Modeling Vessel Shaft Power from Noon Reports: Data Fusion Strategies for Deep Learning under varying Data Availability

يتحرك الاقتصاد العالمي عبر المياه. فما يقرب من ثمانين بالمائة من التجارة الدولية تسافر عبر السفن، مما يجعل النقل البحري العمود الفقري غير المرئي للحياة الحديثة. وللحفاظ على تشغيل هذه السفن الضخمة بكفاءة، يحتاج المشغلون إلى فهم مقدار الطاقة التي تستهلكها محركاتهم في أي لحظة معينة. وهذه الطاقة، المعروفة باسم قدرة العمود (shaft power)، ترتبط ارتباطًا مباشرًا باستهلاك الوقود وانبعاثات الغازات الدفيئة التي تطلقها السفن. فكلما تحركت السفينة بكفاءة أكبر عبر الماء، قل استهلاكها للوقود وظلت الأجواء أكثر نقاءً. ومع ذلك، فإن معرفة هذه القدرة في الوقت الفسبعلي أمر صعب. فبينما تُجهز بعض السفن الحديثة بمستشعرات عالية التقنية تسجل أداء المحرك كل خمس عشرة دقيقة، تعمل العديد من السفن بدونها. وبدلاً من ذلك، تعتمد على "تقارير الظهيرة" (noon reports)، وهي مدخلات سجل تقليدية يدونها الطاقم مرة واحدة يوميًا. تلتقط هذه الملاحظات اليومية لقطة لرحلة السفينة، بما في ذلك سرعتها، والطقس، ومخرجات المحرك، لكنها تفتقر إلى التفاصيل الدقيقة للمراقبة المستمرة. لعقود من الزمن، جعلت هذه الفجوة في البيانات من الصعب التنبؤ بكيفية أداء السفينة أو تحسين مسارها لتوفير الوقود، مما ترك فجوة كبيرة في الجهود الرامية لجعل الشحن أكثر رفقًا بالبيئة.

قام فريق من الباحثين في مختبر "سيملوا" للأبحاث (Simula Research Laboratory) في النرويج بتطوير طريقة جديدة لسد هذه الفجوة. فقد تساءلوا عما إذا كان من الممكن استخدام تقارير الظهيرة اليومية المتفرقة، مدمجة مع البيانات العامة حول الطقس والتيارات المحيطية، للتنبؤ بدقة بقدرة المحرك للسفينة، حتى عندما تكون بيانات التردد العالي للمستشعرات مفقودة. ولاختبار ذلك، قاموا ببناء ثلاثة نماذج مختلفة من التعلم العميق، وهو نوع من الذكاء الاصطناعي الذي يتعلم الأنماط من البيانات. صُمم كل نموذج لحالة مختلفة: نموذج للسفن التي لديها القليل جدًا من البيانات التاريخية، ونموذج للسفن التي لديها بضعة أشهر من السجلات، ونموذج للسفن التي لديها سنوات من السجلات. اختبر الباحثون هذه النماذج على مجموعتين مختلفتين تمامًا من السفن: ثماني سفن نقل صب ضخمة وسبع ناقلات نفط. ووجدوا أنه من خلال دمج سجلات الطاقم اليومية مع المعلومات الخارجية حول الرياح والأمواج والتيارات، يمكنهم تحسين دقة التنبؤ بالقدرة بشكل كبير. والأهم من ذلك، اكتشفوا أن الطريقة المثلى للاستخدام تعتمد كليًا على كمية البيانات المتاحة لسفينة معينة، وليس على مدى تشابه تلك السفينة مع السفن الأخرى.

