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

A economia global move-se sobre a água. Aproximadamente oitenta por cento de todo o comércio internacional viaja por navios, tornando o transporte marítimo a espinha dorsal invisível da vida moderna. Para manter essas embarcações massivas operando de forma eficiente, os operadores precisam entender exatamente quanta potência seus motores estão usando em qualquer momento dado. Essa potência, conhecida como potência de eixo, está diretamente ligada ao consumo de combustível e aos gases de efeito estufa que os navios emitem. Quanto mais eficientemente um navio se move pela água, menos combustível ele queima e mais limpo o ar permanece. No entanto, saber essa potência em tempo real é difícil. Embora alguns navios modernos estejam equipados com sensores de alta tecnologia que registram o desempenho do motor a cada quinze minutos, muitas embarcações operam sem eles. Em vez disso, elas dependem de "relatórios de meio-dia" (noon reports), uma entrada de diário tradicional feita uma vez por dia pela tripulação. Essas notas diárias capturam um instantâneo da jornada do navio, incluindo sua velocidade, o clima e a saída do motor, mas carecem do detalhamento fino do monitoramento contínuo. Por décadas, essa lacuna de dados dificultou a previsão de como um navio irá performar ou a otimização de sua rota para economia de combustível, deixando um ponto cego significativo no esforço para tornar o transporte marítimo mais ecológico.

Uma equipe de pesquisadores do Simula Research Laboratory, na Noruega, desenvolveu uma nova maneira de preencher essa lacuna. Eles questionaram se seria possível usar os relatórios de meio-dia esparsos, combinados com dados públicos sobre clima e correntes oceânicas, para prever com precisão a potência do motor de um navio, mesmo quando os dados de alta frequência dos sensores estão ausentes. Para testar isso, eles construíram três modelos diferentes de aprendizado profundo (deep learning), um tipo de inteligência artificial que aprende padrões a partir de dados. Cada modelo foi projetado para uma situação diferente: um para navios com pouquíssimos dados históricos, um para navios que possuem alguns meses de registros e um para navios com anos de registros. Os pesquisadores testaram esses modelos em dois grupos de navios muito diferentes: oito grandes graneleiros e sete petroleiros. Eles descobriram que, ao fundir os diários diários da tripulação com informações externas sobre vento, ondas e correntes, poderiam melhorar significamente a precisão das previsões de potência. Mais importante, descobriram que o melhor método a ser utilizado depende inteamente de quanto dado está disponível para um navio específico, e não de quão semelhante esse navio é a outros.

O cerne do desafio reside na natureza dos dados. Os relatórios de meio-dia fornecem uma média diária, mas o oceano está em constante mudança. Um navio pode encontrar uma tempestade pela manhã e mares calmos à tarde, mas o diário registra apenas um número para o dia inteiro. Os pesquisadores perceberam que, para prever a potência do motor com precisão, precisariam reconstruir os detalhes ausentes do dia. Eles fizeram isso pegando o relatório diário e realizando um "upsampling", preenchendo as lacunas com dados de fontes públicas, como mapas meteorológicos de satélite e monitores de correntes oceânicas. Isso criou um quadro muito mais rico da jornada do navio, transformando efetivamente uma única nota diária em uma linha do tempo detalhada de eventos. No entanto, simplesmente alimentar esses novos dados em um modelo de computador padrão não funcionou bem porque o modelo ainda carecia das leituras reais de potência minuto a minuto para aprender. Os pesquisadores tiveram que inventar novas maneiras de ensinar os modelos usando apenas os resumos diários.

A primeira abordagem, projetada para navios com pouquíssimos dados, utilizou uma técnica chamada transferência de aprendizado (transfer learning). Imagine um aluno que já aprendeu um assunto em grande detalhe e então tenta ensinar um novo aluno que possui apenas algumas notas. Os pesquisadores pegaram um modelo que havia sido treinado com os dados de alta qualidade de um navio e o utilizaram como ponto de partida para um navio diferente que possuía apenas diários diários. Ao congelar as camadas iniciais do modelo que entendiam a física geral e treinar apenas a camada final com os registros limitados do novo navio, eles puderam transferir o conhecimento de forma eficaz. Este método provou ser o mais robusto para navios com quase nenhum histórico, permitindo que fizessem previsões confiáveis com apenas um mês de dados. Funcionou bem o suficiente para demonstrar a transferibilidade entre as frotas específicas de graneleiros e petroleiros testadas, embora o estudo tenha observado que isso foi avaliado usando uma única embarcação de origem e que a generalização para outras categorias de embarcações não foi avaliada.

