Terhi Mäki-Turja 

Matkustaja-autolautan työntötehon mallintaminen 

Aurora Botnia -aluksen dataan ja sääolosuhteisiin perustuva 
koneoppimismallinnus 

 

 

 

 

  

Vaasa 2025 

Tekniikan ja innovaatiojohtamisen yksikkö 
Energiatekniikan diplomityö  

Energia- ja informaatiotekniikan ohjelma 



2 

 

VAASAN YLIOPISTO 
Tekniikan ja innovaatiojohtamisen yksikkö 

Tekijä: Terhi Mäki-Turja 
Tutkielman nimi: Matkustaja-autolautan työntötehon mallintaminen : Aurora Botnia 

-aluksen dataan ja sääolosuhteisiin perustuva koneoppimis-
mallinnus 

Tutkinto: Diplomi-insinööri 
Oppiaine: Energiatekniikka 
Työn valvoja: Anne Mäkiranta 
Työn ohjaajat: Teemu Ovaska ja Jani Boutellier 
Valmistumisvuosi: 2025 Sivumäärä: 75 

TIIVISTELMÄ: 
 
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 aiheutu-
via päästöjä. Alusten polttoaineenkulutuksella on merkittävä vaikutus merenkulun päästöihin, 
ja polttoaineenkulutukseen vaikuttavat monet asiat. 
 
Tämän diplomityön tarkoituksena on mallintaa Merenkurkussa liikennöivän Aurora Botnia -aluk-
sen propulsiotehoon vaikuttavia muuttujia. Tarkoitus on pyrkiä tunnistamaan erilaisten sääele-
menttien ja laivan ajamisen muuttujien vaikutusta propulsiotehon tarpeeseen ja sitä kautta polt-
toaineenkulutukseen. Erityisenä kiinnostuksenkohteena on biolikaantumisen vaikutuksen mah-
dollinen näkyminen käytettävissä olevasta datasta ja sen mahdollinen ennustaminen. 
 
Aurora Botnia -alukselta saatu data sekä Ilmatieteen laitoksen meripoijudata ja jäädata on yh-
distetty Wasalinelta saatuihin tietoihin aluksen pesuajankohdista. Yhdistettyä dataa on mallin-
nettu käyttämällä MATLAB-ohjelmaa. Koneoppimismallinnuksessa on käytetty lineaarista reg-
ressiota ja keinotekoista neuroverkkoa (ANN). Työssä on tutkittu eteenpäin työntävää propul-
siotehoa suhteessa muihin muuttujiin. 
 
Datan valinnassa ja käsittelyssä on jouduttu tekemään joitakin oletuksia. Numeerista tai visuaali-
siin havaintoihin perustuvaa tietoa aluksen pohjan likaantumisesta ei ollut olemassa. Jään vai-
kutuksesta likaantumiseen tai jään ilmenemisestä reitillä ei ollut saatavissa täsmällistä tietoa.  
  
Tuloksista voidaan päätellä, että aluksen nopeudella on suurin vaikutus propulsiotehon tarpee-
seen. Seuraavaksi merkittävin tekijä on suhteellinen tuulennopeus. Keinotekoisella neurover-
kolla mallinnettaessa seuraavaksi merkittävimmät muuttujat ovat viippaus, merkitsevä aallon-
korkeus, 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 nol-
lasta yhteen normalisoidulla datalla mallin keskiarvoinen keskineliövirhe (MSE) on 0,0027 ja 
jäännösvirhehajonta (RMSE) 0,0520.  
 

AVAINSANAT: aikasarjat, koneoppiminen, laivat, mallintaminen, meriliikenne, monimuuttu-
jamenetelmät, potkurit, teho   

 



3 

 

UNIVERSITY OF VAASA 
School of Technology and Innovations 

Author: Terhi Mäki-Turja 
Title of the thesis:  Ferry propulsion modelling: Machine learning modelling based on 

Aurora Botnia vessel data and environmental data 
Degree: Master of Science in Technology 
Discipline: Energy Engineering  
Supervisor: Anne Mäkiranta 
Instructors: Teemu Ovaska and Jani Boutellier 
Year: 2025 Pages: 75 

 
ABSTRACT: 
 
Shipping is responsible for about three percent of the global anthropogenic emissions. The In-
ternational 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 operat-
ing 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 com-
bined 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 bio-
fouling nor water temperature were found to be significant factors. 
 
Using linear regression, the model reliably prognosed the needed thrust. When data was nor-
malized between 0 and 1, the average mean squared error was 0,0027 and the average root 
mean squared error was 0,0520. 
 

KEYWORDS: machine learning, marine traffic, modelling, multivariable methods, power, pro-
pellers, ships, time series  

 
  



4 

 

Sisällys  

1 Johdanto 8 

2 Teoria 11 

2.1 Meriliikenne ja päästövaatimukset 11 

2.2 Aluksen geometria 12 

2.3 Muut alueella tehdyt tutkimukset 12 

2.4 Syväys ja trimmi eli viippaus 12 

2.5 Matala vesi ja Frouden syvyysluku 13 

2.6 Biolikaantuminen 13 

2.7 Reitinvalinta ja sääolosuhteet 14 

3 Tapauksen esittely 16 

3.1 Aurora Botnia 16 

3.1.1 Voimanlähteet 16 

3.1.2 Azipod 17 

3.1.3 Nacos Platinum 17 

3.2 Merenkurkku 17 

3.3 Kasvusto 18 

4 Työn data 19 

4.1 Käytettävissä oleva data 19 

4.2 Käytettävissä olevat muuttujat 19 

4.2.1 Paikkaan ja nopeuteen liittyvät muuttujat 19 

4.2.2 Syvyyteen ja asentoon liittyvät muuttujat 20 

4.2.3 Tuuleen liittyvät muuttujat 20 

4.2.4 Azipodeihin liittyvät muuttujat 20 

4.2.5 Veteen liittyvät muuttujat 21 

4.2.6 Pohjan pesuun liittyvä muuttuja 21 

5 Datan käsittely 22 

5.1 Käytetty ohjelmisto 22 

5.2 Laskennalliset muuttujat 22 



5 

 

5.2.1 Frouden syvyysluku 22 

5.2.2 PowerSum 23 

5.2.3 PowerEteen 23 

5.2.4 PowerEro ja nopeusero 24 

5.2.5 Lämpimätpäivät 24 

5.3 Yhdistäminen ja käsittely 25 

5.4 Käytettävän datan valikoiminen 26 

6 Tulokset 30 

6.1 Datan mallintaminen neuroverkolla 30 

6.2 Datan mallintaminen lineaariregressiolla 34 

7 Tulosten tarkastelu 38 

8 Johtopäätökset 44 

9 Yhteenveto 47 

Lähteet 49 

Liitteet 54 

Liite 1. Täydentäviä tuloksia 54 

Liite 2. Muuttujien yksiköt 58 

Liite 3. MATLAB-koodit: aineiston yhdistäminen 59 

Liite 4. MATLAB-koodit: laskennalliset muuttujat 65 

Liite 5. MATLAB-koodit: aineiston rajaamiseen käytettävät koodit 68 

Liite 6. MATLAB-koodit: tulosten laskeminen 72 

  



6 

 

Kuvat 
 
Kuva 1. Aluksen liikennöintireitti, kun telakkakäynti on poistettu 27 

Kuva 2. Reitti, kun telakkakäynti, suuret nopeuserot ja negatiiviset teho- ja nopeusarvot 

on poistettu 28 

Kuva 3. Neuroverkon rakenne 31 

Kuva 4. Yksittäisten muuttujien vaikutus työntötehoon neuroverkkomallissa 32 

Kuva 5. Lineaariregression ennuste ja todelliset arvot 36 

Kuva 6. Yksityiskohta ennustettujen ja todellisten arvojen kuvaajasta 37 

Kuva 7. Muuttujien vaikutukset neuroverkossa, jossa on seitsemän kerrosta 42 

 

Taulukot 
 
Taulukko 1. Muuttujien kulmakertoimet neuroverkkomallissa 33 

Taulukko 2. Lineaariregression muuttujien kulmakertoimet 35 

Taulukko 3. Neuroverkkojen kerrosten lukumäärän vaikutus 41 

 

  



7 

 

Symbolit ja lyhenteet 
 
 
Symbolit 
 
αp  paapuurin puolen Azipodin ohjauskulma 
αs  styyrpuurin puolen Azipodin ohjauskulma 
Fr  Frouden syvyysluku 
h  veden syvyys 
PE  teho eteenpäin 
Pp  paapuurin puolen teho 
Ps  styyrpuurin puolen teho 
Psum  yhteenlaskettu teho 
V  aluksen nopeus veden läpi 
 
 
Lyhenteet 
 
DWT  dead weight tonnage, kuollut paino, aluksen kantavuus eli aluksen lastin, 

polttoaineen, vesivarastojen, tarvikkeiden ja henkilöiden yhteispaino 
GT gross tonnage, bruttovetoisuus, yksikötön aluksen vetoisuuden suure 
MAPE  mean absolute percentage error, prosentuaalinen keski-itseisvirhe  
mpk  meripeninkulma, merimaili, 1852 m 
MSE   mean squared error, keskineliövirhe  
ps   port side, paapuuri 
RMSE  root mean squared error, jäännösvirhehajonta 
ro-ro  roll-on/roll-off eli aluksessa voidaan ajaa sen läpi pitkittäissuuntaisesti 
RoPax-alus roll-on/roll-off matkustaja-alus eli alus, jolla on mahdollista kuljettaa rah-

tia ja matkustajia 
sb  starboard, styyrpuuri       



8 

 

1 Johdanto 

Meriteitä pitkin käydään noin 80–90 prosenttia maailmankaupasta. Merenkulku aiheut-

taa noin kolme prosenttia globaaleista ihmisen toiminnasta aiheutuvista päästöistä (Am-

pah ja muut, 2021). Tulevaisuuden merenkulun tavoitteena on vähentää sen aiheuttamia 

ilmastopäästöjä merkittävästi aiempaan verrattuna. Vaihtoehtoisten polttoaineiden 

käyttämisen lisäksi on tärkeää vähentää käytettyä polttoainemäärää. 

 

Kansainvälinen merenkulkujärjestö IMO (International Maritime Organization) päivitti 

heinäkuussa 2023 kasvihuonekaasustrategiansa. Sen tavoite on, että alusten kasvihuo-

nekaasupäästöt ovat nettomääräisesti nolla vuoteen 2050 mennessä (International Ma-

ritime Organization, 2023a).  

 

Alusten polttoaineenkulutuksella on merkittävä vaikutus merenkulun päästöihin. Kulku-

vastukseen ja sitä kautta polttoaineen kulutukseen vaikuttaa suuri joukko erilaisia asioita. 

Näitä asioita ovat aluksen pysyvät ominaisuudet, kuten rungon muoto ja paino, sekä 

muuttuvat ominaisuudet, kuten syväys ja trimmi (laivan eteen- tai taaksepäin kallistunei-

suus). Lisäksi muuttuvia ominaisuuksia on laaja joukko erilaisia veteen ja säähän liittyviä 

mitattavia suureita, kuten tuulen nopeus ja suunta, veden suolaisuus ja lämpötila sekä 

vallitsevat virtaukset (Altarriba, 2020). 

 

Myös aluksen biolikaantuminen vaikuttaa sen kulkuvastukseen. Biolikaantuminen tar-

koittaa aluksen vedenalaisiin osiin kertyvää kasvustoa, kuten merirokkoja ja leviä. Tämä 

kasvusto vaihtelee paikallisesti sekä mahdollisesti vuodenaikojen mukaan. Kasvustoa 

voidaan poistaa joko telakalla tai vedessä tapahtuvan puhdistuksen avulla (Adland ja 

muut, 2018; Altarriba, 2021; Luoma ja muut, 2022).  

 

Säännöllinen ja riittävän usein tapahtuva pohjan puhdistus paitsi vähentää polttoaineen-

kulutusta myös estää sen, että orgaaniset kasvustot eivät pääse kiinnittymään tiukasti. 

Tällöin pohja voidaan pestä hellävaraisemmin kuin tiukasti kiinnittyneiden organismien 



9 

 

poistaminen vaatisi, ja aluksen maalipinta ei kärsi. Tämä säästää kustannuksia ja helpot-

taa jatkossa tapahtuvaa pesua (Luoma ja muut, 2022). 

 

Propulsio- eli työntötehon tarpeesta on tehty monia eri tutkimuksia. Myös tämän tutki-

muksen kohteena olevaa, Merenkurkussa liikennöivää matkustaja-autolautta Aurora 

Botniaa on tutkittu (Häggman, 2022; Öztürk & Başar, 2022). Veden syvyyden vaikutusta 

ovat tutkineet muun muassa Nguyen ja muut (2019). Myös biolikaantumista ja sen vai-

kutusta polttoaineenkulutukseen on tutkittu paljon, mutta nämä tutkimukset keskittyvät 

lähinnä lämpimissä ja syvissä vesissä kulkeviin aluksiin. Biolikaantumisen vaikutus voi li-

sätä polttoaineenkulutusta lähteestä riippuen 4–59 % (Laurie ja muut, 2021; Uzun ja 

muut, 2019). Aluksista, jotka kulkevat matalissa vesissä tai osittain jäisissä olosuhteissa 

on vähän tutkimuksia (Hughes & Ashton, 2016).  

 

Tämän diplomityön tavoitteena oli mallintaa Merenkurkussa, Vaasa-Uumaja -väliä, lii-

kennöivän Aurora Botnia -aluksen propulsiotehon tarvetta lastaus- ja sääolosuhteet huo-

mioon ottaen. Mallinnuksessa huomioitiin olosuhteiden lisäksi se, että osan reitistä alus 

kulkee matalassa vedessä. Tässä työssä keskityttiin työntötehon tarpeeseen eikä siihen, 

millaisella energialla tuo teho on saatu aikaiseksi, minkä mahdollisti Azipod-potkurilait-

teelta saatu data.   

 

Tarkoituksena oli selvittää, voidaanko tehontarvetta ennustaa pelkästään nykyaikaisten 

alusjärjestelmien datan ja vapaasti saatavilla olevan säädatan perusteella, koneoppi-

mista hyödyntäen. Samalla selvitettiin, onko mallinnus mahdollista ilman syvällistä ym-

märrystä työntötehoon vaikuttavista asioista ja laivageometrian huomiointia. 

 

Aurora Botnian propulsiotehon mallintamiseen käytettiin MATLAB-ohjelmaa. Data mal-

linukseen saatiin Wasalinelta ja Wärtsilältä osana KvarkenData-projektia. Muu data oli 

Ilmatieteen laitoksen avoimista lähteistä noudettua säädataa.  Mallinnuksessa käytettiin 

lineaarista regressiota ja keinotekoista neuroverkkoa. 



10 

 

Ilmastonmuutoksen aiheuttama lämpeneminen vaikuttanee Itämeren alueen jääolosuh-

teisiin, jotka sitten voivat lisätä biolikaantumista ja hankaloittaa veneen pohjan pesua 

(Altarriba, 2021). Tämän vuoksi on hyvä pystyä ennakoimaan puhdistuksen tarvetta tar-

kemmin, ja siinä tämän tutkimuksen tulos voi auttaa. 

 

Tämän työn luvussa kaksi perehdytään työhön liittyvään teoriaan ja aiempiin tutkimuk-

siin. Luvussa kolme on esitelty tutkittava tapaus ja luvussa neljä perehdytään tutkimuk-

sen dataan. Luvussa viisi käydään läpi datan käsittelyyn liittyvät asiat. Luku kuusi kertoo 

tutkimuksen tulokset ja luvussa seitsemän analysoidaan saatuja tuloksia. Luvussa kah-

deksan tarkastellaan tutkimuksesta tehtyjä johtopäätöksiä ja luvussa yhdeksän on työn 

yhteenveto.  



11 

 

2 Teoria 

Erilaisten merenkulkualusten propulsiotehon tarvetta on tutkittu paljon ja erilaisista nä-

kökulmista. Useat näistä tutkimuksista keskittyvät johonkin tiettyyn muuttujaan kuten 

polttoainevalintaan, trimmiin (viippaukseen), reittivalintoihin tai painolastiin (Ampah ja 

muut, 2021; Martić ja muut, 2024; Öztürk & Başar, 2022). On olemassa myös useita tut-

kimuksia, joissa mallinnetaan työntötehon tarvetta tai polttoaineen kulutusta erilaisia 

matemaattisia malleja käyttäen. Nämä mallit saattavat perustua joko aluksilta saatuun 

todelliseen dataan tai simuloituun dataan (Ampah ja muut, 2021; Martić ja muut, 2024; 

Öztürk & Başar, 2022).  

