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

De wereldeconomie beweegt zich op het water. Ongeveer tachtig procent van alle internationale handel wordt door schepen vervoerd, waardoor maritiem transport de onzichtbare ruggengraat van het moderne leven vormt. Om deze enorme vaartuigen efficiënt te laten draaien, moeten exploitanten precies begrijpen hoeveel vermogen hun motoren op elk gegeven moment gebruiken. Dit vermogen, bekend als asvermogen, is direct gekoppeld aan het brandstofverbruik en de broeikasgassen die schepen uitstoten. Hoe efficiënter een schip door het water beweegt, hoe minder brandstof het verbruikt en hoe schoner de lucht blijft. Het kennen van dit vermogen in realtime is echter moeilijk. Hoewel sommige moderne schepen zijn uitgerust met hoogwaardige sensoren die elke vijftien minuten de motorprestaties registreren, varen veel schepen zonder deze apparatuur. In plaats daarvan vertrouwen zij op "noon reports", een traditionele logboeknotitie die één keer per dag door de bemanning wordt gemaakt. Deze dagelijkse aantekeningen leggen een momentopname vast van de reis van het schip, inclussief de snelheid, het weer en de output van de motor, maar ze missen de fijne details van continue monitoring. Decennialang heeft deze datakloof het moeilijk gemaakt om te voorspellen hoe een schip zal presteren of om de route te optimaliseren voor brandstofbesparing, wat een aanzienlijk blind vlek in de inspanningen om de scheepvaart groener te maken.

Een team onderzoekers van Simula Research Laboratory in Noorwegen heeft een nieuwe manier ontwikkeld om deze kloof te dichten. Ze vroegen zich af of het mogelijk is om de schaarse, dagelijkse noon reports, gecombineerd met publieke gegevens over weer en oceaanstromingen, te gebruiken om het motorvermogen van een schip nauwkeurig te voorspellen, zelfs wanneer hoogfrequente sensordata ontbreken. Om dit te testen, bouwden ze drie verschillende deep learning-modellen, een type kunstmatige intelligentie dat patronen leert van data. Elk model was ontworpen voor een andere situatie: één voor schepen met zeer weinig historische data, één voor schepen die een paar maanden aan logs hebben, en één voor schepen met jaren aan gegevens. De onderzoekers testten deze modellen op twee zeer verschillende groepen schepen: acht grote bulkcarriers en zeven olietankers. Ze ontdekten dat door de dagelijk zcrewlogs te fuseren met externe informatie over wind, golven en stromingen, ze de nauwkeurigheid van de vermogensvoorspellingen aanzienlijk konden verbeteren. Belangrijker nog, ze ontdekten dat de beste methode om te gebruiken volledig afhangt van hoeveel data beschikbaar is voor een specif kind schip, in plaats van hoe vergelijkbaar dat schip is met andere schepen.

De kern van de uitdaging ligt in de aard van de data. De noon reports bieden een dagelijks gemiddelde, maar de oceaan verandert voortdurend. Een schip kan in de ochtend een storm tegenkomen en in de middag een kalme zee, maar het logboek registreert slechts één getal voor de hele dag. De onderzoekers realiseerden zich dat ze, om het motorvermogen nauwkeurig te voorspellen, de ontbrekende details van de dag moesten reconstrueren. Dit deden ze door de dagelijkse rapportage te nemen en deze te "upsamplen", waarbij ze de gaten opvulden met data uit publieke bronnen zoals satellietweerkaarten en monitors voor oceaanstromingen. Dit creëerde een veel rijker beeld van de reis van het schip, waardoor een enkele dagelijkse notitie effectief werd omgezet in een gedetailleerde tijdlijn van gebeurtenissen. Het simpelweg invoeren van deze nieuwe data in een standaard computermodel werkte echter niet goed, omdat het model nog steeds de echte, minuut-tot-minuut vermogensmetingen miste om van te leren. De onderzoekers moesten nieuwe manieren uitvinden om de modellen te onderwijzen met behruik van alleen de dagelijkse samenvattingen.

Hun eerste aanpak, ontworpen voor schepen met zeer weinig data, maakte gebruik van een techniek genaamd transfer learning. Stel je een student voor die een onderwerp al in grote detail heeft geleerd en vervolgens probeert een nieuwe student te onderwijzen die slechts een paar aantekeningen heeft. De onderzoekers namen een model dat was getraind op de hoogwaardige sensordata van één schip en gebruikten dit als startpunt voor een ander schip dat alleen dagelijkse logs heeft. Door de vroege lagen van het model die de algemene fysica begrepen te bevriezen en alleen de laatste laag opnieuw te trainen met de beperkte logs van het nieuwe schip, konden ze kennis effectief overdragen. Deze methode bleek het meest robuust voor schepen met bijna geen geschiedenis, waardoor ze betrouwbare voorspellingen konden doen met slechts één maand aan data. Het werkte goed genoeg om de cross-fleet transferbaarheid tussen de specifieke bulkcarrier- en olietanker-vloten die werden getest aan te tonen, hoewel de studie opmerkte dat dit werd geëvalueerd met gebruik van een enkel bronvaartuig en dat generalisatie naar andere scheepscategorieën niet werd beoordeeld.

