Vorhersage des Kraftstoffverbrauchs von Schiffen basierend auf physikgestütztem maschinellen Lernen
Leon Chalupka, Universität Duisburg-Essen
Eine Reduktion des Kraftstoffverbrauchs von Schiffen spielt eine immer wichtigere Rolle. Dafür muss der Verbrauch und der Leistungsbedarf eines Schiffes unter realistischen Betriebsbedingungen verstanden werden. Die Technik heutzutage ermöglicht die Erfassung großer Datenmengen, mehr Sensoren in den Schiffen führen zu einer größeren Datenvielfalt. Durch eine stetige Steigerung der Rechenleistung können größere und komplexere Modelle erstellt werden. Neueste Modelle des maschinellen Lernens verbinden die datengebundenen Ansätze mit physikalischem Wissen.
Das Ziel der beschriebenen Masterarbeit war es, ein realistisches Modell zur Vorhersage des Kraftstoffverbrauchs zu entwickeln. Außerdem sollten die Vorteile, beispielsweise die Genauigkeit der Vorhersage, und die Limitationen der datenbasierten Modelle mit denen der daten- und physikgestützten Modellen verglichen werden.
Im Rahmen dieser Arbeit wurden zwei Datensätze ausgewertet, welche Betriebsdaten von einem Küstenmotorschiff und einem Postpanamax Containerschiff enthalten. Es stehen Navigationsdaten, Daten zum Ladungszustand, zu der Propulsion des Schiffes und zu den Umgebungseinflüssen zur Verfügung.
Aus diesen Parametern werden relevante ausgewählt und zum Trainieren der Modelle vorbereitet. Das rein datenbasierte Modell war ein einfaches Feed Forward Neuronales Netz (FFNN). Der physikgestützte Ansatz (PINN) basiert ebenfalls auf einem FFNN, welche als Randbedingung die vereinfachte Bewegungsgleichung für einen ebenen Zustand verwendet, sowie den kubische Zusammenhang zwischen Geschwindigkeit und Leistung.
Der relativ kleine und mit vielen Leerstellen bestückte Datensatz des Küstenmotorschiffs führte zu einer schlechten Genauigkeit der Prognosewerte. Die guten Ergebnisse bei der Vorhersage des anderen Datensatzes zeigen, dass eine gute Datenqualität wichtig ist. Fehlerhafte Daten aufzubereiten und zu ersetzten, ist im begrenzten Rahmen möglich. Jedoch nicht in dem Ausmaß, wie es bei dem ersten Datensatz der Fall war.
