| dc.description.abstract | Det er et økende fokus på energi effektivitet i verden og shipping industrien er ikke noe unntak. Nye og strengere regler om utslipp er ett eksempel på dette. Flere og flere skip blir utstyrt med automatiske data samlings systemer og nylig utvikling i informasjons og kommunikasjons teknologi gjør at disse dataene automatisk blir sendt til teamet på land for videre analyser. Dette gir muligheter for redere og skips operatører til å bruke disse dataene til å gi mer effektiv operasjon av skipene. I denne avhandlingen ligger fokuset på hvordan man kan bruke disse dataene til å bestemme tilleggs effekt behovet til et skip på grunn av begroing. Avhandlingen går ut på å utvikle forskjellige metoder for å determinere denne tilleggs effekten og teste de metodene på ytelses data fra ett virkelig skip.
I denne master oppgaven er ytelses data for et 2500 TEU kontainer skip brukt. Dataen kommer fra ett automatisk datasamlings system som logger data hvert 15 minutt. Skipet er 5 år gammelt og ytelses dataen er for hele levetiden til skipet. I tillegg er lokasjons data fra AIS databasen og vær data fra European Center for Mid-range Weather Forecasts (ECMWF) brukt i analysen. Dataene fra de tre forskjellige data kildene ble kombinert og prosessert slik at uønskede verdier, som da skipet akselererer er fjernet. De forskjellige parameterne som ble brukt i analysen var; motor kraft, omdreininger per minutt, dypgang, hastighet, signifikant bølge høyde, bølge periode, bølge retning. vind hastighet, vind retning, lengdegrad og breddegrad.
Tre forskjellige metoder for å determinere tilleggs effekten på grunn av begroing ved bruk av ytelses data ble utviklet. Både Metode 1 og 2 evaluerer endringen i Admiralitets koeffisienten og motstands koeffisienten over tid, men de bruker forskjellige metoder for å redegjøre for vær effektene. Metode 1 tar bort data punkter som kan klassifiseres som dårlig vær, altså at vind styrken er under 5.5 sekundmeter og signifikant bølgehøyde er under 1 meter. Metode 2 inkluderer data punktene med dårlig vær men tar bort ekstra motstanden fra været ved hjelp av metoder beskrevet i ISO 15016. Metode 3 er litt annerledes da den bruker maskin lærings metoder til å predikere motor kraften basert en rekke parameter som beskriver operasjons tilstanden til skipet samt været. Forskjellen i relative prediksjons feil over tid er så analysert til å finne effekten av begroing. To forskjellige regresjons modeller ble bruk, nemlig en egendefinert linjer regresjons modell og Gaussian regresjons prosess.
Tilleggs effekten ble funnet ved å lage trend linjer basert på resultatene fra de forskjellige metodene. Propellen ble vasket tre ganger og skroget en gang i løpet av den gitte perioden. Trend linjene ble derfor funnet basert på dataene mellom disse begivenhetene, dette gave fem trendlinjer per metode. De forskjellige metodene gav forskjellige trend linjer, men alle metodene gav en tilleggs effekt på grunn av begroing mellom 19 og 30 % i slutten av tidsperioden. Detter er i samsvar med erfaringer fra andre skip. De fleste linjene har også et stignings tall som er i samsvar med teorien. Metode 1 har noen problemer med antall data, noe som gir negative trend linjer mellom de to siste propell rengjøringene. Noen av antagelsene Metode 3 er bygget på viste seg å ikke være så bra for dette data settet. Dette gir at Metode 2 basert på Admiralitets koeffisienten er anbefalt som den beste metoden.
Videre er det anbefalt å implementere en ny referanse modell som inkluderer last kondisjonen for å forbedre Metode 1 og 2. Det er også anbefalt å lage en kostfunksjon som baserer seg på resultatene fra metodene gitt i denne master oppgaven til å finne potensielle besparelser en propell eller skrog vask kan gi. Dette kan da bli brukt til å optimalisere tiden mellom propell og skrog vask og dermed gi store besparelser i form av redusert drivstoff forbruk. | |
| dc.description.abstract | The focus on energy efficiency is increasing in the world today, and the shipping industry is no exemption. New and stricter regulations concerning emissions is one clear example of this. Today, ships are increasingly fitted with automatic data collection systems, and the development of information technology and communication allows these data to be communicated to an on-shore team automatically. So that ship owners and operators can utilize this data to ensure more efficient operations of the vessels. In this thesis, the focus is on how to utilize performance monitoring data to determine the added power of a ship due to fouling. The objective is to develop different methods to determine the added power and test them using in-service data from a real ship.
In-service performance data for a 2500 Twenty-foot Equivalent Unit (TEU) container ship are acquired and used for analysis in this thesis. The collected data are from an automatic data collection system with a sampling period of 15 minutes. The vessel is five years old, and performance monitoring data for the whole lifetime of the vessel are acquired. The Automatic Identification System (AIS) database is used to obtain location data, and the European Center for Mid-range Weather Forecasts (ECMWF) database is used to acquire weather data. All the different data sources had various sampling periods, which means that some initial processing had to be done in order to combine the data. Parameters used in the analysis were; timestamp, shaft power, shaft speed, draft, ship speed, significant wave height, wave period, wave direction, wind speed, wind direction, longitude, and latitude.
In this thesis, three methods to determine the added power due to fouling by using in-service performance monitoring data are developed. Method 1 and 2 use different methods to account for environmental effects such as wave and wind resistance, but they both evaluate the change in the Admiralty coefficient and the resistance coefficient over time. Method 1 removes the data points with bad weather, which means wind speeds higher than 5.5 m/s and significant wave heights over 1 meter. Method 2 includes the data point with bad weather but compensates for the wind and wave resistance by applying methods described in the ISO 15016 standard. However, the limitations for the environmental condition in the standard are followed in Method 2, which mean that a maximum significant wave height of 3 meters is implemented. Method 3 is a little bit different than Method 1 and 2. It uses machine learning in order to predict the shaft power based on input data containing information about the loading condition, speed, and environmental condition. Then the change in relative prediction error over time is evaluated to determine the added power rate and the added power due to fouling because the models are trained on a dataset containing values form the first year of operation, where the fouling is assumed to be small. Two different regression models were used, a custom linear regression model and a Gaussian regression process.
The added power was found by determining the trend lines based on the data from the methods. The ship had three propeller cleanings and one hull cleaning in the given period, so trend lines were calculated based on data between each event resulting in five successive trend lines for each model. The different models yielded some variations in the trend lines. However, at the end of the period, all the trend lines gave an added power between 19 and 30 %, which was compared with experimental values for a hull with similar conditions and found to be a reasonable prediction. Most of the lines give a slope (added power rate) that follows the theory as well.
Method 1 had some difficulties regarding the few available data points in some periods, which gave negative trend lines between the two last propeller cleanings. The assumption that the relative prediction error from Method 3 could be interpreted as the added power was not so reasonable, as it was found that the vessel changed operating condition over time. This change provides a larger prediction error regardless of the condition of the hull, as the machine learning model was not adequately trained on the new operating condition. These two concerns gave that Method 2 with the Admiralty coefficient model was recommended as the best model. Further, in order to improve the model, a benchmark model that takes into account different loading conditions should be implemented. It is also recommended that a cost function which takes into account the economic cost of a propeller and hull cleaning, as well as the potential savings in the reduction of the added power is developed. This cost function can then be used by ship owners and operators to decide when a propeller or hull cleaning should be conducted. | |
