Matkustaja-autolautan työntötehon mallintaminen : Aurora Botnia -aluksen dataan ja sääolosuhteisiin perustuva koneoppimismallinnus

Merenkulku aiheuttaa noin kolme prosenttia globaaleista ihmisen toiminnasta aiheutuvista päästöistä. Kansainvälinen merenkulkujärjestö IMO (International Maritime Organization) on päivittänyt kasvihuonekaasustrategiansa ja sen tavoitteena on vähentää merenkulusta aiheutuvia päästöjä. Alusten polttoaineenkulutuksella on merkittävä vaikutus merenkulun päästöihin, ja polttoaineenkulutukseen vaikuttavat monet asiat. Tämän diplomityön tarkoituksena on mallintaa Merenkurkussa liikennöivän Aurora Botnia -aluksen propulsiotehoon vaikuttavia muuttujia. Tarkoitus on pyrkiä tunnistamaan erilaisten sääelementtien ja laivan ajamisen muuttujien vaikutusta propulsiotehon tarpeeseen ja sitä kautta polttoaineenkulutukseen. Erityisenä kiinnostuksenkohteena on biolikaantumisen vaikutuksen mahdollinen näkyminen käytettävissä olevasta datasta ja sen mahdollinen ennustaminen. Aurora Botnia -alukselta saatu data sekä Ilmatieteen laitoksen meripoijudata ja jäädata on yhdistetty Wasalinelta saatuihin tietoihin aluksen pesuajankohdista. Yhdistettyä dataa on mallinnettu käyttämällä MATLAB-ohjelmaa. Koneoppimismallinnuksessa on käytetty lineaarista regressiota ja keinotekoista neuroverkkoa (ANN). Työssä on tutkittu eteenpäin työntävää propulsiotehoa suhteessa muihin muuttujiin. Datan valinnassa ja käsittelyssä on jouduttu tekemään joitakin oletuksia. Numeerista tai visuaalisiin havaintoihin perustuvaa tietoa aluksen pohjan likaantumisesta ei ollut olemassa. Jään vaikutuksesta likaantumiseen tai jään ilmenemisestä reitillä ei ollut saatavissa täsmällistä tietoa. Tuloksista voidaan päätellä, että aluksen nopeudella on suurin vaikutus propulsiotehon tarpeeseen. Seuraavaksi merkittävin tekijä on suhteellinen tuulennopeus. Keinotekoisella neuroverkolla mallinnettaessa seuraavaksi merkittävimmät muuttujat ovat viippaus, merkitsevä aallonkorkeus, Frouden syvyysluku ja syväys. Pohjan puhtaudella pesupäivän mukaan arvioitaessa ei ollut suurta merkitystä tehontarpeeseen kuten ei veden lämpötilallakaan. Lineaariregression avulla luotu malli ennustaa tarvittavan työntötehon tarpeen. Arvovälille nollasta yhteen normalisoidulla datalla mallin keskiarvoinen keskineliövirhe (MSE) on 0,0027 ja jäännösvirhehajonta (RMSE) 0,0520.

Shipping is responsible for about three percent of the global anthropogenic emissions. The International Maritime Organization (IMO) has set a target of reaching net-zero GHGs emissions by 2050. Vessel fuel consumption significantly affects total emissions and is a resultant of many factors. This thesis aims to model these factors’ effects on propulsion needed on Aurora Botnia, a ferry trafficking in the Kvarken region. The goal is to identify various weather and ship operating variables’ effect on needed thrust and consequently fuel consumption. A particular interest is taken on biofouling and detecting and predicting it from available data. The vessel data from Aurora Botnia has been combined with the buoy and ice data from the Finnish Meteorological Institute (FMI) as well as the log of when the hull was cleaned. This combined data was modelled by using MATLAB and its machine learning tools for linear regression and Artificial Neural Network (ANN). Modelling was focused on forward thrust in relation to other variables. In data handling and selection some presumptions were made. Vessel fouling data was based on hull cleaning dates rather than numerical or visual observations. There was no precise data on ice seasons on the route or its effect on biofouling. Results from the ANN approach show that the propulsion needed is most significantly affected by the speed of the vessel. The second most significant factor is the relative wind speed. After this, the most significant factors are trim, significant wave height, Froude depth number and draught, in order. When assessed according to the days since the hull was cleaned, neither biofouling nor water temperature were found to be significant factors. Using linear regression, the model reliably prognosed the needed thrust. When data was normalized between 0 and 1, the average mean squared error was 0,0027 and the average root mean squared error was 0,0520.