En løsning er å kjøre en numerisk havmodell over operasjonsområdet. Fordelen med en modell er at den ikke bare gir deg lydhastigheten for nå-tidspunktet, men også sier noe om hvordan forholdene vil utvikle seg en gitt tid framover. Meteorologisk institutt drifter to numeriske havmodeller. Sjøforsvaret benytter disse i planlegging og gjennomføring av anti-ubåtoperasjoner, samt til å evaluere sonarytelsen på de nye Nansenklasse-fregattene. Fra slike havmodeller kan brukeren ta ut lydhastighetsprofiler for å beregne lydens utbredelse i havet. Hensikten med denne rapporten er å se hvor godt modellerte lydhastighetsprofiler beskriver lydutbredelsen i vannet sammenliknet med målte profiler, se på forskjellene, hvorfor det er forskjell og hva som skal til for å gjøre forskjellene mindre. Det er også gjort sammenlikning mellom målte og klimatologiske profiler. Det er brukt 39 målte profiler, tatt med HU Sverdrup II utenfor Bergen, med tilhørende lydhastighetsprofiler fra modellene og en klimatologisk database. En fiktiv ubåt ble plassert på fire gitte posisjoner i vannvolumet, gitt som dyp og avstand fra sonaren. For disse fire ubåtposisjonene ble transmisjonstapet beregnet med målte, modellerte og klimatologiske profiler og resultatene sammenlignet. Til å beregne transmisjonstapet er det brukt Sjøforsvarets lydberegningsprogram Lybin. Arbeidet viste at det var stor variasjon i transmisjonstap beregnet med henholdsvis målte, modellerte og klimatologiske profiler. For det datasettet som er brukt i rapporten, ser det ut til at klimatologi er et fullgodt alternativ til modellerte lydhastighetsprofiler. For å gjøre de numeriske modellene bedre er det viktig å få bedre inputdata. Blant annet bør oppløsningen på vindfeltet som brukes i modellene økes og det er viktig med bedre data for ferskvannstilførsel. Begge disse tingene er relativt enkle grep som bør komme på plass i nær framtid. På sikt vil dataassimilering og feature modellering kunne øke riktigheten til modellene.

In anti-submarine operations and other under water operations it is very important to have accurate information about sound speed in an operation area. For temporally and spatially control of the sound speed in an area, unrealistic resources to do measurements are needed. One solution is to run a numerical ocean model covering the operation area. A numerical model will not only give you a diagnostic sound speed profile, but also prognostic sound speed profile. The Norwegian Meteorological institute runs two numerical ocean models. Sound speed profiles can be extracted and the Norwegian Navy uses these profiles to calculate propagation of sound in the sea. The aim of the report is to study propagation of sound calculated with sound speed profiles from the ocean models compared to measured profiles, describe the differences, why there is a difference and what can be done to reduce it. Comparisons between measured and climatological sound speed profiles are also made. 39 sound speed profiles were measured west of Bergen, and profiles from the ocean models and the climatology database were extracted from the same position and time. The comparison is made by looking at the transmission loss at four chosen points in the water column calculated for all profiles with the Norwegian Navy’s sound propagation model Lybin. The study showed at times great variation in transmission loss calculated with measured sound speed profiles compared with profiles from the ocean model. Climatology seemed to be as good as the models for this particular dataset. To improve the numerical ocean models to get better input data. The resolution of the wind field used in the models should be increased. More correct fresh water inflow is also important. These two suggestions are relatively easy to implement in near future. In the longer term data assimilation and feature modeling will improve the quality of the models.