 

 

2.1 Meriliikenne ja päästövaatimukset 

Kansainvälinen merenkulkujärjestö IMO (International Maritime Organization) on Yhdis-

tyneiden kansakuntien alainen erikoisjärjestö, joka käsittelee merenkulkuun liittyviä asi-

oita. Muun muassa kansainväliseen merenkulkuun liittyvät turvallisuuskysymykset, me-

ren saastumisen ehkäiseminen ja oikeudelliset kysymykset kuuluvat IMO:ssa käsiteltä-

viin asioihin (International Maritime Organization, ei pvm.-a).  

 

IMO:n vuonna 2023 päivittämä kasvihuonekaasustrategia tavoittelee alusten nettonol-

lapäästöjä vuoteen 2050 mennessä. Myös aluksen energiatehokkuuden parantamisen 

suunnittelun ohjeissa (SEEMP, Ship Energy Efficiency Management Plan) tarjotaan näkö-

kulmia erilaisiin keinoihin vaikuttaa aluksen energiatehokkuuteen. Aluksen pohjan li-

kaantumisen vaikutukset nostetaan esiin sekä energiatehokkuuden että vieraslajien le-

viämisen näkökulmasta (International Maritime Organization, 2022, 2023a, 2024).  

 

 



12 

 

2.2 Aluksen geometria 

Aluksen geometria vaikuttaa merkittävästi sen kulkuvastukseen. Kokonaisuudessaan 

aluksen geometria on pysyvä eikä se varsinaisesti muutu. Toisaalta aluksen asento 

(trimmi ja kallistuneisuus) vaikuttaa vedessä olevan osan geometriaan kuin myös bioli-

kaantuminen. Nämä ominaisuudet vaikuttavat kulkuvastukseen, mutta tässä tutkimuk-

sessa niitä ei huomioida muuttuneen geometrian näkökulmasta eikä mitään aluksen fy-

sikaalisia ominaisuuksia kuten märkäpinta-alaa lasketa (Bertram, 2012; Molland ja muut, 

2011).  

 

2.3 Muut alueella tehdyt tutkimukset 

Itämeren alueella on tehty alusten biolikaantumisen tutkimusta muun muassa osana Eu-

roopan Unionin rahoittamaa, Interreg Baltic Sea Region -ohjelman COMPLETE-hanketta. 

Hankkeessa kiinnitettiin huomiota vieraslajien vaikutuksiin ja pintakäsittelymateriaalien 

myrkyllisyyteen, mutta myös eri tekijöiden vaikutusta alusten kulkuvastuksiin. Näissä tut-

kimuksissa kuitenkin jätettiin matalan veden alueet huomiotta ja tutkimukset on tehty 

jäättömään aikaan (Altarriba, 2020, 2021; Luoma ja muut, 2022). Tässä tutkimuksessa 

nämä näkökulmat kuitenkin otetaan huomioon.   

 

 

2.4 Syväys ja trimmi eli viippaus 

Syväys tarkoittaa aluksen keskilaivankaaren kohdasta mitattavaa pystysuoraa etäisyyttä 

aluksen alimmasta kohdasta vesilinjaan. Kullakin aluksella on oma nimellinen syväys, ja 

todellinen syväys riippuu aluksessa olevan lastin ja varustuksen painosta. Syväyksellä on 

merkittävä vaikutus kulkuvastukseen muuttuvan märkäpinta-alan vuoksi. Kasvavan mär-

käpinta-alan hydrodynaaminen vastus on selkeästi suurempi kuin vastaavasti pienene-

vän pinta-alan ilmanvastuksen väheneminen (Altarriba, 2021; International Maritime Or-

ganization, 2023b).  

 



13 

 

Trimmi tarkoittaa keulan ja perän syväyksien eroa ja se vaikuttaa aluksen kulkuvastuk-

seen. Trimmiin vaikuttaa aluksen lastaus ja se on tapauskohtainen. Aurora Botnia ei py-

sähdy välillä purkamaan lastia, joten aluksella on yksi lastauksesta riippuva trimmi kulle-

kin matkalle. Perätrimmissä aluksen perän syväys on suurempi kuin keulan syväys ja trim-

miarvo on negatiivinen. Keulatrimmissä keulan syväys on suurempi kuin perän syväys ja 

trimmiarvo positiivinen (Le ja muut, 2021; Musulin ja muut, 2024; Rawson & Tupper, 

2001). 

 

 

2.5 Matala vesi ja Frouden syvyysluku 

Matala vesi lisää kitkasta aiheutuvaa vastusta ja yleensä myös aaltojen vastusta. Kun 

Frouden syvyysluku on lähellä yhtä, vastus lisääntyy merkittävästi (Bertram, 2012). Ma-

talan veden määritelmä riippuu kuitenkin sekä veden syvyydestä että aallonpituudesta. 

Täten ei voida yksiselitteisesti määrittää, mikä alue on matalan veden aluetta ja mikä 

syvän, vaan se riippuu sääolosuhteista (Nguyen ja muut, 2019).   

 

Muut tutkimukset eivät tutki matalan veden alueita vaan rajaavat nämä pois. Aurora 

Botnia kulkee kuitenkin suuren osan reitistään matalassa vedessä, joten tässä tutkimuk-

sessa tätä rajausta ei tehdä.  

 

 

2.6 Biolikaantuminen 

Biolikaantumisella (engl. biofouling) tarkoitetaan vedenalaisten rakenteiden likaantu-

mista biologisesta aineksesta, kuten merirokosta ja levistä (Altarriba, 2021). Biolikaantu-

minen alkaa välittömästi, kun kohde on kosketuksissa veteen. Ensimmäisten minuuttien 

ja tuntien aikana pinnalle kehittyy orgaaninen kalvo ja tämän jälkeen muunlainen kas-

vusto ja eliöstö kehittyvät olosuhteista riippuen (Vinagre ja muut, 2020).  

 



14 

 

Veden suolaisuudella ja auringonvalolla on merkitys kasvuston lisääntymiseen. Murto-

vettä suolaisemmissa vesissä kasvu on voimakkaampaa. Kasvu on voimakkainta lämpi-

missä pintavesissä. Auringonvalon aiheuttaman kasvun lisääntymisen vuoksi joskus alus-

ten pohjia pestään vain muutaman metrin levyiseltä alueelta vesirajasta kohti pohjaa 

(Altarriba, 2021). 

 

Biolikaantumisen vaikutusta on tutkittu paljon ja myös Itämerellä. Näistä tutkimuksista 

käy ilmi, että biolikaantuminen ei vaikuta ainoastaan aktiivisesti kulkuvastuksen lisään-

tymisenä vaan maalipinnan mahdollisen vaurioitumisen kautta myös välillisesti (Luoma 

ja muut, 2022). IMO:n ohjeessa suositellaan seuraamaan biolikaantumista ja tarvittaessa 

puhdistamaan pohjaa ja potkureita osittain tai kokonaan. Myös pohjan pinnan laadulla 

ja karkeudella todetaan olevan suora vaikutus tehontarpeeseen (International Maritime 

Organization, 2022). Altarriban (2021) tutkimuksessa käytettyjen alusten pesuväli perus-

tui kokemusperäiseen havainnointiin ja se tehtiin kesäkaudella eli toukokuun alusta lo-

kakuuhun 6–8 kertaa, joillain aluksilla jopa kahden viikon välein.   

 

Biolikaantumisen ehkäisyyn käytetään usein erilaisia pinnoitteita, joiden laatu ja vaikut-

tavuus vaihtelee paljonkin. Tässä tutkimuksessa ei kuitenkaan keskitytty pohjankäsitte-

lyaineeseen, sillä aluksella oli koko ajan käytössä sama pinnoite eikä maalipintaa uusittu 

koejakson aikana.  

 

Eräs biolikaantumisen näkökulmista on vieraslajien leviäminen. Tässä tutkimuksessa sitä 

ei oteta huomioon, sillä tutkittava alus liikkuu säännöllisesti edestakaisin reitillä, jonka 

pituus on vain noin 100 km, pysytellen hyvin samalla leveyspiirillä, joten lajisto on sa-

mankaltaista koko reitin matkalla. 

 

 

2.7 Reitinvalinta ja sääolosuhteet 

Sääolosuhteet merellä vaikuttavat sekä suoraan polttoaineenkulutukseen että mahdolli-

siin reittivalintoihin. Tutkimuksia esimerkiksi reittivalintojen tekemisestä sääennusteiden 



15 

 

perusteella on olemassa. Merivirrat ja virtaukset voivat vaihdella suurestikin erityisesti 

matalikkojen ja rantojen läheisyydessä ja niillä voi olla merkittäviä vaikutuksia vaaditta-

vaan työntötehoon (Altarriba, 2020; Öztürk & Başar, 2022).  

 

Tämän diplomityön kohteena olleen aluksen reittiin voidaan vaikuttaa ainoastaan avo-

merellä, sillä osassa reitistä väylät ovat kapeita ja vesistö ympärillä on matalaa. Reitin 

kokonaispituus on noin 53 merimailia, josta merikartan perusteella arvioiden korkein-

taan kolmasosalla matkasta on edes teoriassa mahdollista tehdä reitinvalintaa.  

 

 



16 

 

3 Tapauksen esittely 

Tutkimuksen kohteena oli Merenkurkussa liikennöivä alus Aurora Botnia. Alus liikennöi 

Vaasan ja Uumajan välillä kahdesta neljään kertaan vuorokaudessa, päivästä ja vuoden-

ajasta riippuen. Aluksen reitti kulkee osittain Merenkurkun saariston Unescon maailman-

perintökohteen alueella. Alue on tavallisesti talviaikaan jääpeitteinen.   

 

 

3.1 Aurora Botnia 

Aurora Botnia on Kvarken Link Ab Oy:n omistama alus. Kvarken Link Ab Oy:n omistavat 

tasaosuuksin Vaasan kaupunki ja Uumajan kunta. Toiminta tapahtuu Wasaline-nimen 

alla ja toiminnan taustalla on varustamoyritys NLC Ferry Ab Oy. Aurora Botnia on vuonna 

2021 valmistunut monipolttoainelaiva ja maailman ympäristöystävällisemmäksi mai-

nittu lastin ja matkustajien kuljettamiseen tarkoitettu alus eli RoPax-alus. Säännöllinen 

reittiliikenne alkoi lauantaina 28.8.2021 (DNV AS, 2022; Leiwo, 2021; Mäkinen, 2022). 

 

Aurora Botnia on 150 m pitkä ja 26 m leveä alus, jonka syväys on 6 m. Sen kuollut paino 

(DWT) on 3500 tonnia ja bruttovetoisuus (GT) 24036. Alus kuuluu jääluokkaan 1A Super. 

Siinä on 1500 kaistametriä tilaa kuorma- ja henkilöautoille ja kapasiteetti 800 matkusta-

jalle (DNV AS, 2022; Mäkinen, 2022). Alukselta kerätään paljon erilaista dataa sisäänra-

kennettujen anturien avulla.  

 

 

3.1.1 Voimanlähteet  

Aluksen pääasiallisina voimanlähteinä ovat neljä Wärtsilän 8V31DF monipolttoai-

nemoottoria. Moottorit voivat käyttää dieseleiden lisäksi polttoaineena nesteytettyä 

maakaasua (LNG) ja biokaasua (LBG). Alusta voidaan ajaa yhden tai useamman mootto-

rin voimalla (Wärtsilä, 2023, 2024a, 2024b).  

 



17 

 

Aluksella on myös kaksi Leclanchén 1,1 megawattitunnin litium-ioniakustoa, jota voidaan 

käyttää voimanlähteenä yhdessä monipolttoainemoottorien kanssa tai itsenäisesti. Eri-

tyisesti satama-alueilla voimanlähteenä käytetään ainoastaan akkuja. Akkuja käytetään 

myös tehohuippujen tasaamiseen (Moore, 2021; Peter, 2021). 

 

 

3.1.2 Azipod  

Azipod on ABB:n valmistama potkurilaite. Aurora Botnialla on käytössä kaksi 5,8 MW:n 

Azipod yksikköä. Kiinteälapaisia yksikköjä voidaan kääntää pystyakselinsa ympäri 360 as-

tetta ja ne ovat jäävahvistettuja, Polar Code 6 -jääluokan vaatimusten mukaisia potkuri-

laitteita (ABB, 2020; International Association of Classification Societies, 2016; Wärtsilä, 

ei pvm.). 

 

 

3.1.3 Nacos Platinum  

Nacos Platinum on Wärtsilän navigointi- ja viestintäjärjestelmä, joka yhdistää navigoin-

nin, automaation, voimantuotannon ja propulsion ohjausjärjestelmät. Järjestelmä on yh-

distetty Wärtsilän Data Bridge -alustaan, mikä mahdollistaa alukselta saadun datan ana-

lysoinnin (Wärtsilä, 2019). 

 

 

3.2 Merenkurkku 

Merenkurkku on alue Pohjanlahdessa, Selkämeren ja Perämeren välissä. Merenkurkun 

saaristossa on Unescon maailmanperintökohdealue. Merenkurkku on matala ja kapea 

merialue ja maankohoaman vuoksi se madaltuu vuosittain. Alueen mataluus lisää alueen 

luonnon haavoittuvuutta ja vaikuttaa käytettävissä oleviin alusten pohjan puhdistusta-

poihin ja keinoihin suojella aluksen pohjaa biolikaantumiselta (Luoma ja muut, 2022; 

Suomen ympäristökeskus, 2023).    

 



18 

 

Alueen mataluus vaikuttaa merkittävästi myös aluksen kulkuvastukseen (Nguyen ja muut, 

2019). Aluksen reitillä on datan mukaan vettä kölin alla pienimmillään 2,8 metriä ja suu-

rimmillaan 140 metriä. 

 

 

3.3 Kasvusto 

Merenkurkussa elää murtovesialueen eliöitä, joista joillekin Merenkurkku on niiden poh-

joisin levinneisyysalue. Biolikaantumista aiheuttavia eliöitä on vähemmän kuin Meren-

kurkun vettä lämpimämmissä ja suolaisemmissa vesissä, mutta erilaiset levät ja esimer-

kiksi merirokko kuitenkin aiheuttavat näkyvääkin biolikaantumista vedenalaisissa raken-

teissa (Luoma ja muut, 2022; Metsähallitus & Suomen ympäristökeskus, 2024). 

 

Aurora Botniasta kasvusto poistetaan 1–2 kertaa vuodessa, yleensä heinäkuussa ja toisi-

naan myös marraskuussa. Tällöin koko aluksen pohja pestään harjaamalla. Alus puhdis-

tetaan vedessä (B. Holmblad, sähköpostikeskusteluja, 30.8.2024–29.10.2024).  

 



19 

 

4 Työn data 

Aurora Botnia -alukselta kerätään monenlaista dataa. Tähän työhön käytettiin osaa 

tuosta datasta. Ilmatieteen laitoksen avointa dataa on myös paljon saatavilla ja sitä hyö-

dynnettiin myös. Toisissa tutkimuksissa (Saukko, 2020) ilmi tulleet ongelmat, kuten datan 

hajanaisuus, sisältö, määrä ja muoto, eivät tässä tapauksessa olleet ongelmia, sillä kaikki 

tieto alukselta tuli saman järjestelmän kautta. Kun kaikki omistajuuteen ja salassapito-

velvollisuuteen liittyvät asiat saatiin sovittua yritysten ja yliopiston kesken, eivät nekään 

tuottaneet hankaluuksia. 

 

 

4.1 Käytettävissä oleva data  

Tutkimuksessa käytettiin Wärtsilän Nacos-järjestelmän kautta saatua dataa. Tarkemmat 

kuvaukset käytössä olleista muuttujista on selitetty seuraavassa alaluvussa. Säädata saa-

tiin Ilmatieteen laitoksen kahdelta eri meripoijulta. Toinen poijuista on Maalahden Stor-

skäretin pintalämpötilapoiju ja toinen on Selkämerellä, noin 60 km:n päässä Suomen 

rannikosta sijaitseva aaltopoiju (Ilmatieteen laitos, ei pvm.-a, ei pvm.-b). 

