Modellering av omblandning i fartygs kölvatten, för ökad förståelse av belastning på havsmiljön till följd av utsläpp från fartyg

2020 
Ostersjon ar ett av varldens mest intensivt trafikerade omraden och i vissa delar sker en fartygs­passage i genomsnitt var tolfte minut. Fartygen kan betraktas som flytande industrier som slapper ut fororeningar, forsurande och overgodande amnen som produceras i olika ombordssystem, sasom svart-, gra-, ballast-, lans-, kyl- och skrubbervatten, giftiga batbottenfarger och propellerhylsolja. De senaste arens okade forstaelse for att sjofartens utslapp inte ar negligerbara for havsmiljon belyses i Miljomalsberedningens betankande Havet och manniskan (2020), dar det bland annat foreslas att Havs- och vattenmyndigheten bor fa i uppdrag att integrera overvakning av sjofartens paverkan pa havsmiljon i sin verksamhet. For att kunna gora detta pa ett effektivt satt ar det nodvandigt att forsta hur fororeningar som slapps ut fran fartyg sprids vidare i havsmiljon. Med utgangspunkt fran denna kunskap kan miljoovervakningsprogram utformas och i forlangningen atgarder vidtas for att minska paverkan fran sjofart pa havsmiljon, exempelvis genom forbud mot utslapp eller omledning av farleder i kansliga omraden. I befintliga modelleringar av utslapp fran fartyg gors antagandet att utslappen sker i ytan, vilket far till foljd att berakningen av spridningen i miljon i stor utstrackning kommer att styras av radande vind- och stromforhallanden i ytskiktet. Detta kan vara acceptabelt, exempelvis vid modellering av lattare oljeprodukter, men for andra amnen ar det nodvandigt att forsta hur omblandningen i kolvattnet sker for att mer korrekt kunna berakna hur fororeningarna sprider sig i miljon; strom­forhallanden kan variera avsevart i bade riktning och styrka pa 5–10 m djup, jamfort med i ytan. Syftet med den har forstudien var att undersoka forutsattningarna att kombinera berakningsstrom­ningsdynamik (Computational Fluid Dynamics (CFD)) som vanligtvis anvands for att gora hogupplosta 3D modelleringar av stromningen runt skrov och propeller pa fartyg, med regionala oceanografiska modeller. Anvandningen av den hogupplosta 3D Reynolds- Medelvardesbildad Navier-Stokes (3D RANS) modellen ar dock berakningsintensiv och brukar endast anvandas for att modellera narvaken, upp till nagon fartygslangd akter om fartyget. For att kunna brygga over skalorna i fjarrvaken (ca 0,8–3 km) akter om fartyget ar det darfor lampligt att forsoka forenkla berakningarna, vilket kan goras genom semi-empirisk modellering och 2D modellering av ett tvarsnitt av vaken over tid, vilka i begransad omfattning validerats mot 3D RANS resultaten. Vidare har in-situ matningar med en Acoustic Doppler Current Profiler (ADCP) anvants for att validera utbredningen av det turbulenta vakomradet. Resultaten av forstudien, bade fran modellering och faltmatningarna, visar tydligt att utslapp i fartygsvaken kan spridas pa olika djup och i olika riktning som en effekt av omblandningen som sker i vaken. Vidare ar hydrografin viktig for hur och var spridningen i vaken sker och faltmatningarna indikerar att nar det finns en stark skiktning kommer det omblandade vattnet i fartygsvaken att spridas i sidled, langs med skiktningen, istallet for nedat mot botten. Ur miljoovervakningsperspektiv ar det darfor viktigt att kanna till skiktningen och djupet i relation till farledernas placering, da det far konsekvenser for spridningen av fororeningar fran farleden och darmed aven var provtagning bor ske. Slutsatsen fran forstudien ar att det foreslagna ramverket, kombinationen av olika teoretiska modeller och in-situ matningar, har stor potential for att kunna leverera indata till regionala oceanografiska modeller, for att kunna modellera den storskaliga spridningen av fororeningar fran fartyg och farleder. Denna information ar ocksa kritisk for utformning av overvakningsprogram, dar det ar avgorande att matningar gors dar fororeningar fran fartyg kan forvantas att aterfinnas.
    • Correction
    • Source
    • Cite
    • Save
    0
    References
    0
    Citations
    NaN
    KQI
    []
    Baidu
    map