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

L'économie mondiale se déplace sur l'eau. Environ quatre-vingts pour cent du commerce international transite par voie maritime, faisant du transport maritime la colonne vertébrale invisible de la vie moderne. Pour faire fonctionner ces navires massifs de manière efficace, les opérateurs doivent comprendre exactement la puissance que leurs moteurs utilisent à n'importe quel moment donné. Cette puissance, appelée puissance de l'arbre, est directement liée à la consommation de carburant et aux émissions de gaz à effet de serre des navires. Plus un navire se déplace efficacement dans l'eau, moins il brûle de carburant et plus l'air reste propre. Cependant, connaître cette puissance en temps réel est difficile. Bien que certains navires modernes soient équipés de capteurs de haute technologie qui enregistrent les performances du moteur toutes les quinze minutes, de nombreux navires fonctionnent sans eux. Au lieu de cela, ils s'appuient sur les « rapports de midi » (noon reports), une entrée traditionnelle dans le journal de bord effectuée une fois par jour par l'équipage. Ces notes quotidiennes capturent un instantané du voyage du navire, incluant sa vitesse, la météo et la puissance du moteur, mais elles manquent de la précision du suivi continu. Pendant des décennies, ce manque de données a rendu difficile la prédiction de la performance d'un navire ou l'optimisation de sa route pour économiser du carburant, laissant un angle mort important dans l'effort de verdissement du transport maritime.

Une équipe de chercheurs du Laboratoire de recherche Simula en Norvège a développé une nouvelle façon de combler cette lacune. Ils se sont demandé s'il était possible d'utiliser les rapports de midi épars et quotidiens, combinés à des données publiques sur la météo et les courants océaniques, pour prédire avec précision la puissance du moteur d'un navire, même lorsque les données de capteurs à haute fréquence sont manquantes. Pour tester cela, ils ont construit trois modèles différents d'apprentissage profond (deep learning), un type d'intelligence artificielle qui apprend des schémas à partir de données. Chaque modèle a été conçu pour une situation différente : un pour les navires ayant très peu de données historiques, un pour les navires possédant quelques mois de registres, et un pour les navires disposant d'années d'archives. Les chercheurs ont testé ces modèles sur deux groupes de navires très différents : huit vraquiers de grande taille et sept pétroliers. Ils ont découvert qu'en fusionnant les journaux quotidiens de l'équipage avec des informations externes sur le vent, les vagues et les courants, ils pouvaient améliorer considérablement la précision des prédictions de puissance. Plus important encore, ils ont découvert que la meilleure méthode à utiliser dépend entièrement de la quantité de données disponibles pour un navire spécifique, plutôt que de la similitude de ce navire avec d'autres.

Le cœur du défi réside dans la nature des données. Les rapports de midi fournissent une moyenne quotidienne, mais l'océan est en constante mutation. Un navire peut rencontrer une tempête le matin et des mers calmes l'après-midi, pourtant le journal de bord ne consigne qu'un seul chiffre pour la journée entière. Les chercheurs ont réalisé que pour prédire la puissance du moteur avec précision, ils devaient reconstruire les détails manquants de la journée. Ils y sont parvenus en prenant le rapport quotidien et en effectuant un « suréchantillonnage » (upsampling), en comblant les lacunes avec des données provenant de sources publiques telles que les cartes météorologiques satellitaires et les moniteurs de courants océaniques. Cela a créé une image beaucoup plus riche du voyage du navire, transformant effectivement une simple note quotidienne en une chronologie détaillée des événements. Cependant, le simple fait de nourrir un modèle informatique standard avec ces nouvelles données n'a pas bien fonctionné car le modèle manquait toujours des lectures de puissance réelles, minute par minute, pour apprendre. Les chercheurs ont dû inventer de nouvelles façons d'enseigner aux modèles en utilisant uniquement les résumés quotidiens.

Leur première approche, conçue pour les navires ayant très peu de données, utilisait une technique appelée transfert d'apprentissage (transfer learning). Imaginez un étudiant qui a déjà appris un sujet en détail et qui tente ensuite d'enseigner à un nouvel étudiant qui n'a que quelques notes. Les chercheurs ont pris un modèle qui avait été entraîné sur les données de haute qualité des capteurs d'un navire et l'ont utilisé comme point de départ pour un autre navire qui ne possédait que des journaux quotidiens. En figeant les premières couches du modèle qui comprenaient la physique générale et en ne réentraînant que la dernière couche avec les registres limités du nouveau navire, ils pouvaient transférer les connaissances efficacement. Cette méthode s'est avérée la plus robuste pour les navs ayant presque aucun historique, leur permettant de faire des prédictions fiables avec seulement un mois de données. Elle fonctionnait suffisamment bien pour démontrer la transférabilité entre les flottes spécifiques de vraquiers et de pétroliers testées, bien que l'étude ait noté que cela a été évalué à l'aide d'un seul navire source et que la généralisation à d'autres catégories de navires n'a pas été évaluée.