 

 

4.2 Käytettävissä olevat muuttujat 

Käytettävissä olevien muuttujien nimet tulivat Wärtsilän Nacos-järjestelmästä ja ne on 

esitelty tässä sellaisinaan. Muuttujien yksiköt löytyvät liitteestä 2. Myös säädataan liitty-

vät muuttujanimet tulivat nimettyinä datan lataamisen myötä. 

 

 

4.2.1 Paikkaan ja nopeuteen liittyvät muuttujat 

Aluksen sijaintia merellä ilmaisevat muuttujat latitude ja longitude. Latitude ilmaisee le-

veysasteet (latitudi) ja longitude pituusasteet (longitudi). Arvot saadaan Nacos-järjestel-



20 

 

mästä desimaalimuodossa. Sog tulee sanoista speed over ground, ja se kuvaa aluksen 

nopeutta maan suhteen. Stw tulee sanoista speed through water, ja se on aluksen no-

peus veden suhteen. Aluksen kulkusuunnasta kertoo kaksi muuttujaa. Cog (course over 

ground) on aluksen kurssi maan suhteen ja heading aluksen kompassisuunta.   

 

 

4.2.2 Syvyyteen ja asentoon liittyvät muuttujat  

Muuttuja depth eli syvyys tarkoittaa veden syvyyttä kölin alta meren pohjaan mitattuna. 

Draught tarkoittaa laivan syväystä. Se kertoo kuinka syvällä vedessä alus ui. Se mitataan 

vesilinjasta pystysuoraan laivan alimpaan kohtaan. Trim eli trimmi eli viippaus tarkoittaa 

aluksen keula- ja peräsyväyksen välistä eroa. Mikäli luku on positiivinen, on keulan syväys 

suurempi kuin perän. Luvun ollessa negatiivinen on tilanne päinvastainen (International 

Maritime Organization, ei pvm.-b; Le ja muut, 2021).    

 

 

4.2.3 Tuuleen liittyvät muuttujat 

Tuulen suuntaan ja nopeuteen liittyviä ominaisuuksia on kuusi: angle wind relative, angle 

wind true, direction wind relative, direction wind true, speed wind relative ja speed wind 

true. Kukin ominaisuksista ilmaistaan kahdella eri muuttujalla, suhteellinen (relative) ja 

tosi (true). Angle ottaa huomioon aluksen suunnan ja direction on se ilmasuunta, josta 

tuuli käy. Speed ilmoittaa tuulen nopeuden.    

 

 

4.2.4 Azipodeihin liittyvät muuttujat 

Azipodeihin liittyviä muuttujia on kuusi erilaista: powerpropulsion ps, powerpropulsion 

sb, rpmpropulsion ps, rpmpropulsion sb, AZP_P_steeringangle ja AZP_S_steeringangle. 

Paapuurin puolelle (ps tai _P_) on omansa ja styyrpuurin puolelle (sb tai _S_) omansa. 

Powerpropulsion ilmoittaa tehon, rpmpropulsion potkurin kierrosluvun ja steeringangle 

ohjauskulman. 



21 

 

4.2.5 Veteen liittyvät muuttujat  

Veden lämpötila celsiusasteina saatiin kahdesta eri mittauspisteestä. VedenLmptilaC_ML 

on Maalahdesta mitattu tulos ja se saatiin Ilmatieteenlaitoksen Storskäretin pintalämpö-

tilapoijusta. Poiju on ankkurointia varten muokattu MetOceanin iSVP-poiju, jonka 

U.S.Sensorin valmistaman anturin tarkkuus on valmistajan mukaan 0,05 °C ja käytän-

nössä n. 0,2 °C (Ilmatieteen laitos, ei pvm.-b).  

 

Muuttuja VedenLmptilaC_SM saatiin Selkämerellä sijaitsevasta aaltopoijusta. Tästä poi-

justa saatiin myös aaltoihin liittyvät muuttujat merkitsevä aallonkorkeus, aallokon tulo-

suunta ja aallokon modaalinen periodi. Selkämeren poiju on Directional Waverider -aal-

topoiju, ja se mittaa aallokkoa kompassin ja kiihtyvyysantureiden avulla. Veden lämpötila 

mitataan noin 0,4 m pinnan alapuolelta. Aaltopoiju on ankkuroitu Selkämerelle alueelle, 

jossa merenpohjan syvyys on noin 120 m (Ilmatieteen laitos, ei pvm.-a, ei pvm.-b). 

 

 

4.2.6 Pohjan pesuun liittyvä muuttuja  

Päiviä pesusta -muuttuja kertoo edellisestä pesupäivästä kuluneiden päivien lukumäärän. 

Wasaline antoi tiedot aluksen pesupäivistä (B. Holmblad, sähköpostikeskusteluja, 

30.8.2024–29.10.2024).   

 

Lisäksi käytössä olisi ollut akustoon liittyvää dataa, mutta tätä dataa ei käytetty, sillä 

työssä ei keskitytty siihen, mistä lähteestä energia saadaan. Samasta syystä, ja aineiston 

salaisuuden vuoksi, myöskään polttoaineen massoihin ja tilavuuksiin liittyvää dataa ei 

käytetty. Kuten ei myöskään tarkkailtu kunkin moottorin tuottamaa tehoa. 



22 

 

5 Datan käsittely  

Tässä työssä datan käsittelyyn valittiin MATLAB, sillä se soveltui suuren datamäärän hal-

lintaan ja yhdistämiseen. Nacos-järjestelmästä saatu data oli aikaleimattua, joten muun 

datan yhdistäminen siihen onnistui MATLABilla. Datan esikäsittely ennen mallintamista 

parantaa merkittävästi mallinnuksesta saatavia tuloksia (Laurie ja muut, 2021).  

 

 

5.1 Käytetty ohjelmisto 

Datan käsittelyssä käytettiin MATLAB-ohjelmaa ja sen versiota 9.14.0.2254940 (R2023a) 

Update 2. Data saatiin erilaisissa tiedostomuodoissa, kuten Excel-muotoisena, ja tämä 

data siirrettiin MATLABiin.  

 

 

5.2 Laskennalliset muuttujat 

Saadun datan lisäksi taulukkoon lisättiin joitain laskennallisia muuttujia. Tämä siksi, että 

vaikka neuroverkot osaavatkin luoda erilaisia riippuvuuksia muuttujien välillä, näin ei 

välttämättä ole lineaariregressiota tehtäessä. Toinen syy on se, että joitakin valmiiksi las-

kettuja muuttujia on helpompi vertailla ja ymmärtää kuin erillisiä sarakkeita. Laskennal-

lisia muuttujia voidaan myös helposti käyttää hyväksi datan rajausta tehtäessä. Lasken-

nallisten muuttujien MATLAB-koodit on esitetty liitteessä 4. 

 

 

5.2.1 Frouden syvyysluku 

Frouden syvyysluku on yksikötön luku, joka kertoo aluksen nopeuden suhteesta veden 

syvyyteen. Frouden syvyysluku lasketaan kaavalla 

 

𝐹𝑟 =
𝑉

√ℎ𝑔
 ,         (1) 



23 

 

 

missä Fr tarkoittaa Frouden syvyyslukua, V aluksen nopeutta veden läpi (m/s), h aluksen 

kölin alla olevan veden syvyyttä (m) ja g gravitaatiokiihtyvyyttä (m/s2). Frouden luku las-

ketaan suoraan MATLABiin siirretyssä datataulukossa, joten lukujen pyöristetyt arvot 

ovat Wärtsilän järjestelmän antamia arvoja. Gravitaatiokiihtyvyytenä käytettiin lukua 

9,81 m/s2. Wärtsilän järjestelmä antaa nopeuden veden läpi solmuina eli meripeninkul-

mina tunnissa, ja tämä muutetaan yksikköön metriä sekunnissa kaavalla 

 

𝑉𝑚/𝑠 = 𝑉𝑠

1852𝑚

𝑚𝑝𝑘
36𝑜𝑜𝑠

ℎ

,              (2) 

 

missä Vm/s tarkoittaa nopeutta yksikössä metriä sekunnissa ja Vs tarkoittaa nopeutta sol-

muina. Mpk on meripeninkulma.  

 

 

5.2.2 PowerSum  

Työntötehoihin liittyvä laskennallinen muuttuja on PowerSum. Tämä muuttuja on las-

kettu yksinkertaisesti yhdistämällä styyrpuurin ja paapuurin puoleisten Azipodien an-

tama teho. Kaavalla ilmaistuna 

𝑃sum = 𝑃s + 𝑃p,          (3) 

 

missä Psum on yhteenlaskettu teho, Ps on styyrpuurin puoleisen Azipodin teho ja Pp on 

paapuurin puoleisen Azipodin teho.  

 

 

5.2.3 PowerEteen 

Toinen tehoihin liittyvä laskennallinen muuttuja on PowerEteen-muuttuja. Tämä muut-

tuja on laskettu siten, että on otettu kummankin Azipodin (styyrpuurin ja paapuurin) 

tuottama teho ja niiden kulma rungon suhteen. Kulmat 0° ja 360° tarkoittavat samaa. 



24 

 

Tällöin Azipod-potkurien tuottama teho suuntautuu suoraan taaksepäin eli alusta eteen-

päin työntäen. Kulman asteluku suurenee myötäpäivään käännyttäessä.  

 

PowerEteen on laskettu kaavalla  

 

𝑃E = 𝑃s ⋅ 𝑐𝑜𝑠 𝛼s + 𝑃p ⋅ 𝑐𝑜𝑠 𝛼P,              (4) 

 

missä PE on teho eteenpäin, αs on styyrpuurin puoleisen Azipodin kulma ja αp on paa-

puurin puoleisen Azipodin kulma. Vaikka matemaattinen asteluku lisääntyy vastapäivään 

pyörittäessä ja tässä myötäpäivään pyörittäessä, kosinifunktio antaa silti oikean arvon 

suhteessa tehon suuntaan. 

 

 

5.2.4 PowerEro ja nopeusero 

Muuttuja PowerEro laskee eteenpäin työntävän ja yhteenlasketun työntötehon välisen 

erotuksen itseisarvon. Vastaavasti nopeusero laskee erotuksen itseisarvon muuttujien 

sog ja stw välillä.  

 

 

5.2.5 Lämpimätpäivät 

Lämpimätpäivät (lampimatpaivat) laskee perättäisten lämpimien päivien määrää Maa-

lahden sääpoijun lämpötilatiedoista. Kyseinen lämpimäksi ajateltu lämpötila määrätään 

ohjelmaa kutsuttaessa. Tämä muuttuja luotiin sen takia, että veden lämpötila vaikuttaa 

muun muassa merirokon lisääntymiseen (Nasrolahi ja muut, 2012) ja haluttiin tutkia, 

näkyykö tämä jollakin tavalla tuloksissa. 

 

 

 



25 

 

5.3 Yhdistäminen ja käsittely 

Wärtsilän järjestelmästä saatu data, Wasalinelta saatu data ja Ilmatieteen laitoksen avoi-

mesta lähteestä saatavilla oleva data yhdistettiin yhdeksi taulukoksi. Taulukkoa on täy-

dennetty, sillä Wärtsilältä saatu data sisältää tietoa 30 sekunnin välein, säädata tunnin 

välein ja pesupäivätaulukko päivän välein. Kaikki kerätty data yhdistettiin taulukoksi AB.   

 

Sääpoijujen antamia tietoja on käsitelty siten, että niinä päivinä, kun dataa on olemassa, 

on väli edelliseen arvoon interpoloitu lineaarisesti. Niiltä päiviltä, kun dataa ei ole ole-

massa, on arvoksi merkitty NaN (Not a Number). Sääpoijujen antamia tietoja ei ole tal-

viajalta.  

 

Wasalinelta pesupäivistä saatujen tietojen pohjalta muodostettiin oma rivi taulukkoon. 

Jäiden aluksen pohjaa biolikaantumisesta puhdistava vaikutus huomioitiin siten, että 

jäisten aikojen ”päiviä pesusta” -arvoksi merkittiin nolla. Jäiset ajat määrättiin ilmatie-

teen laitoksen avoimen datan jäätalvitilaston perusteella Vaasan sataman jäätietojen 

mukaan (Ilmatieteen laitos, ei pvm.-c).  

 

On myös huomioitava, että ensimmäisen vuoden ”päiviä pesusta” -muuttuja ei pidä täs-

mällisesti paikkansa. Alus on ollut vedessä jo ennen liikennöintiä ja ensimmäisek-

si ”pesupäiväksi” on merkitty saadun datan ensimmäinen päivä. Ensimmäinen päivä, jol-

loin alukselta on paikkadataa, on 18.6.2021, jolloin dataa oli jo 18 päivän ajalta ja päiviä 

pesusta siis arvolla 18. Ei tiedetä täsmälleen, kuinka kauan alus on ollut vedessä Rauman 

telakalla. Biolikaantumisen näkökulmasta on otettava huomioon myös se, että telakka-

alueella biolikaantuminen voi tapahtua eri tavalla kuin liikennöivään alukseen. 

 

Taulukkoon lisättiin myös laskennalliset muuttujat. Kun kaikki käytettävissä oleva data 

yhdistettiin, oli käytössä 53 eri muuttujaa ja yli kolme miljoonaa (3146173) näytettä. 

Näistä 53 muuttujasta kahdeksan oli laskennallisia ja muut olivat joko avoimesta läh-

teestä tai yhteistyötahojen tarjoamia. Tästä datasetistä oleellisen tiedon valikoiminen oli 

yksi hankaluuksista, joka muiden tutkimusten (Laurie ja muut, 2021; Saukko, 2020) pe-



26 

 

rusteella oli odotettavissa. Kaikki datan yhdistämiseen liittyvät koodit on eritelty tarkem-

min liitteessä 3. Laskennallisten muuttujien koodit ovat liitteessä 4. 

 

 

5.4 Käytettävän datan valikoiminen 

Datan suuren määrän vuoksi esimerkiksi MATLABin valmiita funktioita, kuten satunnai-

nen metsä -menetelmän TreeBagger-toteutusta, ei ollut tässä tapauksessa mahdollista 

käyttää. Aluksi dataa rajattiinkin muilla perusteilla.  

 

Ensin rajattiin pois se data, joka oli ajalta ennen kuin alus aloitti säännöllisen reittiliiken-

teen. Datan perusteella liikennöinti Vaasan ja Uumajan välillä alkoi 27.8.2021 klo 10.14. 

Toinen ajan perusteella pois rajattu data liittyi aluksen telakkakäyntiin. Lisäksi poistettiin 

selkeät mittapoikkeamat, kuten ohjauskulmat, jotka olivat yli 360° ja syväykset, jotka oli-

vat yli 30 m, sekä rivit, joilla näiden muuttujien arvo oli NaN. 

 

Pois rajattiin myös ne sarakkeet, joiden tietoja ei joko tarvittu tai haluttu käyttää. Näitä 

sarakkeita olivat polttoaineeseen ja akustoon liittyvät sarakkeet sekä laskennalliset 

apusarakkeet styyrpuurin ja paapuurin eteenpäin työntävälle teholle. Näiden poistojen 

jälkeen taulukon AB koko oli 2874610x41. Tästä datasta on piirretty kuva 1, jossa näkyy 

aluksen reitti kartalla.  

 



27 

 

 

Kuva 1. Aluksen liikennöintireitti, kun telakkakäynti on poistettu 

 

Datasta poistettiin myös kaikki sellainen data, jossa aluksen nopeus veden läpi oli nega-

tiivinen, sekä sellainen data, joissa työntöteho oli negatiivinen. Rivit, joilla aluksen no-

peus maan suhteen ja aluksen nopeus veden suhteen erosivat enemmän kuin yhden sol-

mun, poistettiin myös. Tämä rajaus tehtiin siksi, että aluksen potkurit voivat tuottaa työn-

tötehoa mihin suuntaan tahansa ja täten aluksen nopeus veden suhteen, joka yleensä 

ilmaisee veden virtauksien voimakkuutta, ei välttämättä pidä paikkansa. Tämä ilmeni 

muun muassa tilanteissa, joissa alus oli paikoillaan laiturissa eli nopeus maan suhteen oli 

nolla solmua, mutta nopeus veden suhteen esimerkiksi -1 solmu.  

