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

L'economia globale si muove sull'acqua. Circa l'ottanta per cento di tutto il commercio internazionale viaggia via nave, rendendo il trasporto marittimo la spina dorsale invisibile della vita moderna. Per mantenere queste enormi imbarcazioni operanti in modo efficiente, gli operatori devono capire esattamente quanta potenza utilizzano i loro motori in ogni dato momento. Questa potenza, nota come potenza all'albero, è direttamente collegata al consumo di carburante e ai gas serra emessi dalle navi. Più efficientemente una nave si muove nell'acqua, meno carburante brucia e più l'aria rimane pulita. Tuttavia, conoscere questa potenza in tempo reale è difficile. Mentre alcune navi moderne sono dotate di sensori hi-tech che registrano le prestazioni del motore ogni quindici minuti, molti vascelli operano senza di essi. Invece, si affidano ai "noon reports", una tradizionale annotazione del registro effettuata una volta al giorno dall'equipaggio. Queste note giornaliere catturano un'istantanea del viaggio della nave, inclusi velocità, meteo e output del motore, ma mancano del dettaglio fine del monitoraggio continuo. Per decenni, questo divario nei dati ha reso difficile prevedere come una nave si comporterà o ottimizzare la sua rotta per il risparmio di carburante, lasciando un significativo punto cieco nello sforzo di rendere il trasporto marittimo più verde.

Un team di ricercatori presso il Simula Research Laboratory in Norvegia ha sviluppato un nuovo modo per colmare questo divario. Si sono chiesti se fosse possibile utilizzare i parziali rapporti giornalieri (noon reports), combinati con dati pubblici su meteo e correnti oceaniche, per prevedere accuratamente la potenza del motore di una nave, anche quando mancano i dati ad alta frequenza dei sensori. Per testare ciò, hanno costruito tre diversi modelli di deep learning, un tipo di intelligenza artificiale che apprende schemi dai dati. Ogni modello è stato progettato per una situazione diversa: uno per navi con pochissimi dati storici, uno per navi che hanno alcuni mesi di registri e uno per navi con anni di record. I ricercatori hanno testato questi modelli su due gruppi molto diversi di navi: otto grandi navi portarozza e sette petroliere. Hanno scoperto che, fondendo i registri giornalieri dell'equipaggio con informazioni esterne su vento, onde e correnti, potevano migliorare significamente l'accuratezza delle previsioni di potenza. Più importante ancora, hanno scoperto che il metodo migliore da utilizzare dipende interamente dalla quantità di dati disponibili per una specifica nave, piuttosto che dalla somiglianza di quella nave con altre.

Il cuore della sfida risiede nella natura dei dati. I noon reports forniscono una media giornaliera, ma l'oceano cambia costantemente. Una nave potrebbe incontrare una tempesta al mattino e mari calmi nel pomeriggio, eppure il registro riporta un solo numero per l'intera giornata. I ricercatori si sono resi conto che, per prevedere accuratamente la potenza del motore, dovevano ricostruire i dettagli mancanti della giornata. Lo hanno fatto prendendo il rapporto giornaliero e applicando l'"upsampling", riempiendo i vuoti con dati provenienti da fonti pubbliche come mappe meteorologiche satellitari e monitor di correnti oceaniche. Ciò ha creato un quadro molto più ricco del viaggio della nave, trasformando efficacementamente una singola nota giornaliera in una cronologia dettagliata degli eventi. Tuttavia, alimentare semplicemente questi nuovi dati in un modello informatico standard non ha funzionato bene perché il modello mancava ancora delle vere letture di potenza minuto per minuto da cui imparare. I ricercatori hanno dovuto inventare nuovi modi per istruire i modelli usando solo i riassunti giornalieri.

Il loro primo approccio, progettato per navi con pochissimi dati, ha utilizzato una tecnica chiamata transfer learning. Immaginate uno studente che ha già studiato un argomento in dettaglio e poi cerca di insegnare a un nuovo studente che ha solo pochi appunti. I ricercatori hanno preso un modello che era stato addestrato sui dati ad alta qualità dei sensori di una nave e lo hanno usato come punto di partenza per una nave diversa che possedeva solo registri giornalieri. Congelando i primi strati del modello che comprendevano la fisica generale e riaddestrando solo l'ultimo strato con i limitati registri della nuova nave, hanno potuto trasferire la conoscenza in modo efficace. Questo metodo si è dimostrato il più robusto per le navi con quasi nessuna storia, permettendo loro di fare previsioni affidabili con appena un mese di dati. Funzionava abbastanza bene da dimostrare la trasferibilità tra le specifiche flotte di portarozze e petroliere testate, sebbene lo studio abbia notato che ciò è stato valutato utilizzando un singolo vascello sorgente e che la generalizzazione ad altre categorie di vascelli non è stata valutata.