يكمن التحدي الجوهري في طبيعة البيانات. توفر تقارير الظهيرة متوسطًا يوميًا، لكن المحيط يتغير باستمرار. قد تواجه السفينة عاصفة في الصباح وبحارًا هادئة في بعد الظهر، ومع ذلك لا يسجل دفتر السجل سوى رقم واحد لليوم بأكمله. أدرك الباحثون أنه للتنبؤ بقدرة المحرك بدقة، كانوا بحاجة إلى إعادة بناء التفاصيل المفقودة لليوم. وقد فعلوا ذلك عن طريق أخذ التقرير اليومي و"رفع مستوى العينة" (upsampling)، وملء الفجوات ببيانات من مصادر عامة مثل خرائط الطقس عبر الأقمار الصناعية وأجهزة مراقبة التيارات المحيطية. خلق هذا صورة أغنى لرحلة السفينة، محولًا بفعالية ملاحظة يومية واحدة إلى جدول زمني مفصل للأحداث. ومع ذلك، فإن مجرد تغذية هذه البيانات الجديدة في نموذج حاسوبي قياسي لم ينجح بشكل جيد لأن النموذج كان لا يزال يفتقر إلى قراءات القدرة الحقيقية دقيقة الدقيقة للتعلم منها. اضطر الباحثون إلى ابتكار طرق جديدة لتعليم النماذج باستخدام الملخصات اليومية فقط.

استخدم نهجهم الأول، المصمم للسفن التي لديها بيانات قليلة جدًا، تقنية تسمى "التعلم بنقل المعرفة" (transfer learning). تخيل طالبًا تعلم بالفعل موضوعًا بالتفصيل ثم يحاول تعليم طالب جديد لديه بضع ملاحظات فقط. أخذ الباحثون نموذجًا تم تدريبه على بيانات المستشعرات عالية الجودة لسفينة واحدة واستخدموه كنقطة انطلاق لسفينة أخرى تمتلك فقط سجلات يومية. ومن خلال تجميد الطبقات الأولى من النموذج التي تفهم الفيزياء العامة وإعادة تدريب الطبقة النهائية فقط باستخدام سجلات السفينة الجديدة المحدودة، تمكنوا من نقل المعرفة بفعالية. أثبتت هذه الطريقة أنها الأكثر قوة للسفن التي ليس لديها تاريخ تقريبًا، مما سمح لهم بإجراء تنبؤات موثوقة باستخدام شهر واحد فقط من البيانات. وقد عملت بشكل جيد بما يكفي لإظهار إمكانية نقل المعرفة بين أساطيل ناقلات الصب والناقلات النفطية المحددة التي تم اختبارها، رغم أن الدراسة أشارت إلى أن هذا تم تقييمه باستخدام سفينة مصدر واحدة، ولم يتم تقييم التعميم على فئات السفن الأخرى.

بالنسبة للسفن التي لديها كمية متوسطة من البيانات، وتحديدًا ما بين شهرين إلى أربعة أشهر من السجلات، وجد الباحثون أن استراتيجية مختلفة كانت الأفضل. تعامل هذا النهج مع السجل اليومي كأنه لغز. طُلب من النموذج القيام بشيئين في آن واحد: التنبؤ بقدرة المحرك ومحاولة إعادة بناء التفاصيل عالية التردد المفقودة لليوم بناءً على المتوسط اليومي. ومن خلال إجبار النموذج على فهم الأنماط الأساسية لليوم لحل مهمة إعادة البناء، تعلم تمثيلًا أفضل لسلوك السفينة. وفرت هذه الطريقة، التي سماها الباحثون "التعلم الموجه بإعادة البناء" (reconstruction-guided learning)، حلاً وسطًا مستقرًا. كانت أكثر موثوقية من طريقة التعلم بنقل المعرفة للسفن التي تمتلك هذا القدر المحدد من التاريخ، حيث قدمت توازنًا بين الأداء والاستقرار دون الحاجة إلى "سفينة شقيقة" للتعلم منها.

عندما امتلكت السفن تاريخًا طويلًا من السجلات، يمتد لستة أشهر أو أكثر، أصبح النهج الثالث هو الفائز الواضح. غيرت هذه الطريقة، المعروفة باسم "الإشراف بخسارة التجميع" (aggregate loss supervision)، طريقة تعلم النموذج. فبدلاً من محاولة التنبؤ بالقدرة لكل لحظة من لحظات اليوم، تم تدريب النموذج لضمان أن متوسط تنبؤاته لليوم يطابق مدخل السجل اليومي الفعلي. سمح هذا للنموذج بتعلم الاتجاهات والأنماط العامة لعمليات السفينة دون أن يرتبك بـ "ضجيج" نقاط البيانات المفقودة. ومع وجود بيانات تاريخية كافية، أنتجت هذه الطريقة أدق التنبؤات من بين جميع النهج. وقد أظهرت أنه مع توفر بيانات كافية، يمكن للنموذذج أن يتعلم تعميم سلوك السفينة بشكل جيد لدرجة تمكنه من التنبؤ بالقدرة بتردد عالٍ، مما يطابق تفاصيل بيانات المستشعرات المكلفة، رغم أنه تم تدريبه فقط على السجلات اليومية.