 

Rajanopeudeksi valikoitui yksi solmu, sillä Ilmatieteen laitoksen mukaan tyypilliset vir-

taukset Itämeressä ovat 5–10 senttimetriä sekunnissa ja myrskyissä voidaan saavuttaa 



28 

 

50 senttimetrin sekuntinopeus. Tämä nopeus vastaa noin yhtä solmua (Ilmatieteen laitos, 

2022). Näiden rajausten jälkeen taulukon AB koko oli 15566046x41. Tämän datajoukon 

perusteella on piirretty kuva 2.  

 

 

Kuva 2. Reitti, kun telakkakäynti, suuret nopeuserot ja negatiiviset teho- ja nopeusarvot 
on poistettu 

 

Koska Merenkurkun alue on monella tapaa erityinen, on tämän tutkimuksen tuloksia 

mielenkiintoisia verrata valtamerellä tehtyihin tutkimuksiin. Laurie ja muut (2021) käyt-

tivät tutkimuksessaan kahdeksaa parametriä. Nämä muuttujat olivat nopeus veden suh-

teen, suhteellinen tuulennopeus, meren lämpötila, trimmi, syväys, Frouden syvyysluku, 

merkitsevä aallonkorkeus ja päiviä pesusta.  

 



29 

 

Suurimmat korrelaatiokertoimet PowerEteen-muuttujan suhteen olivat PowerSum, stw, 

sog, Frouden syvyysluku, syvyys, suhteellinen tuulennopeus, kompassisuunta, syväys, to-

dellinen tuulennopeus, aluksen kurssi maan suhteen ja päiviä pesusta. Näissä korrelaa-

tiokerroin oli enemmän kuin 0,05.  Pienemmät kuin -0,05 korrelaatiokertoimella olevat 

muuttujat olivat todellinen tuulensuunta, longitudi ja trim. Merkittävin ero Laurien ja 

muiden (2021) käyttämiin muuttujiin oli merkitsevä aallonkorkeus, jonka korrelaatioker-

roin oli lähellä nollaa sekä veden lämpötilat.  

 

Kompassisuunnan, aluksen kurssin maan suhteen, longitudin ja syvyyden vaikutusta kor-

relaatioon saattaa osittain selittää se, että alus kulkee hyvin täsmällisesti samalla reitillä 

ja syvimmän veden alueella alus kulkee nopeimmin. Veden lämpötilan vaikutus ja mer-

kitsevä aallonkorkeus otettiin mukaan, vaikka niiden korrelaatiokertoimet eivät olleet-

kaan suuria. Tässä tutkimuksessa päädyttiinkin valitsemaan käytettäviksi muuttujiksi sa-

mat muuttujat, joita Laurie ja muut (2021) ovat tutkimuksessaan käyttäneet. 

 

Kun seurattavat muuttujat oli valittu, poistettiin vielä ne rivit, joista puuttui jokin muut-

tujan arvo. Jos käytetään Maalahden poijun lämpötiloja, samalla kun poistetaan ne rivit, 

joilla lämpötilamuuttujalla ei ole arvoa, poistuvat jäätalvet. Kun lämpötilana käytettiin 

Maalahden poijun lämpötilaa, rivejä oli jäljellä 790659. Mallinnusta varten aineisto nor-

malisoitiin kaavalla, joka löytyy liitteestä 5. 

 

 



30 

 

6 Tulokset 

Valittua dataa mallinnettiin kahdella eri tavalla: keinotekoisella neuroverkolla ja lineaari-

regressiolla. Kummallakin mallinnustavalla osa aineistosta käytettiin mallin kouluttami-

seen ja osa arviointiin, vaikka keskenään hieman eri tavalla.  

 

 

6.1 Datan mallintaminen neuroverkolla  

Datan mallintamiseen MATLABilla käytettiin Levenberg-Marquardt-algoritmia neurover-

kon kouluttamiseen. Levenberg-Marquardt-algoritmi on muunnelma Newtonin mene-

telmästä, ja soveltuu hyvin käytettäväksi neuroverkoissa, joissa suorituskykyä arvioidaan 

keskineliövirheen avulla. MATLABissa algoritmi on erityisen tehokas, sillä se perustuu si-

säänrakennettuihin funktioihin ja täten laskenta on nopeampaa ja tarkempaa kuin ma-

nuaalisilla toteutuksilla (Hagan ja muut, 2014; MATLAB, ei pvm.). 

 

Neuroverkossa käytettiin yhtä piilokerrosta. Ohjelma jakaa datan satunnaisesti kolmeen 

eri aineistoon: koulutus-, testaus- ja arviointiaineistoon. Koulutusaineisto sisältää 70 % 

koko aineistosta, ja testaus- ja arviointiaineisto sisältävät kumpikin 15 % aineistosta. Kun 

koko aineisto koulutetaan viisi kertaa, saadaan keskiarvoiseksi keskineliövirheeksi (MSE 

= mean squared error) 0,00268 ja korrelaatiokertoimeksi (R) 0,97774. Taulukko tuloksista 

löytyy liitteestä 1. Kuvassa 3 on esitetty neuroverkon rakenne MATLABin kuvaamana.  

 



31 

 

 

Kuva 3. Neuroverkon rakenne 

 

Neuroverkossa on kahdeksan syötettä ja yksi tulos (vihreät laatikot). Piilokerros sisältää 

painot (W), sisäiset korjaustekijät (b), summauksen ja aktivointifunktion. Kerroksessa on 

seitsemän painoelementtiä (Weight Elements). Tuloskerros sisältää painot, sisäiset kor-

jaustekijät ja summauksen, mutta ei funktiota. Tuloskerros tuottaa yhden tuloksen. 

 

Kunkin muuttujan vaikutusta propulsiotehon tarpeeseen tutkittiin siten, että kaikista 

muuttujista laskettiin keskiarvo ja yhtä muuttujaa kerrallaan muuttamalla kokeiltiin neu-

roverkkomallia siten, että ajettiin kyseisen muuttujan arvot minimistä maksimiin. Nor-

malisoidun datan tapauksessa minimi oli nolla ja maksimi oli yksi.  Kukin muuttuja ajettiin 



32 

 

erikseen ja kaikki kuvaajat piirrettiin kuvaan 4 siten, että vaaka-akseli on normalisoitu ja 

pystyakselilla on normalisoimattomat arvot. 

 

Kuva 4. Yksittäisten muuttujien vaikutus työntötehoon neuroverkkomallissa 

 

Kuvasta 4 voidaan todeta, että kaikki muut käyrät ovat suoria tai lähes suoria, paitsi no-

peus veden läpi. Toinen kuvasta selkeästi muista erottuva suora on suhteellista tuulen-

nopeutta ilmaiseva muuttuja. Muiden muuttujien sijoittuminen hyvin lähelle toisiaan 

käy ilmi myös niiden kulmakertoimista. Taulukossa 1 on esitetty kunkin muuttujan las-

kennallinen kulmakerroin ja lisäksi MATLABin polyfit-funktiolla laskema kulmakerroin 

sekä normalisoidulle että normalisoimattomalle kohdemuuttujalle.   



33 

 

 

Taulukko 1. Muuttujien kulmakertoimet neuroverkkomallissa 

Nimeke, muuttuja Laskettu 

keskiarvo 

Polyfit-

keskiarvo 

Normalisoimaton 

polyfit-keskiarvo 

stw, nopeus veden läpi 0,93397 0,90493 10,19040 

trim, viippaus 0,04728 0,04726 0,53213 

swr, suhteellinen tuulen-

nopeus 

0,17087 0,17036 1,91850 

draught, syväys 0,03320 0,03319 0,37380 

vlml, veden lämpötila 

Maalahti 

-0,00093 -0,00093 -0,01045 

mak, merkitsevä aallon-

korkeus 

0,03833 0,03833 0,43159 

pp, päiviä pesusta 0,01130 0,01130 0,12721 

Froude, Frouden syvyysluku 0,03509 0,03508 0,39504 

 

Laskettu keskiarvo on laskettu mallin antaman pienimmän ja suurimman ennusteen vä-

lisistä arvoista. Kuvaajasta voidaan todeta, että nämä arvot ovat kunkin suoran ensim-

mäinen ja viimeinen arvo. Kaikki laskentaan käytetyt luvut on esitetty liitteessä 1. Polyfit-

keskiarvo on vähintään kolmen desimaalin tarkkuudella sama kuin laskennallinen kes-

kiarvo kaikilla muilla muuttujilla paitsi nopeudella, ja myös tämä voidaan kuvasta nähdä. 

Normalisoimattoman polyfit-keskiarvon voidaan katsoa kertovan suoraan suurimman 

muutoksen tehontarpeeseen (megawatteina), minkä kukin muuttuja voi aiheuttaa.  

 

Merkittävin vaikutus tehontarpeeseen on siis nopeudella veden läpi ja seuraavaksi eni-

ten vaikuttaa suhteellinen tuulennopeus. Viippaus ja merkitsevä aallonkorkeus sekä 

Frouden syvyysluku ja syväys ovat seuraavaksi merkittävimmät.  Pohjan puhtauden mer-

kitys on tämän tutkimuksen mukaan enintään 0,13 megawattia lisääntynyt tehontarve 

muiden muuttujien ollessa keskimääräisiä. Veden lämpötilalla ei ole suurta merkitystä.  

 



34 

 

 

6.2 Datan mallintaminen lineaariregressiolla  

MATLABin komento fitlm sovittaa lineaariregressiomallin annettuun dataan. Dataa voi 

mallintaa monella tapaa, mutta tässä päädyttiin erilaisten kokeilujen jälkeen malliin, 

jossa kaikki muut muuttujat ovat ensimmäisen asteen muuttujia, mutta nopeudesta ve-

den suhteen ja suhteellisesta tuulennopeudesta käytetään myös toisen asteen muuttu-

jaa.  

 

Jokaista valittua kahdeksaa muuttujaa ajettiin kolmella eri vaihtoehdolla (esimerkiksi stw, 

stw2 ja stw3), josta sitten valittiin sopivin ja edettiin seuraavaan muuttujaan. Merkittävin 

ero oli ensimmäisen ja toisen ajon välillä, joissa vertailtiin nopeuksia stw ja stw2. Muissa 

ajoissa kaikkien muuttujien osalta vaihtelu oli melko pientä. Koska koulutuksessa valitaan 

satunnaisesti koulutus- ja testiaineisto, niin kullakin kerralla tulos oli hieman eri. Tämä 

tuloksen vaihtelu näkyy arvojen kolmannessa ja neljännessä desimaalissa eli samoissa 

kohdissa kuin keskinäisen koulutuksen eroissa. Mahdollisimman yksinkertainen ja riittä-

vän tarkasti toimiva malli saatiin siis valitsemalla muuttujista nopeus veden suhteen ja 

suhteellinen tuulennopeus ensimmäisen ja toisen potenssin muuttujat ja muista ainoas-

taan ensimmäisen potenssin muuttujat. Muuttujien valintamenettely on esitelty tarkem-

min liitteessä 1.  

 

Koulutus tehtiin siten, että koko datasta valittiin satunnaisesti 80 % koulutusaineistoksi 

ja 20 % testiaineistoksi. Tuloksena saatiin kullekin muuttujalle kulmakerroin. Satunnais-

otannan vuoksi nämä kulmakertoimet vaihtelevat hieman, joten kaikille kertoimille las-

kettiin keskiarvo. Myös mallin hyvyydestä kertovat arvot keskineliövirhe, jäännösvirhe-

hajonta, selitysaste ja korjattu selitysaste vaihtelevat hieman ja näistäkin laskettiin kes-

kiarvo. Tarkemmat laskelmat ovat liitteessä 1. Mallin keskiarvoinen keskineliövirhe on 

0,0027 ja jäännösvirhehajonta 0,0520. Selitysaste R2-arvon keskiarvo on 0,9554, kuten 

myös korjatun R2 selitysasteen. Taulukossa 2 näkyy keskiarvo kustakin tutkitun muuttu-

jan kulmakertoimesta eli vaikutuksesta kohdemuuttujaan.  

 



35 

 

Taulukko 2. Lineaariregression muuttujien kulmakertoimet 

Nimeke, muuttuja Laskettu keskiarvo 

intercept, akselin leikkauspiste (vakiotermi)  -0,0420 

stw ja stw2, nopeus veden läpi -0,1642 stw + 1,0888 stw2 

trim, viippaus 0,0728 

swr ja swr2, suhteellinen tuulennopeus -0,2382 swr + 1,3340 swr2 

draught, syväys 0,0379 

vlml, veden lämpötila Maalahti -0,0028 

mak, merkitsevä aallonkorkeus 0,0199 

pp, päiviä pesusta 0,0158 

Froude, Frouden syvyysluku 0,0792 

 

Muuttujista, joista on käytössä myös toisen asteen muuttuja, on huomattavaa, että en-

simmäisten asteiden kulmakertoimet ovat negatiiviset ja täten nopeuksien vaikutusta ar-

vioitaessa on otettava kumpikin muuttujatekijä huomioon.  

 

Yhden koulutuksen tulokset ovat kokonaisuutena liitteessä 1 ja siitä on nähtävissä, että 

muidenkin arvojen (standardivirhe, t-arvo ja todennäköisyysarvo) mukaan malli ennus-

taa hyvin mitattuja arvoja eikä kyse ole sattumasta, ja merkittävimmät muuttujat ovat 

samat, joilla on suurimmat kertoimet. Kuvassa 5 on erään koulutuksen tulos kuvaajana. 

Se havainnollistaa, kuinka paljon kunkin testidataksi erotetun rivin ennuste ja todellinen 

arvo eroavat toisistaan.  

 



36 

 

 

Kuva 5. Lineaariregression ennuste ja todelliset arvot 

 

Kuvasta 5 näkyy myös poikkeamatilanteita, jolloin todellinen kulutus on ollut hetkittäi-

sesti suurempaa kuin ennustettu. Vastaavasti tilanteita, jolloin ennusteet ovat olleet suu-

rempia kuin todellinen kulutus näkyy myös muutamia. Kuvasta näkyy selkeästi myös lii-

kennöinnin ensimmäisenä vuonna ollut keskimääräisesti nopeamman liikkumisen aika. 

 

Kuvassa 6 näkyy yksityiskohta kuvan 5 kuvaajasta. Kuvaajassa näkyy myös kohtia, jolloin 

data-aineisto on datan valinnan vuoksi katkennut, eikä kuvaaja sisällä ajallisesti kaikkia 

peräkkäisiä havaintoja.  

 



37 

 

 

Kuva 6. Yksityiskohta ennustettujen ja todellisten arvojen kuvaajasta 

 

Kuvasta 6 voidaan nähdä, miten todellinen PowerEteen-arvo on ollut hyvin tasainen pe-

räkkäisissä havainnoissa. Ennuste sen sijaan heittelee todellisen arvon ylä- ja alapuolella.  

 

 

 

 

 



38 

 

7 Tulosten tarkastelu 

Työntötehon tarpeeseen vaikuttavien muuttujien mallinnus alus- ja säädataan perus-

tuen on monimutkaista. Kuten muun muassa Laurie ja muut (2021) kirjoittavat, on datan 

valikoinnilla suuri merkitys ja se huomattiin tässäkin työssä. Käytettävissä olevaa dataa 

oli paljon, mutta käyttökelpoisen ja tarpeellisen materiaalin valinta oli vaikea prosessi. 

 

Datan käsittelyssä käytiin monenlaisia vaiheita läpi. Dataa rajattiin siten, että otettiin 

huomioon vain tietyn syvyiset vesialueet tai rajattiin alue tietylle maantieteelliselle alu-

eelle. Lopullisessa rajauksessa näistä luovuttiin ja käytettiin suurinta mahdollista data-

määrää, joka edellä mainittujen valintaperusteiden jälkeen oli jäljellä. 

 

Edes datan erilaisen valikoinnin ja useiden koeajojen jälkeen toistettavia ja loogisia tu-

loksia oli vaikea saada aikaan. Erityisesti muuttujat sog (speed over ground) ja stw (speed 

through water) olivat hankalia. Oletettavaa on, että nopeuden lisääntyessä tarvittaisiin 

lisää työntötehoa. Näin ei kuitenkaan aina ollut stw:n kohdalla ja tätä ongelmaa ratkais-

tiin pitkään. Erilaisilla datavalikoimilla saatiin toisinaan oikean suuntaisia tuloksia ja toi-

sinaan täysin epäloogisia.  

