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

세계 경제는 바다 위에서 움직입니다. 국제 무역의 약 80%가 선박을 통해 이동하며, 이는 해상 운송이 현대 생활의 보이지 않는 중추임을 의미합니다. 이 거대한 선박들을 효율적으로 가동하기 위해, 운영자들은 엔진이 매 순간 정확히 얼마만큼의 전력을 사용하는지 이해해야 합니다. 축 출력(shaft power)이라고 알려진 이 전력은 연료 소비 및 선박이 배출하는 온실가스와 직접적으로 연결되어 있습니다. 배가 물 위를 더 효율적으로 이동할수록 연료 소비는 줄어들고 공기는 더 깨끗하게 유지됩니다. 그러나 이 전력을 실시간으로 파악하는 것은 어렵습니다. 일부 현대식 선박들은 15분마다 엔진 성능을 기록하는 첨단 센서를 갖추고 있지만, 많은 선박은 그러한 장비 없이 운항합니다. 대신 그들은 승무원이 하루에 한 번 작성하는 전통적인 항해 일지인 '노온 리포트(noon reports)'에 의존합니다. 이 일일 기록은 속도, 날씨, 엔진 출력을 포함하여 선박의 여정을 포착하지만, 연속적인 모니터링이 가진 세밀한 디테일은 부족합니다. 수십 년 동안 이러한 데이터의 공백은 선박의 성능을 예측하거나 연료 절감을 위해 경로를 최적화하는 것을 어렵게 만들었으며, 해운업을 더 친환경적으로 만들기 위한 노력에 있어 상당한 사각지대를 남겼습니다.

노르웨이의 시뮬라 연구소(Simula Research Laboratory) 연구팀은 이 간극을 메울 새로운 방법을 개발했습니다. 그들은 고주파 센서 데이터가 없는 상황에서도, 희소한 일일 노온 리포트를 기상 및 해류에 관한 공개 데이터와 결합하여 선박의 엔진 출력을 정확하게 예측하는 것이 가능한지 질문을 던졌습니다. 이를 테스트하기 위해 그들은 데이터로부터 패턴을 학습하는 인공지능의 일종인 세 가지 서로 다른 딥러닝 모델을 구축했습니다. 각 모델은 서로 다른 상황을 위해 설계되었습니다: 하나는 과거 데이터가 매우 적은 선박을 위한 것, 하나는 몇 달 치의 기록이 있는 선박을 위한 것, 그리고 마지막은 수년간의 기록이 있는 선박을 위한 것입니다. 연구진은 이 모델들을 두 그룹의 서로 다른 선박군, 즉 8척의 대형 벌크선과 7척의 유조선을 대상으로 테스트했습니다. 그들은 일일 승무원 기록을 바람, 파도, 해류에 관한 외부 정보와 융합함으로써 전력 예측의 정확도를 크게 향상시킬 수 있음을 발견했습니다. 더욱 중요한 점은, 최선의 방법이 해당 선박이 다른 선박과 얼마나 유사한가가 아니라, 특정 선박에 사용 가능한 데이터가 얼마나 많은지에 전적으로 달려 있다는 사실을 발견했다는 것입니다.

문제의 핵심은 데이터의 성격에 있습니다. 노온 리포트는 일일 평균값을 제공하지만, 바다는 끊임없이 변화합니다. 배가 오전에는 폭풍을 겪고 오후에는 잔잔한 바다를 만날 수도 있지만, 항해 일지는 하루 전체에 대해 단 하나의 숫자만을 기록합니다. 연구진은 엔진 출력을 정확하게 예측하기 위해서는 하루의 누락된 세부 사항을 재구성해야 한다는 점을 깨달았습니다. 그들은 일일 보고서를 가져와 위성 기상 지도나 해류 관측기와 같은 공공 소스의 데이터를 사용하여 빈틈을 채우는 '업샘플링(upsampling)'을 수행했습니다. 이를 통해 선박 여정의 훨씬 풍부한 그림을 만들어냈으며, 결과적으로 단 하나의 일일 기록을 상세한 사건의 타임라인으로 변 ተ환했습니다. 그러나 단순히 이 새로운 데이터를 표준 컴퓨터 모델에 입력하는 것만으로는 잘 작동하지 않았는데, 모델이 학습할 수 있는 진정한 분 단위의 전력 수치가 여전히 부족했기 때문입니다. 연구진은 오직 일일 요약본만을 사용하여 모델을 가르칠 수 있는 새로운 방법들을 발명해야 했습니다.

데이터가 매우 적은 선박을 위해 설계된 첫 번째 접근 방식은 '전이 학습(transfer learning)'이라 불리는 기술을 사용했습니다. 이는 어떤 주제를 아주 자세히 배운 학생이, 아주 적은 메모만을 가진 새로운 학생에게 가르치려고 노력하는 상황을 상상해 보십시오. 연구진은 한 선박의 고품질 센서 데이터로 훈련된 모델을 가져와, 일일 로그만을 가진 다른 선박의 시작점으로 사용했습니다. 일반적인 물리학을 이해하는 모델의 초기 레이어를 고정하고, 새로운 선박의 제한된 로그로 마지막 레이어만을 재학습시킴으로써 지식을 효과적으로 전달할 수 있었습니다. 이 방법은 기록이 거의 없는 선박에 대해 가장 견고한 성능을 보였으며, 단 한 달의 데이터만으로도 신뢰할 수 있는 예측을 할 수 있게 해주었습니다. 이는 테스트된 특정 벌크선 및 유조선 함대 간의 교차 함대 전이 가능성을 입증하는 데 충분히 효과적이었으나, 연구에서는 단일 소스 선박을 사용하여 평가되었으며 다른 선종으로의 일반화 능력은 평가되지 않았음을 명시했습니다.

