National and Kapodistrian University of Athens
“Autonomous Shipping: Ship Fuel Consumption Prediction with Machine Learning”
Abstract
dc:descriptionΟι θαλάσσιες μεταφορές αποτελούν πρωταρχικό παράγοντα διευκόλυνσης του παγκόσμιου εμπορίου, αλλά δέχονται ολοένα και μεγαλύτερη πίεση για τη μείωση της χρήσης καυσίμων για οικονομικούς και περιβαλλοντικούς λόγους. Η ακριβής πρόβλεψη της κατανάλωσης καυσίμων των πλοίων μπορεί δυνητικά να βελτιστοποιήσει την λειτουργική απόδοση, να καταστήσει εφικτές τις βιώσιμες λειτουργίες και να υποστηρίξει τη συμμόρφωση με τις κανονιστικές απαιτήσεις. Έτσι, η παρούσα μελέτη διερευνά την εφαρμογή αλγορίθμων μηχανικής μάθησης (ML) για την πρόβλεψη της κατανάλωσης καυσίμων των πλοίων, με ιδιαίτερη έμφαση στην επίδραση των καιρικών και θαλάσσιων συνθηκών στην ακρίβεια των μοντέλων. Το σύνολο δεδομένων που χρησιμοποιήθηκε βασίζεται σε λειτουργικές και περιβαλλοντικές παρατηρήσεις, περιλαμβάνει μεταβλητές όπως η ταχύτητα του άξονα, το μέσο βύθισμα, η ταχύτητα πάνω από το νερό, οι καιρικές συνθήκες και η κατάσταση της θάλασσας, εκ των οποίων ορισμένες συνέβαλαν στην επίτευξη των τελικών αποτελεσμάτων του πειράματος, ενώ άλλες αποκλείστηκαν μετά την εκτέλεση τεχνικών προεπεξεργασίας όπως η κανονικοποίηση, η ανάλυση χαρακτηριστικών και η διασταυρούμενη επικύρωση. Στη συνέχεια, χρησιμοποιήθηκαν τέσσερις αλγόριθμοι εποπτευόμενης μάθησης για τον πειραματισμό στο σύνολο δεδομένων: Πολλαπλή Γραμμική Παλινδρόμηση, Παλινδρόμηση Δέντρου Αποφάσεων, Παλινδρόμηση Τυχαίου Δάσους και Παλινδρόμηση XGBoost, οι οποίοι αξιολογήθηκαν όλοι ως προς την απόδοση μέσω του Μέσου Απόλυτου Σφάλματος (MAE), της Ρίζας Μέσου Τετραγωνικού Σφάλματος (RMSE) και του συντελεστή προσδιορισμού (R²). Τα αποτελέσματα αποκαλύπτουν ότι οι μέθοδοι συνόλων, και ιδιαίτερα το XGBoost, παρείχαν σταθερά την υψηλότερη προγνωστική ακρίβεια σε όλες τις μετρήσεις, ακολουθούμενες από το Random Forest, ενώ τα Δέντρα Αποφάσεων παρείχαν πλεονέκτημα ερμηνευσιμότητας με μια μικρή απώλεια ακρίβειας, ενώ η Πολλαπλή Γραμμική Παλινδρόμηση προσέφερε ένα διαφανές βασικό μοντέλο. Η ανάλυση της σημασίας των χαρακτηριστικών ανέδειξε την ταχύτητα του άξονα ως τον ισχυρότερο προβλεπτικό παράγοντα, ακολουθούμενη από την ταχύτητα πάνω από το νερό και το μέσο βύθισμα. Αξιοσημείωτο είναι ότι, ακόμη και μετά την αφαίρεση της ταχύτητας άξονα και στη συνέχεια της ταχύτητας μέσω του νερού, οι προβλέψεις παρέμειναν ακριβείς, γεγονός που υποδεικνύει ότι μπορούν να υπάρχουν ακριβείς προβλέψεις ακόμη και χωρίς άμεσες μετρήσεις ταχύτητας. Η συμπερίληψη των καιρικών και θαλάσσιων συνθηκών βελτίωσε ακόμη περισσότερο την προγνωστική ποιότητα, επιβεβαιώνοντας τη σημασία τους για τα μοτίβα κατανάλωσης καυσίμων. Η μελέτη καταλήγει στο συμπέρασμα ότι οι προηγμένες μέθοδοι μηχανικής μάθησης είναι σε θέση να προσφέρουν αξιόπιστες και ερμηνεύσιμες προβλέψεις για την κατανάλωση καυσίμων των πλοίων ακόμη και σε σενάρια μερικής διαθεσιμότητας δεδομένων. Αυτά τα ευρήματα έχουν άμεσες εφαρμογές στην παρακολούθηση καυσίμου σε πραγματικό χρόνο, στη βελτιστοποίηση ταξιδιών και την ελαχιστοποίηση του περιβαλλοντικού αποτυπώματος της ναυτιλίας. Μελλοντικές έρευνες θα μπορούσαν να διερευνήσουν μεγαλύτερα σύνολα δεδομένων, πρόσθετες περιβαλλοντικές παραμέτρους και υβριδικές μεθόδους μοντελοποίησης για την ενίσχυση της ανθεκτικότητας και της προσαρμοστικότητας.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Γκούμας Αντώνιος
- Gkoumas Antonios
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:5311839