  

Alussa oletettiin stw:n eron suhteessa sog:hen muodostuvan veden virtauksesta. Tässä 

oli jäänyt huomiotta se, että alus eroaa monesta muusta tutkitusta aluksesta siinä, että 

sillä on käytössä Azipod-potkurilaitteet. Nämä potkurit voivat kääntyä akselinsa ympäri 

360 ° ja tämä aiheuttaa tavanomaisesta, kiinteäsuuntaisilla potkureilla ja peräsimellä va-

rustetuista aluksista eroavaa pyörteilyä. Oletettavasti tämä virtaus näkyy myös stw-

muuttujassa. Azipod-potkureita käytetään myös esimerkiksi satamissa aluksen käsitte-

lyyn niin, että niillä ajetaan ”toisiaan vasten” eli toisen ollessa 90 °:n ja toisen 270 °:n 

kulmassa. Tämä aiheuttaa veden pyörteilyä, joka ilmenee datasta esimerkiksi siten, että 

sog on nolla solmua ja stw -2.7 solmua. Näiden ”valheellisten virtaamien” poistaminen 

datasta johti toistettaviin ja loogisiin tuloksiin.  

 



39 

 

Erilaisten muuttujien, kuten biolikaantumisen, vaikutusta aluksiin on tutkittu paljon. 

Useimmat näistä tutkimuksista on tehty lämpimien vesien alueella ja siten, että matalan 

veden alueet on jätetty pois tutkittavasta datasta. Merenkurkku on alueena erityispiir-

teinen. Se on erittäin matala alue ja vaikka tutkimuksessa käytetyssä datassa Aurora Bot-

nian reitillä syvin vesialue oli 103 metriä, mittaustuloksista 99,5 %:ssa syvyys oli alle 40 

metriä, keskiarvon ollessa 12 metriä.  

 

Veden mataluus vaikuttaa aluksen energiankulutukseen. Matalan veden vaikutus kulu-

tukseen ilmenee hyvin Nguyenin ja muiden (2019) tutkimuksesta. Aurora Botnian ta-

pauksessa avuksi otettiin Frouden syvyysluku, joka laskettiin valmiiksi käsiteltävään da-

taan. Neuroverkko olisi oletettavasti osannut tämän riippuvuuden nopeuden ja veden 

syvyyden välillä rakentaa, mutta lineaarisessa regressiossa syvyysluvun valmiiksi muo-

dostaminen oli suoraviivaisempi toimintatapa.  

 

Erään merkittävän ongelman aiheutti päiviä pesusta -muuttujan muodostaminen. Wasa-

line kertoi aluksen pohjan pesupäivät, mutta esimerkiksi jääpeite aiheutti oman huomi-

oitavan seikan. Jää hioo kasvustoa pois aluksen pohjasta ja täten puhdistaa sitä. Alussa 

tuota aikaa lähdettiin rajaamaan kalenterin mukaan, mutta jossain vaiheessa käyttöön 

otettiin jäiden ilmaantumiseen perustuvat määreet. Jäiden ilmaantumisen ajankohta pe-

rustettiin jäänmurtajien käytön ajankohdalla. Jäitä tietenkin ilmenee jo ennen ja jälkeen 

jäänmurtajien käyttöajan, mutta se oli ajankohta, joka oli selvästi saatavilla ja oletetta-

vasti perustuu suurin piirtein yhtä paksun jään aikaan. Nämä päivät merkittiin pesupäi-

vänumerolla nolla. Tällä tavoin ratkaistiin talvikausien aiheuttama ongelma pesupäivä-

laskentaan.  

 

On tietysti myös muistettava jo aiemmin mainittu ongelma ensimmäisen vuoden pesu-

päivien paikkansa pitämisestä ja telakalla tapahtuvan biolikaantumisen erilaisuudesta 

verrattuna liikennöivään alukseen. Lisäksi on huomioitava, että aluksen pohjan pesun ai-

noa tarkoitus ei ole senhetkisen kasvuston poistaminen. Mikäli kasvusto saa olla kiinnit-

tyneenä aluksen pohjaan pitkiä aikoja, se voi vaikuttaa pohjan maalipintaan. Maalipinta 



40 

 

tulee epätasaisemmaksi ja alttiimmaksi uudelle kasvustolle. Aivan kuten liian karheilla 

välineillä pesu saattaa hetkellisesti helpottaa tilannetta, mutta kokonaisvaikutus on huo-

nompi, kun maalipinta vaurioituu ja on siten alttiimpi uusien eliöiden kasvualustaksi. Tätä 

lyhyt- ja pitkäaikaista vaikutusta olisi myös mielenkiintoista tutkia. 

 

Tutkimuksen aikana Frouden syvyysluvun vaikutus kävi ilmi. Se oli datapaketista riippu-

matta aina saman kaltainen. Näin oli myös merkitsevän aallonkorkeuden kohdalla. Nii-

den merkitys onkin suurempi kuin päiviä pesusta -muuttujan.  

 

Veden lämpötilaa yritettiin ottaa tutkimuksessa huomioon. Merirokon ja muiden bioli-

kaantumista aiheuttavien eliöiden kasvu kiihtyy lämpötilan noustessa. Veden lämpötila 

nousee kuitenkin verrattain hitaasti ja kasvu ei ehkä olekaan kovin kiihkeää verrattuna 

vaikkapa Tyynen valtameren alueisiin. Kun tarkasteltiin mallinnuksessa käytettyä dataa, 

oli pisin aika, jolloin meriveden lämpötila oli yli 20 ° C, kolme vuorokautta peräkkäin.    

 

Kun datan rajaamiseen käytetään Maalahden poijun lämpötiloja ja poistetaan NaN-ar-

von sisältävät rivit, poistuvat samalla jäätalvet. Jos käytetään Selkämeren lämpötiloja, 

dataa on hieman enemmän. Käytettäessä Selkämeren lämpötiloja kulmakertoimesta tu-

lee lievästi positiivinen, mutta joka tapauksessa veden lämpötilan merkitys on tutkitun 

datan kohdalla pieni.  

 

MATLABin ohjelmointi oli eräs diplomityön hankaluuksista. Kokemus MATLABista ennen 

tätä työtä oli hyvin vähäistä. Suuren datamäärän käsittelyyn se oli kuitenkin looginen va-

linta. Ohjelmointi onnistui kuitenkin hyvin, ja sillä saatiin aikaan käyttökelpoisia funkti-

oita, joiden avulla datan käsittely oli helppoa. Funktioiden muotoilussa käytettiin toisi-

naan apuna Microsoftin Copilot-tekoälyohjelmaa. 

 

Erikoista datan käsittelyssä oli, että useissa tapauksissa datasta tehdyt korrelaatiokertoi-

met vaikuttivat loogisilta, mutta silti neuroverkkomallissa ei saatu kunnollisia ja toistet-



41 

 

tavia tuloksia aikaan. Riittävän laajaa ymmärrystä neuroverkoista ei ollut, että tämä on-

gelma olisi osattu ratkaista.  

 

Erilaisten neuroverkkojen ominaisuuksia olisi mielenkiintoista vertailla. Tässä tutkimuk-

sessa koetettiin kouluttaa erilaisia malleja neuroverkon kerroksia lisäämällä. Erilaisten 

kerrosten lukumäärän tutkimuksen tuloksen näkyvät taulukossa 3.  

 

Taulukko 3. Neuroverkkojen kerrosten lukumäärän vaikutus 

Kerrosten lukumäärä mse 

1 0,0027 

2 0,0026 

5 0,0024 

7 0,0023 

10 0,0023 

 

Tutkimuksessa kävi ilmi, että keskineliövirhe pienenee, mutta vähän. Vastaavasti mallien 

kompleksisuus lisääntyi niin, että oli olettavaa, että neuroverkko loi sellaisiakin yhteyksiä 

muuttujien välille, mitä niillä ei oikeasti ole. Esimerkkinä kuva 7, jossa neuroverkon ker-

roksien lukumäärä on seitsemän. 

 



42 

 

 

Kuva 7. Muuttujien vaikutukset neuroverkossa, jossa on seitsemän kerrosta 

 

Kuvassa näkyy, miten alhaisin nopeus saavutettaisiin -3 MW:n teholla ja esimerkiksi päi-

viä pesusta muuttuja tekee koukkauksen alaspäin arvoalueensa maksimia lähestyttäessä. 

Mielenkiintoinen on Frouden syvyysluvun vaikutuksessa oleva kuoppa, sillä Frouden sy-

vyysluvun vaikutus ei välttämättä ole lineaarista, mutta tuon kuopan tulisi oletettavasti 

olla huippu. Jonkinlainen yhteys siis löytyy, kun kerroksia lisätään, mutta sen oikeelli-

suutta tulisi tutkia enemmän. 

 

Lineaariregression tuloksissa arvoalueen maksimi tulisi suurimmalla suhteellisella tuu-

lennopeudella. Tämä saattaa johtua siitä, että suhteellinen tuulennopeus saa poikkeuk-

sellisen suuriakin arvoja, verrattuna nopeuteen veden läpi, joita ei voida pitää mittapoik-

keamina. Kahtena erityisen myrskyisänä päivänä suhteellinen tuulennopeus ylittää het-

kittäin, mutta peräkkäisissä mittauksissa näkyvinä arvoina, jopa yli 40 m/s. Seuraavaksi 

merkityksellisimmät muuttujat ovat Frouden syvyysluku, viippaus, syväys ja merkitsevä 

/ 
M

W
 



43 

 

aallonkorkeus. Tälläkin mallinnustavalla ”päiviä pesusta” -arvo ja veden lämpötila jäivät 

merkityksettömimmiksi.  

 

Saatuja tuloksia ei voida suoraan vertailla Laurien ja muiden (2021) saamiin tuloksiin. 

Siinä tutkimuksessa keskityttiin erilaisten mallien tuottamaan ennusteeseen vaaditta-

vasta työntötehosta ja tässä työssä mallinnettiin eri muuttujien vaikutusta vaadittavaan 

työntötehoon, ja mallien hyvyyttä arvioitiin eri muuttujilla.  

 

Lineaariregression tulokset olisivat muuten vertailukelpoisia, mutta tutkimuksesta saa-

dut prosentuaaliset keski-itseisvirhe-arvot (Mean Absolute Percentage Error, MAPE) ei-

vät ole suoraan vertailukelpoisia. Tämä johtuu siitä, että Laurien ja muiden (2021) tutki-

muksessa käytetään kullekin alukselle suunniteltua nopeusaluetta, joka on 14–22 sol-

mua ja tässä tutkimuksessa on käytössä kaikki nollaa solmua suuremmat nopeudet. Kun 

jakajana on hyvin pienet luvut, vääristyy suhteellinen virhe ja tulokseksi saadaan todella 

suuria lukuja prosentuaaliseksi osuudeksi.  

 

Tämän todentamiseksi tutkimuksessa mitattuihin nopeuksiin kokeiltiin lisätä vakioarvo, 

jolloin saatiin MAPE-arvoksi 2,0–6,2 %, vakiosta riippuen. Laurien ja muiden (2021) 

saama lineaariregression MAPE-arvo oli 6,45 %. Tästä voidaan arvella, että mikäli tutki-

muksessa käytettäisiin vain Aurora Botnialle suunniteltuja nopeuksia, saataisiin vertailu-

kelpoisia ja alhaisen MAPE-arvon omaavia tuloksia. Tässä tutkimuksessa saatuja tuloksia 

on varmasti mahdollista parantaa, mutta samalla voi sanoa, että on pyritty minimoimaan 

kaikki ne virheet, jotka huomattiin. 

 



44 

 

8 Johtopäätökset 

Työn tarkoituksena oli mallintaa Aurora Botnia -aluksen työntötehoa ja siihen vaikuttavia 

muuttujia käytettävissä olevan datan perusteella. Mallintamisessa käytettiin keinote-

koista neuroverkkoa ja lineaariregressiota. Merenkurkun alue toi omat piirteensä tutki-

mukseen, ja lisäksi eräs kiinnostuksen kohteista oli aluksen pohjan biolikaantumisen vai-

kutus työntötehon tarpeeseen. 

 

Mallinnuksen selkeänä tuloksena nähdään, että aluksen nopeudella on suurin vaikutus 

työntötehon tarpeeseen eli mitä nopeammin kuljetaan, sitä enemmän tarvitaan työntö-

tehoa. Seuraavaksi merkittävin tekijä oli suhteellinen tuulennopeus. Aluksen geometriaa 

ei tutkittu erikseen, mutta trimmin vaikutus oli neuroverkkomallinnuksessa seuraavaksi 

merkittävin tekijä ennen merkitsevän aallonkorkeuden, Frouden syvyysluvun ja syväyk-

sen vaikutusta. Lineaariregressiossa näiden muuttujien merkitys oli eri järjestyksessä: 

Frouden syvyysluku on merkityksellisin, sitten trimmi, syväys ja merkitsevä aallonkor-

keus. Päiviä pesusta -muuttujan merkitys on kummallakin tavalla järjestyksessä toiseksi 

viimeinen ja meriveden lämpötila viimeinen. 

 

Tutkimuksen perusteella voidaan suositella huomion kiinnittämistä aluksen lastaukseen 

ja siitä aiheutuvaan trimmin muutokseen. Frouden syvyyslukuun vaikuttaminen on vai-

keampaa, sillä pysyäkseen aikataulussa, on aluksen ajettava matalissakin vesissä riittävän 

nopeasti. Sääolosuhteisiin, kuten suhteelliseen tuulennopeuteen ja aallonkorkeuteen, ei 

voi vaikuttaa, eikä reittivalinnoillakaan voi juuri vaikuttaa vesiväylien määrätessä reitin.  

 

Jatkossa olisi mielenkiintoista tutkia, miten parametrien lukumäärä vaikuttaa ennusteen 

hyvyyteen. Kuinka pieneen voi rajata sen parametrien määrän, joita tulisi tarkkailla, että 

saadaan vielä luotettavia tuloksia? Voidaanko parametrejä lisäämällä saada tarkempia 

ennusteita? Miten neuroverkon kerrosten lisääminen vaikuttaisi tuloksiin? Toisaalta jat-

kotutkimuksen kannalta olisi mielenkiintoista saada käyttöön vielä enemmän dataa ja 



45 

 

koettaa ymmärtää, voisiko neuroverkon avulla saada laajemmin juuri tähän alueeseen 

soveltuvaa mallia aikaiseksi.  

 

Olisi myös mielenkiintoista, että biolikaantumiselle olisi jokin toinen, konkreettisempi 

mittari kuin tässä tutkimuksessa käytössä ollut päiviä pesusta -muuttuja. Se voisi olla 

joko visuaaliseen tarkasteluun perustuva tai jonkinlaisella mittalaitteella saatava arvo. 

Nyt tuo muuttuja oli melko epätarkka ja sisälsi vielä oletuksia talvikaudesta ja sen vaiku-

tuksesta.  

 

Erilaisten mittareiden ja antureiden sijoittelusta ja tarkkuudesta olisi myös hyvä olla tar-

kempaa tietoa. Esimerkiksi juuri stw-anturin paikka olisi mielenkiintoista tietää ja tutkia 

lisää virtauksien syntymistä ja vaikutuksia. Toinen mielenkiintoinen täsmennys olisi tieto 

siitä, miten usein jokin muuttuja voi oikeasti muuttua ja mikä on mittavirhe. Esimerkiksi, 

jos potkurin kulma on puolen minuutin välein 0, 0, 0, 220 ja 0 astetta, onko poikkeava 

arvo mahdollinen edes teoriassa, vai onko kyseessä mittavirhe. 

 

Eräs tarkemman tutkimisen kohde olisi keskittyä nopeuksiin, jotka ovat lähellä alukselle 

suunniteltua nopeutta ja tyypillisimpiä ajonopeuksia. Tällä rajatulla alueella tutkittaisiin 

tarkemmin vaikkapa viippauksen tai biolikaantumisen merkitystä. Muunkin kuin no-

peusdatan erilaisella valinnalla, kuten esimerkiksi käyttämällä jokaisesta tutkittavasta 

muuttujasta vain tietyn verran tyyppiarvosta poikkeavia arvoja, tuloksista voisi tulla hy-

vin erilaisia.   