Para navios com uma quantidade moderada de dados, especificamente entre dois e quatro meses de registros, os pesquisadores descobriram que uma estratégia diferente funcionava melhor. Esta abordagem tratava o diário diário como um quebra-cabeça. O modelo era solicitado a fazer duas coisas ao mesmo tempo: prever a potência do motor e tentar reconstruir os detalhes de alta frequência ausentes do dia com base na média diária. Ao forçar o modelo a compreender os padrões subjacentes do dia para resolver a tarefa de reconstrução, ele aprendeu uma representação melhor do comportamento do navio. Este método, que os pesquisadores chamaram de aprendizado guiado por reconstrução (reconstruction-guided learning), proporcionou um meio-termo estável. Foi mais confiável do que o método de transferência de aprendizado para navios com essa quantidade específica de histórico, oferecendo um equilíbrio de desempenho e estabilidade sem precisar de um "navio irmã" para aprender.

Quando os navios possuíam um longo histórico de registros, abrangendo seis meses ou mais, uma terceira abordagem tornou-se a vencedora clara. Este método, conhecido como supervisão de perda agregada (aggregate loss supervision), mudou a forma como o modelo aprendia. Em vez de tentar prever a potência para cada momento individual do dia, o modelo foi treinado para garantir que a média de suas previsões para o dia correspondesse ao registro diário real. Isso permitiu que o modelo aprendesse as tendências e padrões gerais da operação do navio sem se confundir com o ruído dos pontos de dados ausentes. Com dados históricos suficientes, este método produziu as previsões mais precisas de todas, superando as outras duas abordagens. Demonstrou que, com dados suficientes, o modelo poderia aprender a generalizar o comportamento do navio tão bem que poderia prever a potência em alta frequência, correspondendo ao detalhamento dos caros dados de sensores, apesar de ter sido treinado apenas com os diários diários.

Uma descoberta surpreendente surgiu quando os pesquisadores observaram como escolher o método certo para um novo navio. Eles esperavam que a similaridade física entre os navios — como tamanho, tipo de motor ou velocidade — fosse o fator chave. Eles construíram um índice complexo para medir o quão semelhantes dois navios eram, esperando usar isso para guiar a seleção do melhor modelo. No entanto, os dados não mostraram nenhuma ligação significativa entre essa similaridade e o sucesso do modelo. Em vez disso, o preditor mais confiável de sucesso era simplesmente o quão bem os próprios diários do navio podiam ser usados para prever sua potência antes de qualquer modelagem avançada ser aplicada. Se os diários de um navio já fossem um tanto previsíveis, o método de transferência de aprendizado funcionava melhor. Se os diários fossem caóticos, os outros métodos eram necessários. Isso sugere que os operadores não precisam procurar por um "navio irmã" para obter um bom modelo; eles só precisam avaliar a qualidade dos dados que o próprio navio já está produzindo.

O estudo também abordou a questão prática de quanto dado é necessário para começar. Para o método de transferência de aprendizado, os pesquisadores descobriram que um navio poderia alcançar previsões confiáveis com apenas um mês de dados, se estivesse sendo treinado com o histórico de um navio semelhante. Para o método de reconstrução, cerca de quatro meses de dados eram necessários para atingir um estado estável. O método de perda agregada, embora seja o mais preciso, exigia pelo menos seis meses de dados para convergir para uma solução confiável. Esses limiares fornecem um roteiro claro para as empresas de navegação: se um navio é muito novo, use a abordagem de transferência de aprendizado; se tem alguns meses de registros, use o método de reconstrução; e se tem um ano de registros, mude para o método de perda agregada para obter a maior precisão.

No fim, a pesquisa demonstra que as limitações de dados diários esparsos podem ser superadas ao fundi-los com a informação externa correta e a estratégia de aprendizado adequada. O estudo refutou a ideia de que um único modelo poderia funcionar para todos os navios ou que a similaridade física seria o fator decisivo. Em vez disso, mostrou que a quantidade de dados históricos disponíveis é a variável mais crítica. Ao combinar a abordagem de modelagem com a disponibilidade de dados, é possível transformar simples diários diários em uma ferramenta poderosa para monitorar o desempenho de um navio. Essa capacidade permite que os operadores otimizem rotas e reduzam o consumo de combustível sem a necessidade de instalar sensores caros em cada embarcação da frota. As descobertas oferecem um caminho prático para a indústria marítima melhorar sua eficiência e reduzir sua pegada ambiental, provando que mesmo as fontes de dados mais antigas podem ser revitalizadas com técnicas modernas.