Per le navi con una quantità moderata di dati, specificamente tra due e quattro mesi di registri, i ricercatori hanno scoperto che una strategia diversa funzionava meglio. Questo approccio trattava il registro giornaliero come un puzzle. Al modello veniva chiesto di fare due cose contemporaneamente: prevedere la potenza del motore e cercare di ricostruire i dettagli mancanti ad alta frequenza della giornata basandosi sulla media giornaliera. Costringendo il modello a comprendere i pattern sottostanti della giornata per risolvere il compito di ricostruzione, esso ha appreso una migliore rappresentazione del comportamento della nave. Questo metodo, che i ricercatori hanno chiamato apprendimento guidato dalla ricostruzione (reconstruction-guided learning), ha fornito una via di mezzo stabile. Era più affidabile del metodo di transfer learning per le navi con questa specifica quantità di storia, offrendo un equilibrio tra prestazioni e stabilità senza la necessità di una "nave sorella" da cui imparare.

Quando le navi avevano una lunga storia di registri, che copriva sei mesi o più, un terzo approccio è diventato il vincitore assoluto. Questo metodo, noto come supervisione della perdita aggregata (aggregate loss supervision), ha cambiato il modo in cui il modello apprendeva. Invece di cercare di prevedere la potenza per ogni singolo momento della giornata, il modello è stato addestrato per garantire che la media delle sue previsioni per la giornata corrispondesse alla reale voce del registro giornaliero. Ciò ha permesso al modello di apprendere i trend generali e i pattern dell'operatività della nave senza confondersi con il rumore dei punti dati mancanti. Con abbastanza dati storici, questo metodo ha prodotto le previsioni più accurate di tutti, superando gli altri due approcci. Ha dimostrato che, con dati sufficienti, il modello poteva imparare a generalizzare il comportamento della nave così bene da poter prevedere la potenza ad un'alta frequenza, eguagliando il dettaglio dei costosi dati dei sensori, nonostante fosse stato addestrato solo sui registri giornalieri.

Una scoperta sorprendente è emersa quando i ricercatori hanno esaminato come scegliere il metodo giusto per una nuova nave. Si aspettavano che la somiglianza fisica tra le navi — come le dimensioni, il tipo di motore o la velocità — sarebbe stata il fattore chiave. Hanno costruito un indice complesso per misurare quanto due navi fossero simili, sperando di usarlo per guidare la selezione del modello migliore. Tuttavia, i dati non hanno mostrato alcun legame significativo tra questa somiglianza e il successo del modello. Invece, il predittore più affidabile del successo era semplicemente quanto bene i registri giornalieri della nave stessa potessero essere utilizzati per prevedere la sua potenza prima di applicare qualsiasi modellazione avanzata. Se i registri della nave erano già in parte prevedibili, il metodo di transfer learning funzionava meglio. Se i registri erano caotici, erano necessari gli altri metodi. Ciò suggerisce che gli operatori non devono cercare una "nave sorella" per ottenere un buon modello; devono solo valutare la qualità dei dati che la propria nave sta già producendo.

Lo studio ha anche affrontato la questione pratica di quanti dati siano necessari per iniziare. Per il metodo di transfer learning, i ricercatori hanno scoperto che una nave poteva ottenere previsioni affidabili con appena un mese di dati se veniva addestrata sulla storia di un vascello simile. Per il metodo di ricostruzione, erano necessari circa quattro mesi di dati per raggiungere uno stato di stabilità. Il metodo della perdita aggregata, pur essendo il più accurato, richiedeva almeno sei mesi di dati per convergere verso una soluzione affidabile. Queste soglie forniscono una tabella di marcia chiara per le compagnie di navigazione: se una nave è nuova, usare l'approccio di transfer learning; se ha alcuni mesi di registri, usare il metodo di ricostruzione; se ha un anno di registri, passare al metodo della perdita aggregata per la massima accuratezza.

In definitiva, la ricerca dimostra che i limiti dei dati parziali e giornalieri possono essere superati fondendoli con le giuste informazioni esterne e la giusta strategia di apprendimento. Lo studio ha smentito l'idea che un singolo modello potesse funzionare per ogni nave o che la somiglianza fisica fosse il fattore decisivo. Invece, ha mostrato che la quantità di dati storici disponibili è la variabile più critica. Abbinando l'approccio di modellazione alla disponibilità di dati, è possibile trasformare semplici registri giornalieri in uno strumento potente per il monitoraggio delle prestazioni delle navi. Questa capacità consente agli operatori di ottimizzare le rotte e ridurre il consumo di carburante senza dover installare costosi sensori su ogni vascello della flotta. I risultati offrono una via pratica per l'industria marittima per migliorare l'efficienza e ridurre la propria impronta ambientale, dimostrando che anche le fonti di dati più antiche possono essere rivitalizzate con tecniche moderne.