Wetenschap
Maritieme ingenieurs hebben een app voor energievervoer getraind om meer dan een kwart miljoen ton CO2-uitstoot te besparen door machine learning toe te passen op het voorspellende systeem.
Onderzoekers van de University of Southampton en Shell Shipping and Maritime hebben een digitaal dashboard ontwikkeld dat kapiteins helpt te reageren op veranderende zeecondities.
De Just Add Water, of JAWS, app interpreteert diepten en hoeken van een schip dat bekend staat als de diepgang en trim om de hoeveelheid brandstof en vermogen die nodig is in een bepaalde situatie te optimaliseren.
Een nieuw machine learning-model werd geïntroduceerd via het Center for Maritime Futures van de partners, die vooroploopt in digitale en technologische vooruitgang voor veiligere, schonere en efficiëntere verzending.
Ingenieurs hebben het systeem gedurende 12 maanden uitgeprobeerd op een vloot van meer dan een dozijn 300 meter lange LNG-tankers. cumulatief opnemen van de besparing van 250, 000 ton CO2-uitstoot, gelijk aan een brandstofbesparing van $ 90 miljoen.
De nieuwe modelleringstechniek is ontwikkeld door postdoctorale onderzoeksstudent Amy Parkes tijdens haar promotieonderzoek bij de onderzoeksgroep Maritieme Techniek, waar haar tijd is verdeeld tussen Southampton en Shell.
"LNG-tankers hebben een groot oppervlak, dus wind, golven en stroming kunnen een enorm verschil maken voor de hoeveelheid kracht die nodig is tijdens een reis, "zegt Amy. "Deze schepen kunnen hoog of laag in het water liggen, onder verschillende hoeken in het water en hebben verschillende niveaus van aangroei, wat van invloed is op de hoeveelheid energie die ze nodig hebben om zich te verplaatsen.
"Shell verzamelt een enorme hoeveelheid gegevens van deze schepen en deze app is ontworpen om deze variabelen te monitoren en aan te passen om energie te besparen zonder de algehele snelheid van het schip te veranderen."
Vroege iteraties van de app berekenden warmtekaarten met behulp van een middelingssysteem voordat Amy het proces automatiseerde en geavanceerder maakte met behulp van modelleringstechnieken die tijdens haar promotieonderzoek waren geoptimaliseerd.
"Door machinaal leren, het is nu mogelijk om gegevens van eerdere implementaties te analyseren en toekomstige implementaties te voorspellen op basis van instellingen uit het verleden, het creëren van een proces dat veel gebruiksvriendelijker is, " zegt ze. "Dit is alleen mogelijk vanwege de mogelijkheid om veel snellere en nauwkeurigere gegevens te verzamelen.
"Zodra de technologie zich verder heeft ontwikkeld, we willen dat het dashboard de toestand van het schip naast de weersomstandigheden in de gaten houdt en autonoom bijstuurt."
Wetenschap © https://nl.scienceaq.com