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

वैश्विक अर्थव्यवस्था पानी के ऊपर चलती है। लगभग अस्सी प्रतिशत अंतर्राष्ट्रीय व्यापार जहाजों द्वारा होता है, जो समुद्री परिवहन को आधुनिक जीवन की अदृश्य रीढ़ बनाता है। इन विशाल जहाजों को कुशलतापूर्वक चलाने के लिए, ऑपरेटरों को यह समझने की आवश्यकता होती है कि उनके इंजन किसी भी क्षण कितनी शक्ति का उपयोग कर रहे हैं। यह शक्ति, जिसे शाफ्ट पावर (shaft power) कहा जाता है, सीधे ईंधन की खपत और जहाजों द्वारा उत्सर्जित ग्रीनहाउस गैसों से जुड़ी होती है। एक जहाज पानी में जितनी कुशलता से चलता है, वह उतना ही कम ईंधन जलाता है और हवा उतनी ही स्वच्छ रहती है। हालाँकि, इस शक्ति को वास्तविक समय (real time) में जानना कठिन है। जबकि कुछ आधुनिक जहाज उच्च-तकनीकी सेंसरों से लैस हैं जो हर पंद्रह मिनट में इंजन के प्रदर्शन को रिकॉर्ड करते हैं, कई जहाज इनके बिना काम करते हैं। इसके बजाय, वे "नून रिपोर्ट्स" (noon reports) पर निर्भर रहते हैं, जो चालक दल द्वारा दिन में एक बार बनाई गई एक पारंपरिक लॉगबुक प्रविष्टि है। ये दैनिक नोट्स जहाज की यात्रा का एक स्नैपशॉट कैप्चर करते हैं, जिसमें इसकी गति, मौसम और इंजन का आउटपुट शामिल होता है, लेकिन इनमें निरंतर निगरानी जैसा सूक्ष्म विवरण नहीं होता। दशकों से, डेटा की इस कमी ने यह अनुमान लगाना कठिन बना दिया है कि एक जहाज कैसा प्रदर्शन करेगा या ईंधन बचत के लिए इसके मार्ग को कैसे अनुकूलित किया जाए, जिससे शिपिंग को हरा-भरा बनाने के प्रयासों में एक महत्वपूर्ण अंधा मोड़ (blind spot) रह गया है।

नॉर्वे की सिम्युला रिसर्च लेबोरेटरी (Simula Research Laboratory) के शोधकर्ताओं की एक टीम ने इस अंतर को भरने का एक नया तरीका विकसित किया है। उन्होंने पूछा कि क्या सार्वजनिक मौसम और समुद्री धाराओं के डेटा के साथ मिलकर, विरल (sparse), दैनिक नून रिपोर्ट्स का उपयोग करके, इंजन की शक्ति का सटीक अनुमान लगाना संभव है, भले ही उच्च-आवृत्ति वाले सेंसर डेटा मौजूद न हों। इसका परीक्षण करने के लिए, उन्होंने तीन अलग-अलग डीप लर्निंग मॉडल बनाए, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है जो डेटा से पैटर्न सीखता है। प्रत्येक मॉडल को एक अलग स्थिति के लिए डिज़ाइन किया गया था: एक उन जहाजों के लिए जिनके पास बहुत कम ऐतिहासिक डेटा है, एक उन जहाजों के लिए जिनके पास कुछ महीनों के लॉग हैं, और एक उन जहाजों के लिए जिनके पास वर्षों के रिकॉर्ड हैं। शोधकर्ताओं ने इन मॉडलों का परीक्षण जहाजों के दो बहुत अलग समूहों पर किया: आठ बड़े बल्क कैरियर और सात ऑयल टैंकर। उन्होंने पाया कि दैनिक चालक लॉग को हवा, लहरों और धाराओं की बाहरी जानकारी के साथ जोड़कर, वे शक्ति के अनुमानों की सटीकता में काफी सुधार कर सकते हैं। अधिक महत्वपूर्ण बात यह है कि उन्होंने खोजा कि सबसे अच्छा तरीका पूरी तरह से इस बात पर निर्भर करता है कि किसी विशिष्ट जहाज के लिए कितना डेटा उपलब्ध है, न कि इस पर कि वह जहाज दूसरों के कितना समान है।

