Prediction of Fuel Consumption of a Ship in Transit Using Machine Learning

Abstract

Denne masteravhandlingen presenterer en ny teknikk for drivstoffsprediksjon for skip i transitt som tar hensyn til eksterne miljømessige faktorer som strøm, vind og bølger. Blant de mange ytelsesovervåkingssystemene og metodene, er det mindre vanlig med ytelsesprediksjoner basert på tilgjengelig måledata. En ny metode for nøyaktig prediksjon av drivstofforbruk ved å kombinere veletablerte fysiske og empiriske metoder med det siste innen maskin- læringsalgoritmer og kunstige nevrale nettverk danner grunnlaget for denne avhandlingen.

For å anvende de datadrevne metodene, ble et rammeverk utviklet for å identifisere avvik, samt å prosessere målerverdier fra driften av skip. Ved å benytte historisk værdata kunne unøyaktige og upålitelige målepunkter erstattes av simulerte verdier fra ECMWF og Tidetech for å forsikre høykvalitets data for trening av prediksjonsmodellen. Resultatet av denne analysen er diskutert i sin helhet for ̊a illustrere fallgruver, systematiske og tilfeldige feil i målesystemet.

Ved å isolere vind og friksjonsmotstanden som virker på et skip i transitt med empiriske modeller, ble et sett metoder foreslått for å bestemme restmotstanden. Forsøk på å analysere koblet og frikoblet bølgemotstand i stille vann og økt motstand grunnet bølger, samt å betrakte disse samlet var blant de foreslåtte metodene. Grunne nevrale nettverk og Gaussian prosess regresjon viste imponerende presisjon med et gjennomsnittlig avvik på kun 2.5% i prediksjonen av drivstofforbruk.

Bootstrapping viste en modelloppførsel som reflekterer den involverte fysikken i systemet og bekreftet dermed at disse type prediksjonsmodeller er godt egnet for drivstoffprediksjon. Dermed kan det forventes av disse modellene å predikere enda mer nøyaktig i takt med at mengden treningsdata øker.

This thesis presents a novel technique for fuel prediction of ships in transit considering external environmental factors such as current, wind and waves. Among the many performance monitoring systems and methods, less common are performance forecasting grounded in available monitored data. A new methodology for accurate prediction of fuel consumption by combine well established physical and empirical methods with state of the art machine learning algorithms and artificial neural networks forms the foundation of this thesis .

In order to apply data-driven methods, a framework for in-service operational data were developed to identify and process measurements. By use of hindcast climate data, unreliable measurements were replaced by simulated entries from ECMWF and Tidetech to ensure high quality data for the prediction model. The result of the data analysis are discussed in extent to illustrated pitfalls, bias and random errors.

By isolating wind and frictional resistance acting on a ship in transit with empirical models, a set of methods were proposed for determination of the residual resistance. Attempting to decouple the calm water wave resistance and added resistance due to waves, and considered the residual resistance as one were among the methods explored. Shallow artificial neural network and Gaussian process regression showed an impressive precision with a mean deviation of 2.5% in the prediction of fuel consumption.

Bootstrapping showed a model behavior that reflects the involved physics in the system and confirmed that these type of prediction models are suitable for fuel prediction. As a result, the models are expected to predict even more accurate as the amount of training data increase.