Pour les navires disposant d'une quantité modérée de données, spécifiquement entre deux et quatre mois de registres, les chercheurs ont trouvé qu'une stratégie différente fonctionnait mieux. Cette approche traitait le journal quotidien comme un puzzle. Le modèle devait accomplir deux tâches à la fois : prédire la puissance du moteur et tenter de reconstruire les détails haute fréquence manquants de la journée sur la base de la moyenne quotidienne. En forçant le modèle à comprendre les schémas sous-jacents de la journée pour résoudre la tâche de reconstruction, celui-ci apprenait une meilleure représentation du comportement du navire. Cette méthode, que les chercheurs ont appelée apprentissage guidé par la reconstruction (reconstruction-guided learning), offrait un juste milieu stable. Elle était plus fiable que la méthode de transfert d'apprentissage pour les navires ayant ce volume spécifique d'historique, offrant un équilibre entre performance et stabilité sans avoir besoin d'un « navire jumeau » pour apprendre.

Lorsque les navires possédaient un long historique de registres, s'étendant sur six mois ou plus, une troisième approche s'est imposée comme la gagnante incontestée. Cette méthode, connue sous le nom de supervision par perte agrégée (aggregate loss supervision), changeait la façon dont le modèle apprenait. Au lieu d'essayer de prédire la puissance pour chaque instant de la journée, le modèle était entraîné pour s'assurer que la moyenne de ses prédictions pour la journée correspondait à l'entrée réelle du journal quotidien. Cela permettait au modèle d'apprendre les tendances globales et les schémas de fonctionnement du navire sans être perturbé par le bruit des points de données manquants. Avec suffisamment de données historiques, cette méthode produisait les prédictions les plus précises de toutes, surpassant les deux autres approches. Elle a démontré qu'avec suffisamment de données, le modèle pouvait apprendre à généraliser le comportement du navire si bien qu'il pouvait prédire la puissance à une haute fréquence, égalant la précision des données des capteurs coûteux, bien qu'il n'ait été entraîné que sur les journaux quotidiens.

Un résultat surprenant est apparu lorsque les chercheurs ont examiné comment choisir la bonne méthode pour un nouveau navire. Ils s'attendaient à ce que la similitude physique entre les navires — telle que leur taille, le type de moteur ou la vitesse — soit le facteur clé. Ils ont construit un indice complexe pour mesurer la similitude entre deux navires, espérant l'utiliser pour guider la sélection du meilleur modèle. Cependant, les données n'ont montré aucun lien significatif entre cette similitude et le succès du modèle. Au contraire, le prédicteur le plus fiable du succès était simplement la capacité des propres journaux du navire à prédire sa puissance avant toute modélisation avancée. Si les propres journaux d'un navire étaient déjà relativement prévisibles, la méthode de transfert d'apprentissage fonctionnait le mieux. Si les journaux étaient chaotiques, les autres méthodes étaient nécessaires. Cela suggère que les opérateurs n'ont pas besoin de chercher un « navire jumeau » pour obtenir un bon modèle ; ils doivent simplement évaluer la qualité des données que leur propre navire produit déjà.

L'étude a également abordé la question pratique de savoir de combien de données on a besoin pour commencer. Pour la méthode de transfert d'apprentissage, les chercheurs ont constaté qu'un navire pouvait obtenir des prédictions fiables avec seulement un mois de données s'il était entraîné sur l'historique d'un navire similaire. Pour la méthode de reconstruction, environ quatre mois de données étaient nécessaires pour atteindre un état stable. La méthode de la perte agrégée, bien que la plus précise, nécessitait au moins six mois de données pour converger vers une solution fiable. Ces seuils fournissent une feuille de route claire pour les compagnies maritimes : si un navire est très récent, utilisez l'approche de transfert d'apprentissage ; s'il possède quelques mois de registres, utilisez la méthode de reconstruction ; et s'il possède un an de registres, passez à la méthode de la perte agrégée pour une précision maximale.

En fin de compte, la recherche démontre que les limites des données quotidiennes éparses peuvent être surmontées en les fusionnant avec les bonnes informations externes et la bonne stratégie d'apprentissage. L'étude a écarté l'idée qu'un modèle unique puisse fonctionner pour chaque navire ou que la similitude physique soit le facteur décisif. Au lieu de cela, elle a montré que la quantité de données historiques disponibles est la variable la plus critique. En adaptant l'approche de modélisation à la disponibilité des données, il est possible de transformer de simples journaux quotidiens en un outil puissant pour surveiller la performance des navires. Cette capacité permet aux opérateurs d'optimiser les routes et de réduire la consommation de carburant sans avoir besoin d'installer des capteurs coûteux sur chaque navire de la flotte. Les conclusions offrent une voie pratique pour l'industrie maritime afin d'améliorer l'efficacité et de réduire son empreinte environnementale, prouvant que même les sources de données les plus anciennes peuvent être revitalisées grâce aux techniques modernes.