 

Erilaisia tutkimuksen kohteita olisi siis monia ja laivan jatkuvasti liikennöidessä uutta da-

taa tulee päivittäin. Ihanteellinen tilanne olisi, jos tulevan tutkimuksen perusteella voi-

taisiin luoda malli, joka saa datan suoraan Nacos-järjestelmästä ja laskee sen perusteella, 

koska vene kannattaisi viedä pesulle ja kannattaisiko pestä koko pohja vai riittääkö muu-

taman metrin kaistale pinnan tuntumasta.  

 



46 

 

Joka tapauksessa voidaan todeta, että matalassa vedessä ja Azipod-potkureilla varuste-

tun aluksen tapauksessa on monta huomioon otettavaa seikkaa, jotka vaikuttavat tarvit-

tavan työntötehon tarpeeseen verrattuna syvissä vesissä, tavanomaisemmalla propul-

siojärjestelmällä varustetuista aluksista tehtyihin tutkimuksiin.  

 



47 

 

9 Yhteenveto 

Meriliikenne aiheuttaa ilmastopäästöjä ja niiden vähentämiselle on tarve Kansainvälisen 

merenkulkujärjestön IMO:n (International Maritime Organization) asettamien kasvihuo-

nekaasustrategian päästötavoitteiden saavuttamiseksi. Alusten polttoaineenkulutuk-

sella on suuri vaikutus merenkulun ilmastopäästöihin. Aluksen liikuttamiseen vaaditta-

van propulsiotehon suuruus ja sitä kautta tarvittavan polttoaineen määrä riippuu mo-

nista seikoista.  

 

Tämän diplomityön tarkoituksena oli mallintaa Merenkurkussa liikennöivän Aurora Bot-

nia -aluksen propulsiotehon tarpeeseen vaikuttavia muuttujia. Tutkimusmateriaalina 

käytettiin Vaasan ja Uumajan välillä liikennöivän matkustaja-autolautan Nacos-järjestel-

män kautta tarjoamaa dataa, Merenkurkun alueen säädataa sekä aluksen pohjan puh-

distamiseen liittyvää dataa.  

 

Työn alussa esiteltiin aiheesta tehtyjä muita tutkimuksia ja aluksen kulkuvastukseen ja 

siten myös vaadittavaan työntötehoon vaikuttavia seikkoja sekä esiteltiin tutkimuksen 

kohteena oleva tapaus ja olosuhteet. Useat muut aiheeseen liittyvät tutkimukset on 

tehty lämpimämmissä kuin Merenkurkun alueen vesissä, sekä tutkimuksista on tavalli-

sesti poistettu matalan veden alueet.   

 

Työssä käytettiin MATLAB-ohjelman koneoppimismallinnuksen lineaarista regressiota ja 

keinotekoista neuroverkkoa. Datan käsittelyssä luotiin joitain uusia laskennallisia muut-

tujia ja poistettiin tarpeettomiksi arvioituja muuttujia. Datan valikoinnissa rajattiin pois 

muun muassa aluksen normaalilta reitiltä poikkeavat näytteet, negatiivisen työntötehon 

ja nopeuden näytteet sekä ne näytteet, joilla aluksen nopeus maan ja veden suhteen 

erosi enemmän kuin yhden solmun. Datan valikoinnin jälkeen näytteitä oli 790 659 ja 

työntötehoon vaikuttavia vertailtavia muuttujia kahdeksan.  

 



48 

 

Tuloksista huomattiin, että aluksen nopeudella veden läpi oli suurin vaikutus propul-

siotehon tarpeeseen. Seuraavaksi merkittävin tekijä oli suhteellinen tuulennopeus. Kei-

notekoisella neuroverkolla mallinnettaessa seuraavaksi merkittävimmät muuttujat olivat 

viippaus, merkitsevä aallonkorkeus, Frouden syvyysluku ja syväys. Biolikaantuminen ja 

veden lämpötila olivat tutkimukseen valituista muuttujista merkityksettömimmät tekijät.  

 

Lineaariregressiomalli ennusti työntötehon tarvetta samojen kahdeksan muuttujan poh-

jalta. Muuttujista nopeus veden läpi ja suhteellinen tuulennopeus käytettiin myös toisen 

asteen muuttujia. Mallin keskiarvoinen keskineliövirhe (MSE) oli 0,0027 ja jäännösvirhe-

hajonta (RMSE) 0,0520. 

   

 

 



49 

 

Lähteet 

ABB. (2020, syyskuuta 14). Wasalinen uuden matkustajalautan vesillelasku vahvistaa 

ABB:n Azipod®-potkurijärjestelmän asemaa lauttamarkkinoilla | News center. 

https://new.abb.com/news/fi/detail/67582/wasalinen-uuden-matkustajalautan-

vesillelasku-vahvistaa-abbn-azipodr-potkurijarjestelman-asemaa-

lauttamarkkinoilla 

Adland, R., Cariou, P., Jia, H. & Wolff, F. C. (2018). The energy efficiency effects of periodic 

ship hull cleaning. Journal of Cleaner Production, 178, 1–13. 

https://doi.org/10.1016/J.JCLEPRO.2017.12.247 

Altarriba, E. (2020). Laivojen pohjien likaantumisen vaikutus kulkuvastukseen Itämerellä: 

Teoreettinen viitekehys ja empiiriset mittaukset. Rakenteiden Mekaniikka, 53(3), 

208–239. https://doi.org/10.23998/rm.79336 

Altarriba, E. (2021). Laivojen pohjien likaantumisen vaikutus kulkuvastukseen Itämerellä: 

Chow-Liu-puulla täydennetyn Naiivi Bayes -mallin soveltaminen aluksen kulun 

analysointiin. Rakenteiden Mekaniikka, 53(4), 356–389. 

https://doi.org/10.23998/RM.87314 

Ampah, J. D., Yusuf, A. A., Afrane, S., Jin, C. & Liu, H. (2021). Reviewing two decades of 

cleaner alternative marine fuels: Towards IMO’s decarbonization of the maritime 

transport sector. Journal of Cleaner Production, 320, 128871. 

https://doi.org/10.1016/J.JCLEPRO.2021.128871 

Bertram, V. (2012). Resistance and Propulsion. Teoksessa Practical Ship Hydrodynamics 

(ss. 73–141). Elsevier. https://doi.org/10.1016/b978-0-08-097150-6.10003-x 

DNV AS. (2022). DNV Vessel Register. 

https://vesselregister.dnv.com/vesselregister/details/40916 

Hagan, M. T., Demuth, H. B., Beale, M. H. & De Jesús, O. (2014). Neural Network Design 

2nd Edition. 

Hughes, K. A. & Ashton, G. V. (2016). Breaking the ice: the introduction of biofouling 

organisms to Antarctica on vessel hulls. Aquatic Conservation: Marine and 

Freshwater Ecosystems, 27, 158–164. https://doi.org/10.1002/aqc.2625 



50 

 

Häggman, V. (2022). M/S Aurora Botnias driftprofil. Yrkehögskolan Novia. 

Ilmatieteen laitos. (ei pvm.-a). Ilmatieteen laitos - Havaintoasemat. Noudettu 25. helmi-

kuuta 2025, osoitteesta https://www.ilmatieteenlaitos.fi/havaintoasemat 

Ilmatieteen laitos. (ei pvm.-b). Ilmatieteen laitos - Poijut. Noudettu 25. helmikuuta 2025, 

osoitteesta https://www.ilmatieteenlaitos.fi/poijut 

Ilmatieteen laitos. (ei pvm.-c). Itämeren jäätalvikuvaukset. Noudettu 19. maaliskuuta 

2025, osoitteesta https://www.ilmatieteenlaitos.fi/jaatalvet 

Ilmatieteen laitos. (2022, syyskuuta 10). Itämeren virtaukset. 

https://www.ilmatieteenlaitos.fi/veden-virtaus 

International Association of Classification Societies. (2016). Requirements concerning 

POLAR CLASS. 

International Maritime Organization. (ei pvm.-a). Frequently Asked Questions. Noudettu 

13. maaliskuuta 2025, osoitteesta 

https://www.imo.org/en/About/Pages/FAQs.aspx 

International Maritime Organization. (ei pvm.-b). Regulation 2 - Definitions. Noudettu 25. 

helmikuuta 2025, osoitteesta https://www.imorules.com/GUID-CC2626FC-C5A9-

480A-A9D1-B6D43BEB366F.html 

International Maritime Organization. (2022). Resolution MEPC 346 78, 2022 Guidelines 

for the Development of a Ship Energy Efficiency Management Plan (SEEMP). 

https://wwwcdn.imo.org/localresources/en/KnowledgeCentre/IndexofIMOResolu

tions/MEPCDocuments/MEPC.346(78).pdf 

International Maritime Organization. (2023a). 2023 IMO strategy on reduction of GHG 

emission from ships. 

https://wwwcdn.imo.org/localresources/en/OurWork/Environment/Documents/a

nnex/MEPC%2080/Annex%2015.pdf 

International Maritime Organization. (2023b, tammikuuta). Section 5 Definitions. 

https://www.imorules.com/NSR_V1_PT3_CH1_5.html#GUID-CDA42745-B275-

403C-A612-274EBAF41F3C 



51 

 

International Maritime Organization. (2024). RESOLUTION MEPC.378(80) (adopted on 7 

July 2023) 2023 GUIDELINES FOR THE CONTROL AND MANAGEMENT OF SHIPS’ 

BIOFOULING TO MINIMIZE THE TRANSFER OF INVASIVE AQUATIC SPECIES. 

Laurie, A., Anderlini, E., Dietz, J. & Thomas, G. (2021). Machine learning for shaft power 

prediction and analysis of fouling related performance deterioration. Ocean 

Engineering, 234, 108886. https://doi.org/10.1016/J.OCEANENG.2021.108886 

Le, T. H., Vu, M. T., Bich, V. N., Phuong, N. K., Ha, N. T. H., Chuan, T. Q. & Tu, T. N. (2021). 

Numerical investigation on the effect of trim on ship resistance by RANSE method. 

Applied Ocean Research, 111, 102642. 

https://doi.org/10.1016/J.APOR.2021.102642 

Leiwo, H. (2021, elokuuta 25). Merenkurkun uusi laiva kastettiin – liikutuksen kyyneleiltä 

ei vältytty, kun odotettu alus Aurora Botnia lipui satamaan | Yle. https://yle.fi/a/3-

12068506 

Luoma, E., Laurila-Pant, M., Altarriba, E., Nevalainen, L., Helle, I., Granhag, L., Lehtiniemi, 

M., Srėbalienė, G., Olenin, S. & Lehikoinen, A. (2022). A multi-criteria decision 

analysis model for ship biofouling management in the Baltic Sea. Science of the Total 

Environment, 852. https://doi.org/10.1016/j.scitotenv.2022.158316 

Martić, I., Anušić, B., Degiuli, N. & Grlj, C. G. (2024). Numerically Investigating the Effect 

of Trim on the Resistance of a Container Ship in Confined and Shallow Water. 

Applied Sciences 2024, Vol. 14, Page 6570, 14(15), 6570. 

https://doi.org/10.3390/APP14156570 

MATLAB. (ei pvm.). https://uk.mathworks.com/help/deeplearning/ref/trainlm.html. 

Metsähallitus & Suomen ympäristökeskus. (2024). The Finnish Inventory Programme for 

the Underwater Marine Environment (VELMU) Methodology guide. (12.6.2019 FIN). 

Zenodo. https://doi.org/10.5281/ZENODO.11576650 

Molland, A. F., Turnock, S. R. & Hudson, D. A. (2011). Ship resistance and propulsion : 

practical estimation of ship propulsive power. 537. 

https://doi.org/10.1017/9781316494196 

Moore, R. (2021, kesäkuuta 14). Aurora Botnia: a ‘never-ending story’ of development. 

Riviera - News Content Hub. https://www.rivieramm.com/news-content-



52 

 

hub/news-content-hub/aurora-botnia-a-lsquonever-ending-storyrsquo-of-

development-66007 

Musulin, M., Mihanović, L., Balić, K. & Musulin, H. N. (2024). The Impact of Container 

Ship Trim on Fuel Consumption and Navigation Safety. Journal of Marine Science 

and Engineering 2024, Vol. 12, Page 1658, 12(9), 1658. 

https://doi.org/10.3390/JMSE12091658 

Mäkinen, E. (2022, maaliskuuta 20). Uusi laiva auttaa Wasalinen kasvuun - Navigator 

Magazine. Navigator Magazine. https://navigatormagazine.fi/uutiset/uusi-laiva-

auttaa-wasalinen-kasvuun/ 

Nasrolahi, A., Pansch, C., Lenz, M. & Wahl, M. (2012). Being young in a changing world: 

How temperature and salinity changes interactively modify the performance of 

larval stages of the barnacle Amphibalanus improvisus. Marine Biology, 159(2), 

331–340. https://doi.org/10.1007/S00227-011-1811-7/FIGURES/7 

Nguyen, T. N. H., Vu, N. B., Tran, N. T., Nguyen, M. C. & Le, T. H. (2019). Numerical 

Investigating the Effect of Water Depth on Ship Resistance Using RANS CFD Method. 

Polish Maritime Research, 3(103), 56–64. https://doi.org/10.2478/pomr-2019-

0046 

Peter, B. (2021). For a greener northern Baltic AURORA BOTNIA. Shippaxinfo, 11/2021. 

www.shippax.com 

Rawson, K. J. & Tupper, E. C. (2001). Basic ship theory (5th ed.). Butterworth-Heinemann . 

Saukko, O.-P. J. (2020). Laivan sähkönjakelu ja datan käsittely [diplomityö, Tampereen 

yliopisto]. https://urn.fi/URN:NBN:fi:tuni-202005125197 

Suomen ympäristökeskus. (2023, huhtikuuta 25). Meriluonnon monimuotoisuus. 

https://www.ymparisto.fi/fi/luonto-vesistot-ja-meri/luonnon-

monimuotoisuus/meriluonnon-monimuotoisuus#merenkurkun-kivikkoinen-

kynnys-estaa-suolaisemman-veden-virtaamisen-pohjoiseen 

Uzun, D., Demirel, Y. K., Coraddu, A. & Turan, O. (2019). Time-dependent biofouling 

growth model for predicting the effects of biofouling on ship resistance and 

powering. Ocean Engineering, 191, 106432. 

https://doi.org/10.1016/J.OCEANENG.2019.106432 



53 

 

Vinagre, P. A., Simas, T., Cruz, E., Pinori, E. & Svenson, J. (2020). Marine biofouling: A 

European database for the marine renewable energy sector. Teoksessa Journal of 

Marine Science and Engineering (Vsk. 8, Numero 8). 

https://doi.org/10.3390/JMSE8070495 

Wärtsilä. (ei pvm.). AZIPOD (Azimuthing Podded Drive). Noudettu 27. helmikuuta 2025, 

osoitteesta https://www.wartsila.com/encyclopedia/term/azipod-(azimuthing-

podded-drive) 

Wärtsilä. (2019, syyskuuta 12). Wasalinen erittäin tehokkaaseen laivaan tulee Wärtsilän 

Nacos Platinum -navigointijärjestelmä. https://www.wartsila.com/fi/media-

fi/uutinen/12-09-2019-wasalinen-erittain-tehokkaaseen-laivaan-tulee-wartsilan-

nacos-platinum--navigointijarjestelma-

3225840?utm_source=organic&utm_medium=MP-press-

release&utm_term=marine-power&utm_content=press-

release&utm_campaign=Wartsila-providing-systems-solutions-and-maintenance-

support-for-worlds-most-environmentally-friendly-ferry 

Wärtsilä. (2023, tammikuuta 24). What did Wasaline do to save fuel and reduce 

emissions? https://www.wartsila.com/insights/case-study/aurora-botnia-fuel-

optimization 

Wärtsilä. (2024a). Wärtsilä W31DF Product Guide. 

Wärtsilä. (2024b, joulukuuta 5). How Wasaline improved engine room air quality on their 

ferry. https://www.wartsila.com/insights/case-study/wasaline-s-aurora-botnia-

improves-engine-room-air-quality 

Öztürk, O. B. & Başar, E. (2022). Multiple linear regression analysis and artificial neural 

networks based decision support system for energy efficiency in shipping. Ocean 

Engineering, 243, 110209. https://doi.org/10.1016/J.OCEANENG.2021.110209 

  

 

 



54 

 

Liitteet 

Liite 1. Täydentäviä tuloksia 

Neuroverkon koulutus, normalisoitu data, Laurien muuttujat. 