ظهرت نتيجة مفاجئة عندما نظر الباحثون في كيفية اختيار الطريقة المناسبة لسفينة جديدة. كانوا يتوقعون أن التشابه الفيزيائي بين السفن — مثل حجمها، أو نوع محركها، أو سرعتها — سيكون العامل الرئيسي. لقد بنوا مؤشرًا معقدًا لقياس مدى تشابه سفينتين، آملين في استخدامه لتوجيه اختيار النموذج الأفضل. ومع ذلك، أظهرت البيانات عدم وجود رابط معنوي بين هذا التشابه ونجاح النموذج. بدلاً من ذلك، كان التنبؤ الأكثر موثوقية للنجاح هو مدى قدرة السجلات اليومية الخاصة بالسفينة نفسها على التنبؤ بقدرتها قبل تطبيق أي نمذجة متقدمة. فإذا كانت سجلات السفينة قابلة للتنبؤ إلى حد ما بالفعل، فإن طريقة التعلم بنقل المعرفة تعمل بشكل أفضل. وإذا كانت السجلات فوضوية، فإن الطرق الأخرى مطلوبة. يشير هذا إلى أن المشغلين ليسوا بحاجة للبحث عن "سفينة شقيقة" للحصول على نموذج جيد؛ بل يحتاجون فقط إلى تقييم جودة البيانات التي تنتجها سفينتهم بالفعل.

تناولت الدراسة أيضًا السؤال العملي حول مقدار البيانات المطلوبة للبدء. بالنسبة لطريقة التعلم بنقل المعرفة، وجد الباحثون أن السفينة يمكنها تحقيق تنبؤات موثوقة في غضون شهر واحد فقط إذا كانت تتدرب على تاريخ سفينة مماثلة. وبالنسبة لطريقة إعادة البناء، كانت هناك حاجة لنحو أربعة أشهر من البيانات للوصول إلى حالة مستقرة. أما طريقة "خسارة التجميع"، ورغم كونها الأكثر دقة، فقد تطلبت ستة أشهر على الأقل من البيانات للوصول إلى حل موثوق. توفر هذه العتبات خارطة طريق واضحة لشركات الشحن: إذا كانت السفينة جديدة تمامًا، استخدم نهج التعلم بنقل المعرفة؛ وإذا كان لديها بضعة أشهر من السجلات، فاستخدم طريقة إعادة البناء؛ وإذا كان لديها عام من السجلات، فانتقل إلى طريقة خسارة التجميع للحصول على أعلى دقة.

في النهاية، يوضح البحث أنه يمكن التغلب على قيود البيانات اليومية المتفرقة من خلال دمجها مع المعلومات الخارجية الصحيحة واستراتيجية التعلم الصحيحة. لقد دحضت الدراسة فكرة أن نموذجًا واحدًا يمكن أن يعمل لكل سفينة أو أن التشابه الفيزيائي هو العامل الحاسم. بدلاً من ذلك، أظهرت أن كمية البيانات التاريخية المتاحة هي المتغير الأكثر أهمية. ومن خلال مطابقة نهج النمذجة مع توفر البيانات، يمكن تحويل السجلات اليومية البسيطة إلى أداة قوية لمراقبة أداء السفينة. تتيح هذه القدرة للمشغلين تحسين المسارات وتقليل استهلاك الوقود دون الحاجة إلى تركيب مستشعرات باهظة الثمن على كل سفينة في الأسطول. تقدم النتائج مسارًا عمليًا لصناعة الشحن لتحسين الكفاءة وتقليل بصمتها البيئية، مما يثبت أنه حتى أقدم مصادر البيانات يمكن إحياؤها باستخدام التقنيات الحديثة.