चुनौती का मूल कारण डेटा की प्रकृति में निहित है। नून रिपोर्ट्स एक दैनिक औसत प्रदान करती हैं, लेकिन समुद्र लगातार बदलता रहता है। एक जहाज सुबह तूफान का सामना कर सकता है और दोपहर में शांत समुद्र का, फिर भी लॉगबुक पूरे दिन के लिए केवल एक संख्या रिकॉर्ड करती है। शोधकर्ताओं ने महसूस किया कि इंजन की शक्ति का सटीक अनुमान लगाने के लिए, उन्हें दिन के छूटे हुए विवरणों को पुनर्गणना (reconstruct) करने की आवश्यकता थी। उन्होंने ऐसा करने के लिए दैनिक रिपोर्ट को लिया और उसे "अपसैंपलिंग" (upsampling) किया, यानी उपग्रह मौसम मानचित्रों और समुद्री धारा मॉनिटरों जैसे सार्वजनिक स्रोतों से डेटा के साथ अंतराल को भरा। इसने जहाज की यात्रा की एक बहुत समृद्ध तस्वीर बनाई, जिससे एक एकल दैनिक नोट प्रभावी रूप से घटनाओं की एक विस्तृत टाइमलाइन में बदल गया। हालाँकि, इस नए डेटा को केवल एक मानक कंप्यूटर मॉडल में डालने से काम नहीं बना क्योंकि मॉडल के पास सीखने के लिए वास्तविक, मिनट-दर-मिनट की शक्ति रीडिंग की कमी थी। शोधकर्ताओं को केवल दैनिक सारांशों का उपयोग करके मॉडलों को सिखाने के नए तरीके खोजने पड़े।

उनका पहला दृष्टिकोण, जो बहुत कम डेटा वाले जहाजों के लिए डिज़ाइन किया गया था, उसमें "ट्रांसफर लर्निंग" (transfer learning) नामक तकनीक का उपयोग किया गया। कल्पना कीजिए कि एक छात्र जिसने पहले से ही किसी विषय को विस्तार से सीखा है और फिर वह एक नए छात्र को सिखाने की कोशिश करता है जिसके पास केवल कुछ नोट्स हैं। शोधकर्ताओं ने एक ऐसा मॉडल लिया जिसे एक जहाज के उच्च-गुणवत्ता वाले सेंसर डेटा पर प्रशिक्षित किया गया था और उसका उपयोग एक अलग जहाज के लिए शुरुआती बिंदु के रूप में किया जिसके पास केवल दैनिक लॉग थे। मॉडल के शुरुआती परतों को, जो सामान्य भौतिकी को समझते हैं, फ्रीज करके और केवल अंतिम परत को उस नए जहाज के सीमित लॉग के साथ पुनः प्रशिक्षित करके, वे प्रभावी ढंग से ज्ञान को स्थानांतरित कर सके। यह तरीका उन जहाजों के लिए सबसे मजबूत साबित हुआ जिनका इतिहास लगभग शून्य था, जिससे वे एक महीने के डेटा के साथ भी विश्वसनीय भविष्यवाणियां करने में सक्षम हुए। यह विशिष्ट बल्क कैरियर और ऑयल टैंकर बेड़े के बीच क्रॉस-फ्लीट ट्रांसफर क्षमता को प्रदर्शित करने के लिए पर्याप्त अच्छा था, हालांकि अध्ययन में उल्लेख किया गया कि इसका मूल्यांकन एक एकल स्रोत जहाज का उपयोग करके किया गया था और अन्य जहाज श्रेणियों में सामान्यीकरण का आकलन नहीं किया गया था।