Koulutustapahtuma MSE R-arvo 

1 0,00269 0,97774 

2 0,00267 0,97774 

3 0,00268 0,97774 

4 0,00267 0,97774 

5 0,00268 0,97774 

keskiarvo 0,00268 0,97774 

 

Kunkin muuttujan minimi- ja maksimiarvot. 

 

 

Kulmakertoimen laskemisen perusteena olevat ajot, normalisoitu ja normalisoimaton: 

 

  



55 

 

Lineaariregression tulokset, normalisoitu data. 
 

 
 
Taulukon x tarkoittaa, että kyseinen muuttuja on ollut mukana kyseisessä koeajossa. Jo-
kaista muuttujaa on ajettu kolmella eri vaihtoehdolla, josta sitten valittu sopivin ja 
edetty seuraavaan.  
 
Alkuperäinen taulukko kuvakaappauksena. 

 
  



56 

 

Koulutukset valinnalla, joissa kaikki muut ovat ensimmäiseen potenssiin, mutta stw 
myös toiseen potenssiin.  
 

 
Tunnuslukujen keskiarvot:  

 
 
 
Koulutukset valinnalla, joissa kaikki muut ovat ensimmäiseen potenssiin, mutta stw ja 
swr myös toiseen potenssiin.  
 

 
 
Tunnuslukujen keskiarvot:  

 
 
  
  



57 

 

Sarakkeissa valituilla muuttujilla saadut keskineliövirhe, jäännösvirhehajonta, seli-
tysaste ja korjattu selitysaste (mse, rmse, r squared ja adjusted r squared), kun koulu-
tettiin viisi kertaa (riviä).  
 

 
 
Ja näiden keskiarvo: 

 
 
Sekä eri muuttujien kertoimet. 
 

 
 
Ja näiden keskiarvo: 
 

 
 
Erään koulutuskerran tarkemmat tulokset. 

 
Estimate (arvio) kertoo arvioidun kertoimen eli yhden muuttujan vaikutuksen kohde-
muuttujaan. SE eli standard error eli standardivirhe mittaa kuinka paljon arvio voi poi-
keta todellisesta otannan vaikutuksen vuoksi. Pieni arvo tarkoittaa parempaa ja luotet-
tavampaa arviota. tStat-arvo eli t-arvo kuvaa arvion tilastollista merkittävyyttä, suuri 
arvo on merkitsevämpi kuin pieni. p-arvo eli todennäköisyysarvo mittaa todennäköi-
syyttä, että vaikutus on sattumaa. Pieni arvo tarkoittaa tilastollista merkittävyyttä eikä 
sattumaa.  

  



58 

 

Liite 2. Muuttujien yksiköt 

sog [kn], 

Stw [kn], 

Cog [degree_angle], 

Heading [degree_angle], 

Trim [m], 

Depth [m], 

Latitude [degree_angle], 

Longitude [degree_angle], 

Angle.wind.relative [degree_angle], 

Angle.wind.true [degree_angle], 

Direction.wind.relative [degree_angle], 

Direction.wind.true [degree_angle], 

Speed.wind.relative [kn], 

Speed.wind.true [kn], 

massFlowRate.fuel.lng@engine.main [kg/h], 

volFlowRate.fuel@engine [m^3/h], 

power@generator.diesel [MW], 

power@propulsion [MW], 

rpm@propulsion [rev/min]. 

 

  



59 

 

Liite 3. MATLAB-koodit: aineiston yhdistäminen 

Liitteessä on kaikki datan käsittelyssä käytetyt koodit. Koodien muotoilussa on saatettu 

käyttää apuna Microsoft Copilot-tekoälysovellusta ajanjaksolla 11.12.2024–3.2.2025.  

 

Liite sisältää koodit: 

Latausjayhdistys3 

paiviapesustaajanmukaan 

 

Latausjayhdistys3.m  
 
load('AuroraBotniaData3.mat') 
AuroraBotniaextractv3(1,:) = []; % Poistaa taulukon ensimmäisen rivin, kun 
siinä on höpöjä tietoja. 
AuroraBotniaextractv3 = removevars(AuroraBotniaextractv3, "vessel"); % 
Aluksen nimeä ei tarvita ja tekstinä sekoittaa taulukon. 
AuroraBotniaextractv3 = 
renamevars(AuroraBotniaextractv3,"automationdraft","draught") % Muuttaa nimen 
selkeämmäksi. 
ABtt = table2timetable(AuroraBotniaextractv3); % Tekee taulukosta timetablen, 
että voidaan yhdistää ajan perusteella toisiin taulukoihin. 
 
hajotettuaika = datevec(ABtt.time); % Hajottaa aika-sarakkeen omiksi 
elementeikseen. 
vuosi = hajotettuaika(:,1); % Määrittää vuoden, 
kuukausi = hajotettuaika(:,2); % kuukauden ja  
paiva = hajotettuaika(:,3); % päivän kyseisestä sarakkeesta. 
 
aika = table(vuosi,kuukausi,paiva); % Tekee "sarakkeista" ( ) taulukon. 
ABtt = [ABtt aika]; % Lisää hajotetut aika-sarakkeet päätaulukon loppuun. 
Kuukautta tarvitaan taulukon ajalliseen rajaamiseen. Vuosi ja päivä vain 
varuulta tässä vaiheessa mukana, jos myöhemmin tarvii. 
 
 
load('Maalahtivedenlampotilapvm.mat') 
SaaDataMaalahtiDateAdded = removevars(SaaDataMaalahtiDateAdded, 
["Havaintoasema","AikaPaikallinenAika00","MerkitsevAallonkorkeusm","AallokonT
ulosuunta","AallokonTulosuunnanHajonta","AallokonModaalinenPeriodis"]); % 
Poistaa turhat sarakkeet. 
MLtt = table2timetable(SaaDataMaalahtiDateAdded); % Tekee taulukosta 
timetablen, että voidaan yhdistää ajan perusteella toisiin taulukoihin. 
 
 
load('Selkameriaaltopoijupvm.mat') 
SaaDataDateAdded = removevars(SaaDataDateAdded, 
["Havaintoasema","AikaPaikallinenAika00"]); % Poistaa turhat sarakkeet. 
SMtt = table2timetable(SaaDataDateAdded); % Tekee taulukosta timetablen, että 
voidaan yhdistää ajan perusteella toisiin taulukoihin. 
 



60 

 

 
paiviapesustajaanmukaan % Tekee pesupäivätaulukon erillisellä komennolla. 
Tauluko ottaa huomioon jäätalvet. 
 
synkattudata = synchronize(ABtt, MLtt, SMtt, pptt, 'union') % Yhdistää kaikki 
sarakkeet yhdeksi taulukoksi. 
synkattudata.paiviapesusta = fillmissing(synkattudata.paiviapesusta, 
"previous"); % Lisää puuttuvat arvot. 
% Samalla tavalla voisi täydentää myös sääpoijujen datat, mutta silloin 
% talven datasta tulisi väärä. 
 
%Alla olevat koodit lisäävät puuttuvat arvot siten, että mikäli seuraavan 
%päivän arvo puuttuu, arvoksi merkitään NaN. NaN-rivit voidaan sitten 
%helposti poistaa ja täten saadaan sellaiset rivit pois dataasta, joissa ei 
ole tietoa sääpoijuista. 
 
puuttuvatarvot = isnan(synkattudata{:,"VedenLmptilaC_MLtt"});  
 
aukot = diff([0; puuttuvatarvot; 0]); 
aukonalku = find(aukot == 1); 
aukonloppu = find(aukot == -1) - 1; 
 
maksimiaukko = days(1); % Määrää kuinka pitkä aika voi olla puutteellista 
tietoa. Voi olla myös tunteja, jos tarvii. 
 
for i = 1:length(aukonalku) 
    if synkattudata.time(aukonloppu(i)) - synkattudata.time(aukonalku(i)) <= 
maksimiaukko 
       synkattudata.VedenLmptilaC_MLtt(aukonalku(i):aukonloppu(i)) = 
interp1(find(~puuttuvatarvot), 
synkattudata.VedenLmptilaC_MLtt(~puuttuvatarvot), aukonalku(i):aukonloppu(i), 
'linear'); 
    else 
        synkattudata.VedenLmptilaC_MLtt(aukonalku(i):aukonloppu(i)) = NaN; 
    end 
end 
 
 
 
puuttuvatarvot = isnan(synkattudata{:,"VedenLmptilaC_SMtt"}); 
 
aukot = diff([0; puuttuvatarvot; 0]); 
aukonalku = find(aukot == 1); 
aukonloppu = find(aukot == -1) - 1; 
 
maksimiaukko = days(1); 
 
for i = 1:length(aukonalku) 
    if synkattudata.time(aukonloppu(i)) - synkattudata.time(aukonalku(i)) <= 
maksimiaukko 
       synkattudata.VedenLmptilaC_SMtt(aukonalku(i):aukonloppu(i)) = 
interp1(find(~puuttuvatarvot), 
synkattudata.VedenLmptilaC_SMtt(~puuttuvatarvot), aukonalku(i):aukonloppu(i), 
'linear'); 
    else 
        synkattudata.VedenLmptilaC_SMtt(aukonalku(i):aukonloppu(i)) = NaN; 
    end 



61 

 

end 
 
 
 
puuttuvatarvot = isnan(synkattudata{:,"MerkitsevAallonkorkeusm"}); 
 
aukot = diff([0; puuttuvatarvot; 0]); 
aukonalku = find(aukot == 1); 
aukonloppu = find(aukot == -1) - 1; 
 
maksimiaukko = days(1); 
 
for i = 1:length(aukonalku) 
    if synkattudata.time(aukonloppu(i)) - synkattudata.time(aukonalku(i)) <= 
maksimiaukko 
       synkattudata.MerkitsevAallonkorkeusm(aukonalku(i):aukonloppu(i)) = 
interp1(find(~puuttuvatarvot), 
synkattudata.MerkitsevAallonkorkeusm(~puuttuvatarvot), 
aukonalku(i):aukonloppu(i), 'linear'); 
    else 
        synkattudata.MerkitsevAallonkorkeusm(aukonalku(i):aukonloppu(i)) = 
NaN; 
    end 
end 
 
 
 
puuttuvatarvot = isnan(synkattudata{:,"AallokonTulosuunta"}); 
 
aukot = diff([0; puuttuvatarvot; 0]); 
aukonalku = find(aukot == 1); 
aukonloppu = find(aukot == -1) - 1; 
 
maksimiaukko = days(1); 
 
for i = 1:length(aukonalku) 
    if synkattudata.time(aukonloppu(i)) - synkattudata.time(aukonalku(i)) <= 
maksimiaukko 
       synkattudata.AallokonTulosuunta(aukonalku(i):aukonloppu(i)) = 
interp1(find(~puuttuvatarvot), 
synkattudata.AallokonTulosuunta(~puuttuvatarvot), aukonalku(i):aukonloppu(i), 
'linear'); 
    else 
        synkattudata.AallokonTulosuunta(aukonalku(i):aukonloppu(i)) = NaN; 
    end 
end 
 
 
 
puuttuvatarvot = isnan(synkattudata{:,"AallokonTulosuunnanHajonta"}); 
 
aukot = diff([0; puuttuvatarvot; 0]); 
aukonalku = find(aukot == 1); 
aukonloppu = find(aukot == -1) - 1; 
 
maksimiaukko = days(1); 
 



62 

 

for i = 1:length(aukonalku) 
    if synkattudata.time(aukonloppu(i)) - synkattudata.time(aukonalku(i)) <= 
maksimiaukko 
       synkattudata.AallokonTulosuunnanHajonta(aukonalku(i):aukonloppu(i)) = 
interp1(find(~puuttuvatarvot), 
synkattudata.AallokonTulosuunnanHajonta(~puuttuvatarvot), 
aukonalku(i):aukonloppu(i), 'linear'); 
    else 
        synkattudata.AallokonTulosuunnanHajonta(aukonalku(i):aukonloppu(i)) = 
NaN; 
    end 
end 
 
 
 
puuttuvatarvot = isnan(synkattudata{:,"AallokonModaalinenPeriodis"}); 
 
aukot = diff([0; puuttuvatarvot; 0]); 
aukonalku = find(aukot == 1); 
aukonloppu = find(aukot == -1) - 1; 
 
maksimiaukko = days(1); 
 
for i = 1:length(aukonalku) 
    if synkattudata.time(aukonloppu(i)) - synkattudata.time(aukonalku(i)) <= 
maksimiaukko 
       synkattudata.AallokonModaalinenPeriodis(aukonalku(i):aukonloppu(i)) = 
interp1(find(~puuttuvatarvot), 
synkattudata.AallokonModaalinenPeriodis(~puuttuvatarvot), 
aukonalku(i):aukonloppu(i), 'linear'); 
    else 
        synkattudata.AallokonModaalinenPeriodis(aukonalku(i):aukonloppu(i)) = 
NaN; 
    end 
end 
 
 
synkattudata = removevars(synkattudata, ["Vuosi_SMtt", "Vuosi_MLtt", 
"Kuukausi_SMtt", "Kuukausi_MLtt", "Piv_SMtt", "Piv_MLtt" ]); % Poistaa 
tarpeettomia muuttujia. 
 
 

 

 

 

 

  



63 

 

paiviapesustaajanmukaan.m  
 
% Taulukon alku- ja loppupäivän määrääminen. Sama kuin moottoridatan 
% taulukossa. 
 
alkupvm = '1.6.2021'; 
loppupvm = '30.5.2024'; 
alku = datetime(alkupvm, 'InputFormat', 'd.M.yyyy', 'Format', 'yyyy-MM-dd'); 
loppu = datetime(loppupvm, 'InputFormat', 'd.M.yyyy', 'Format', 'yyyy-MM-
dd'); 
 
% Luo timetable, jossa on päivämäärä ja päiviä pesusta-sarake. 
paivat = (alku:loppu)'; 
paiviapesusta = (1:length(paivat))'; 
pptt = timetable(paivat, paiviapesusta, 'VariableNames', {'paiviapesusta'}); 
 
% Määritetään pesupäivät ja muutetaan ne datetime muotoon. 
pesupaivat = ["18.7.2022", "27.7.2023", "16.11.2023", "25.7.2024"]; 
pesupaivat = datetime(pesupaivat, 'InputFormat', 'd.M.yyyy', 'Format','yyyy-
MM-dd'); 
 
% Asetetaan pesupäivän arvoksi 0. 
for i = 1:length(pesupaivat) 
    pptt.paiviapesusta(pptt.paivat == pesupaivat(i)) = 0; 
end 
 
 
 
% https://www.ilmatieteenlaitos.fi/jaatilastot 
% täältä valitaan vuosi 
 
% Assistance restrictions for ports 
% Etsitään satamarajoitusten alku- ja loppupäivät kullekin kaudelle. 
 
 
% 2023-2024 
% 
https://assets.ctfassets.net/hli0qi7fbbos/2q1w38h4bh9dlMzBfTULhd/752e49192498
eff1cd4cee011d3164fd/MaxIceChart2024.pdf 
 
%alku2324pvm = '6.12.2023'; 
%loppu2324pvm = '28.4.2024'; 
%alku2324 = datetime(alku2324pvm,'InputFormat', 'd.M.yyyy', 'Format','yyyy-
MM-dd'); 
%loppu2324 = datetime(loppu2324pvm, 'InputFormat', 'd.M.yyyy', 
'Format','yyyy-MM-dd'); 
 
% 2022-2023 
% 
https://assets.ctfassets.net/hli0qi7fbbos/3IWM8w7Qkp4Pt3tUsrcwVB/1a656a0e8f84
dd7b2c9f10bb5bdc7938/MaxIceChart2023.pdf 
 
%alku2223pvm = '24.12.2022'; 
%loppu2223pvm = '7.5.2023'; 
 
% 2021-2022 



64 

 

% 
https://assets.ctfassets.net/hli0qi7fbbos/7zDSuemQmposIIyLklSyJ5/c2cb780f1356
22262c3f76bf127c1c02/MaxIceChart2022.pdf 
 
%alku2122pvm = '8.12.2021'; 
%loppu2122pvm = '27.4.2022'; 
 
 
jaakausi = ["8.12.2021", "27.4.2022"; "24.12.2022", "7.5.2023" ; "6.12.2023", 
"28.4.2024"]; 
jaaalut = datetime(jaakausi(:,1), 'InputFormat', 'd.M.yyyy', 'Format','yyyy-
MM-dd'); 
jaaloput = datetime(jaakausi(:,2), 'InputFormat', 'd.M.yyyy', 'Format','yyyy-
MM-dd'); 
 
%Nollataan aikavälit 
 
for i = 1:length(jaaalut) 
    pptt.paiviapesusta((pptt.paivat >= jaaalut(i)) & (pptt.paivat <= 
jaaloput(i))) = 0; 
end 
 
 
for i = 2:height(pptt) 
    if pptt.paiviapesusta(i) ~= 0 
        pptt.paiviapesusta(i) = pptt.paiviapesusta(i-1)+1; 
    end 
end 
 
 
 
 
 
  



65 

 

Liite 4. MATLAB-koodit: laskennalliset muuttujat 

Liitteessä on kaikki laskennallisten muuttujien luomiseen käytetyt koodit. Koodien 

muotoilussa on saatettu käyttää apuna Microsoft Copilot-tekoälysovellusta ajanjaksolla 

11.12.2024–3.2.2025.  