두 달에서 네 달 사이의 로그를 보유한 중간 정도의 데이터를 가진 선박의 경우, 연구진은 다른 전략이 가장 효과적이라는 것을 발견했습니다. 이 접근 방식은 일일 로그를 하나의 퍼즐처럼 다루었습니다. 모델은 엔진 출력을 예측하는 동시에, 일일 평균을 바탕으로 누락된 고주파 세부 사항을 재구성하도록 요구받았습니다. 모델이 일일 패턴을 이해하여 재구성 과제를 해결하도록 강제함으로써, 모델은 선박의 행동에 대한 더 나은 표현을 학습하게 되었습니다. 연구진이 '재구성 유도 학습(reconstruction-guided learning)'이라 부른 이 방법은 안정적인 중간 지점을 제공했습니다. 이는 특정 기록을 가진 선박에 대해 전이 학습 방식보다 더 신뢰할 수 있었으며, 학습을 위해 '자매선'을 필요로 하지 않으면서도 성능과 안정성의 균형을 제공했습니다.

여섯 개 이상의 로그 기록을 가진 선박의 경우, 세 번째 접근 방식이 확실한 승자가 되었습니다. '집계 손실 감독(aggregate loss supervision)'으로 알려진 이 방법은 모델이 학습하는 방식을 바꾸었습니다. 모델은 하루의 모든 순간에 대한 전력을 예측하려고 애쓰는 대신, 자신의 예측값 평균이 실제 일일 로그 항목과 일치하도록 훈련되었습니다. 이를 통해 모델은 누락된 데이터 포인트의 노이즈에 혼란을 겪지 않고 선박 운항의 전반적인 추세와 패턴을 학습할 수 있었습니다. 충분한 역사적 데이터가 있을 때, 이 방법은 세 가지 접근 방식 중 가장 정확한 예측을 만들어냈습니다. 이 방법은 충분한 데이터가 있다면 모델이 선박의 행동을 매우 잘 일반화하여, 비록 일일 로그로만 훈련되었음에도 불구하고 값비싼 센서 데이터 수준의 상세한 고주파 전력 예측이 가능하다는 것을 보여주었습니다.

연구진은 새로운 선박에 적절한 방법을 선택하는 방법에 대해 조사했을 때 놀라운 사실을 발견했습니다. 그들은 선박의 크기, 엔진 유형, 속도와 같은 물리적 유사성이 핵심 요소가 될 것이라고 예상했습니다. 그들은 두 선박이 얼마나 유사한지를 측정하는 복잡한 지수를 구축하여, 이를 통해 최적의 모델을 안내하고자 했습니다. 그러나 데이터는 이러한 유사성과 모델의 성공 사이에 유의미한 연관성이 없음을 보여주었습니다. 대신, 가장 신뢰할 수 있는 예측 지표는 고급 모델링을 적용하기 전에 선박 자체의 일일 로그가 전력을 얼마나 잘 예측하느냐였습니다. 만약 선박의 로그가 이미 어느 정도 예측 가능하다면 전이 학습 방식이 가장 잘 작동했습니다. 만약 로그가 무질서하다면 다른 방법들이 필요했습니다. 이는 운영자들이 좋은 모델을 얻기 위해 '자매선'을 찾을 필요 없이, 자신들의 선박이 이미 생성하고 있는 데이터의 품질을 평가하기만 하면 된다는 것을 시사합니다.

연구는 또한 시작하는 데 얼마나 많은 데이터가 필요한지에 대한 실질적인 질문을 다루었습니다. 전이 학습 방식의 경우, 연구진은 유사한 선박의 이력을 바탕으로 훈련한다면 선박이 단 한 달의 데이터만으로도 신뢰할 수 있는 예측을 달성할 수 있다는 것을 발견했습니다. 재구성 방식의 경우, 안정적인 상태에 도달하기 위해 약 네 달의 데이터가 필요했습니다. 집계 손실 방식은 가장 정확했지만, 신뢰할 수 있는 솔루션에 수렴하기 위해 최소 여섯 달의 데이터가 필요했습니다. 이러한 임계값은 해운 기업들에게 명확한 로드맵을 제공합니다: 선박이 아주 새롭다면 전이 학습 방식을 사용하고, 몇 달 치의 로그가 있다면 재구성 방식을 사용하며, 일 년 치의 로그가 있다면 가장 높은 정확도를 위해 집계 손실 방식을 사용하십시오.

결론적으로, 이 연구는 희소한 일일 데이터의 한계가 적절한 외부 정보와 올바른 학습 전략의 결합을 통해 극복될 수 있음을 보여줍니다. 연구는 단일 모델이 모든 선박에 적용될 수 있다거나 물리적 유사성이 결정적인 요인이라는 가설을 부정했습니다. 대신, 가용 가능한 역사적 데이터의 양이 가장 중요한 변수임을 보여주었습니다. 데이터 가용성에 맞춰 모델링 방식을 매칭함으로써, 단순한 일일 로그를 선박 성능 모니터링을 위한 강력한 도구로 바꿀 수 있습니다. 이러한 능력은 운영자들이 모든 선단에 값비싼 센서를 설치하지 않고도 경로를 최적화하고 연료 소비를 줄일 수 있게 해줍니다. 이 연구 결과는 해운 산업이 효율성을 개선하고 환경 발자국을 줄이기 위한 실질적인 길을 제시하며, 가장 오래된 데이터 소스라도 현대적 기술을 통해 새롭게 활용될 수 있음을 증명합니다.