मध्यम मात्रा में डेटा वाले जहाजों के लिए, विशेष रूप से दो से चार महीने के लॉग के बीच, शोधकर्ताओं ने पाया कि एक अलग रणनीति सबसे अच्छा काम करती है। इस दृष्टिकोण ने दैनिक लॉग को एक पहेली की तरह माना। मॉडल को एक साथ दो काम करने के लिए कहा गया: इंजन की शक्ति की भविष्यवाणी करना और दैनिक औसत के आधार पर दिन के छूटे हुए उच्च-आवृत्ति विवरणों को पुनर्गठित करने का प्रयास करना। मॉडल को दैनिक औसत के आधार पर दिन के अंतर्निहित पैटर्न को समझने के लिए मजबूर करके, इसने जहाज के व्यवहार का एक बेहतर प्रतिनिधित्व सीखा। इस पद्धति ने, जिसे शोधकर्ताओं ने "रिकंस्ट्रक्शन-गाइडेड लर्निंग" (reconstruction-guided learning) कहा, एक स्थिर मध्य मार्ग प्रदान किया। यह उन जहाजों के लिए ट्रांसफर लर्निंग पद्धति की तुलना में अधिक विश्वसनीय था जिनके पास इस विशिष्ट मात्रा में इतिहास था, जो एक "सिस्टर शिप" से सीखने की आवश्यकता के बिना प्रदर्शन और स्थिरता का संतुलन प्रदान करता था।

जब जहाजों के पास छह महीने या उससे अधिक का लंबा इतिहास होता, तो तीसरा दृष्टिकोण स्पष्ट विजेता बन गया। यह विधि, जिसे "एग्रीगेट लॉस सुपरविजन" (aggregate loss supervision) कहा जाता है, ने मॉडल के सीखने के तरीके को बदल दिया। दिन के हर एक क्षण के लिए शक्ति की भविष्यवाणी करने के बजाय, मॉडल को यह सुनिश्चित करने के लिए प्रशिक्षित किया गया कि उसके भविष्यवाणियों का औसत वास्तविक दैनिक लॉग प्रविष्टि से मेल खाता हो। इसने मॉडल को जहाज के संचालन के समग्र रुझानों और पैटर्न को सीखने की अनुमति दी बिना लापता डेटा बिंदुओं के शोर से भ्रमित हुए। पर्याप्त ऐतिहासिक डेटा के साथ, इस पद्धति ने अन्य दोनों दृष्टिकोणों से बेहतर प्रदर्शन करते हुए, सभी में सबसे सटीक भविष्यवाणियां कीं। इसने प्रदर्शित किया कि पर्याप्त डेटा के साथ, मॉडल जहाज के व्यवहार को इतनी अच्छी तरह से सामान्यीकृत कर सकता है कि वह उच्च आवृत्ति पर शक्ति की भविष्यवाणी कर सके, जो महंगे सेंसर डेटा के विवरण से मेल खाती है, भले ही इसे केवल दैनिक लॉग पर प्रशिक्षित किया गया हो।