 

Liite sisältää koodit: 

froudenluonti 

lampimatpaivatluonti 

nopeuseroluonti 

powereroluonti 

powersumluonti 

tehoteteenluonti 

 

 

froudenluonti.m 
 
function froude = froudenluonti(data) 
 
data.Froude = data.stw*1.852 ./ (3.6*sqrt(9.81*data.depth)); %Luo Frouden 
syvyysluvun nopeudesta ja syvyydestä. Solmut -> m/s 
 
froude = data 
 
end 
 
 
lampimatpaivatluonti.m 
 
function lampimatpaivat = lampimatpaivatluonti(data, kynnys) % Kynnys määrää 
sen lämpötilas-asteen, jota suuremmat huomioidaan. 
 
if ~ismember({'VedenLmptilaC_MLtt', 'vuosi', 'kuukausi', 'paiva'}, 
data.Properties.VariableNames) 
    error('Sarake puuttuu.') % Tarkistetaan, onko sarakkeet olemassa. 
end 
 
data.lampimatpaivat = zeros(height(data),1); % Tekee nollataulukon. 
 
lparvo = 0; % Määrää lämpimänpäivän arvoksi 0. 
 
yksiloitypaiva = unique([data.vuosi, data.kuukausi, data.paiva], 'rows'); % 
Etsii erilaiset päivät eli ei montaa tarkistettavaa samalle päivämäärälle. 
 



66 

 

for p = 1:size(yksiloitypaiva,1) % Tekee seuraavan toiminnon jokaiselle 
yksiloitypaiva-riville. 
    kuluvapaiva = yksiloitypaiva(p,:); % Tallentaa päivämäärän. 
    rivitpaivalle = data(data.vuosi == kuluvapaiva(1) & ... 
                         data.kuukausi == kuluvapaiva(2) & ... 
                         data.paiva == kuluvapaiva(3),:);  % Etsii ne rivit, 
joille päivämäärä täsmää. 
     
    if any(rivitpaivalle.VedenLmptilaC_MLtt > kynnys) % Tarkistaa täyttyykö 
millään päivämäärään täsmänneellä rivillä ehto veden lämpötilasta. 
        lparvo = lparvo + 1; % Jos täyttyy, niin listäään lämpimänpäivän 
arvoon yksi. 
    else 
        lparvo = 0; % Jos ei täyty, niin lämpimänpäivän arvoksi tulee nolla. 
    end 
    data.lampimatpaivat(data.vuosi == kuluvapaiva(1) & ... 
                        data.kuukausi == kuluvapaiva(2) & ... 
                        data.paiva == kuluvapaiva(3)) = lparvo; % Laittaa 
lämpimätpäivät sarakkeeseen lämpimätpäivä arvon. 
end 
 
lampimatpaivat = data; % Päivitetty data tallennetaan tällä nimellä. 
 
end 
 
 
 
nopeuseroluonti.m 
 
function nopeusero = nopeuseroluonti(data) 
 
data.nopeusero = abs(data.sog - data.stw); %Laskee nopeuksien erotuksen 
itseisarvon. 
 
nopeusero = data 
 
end 
 
 
 
powereroluonti.m 
 
function powerero = powereroluonti(data) 
 
data.PowerEro = abs(data.PowerSum - data.PowerEteen); %Laskee itseisarvon 
kokonaistyöntötehon ja eteenpäin suuntaavan työntötehon välille. 
 
powerero = data 
 
end 
 
 
  



67 

 

powersumluonti.m 
 
function powersum = powersumluonti(data) 
 
data.PowerSum = data.powerpropulsionps + data.powerpropulsionsb; %Yhdistää 
styyrpuurin ja paapuurin työntötehot. 
 
powersum = data 
 
end 
 
 
 
tehoteteenluonti.m 
 
function tehoteteen = tehoteteenluonti(data) 
 
kulmaS = data.unitautomationAZP_S_STEERING_ANGLE; %Styyrpuurin puolen kulma 
datasta. 
kulmaP = data.unitautomationAZP_P_STEERING_ANGLE; %Paapuurin puolen kulma 
datasta. 
kulmaSrad = deg2rad(kulmaS); %Muuttaa kulman radiaaneiksi. 
kulmaPrad = deg2rad(kulmaP); %Muuttaa kulman radiaaneiksi. 
 
data.PowerSEteen = data.powerpropulsionsb .* cos(kulmaSrad); %Luo muuttujan, 
joka on styyrpuurin puolen Azipodin eteenpäin työntävä teho. 
data.PowerPEteen = data.powerpropulsionps .* cos(kulmaPrad); %Luo muuttujan, 
joka on paapuurin puolen Azipodin eteenpäin työntävä teho. 
data.PowerEteen = data.PowerPEteen + data.PowerSEteen; %Luo muuttujan, joka 
on Azipodin eteenpäin työntävä yhteenlaskettu teho. 
 
tehoteteen = data 
 
end 

  



68 

 

Liite 5. MATLAB-koodit: aineiston rajaamiseen käytettävät koodit 

Liitteessä on kaikki aineiston rajaamiseen käytetyt koodit. Viimeisenä on yksittäisiä ko-

mentoja, joita on myös käytetty aineiston rajaamiseen. Koodien muotoilussa on saatettu 

käyttää apuna Microsoft Copilot-tekoälysovellusta ajanjaksolla 11.12.2024–3.2.2025.  

 

Liite sisältää koodit: 

aallokonpoisto 

akunpoisto 

polttoaineidenpoisto 

ppohjauskulma 

ppsyvays 

pptehottaa 

pvmpoisto 

tehojenpoisto 

tehopseteenpoisto 

telakkapoisto 

yksittaisetkomennot 

 

 

aallokonpoisto.m 
 
function aallokkopoistettu = aallokonpoisto(data) 
 
data = removevars(data, "AallokonTulosuunta");); % Poistaa kyseisen 
sarakkeen. 
data = removevars(data, "AallokonTulosuunnanHajonta"); % Poistaa kyseisen 
sarakkeen. 
data = removevars(data, "AallokonModaalinenPeriodis"); % Poistaa kyseisen 
sarakkeen. 
 
aallokkopoistettu = data 
 
end 
 
 
 
  



69 

 

akunpoisto.m 
 
function akkupoistettu = akunpoisto(data) 
 
data = removevars(data, 'unitautomationPFC1_BATTERY_PACK_ACTIVE_POWER'); %  
Poistaa kyseisen sarakkeen. 
data = removevars(data, 'unitautomationPFC2_BATTERY_PACK_ACTIVE_POWER'); %  
Poistaa kyseisen sarakkeen. 
 
akkupoistettu = data 
 
end 
 
 
 
polttoaineidenpoisto.m 
 
function polttoainepoistettu = polttoaineidenpoisto(data) 
 
data = removevars(data, "massFlowRatefuellngenginemain1"); % Poistaa kyseisen 
sarakkeen. 
data = removevars(data, "massFlowRatefuellngenginemain2"); % Poistaa kyseisen 
sarakkeen. 
data = removevars(data, "massFlowRatefuellngenginemain3"); % Poistaa kyseisen 
sarakkeen. 
data = removevars(data, "massFlowRatefuellngenginemain4"); % Poistaa kyseisen 
sarakkeen. 
data = removevars(data, "volFlowRatefuelenginemain1"); % Poistaa kyseisen 
sarakkeen. 
data = removevars(data, "volFlowRatefuelenginemain2"); % Poistaa kyseisen 
sarakkeen. 
data = removevars(data, "volFlowRatefuelenginemain3"); % Poistaa kyseisen 
sarakkeen. 
data = removevars(data, "volFlowRatefuelenginemain4"); % Poistaa kyseisen 
sarakkeen. 
 
polttoainepoistettu = data 
 
end 
 
 
ppohjauskulma.m 
 
function ylikulmapoistettu = ppohjauskulma(data) 
 
ylikulmaS = find(data.unitautomationAZP_S_STEERING_ANGLE <= 360); %Valitse 
luvuksi se, jonka yli menevät poistetaan 
data = data(ylikulmaS,:); 
ylikulmaP = find(data.unitautomationAZP_P_STEERING_ANGLE <= 360); % Poisttaa 
yli 360 astetta suuremmat kulmat kummaltakin puolelta. 
data = data(ylikulmaP,:); 
 
ylikulmapoistettu = data 
 
% Myös kyseisten sarakkeiden NaN-rivit poistuvat tällä koodilla. 
 
end  



70 

 

ppsyvays.m 
 
function ylisyvays = ppsyvays(data) 
 
ylisyvalla = find(data.draught < 30); %suuremmat kuin annettu luku olevat 
syväydet poistetaan 
data = data(ylisyvalla,:); 
 
ylisyvays = data 
 
% Myös kyseisten sarakkeiden NaN-rivit poistuvat tällä koodilla. 
 
end 
 
 
 
pptehottaa.m 
 
function tehottaa = pptehottaa(data) 
 
tehotaa = find(data.PowerEteen > 0); % valitse luvuksi se, jota alemmat tehot 
poistetaan, miinustehot tarkoittaa peruuttamista 
data = data(tehotaa,:); 
 
tehottaa = data 
 
end 
 
 
 
pvmpoisto.m 
 
function pvmpoistettu = pvmpoisto(data) 
 
data = removevars(data, "vuosi"); % Poistaa kyseisen sarakkeen. 
data = removevars(data, "kuukausi"); % Poistaa kyseisen sarakkeen. 
data = removevars(data, "paiva"); % Poistaa kyseisen sarakkeen. 
 
pvmpoistettu = data 
 
end 
 
 
 
tehojenpoisto.m 
 
function tehopoistettu = tehojenpoisto(data) 
 
data = removevars(data, "powergeneratordiesel1"); % Poistaa kyseisen 
sarakkeen. 
data = removevars(data, "powergeneratordiesel2");  
data = removevars(data, "powergeneratordiesel3"); 
data = removevars(data, "powergeneratordiesel4"); 
data = removevars(data, "powerpropulsionps"); 
data = removevars(data, "powerpropulsionsb"); 
data = removevars(data, "rpmpropulsionps"); 
data = removevars(data, "rpmpropulsionsb"); 



71 

 

data = removevars(data, "unitautomationAZP_P_STEERING_ANGLE"); 
data = removevars(data, "unitautomationAZP_S_STEERING_ANGLE"); 
 
 
tehopoistettu = data 
 
end 
 
 
 
tehopseteenpoisto.m 
 
function tehopseteenpoistettu = tehopseteenpoisto(data) 
 
data = removevars(data, "PowerPEteen"); %  Poistaa kyseisen sarakkeen. 
data = removevars(data, "PowerSEteen"); %  Poistaa kyseisen sarakkeen. 
 
tehopseteenpoistettu = data 
 
end 
 
 
 
telakkapoisto.m 
 
function telakkapoistettu = telakkapoisto(data) 
 
alkupaiva = datetime('2023-12-30 22:26:30', 'InputFormat', 'yyyy-MM-dd 
HH:mm:ss'); % Määrittää alkuajankohdan. 
loppupaiva = datetime('2024-01-06 19:16:00', 'InputFormat', 'yyyy-MM-dd 
HH:mm:ss'); % Määrittää loppuajankohdan. 
 
% Luo logiikkavektorin ajanjakson ulkopuolelle jääville riveille 
sailytettavatrivit = ~(data.time >= alkupaiva & data.time <= loppupaiva); 
 
% Käyttää logiikkavektoria timetablen rajaamiseen 
data = data(sailytettavatrivit, :); 
 
telakkapoistettu = data 
 
end 
 
 
 
yksittaisetkomennot.m 
 
AB = AB(timerange('2021-08-28','2024-05-30','closed'),:) 
% Muodostaa taulukon annettujen aikojen (alku, loppu) välille. Päät kuuluvat 
mukaan, 
% koska closed. 
 
AB = AB(AB.stw>0,:) % Poistaa rivit, joissa stw on pienempi kuin nolla. 
 
AB = AB(AB.nopeusero<=1,:) % Poistaa rivit, joissa nopeusero on yksi tai 
suurempi. 
 
AB = rmmissing(AB) % Poistaa rivit, joissa on NaN-arvoja.  



72 

 

Liite 6. MATLAB-koodit: tulosten laskeminen 

Liitteessä on kaikki tulosten laskemiseen käytetyt koodit. Koodien muotoilussa on saa-

tettu käyttää apuna Microsoft Copilot-tekoälysovellusta ajanjaksolla 11.12.2024–

3.2.2025.  

 

Liite sisältää koodit: 

datajako 

koeajoanntiivis 

normalisoitt 

sarakeajo 

sarakeajoy 

 

 

datajako.m 
 
% Jakaa taulukon AB kahteen osaan satunnaisesti. 
 
ristiinvalidointi = cvpartition(height(AB), 'Holdout', 0.2); 
 
koulutusData = AB(training(ristiinvalidointi), :); 
 
testiData = AB(test(ristiinvalidointi), :); 
 
 
% Kouluttaa mallin ja voi lisätä potensseja 
mdl = fitlm(koulutusData, ['PowerEteen ~ stw + stw^2 + trim + 
speedwindrelative + speedwindrelative^2 + draught + VedenLmptilaC_MLtt + 
MerkitsevAallonkorkeusm + paiviapesusta + Froude']); 
 
% Poimi RMSE 
rmse = mdl.RMSE; 
 
% Poimi R-squared ja Adjusted R-squared 
r_squared = mdl.Rsquared.Ordinary; 
adj_r_squared = mdl.Rsquared.Adjusted; 
 
%Katsoo miten ennuste osuu 
ennusteet = predict(mdl, testiData); 
mse = mean((ennusteet - testiData.PowerEteen).^2) % Keskineliövirhe 
 
% Todelliset arvot testidatasta 
todelliset = testiData.PowerEteen; 
 
kertoimet1 = mdl.Coefficients; 



73 

 

 
% Kuvaajan piirtäminen 
figure; % Luo uusi kuvaikkuna 
plot(todelliset, 'o-', 'DisplayName', 'Todellinen'); % Todelliset arvot 
hold on; 
plot(ennusteet, 'x-', 'DisplayName', 'Ennuste'); % Ennustetut arvot 
hold off; 
legend('Location','northwest'); % Lisää selite kuvaajaan 
xlabel('Havaintojen indeksi'); % X-akselin nimi 
ylabel('Normalisoitu PowerEteen-arvo'); % Y-akselin nimi 
title('Todelliset vs Ennustetut arvot'); % Kuvaajan otsikko 
grid on; % Lisää ruudukko 
disp(mdl) 
 
 
 
koeajoanntiivis.m 
 
% 'trainlm' tai 'trainbr'  
% eli Levenburg-Marquardt tai Bayesian Regularization 
 
trainFcn = 'trainlm' 
 
hiddenLayerSize = 7; 
 
net = fitnet(hiddenLayerSize,trainFcn); 
 
% Setup Division of Data for Training, Validation, Testing 
net.divideParam.trainRatio = 70/100; 
net.divideParam.valRatio = 15/100; 
net.divideParam.testRatio = 15/100; 
 
% Train the Network 
[net,tr] = train(net,x,t); 
 
% Test the Network 
y = net(x); 
e = gsubtract(t,y); 
performance = perform(net,t,y) 
 
 
 
normalisoitt.m 
 
function normalisoit