Voor schepen met een matige hoeveelheid data, specifiek tussen twee en vier maanden aan logs, vonden de onderzoekers dat een andere strategie het beste werkte. Deze aanpak behandelde de dagelijkse log als een puzzel. Het model kreeg tegelijkertijd twee taken: het voorspellen van het motorvermogen en het proberen te reconstrueren van de ontbrekende hoogfrequente details van de dag op basis van het dagelijkse gemiddelde. Door het model te dwingen de onderliggende patronen van de dag te begrijpen om de reconstructietaken op te lossen, leerde het een betere representatie van het gedrag van het schip. Deze methode, die de onderzoekers "reconstruction-guided learning" noemden, bood een stabiel middenpad. Het was betrouwbaarder dan de transfer learning-methode voor schepen met deze specifieke hoeveelheid historie, en bood een balans tussen prestaties en stabiliteit zonder een "zus-schip" nodig te hebben om van te leren.

Wanneer schepen een lange geschiedenis van logs hadden, lopend van zes maanden of meer, werd een derde aanpak de duidelijke winnaar. Deze methode, bekend als aggregate loss supervision, veranderde de manier waarop het model leerde. In plaats van te proberen het vermogen voor elk afzonderlijk moment van de dag te voorspellen, werd het model getraind om ervoor te zorgen dat het gemiddelde van de voorspellingen voor de dag overeenkwam met de werkelijke dagelijkse log-invoer. Dit stelde het model in staat om de algemene trends en patronen van de operatie van het schip te leren zonder in de war te raken door de ruis van ontbrekende datapunten. Met voldoende historische data produceerde deze methode de meest nauwkeurige voorspellingen van allemaal, waarbij het de andere twee benaderingen overtrof. Het demonstreerde dat het model, met voldoende data, in staat was om het gedrag van het schip zo goed te generaliseren dat het vermogen op een hoge frequentie kon voorspellen, passend bij de details van de dure sensordata, ondanks dat het alleen getraind was op de dagelijkse logs.

Een verrassende bevinding kwam naar voren toen de onderzoekers keken naar hoe de juiste methode voor een nieuw schip te kiezen. Ze hadden verwacht dat de fysieke gelijkenis tussen schepen — zoals hun grootte, motortype of snelheid — de sleutelfactor zou zijn. Ze bouwden een complexe index om te meten hoe vergelijkbaar twee schepen waren, in de hoop deze te kunnen gebruiken om de selectie van het beste model te sturen. De data toonden echter geen significante link aan tussen deze gelijkenis en het succes van het model. In plaats daarvan was de meest betrouwbare voorspeller van succes simpelweg hoe goed de eigen dagelijkse logs van een schip gebruikt konden worden om het vermogen te voorspellen voordat er geavanceerde modellering werd toegepast. Als de eigen logs van een schip al enigszinnig voorspelbaar waren, werkte de transfer learning-methode het best. Als de logs chaotisch waren, waren de andere methoden nodig. Dit suggereert dat exploitanten niet op zoek hoeven te gaan naar een "zus-schip" om een goed model te krijgen; ze moeten simpelweg de kwaliteit beoordelen van de data die hun eigen schip al produceert.

De studie adresseerde ook de praktische vraag hoeveel data er nodig is om te beginnen. Voor de transfer learning-methode vonden de onderzoekers dat een schip betrouwbare voorspellingen kon bereiken met slechts één maand aan data als het getraind werd op de historie van een vergelijkbaar vaartuig. Voor de reconstructiemethode waren ongeveer vier maanden aan data nodig om een stabiele staat te bereiken. De aggregate loss-methode, hoewel de meest nauwkeurige, vereiste ten minste zes maanden aan data om tot een betrouwbare oplossing te komen. Deze drempelwaarden bieden een duidelijk stappenplan voor scheepvaartbedrijven: als een schip gloednieuw is, gebruik de transfer learning-benadering; als het een paar maanden aan logs heeft, gebruik de reconstructiemethode; en als het een jaar aan logs heeft, schakel over naar de aggregate loss-methode voor de hoogste nauwkeurigheid.

Uiteindelijk laat het onderzoek zien dat de beperkingen van schaarse, dagelijkse data overwonnen kunnen worden door ze te fuseren met de juiste externe informatie en de juiste leerstrategie. De studie weerlegde het idee dat een enkel model voor elk schip zou kunnen werken of dat fysieke gelijkenis de beslissende factor was. In plaats daarvan toonde het aan dat de hoeveelheid beschikbare historische data de meest kritieke variabele is. Door de modelleringsbenadering af te stemmen op de beschikbaarheid van data, is het mogelijk om eenvoudige dagelijkse logs om te vormen tot een krachtig instrument voor het monitoren van de prestaties van schepen. Deze capaciteit stelt exploitanten in staat om routes te optimaliseren en het brandstofverbruik te verminderen zonder de noodzaak om dure sensoren op elk vaartuig in de vloot te installeren. De bevindingen bieden een praktisch pad vooruit voor de maritieme industrie om de efficiëntie te verbeteren en de ecologische voetafdruk te verkleinen, waarmee wordt bewezen dat zelfs de oudste databronnen met moderne technieken kunnen worden gerevitaliseerd.