एक आश्चर्यजनक निष्कर्ष तब सामने आया जब शोधकर्ताओं ने यह देखा कि एक नए जहाज के लिए सही विधि कैसे चुनी जाए। उन्हें उम्मीद थी कि जहाजों के बीच भौतिक समानता—जैसे कि उनका आकार, इंजन का प्रकार, या गति—मुख्य कारक होगी। उन्होंने दो जहाजों के बीच समानता को मापने के लिए एक जटिल सूचकांक बनाया, यह आशा करते हुए कि वे सर्वश्रेष्ठ मॉडल का चयन करने के लिए इसका उपयोग कर सकेंगे। हालाँकि, डेटा ने दिखाया कि इस समानता और मॉडल की सफलता के बीच कोई महत्वपूर्ण संबंध नहीं था। इसके बजाय, सफलता का सबसे विश्वसनीय भविष्यवक्ता केवल यह था कि किसी जहाज के अपने लॉग का उपयोग उसके पावर की भविष्यवाणी करने के लिए कितनी अच्छी तरह किया जा सकता था, इससे पहले कि कोई उन्नत मॉडलिंग लागू की जाए। यदि किसी जहाज के अपने लॉग पहले से ही कुछ हद तक अनुमान लगाने योग्य थे, तो ट्रांसफर लर्निंग पद्धति सबसे अच्छा काम करती थी। यदि लॉग अराजक (chaotic) थे, तो अन्य पद्धतियों की आवश्यकता थी। यह सुझाव देता है कि ऑपरेटरों को एक अच्छा मॉडल प्राप्त करने के लिए "सिस्टर शिप" खोजने की आवश्यकता नहीं है; उन्हें बस यह आकलन करने की आवश्यकता है कि उनका अपना जहाज पहले से ही जो डेटा उत्पन्न कर रहा है उसकी गुणवत्ता कैसी है।

अध्ययन ने इस व्यावहारिक प्रश्न को भी संबोधित किया कि शुरुआत करने के लिए कितने डेटा की आवश्यकता है। ट्रांसफर लर्निंग पद्धति के लिए, शोधकर्ताओं ने पाया कि यदि इसे किसी समान जहाज के इतिहास पर प्रशिक्षित किया जा रहा है, तो एक जहाज केवल एक महीने के डेटा के साथ विश्वसनीय भविष्यवाणियां प्राप्त कर सकता है। रिकंस्ट्रक्शन पद्धति के लिए, एक स्थिर अवस्था तक पहुँचने के लिए लगभग चार महीने के डेटा की आवश्यकता थी। एग्रीगेट लॉस पद्धति, जो सबसे सटीक है, को एक विश्वसनीय समाधान पर अभिसरण (converge) करने के लिए कम से कम छह महीने के डेटा की आवश्यकता थी। ये सीमाएं शिपिंग कंपनियों के लिए एक स्पष्ट रोडमैप प्रदान करती हैं: यदि जहाज बिल्कुल नया है, तो ट्रांसफर लर्निंग दृष्टिकोण का उपयोग करें; यदि उसके पास कुछ महीनों के लॉग हैं, तो रिकंस्ट्रक्शन पद्धति का उपयोग करें; और यदि उसके पास एक वर्ष के लॉग हैं, तो उच्चतम सटीकता के लिए एग्रीगेट लॉस पद्धति पर स्विच करें।

अंत में, यह शोध प्रदर्शित करता है कि विरल, दैनिक डेटा की सीमाओं को सही बाहरी जानकारी और सही सीखने की रणनीति के साथ जोड़कर दूर किया जा सकता है। अध्ययन ने इस विचार को खारिज कर दिया कि एक एकल मॉडल हर जहाज के लिए काम कर सकता है या भौतिक समानता निर्णायक कारक है। इसके बजाय, इसने दिखाया कि उपलब्ध ऐतिहासिक डेटा की मात्रा सबसे महत्वपूर्ण चर (variable) है। डेटा उपलब्धता के साथ मॉडलिंग दृष्टिकोण को मिलाकर, सरल दैनिक लॉग को जहाज के प्रदर्शन की निगरानी के लिए एक शक्तिशाली उपकरण में बदला जा सकता है। यह क्षमता ऑपरेटरों को हर जहाज पर महंगे सेंसर स्थापित किए बिना मार्गों को अनुकूलित करने और ईंधन की खपत को कम करने की अनुमति देती है। ये निष्कर्ष समुद्री उद्योग के लिए दक्षता में सुधार करने और अपने पर्यावरणीय पदचिह्न (environmental footprint) को कम करने के लिए एक व्यावहारिक मार्ग प्रदान करते हैं, यह सिद्ध करते हैं कि आधुनिक तकनीकों के साथ सबसे पुराने डेटा स्रोतों को भी पुनर्जीवित किया जा सकता है।