DEMOPS - Maskininlärningsbaserad modellering av hastighetseffekt för att minska bränslekostnader och utsläpp från frakt

Ett fartygs bränsleförbrukning kan öka avsevärt när man seglar under hårda havsförhållanden. Alla åtgärder för att öka fartygets energieffektivitet måste förlita sig på noggrann beskrivning av fartygets energiprestanda, dvs. kraft-hastighetsförhållande, till havs.
Nuvarande teoretiska fysiska modeller innehåller alltid stora osäkerheter i beskrivningen av ett fartygs energiprestanda, särskilt i de mekaniska systemmodellerna. Vissa blackbox-prestandamodeller har konstruerats med maskininlärningsmetoder baserade på data om fartygets prestanda vid olika förhållanden. Blackbox-modellerna är dock bara användbara för ett specifikt fartyg med data som matas in för modellkonstruktionen.
I detta projekt kommer vi att utveckla algoritmer för "functional data analysis" (FDA-algoritmer) för att välja/simulera korrekt fartygsdata. Dessa data kommer att användas till sofistikerade maskininlärningsalgoritmer för att kombinera med teoretiska modeller för att bättre förstå och konstruera modeller av fartygs energiprestanda. Vissa omvända maskininlärningsalgoritmer kommer att utvecklas för att korrekt beskriva de vågförhållanden som ett fartyg möter. Slutligen kommer dessa modeller att demonstreras för att visa hur de kan användas för att utveckla energieffektiva åtgärder för fartyg. Potentiella bränslebesparingar och minskning av luftutsläpp kommer att identifieras genom demonstrationerna.

Samarbetande organisationer

  • Molflow AB (Privat, Sweden)
  • GoTa Ship Management AB (Privat, Sweden)
  • Lunds universitet (Akademisk, Sweden)
  • SSPA Sweden AB (Privat, Sweden)
Startdatum 2020-01-01
Slutdatum 2022-12-31

Publicerad: to 27 feb 2020.