Development of a Machine Learning Model for Ship Speed Prediction: A Data-Driven Approach

Abstract

Η ακριβής πρόβλεψη της ταχύτητας του πλοίου και των απαιτήσεων ισχύος αποτελεί κρίσιμο στοιχείο στις θαλάσσιες μεταφορές, επηρεάζοντας την ενεργειακή απόδοση, τη συμμόρφωση με τους κανονισμούς και τη βελτιστοποίηση του ταξιδιού. Οι παραδοσιακές μέθοδοι εκτίμησης της σχέσης ταχύτητας-ισχύος των πλοίων βασίζονται σε ημι-εμπειρικά μοντέλα αντίστασης και παρεμβολές από δοκιμές στη θάλασσα (Sea Trials), τα οποία συχνά αποτυγχάνουν να λάβουν υπόψη τις πραγματικές συνθήκες στη θαλασσα, όπως ο άνεμος, τα κύματα και η δυναμική απόδοση των μηχανών. Για την αντιμετώπιση αυτών των περιορισμών, η παρούσα μελέτη αναπτύσσει ένα μοντέλο πρόβλεψης της ταχύτητας του πλοίου βασισμένο στη μηχανική μάθηση, συνδυάζοντας τεχνικές φυσικής μοντελοποίησης με σύγχρονες μεθόδους τεχνητής νοημοσύνης. Η έρευνα ξεκινά με μια εκτενή διερευνητική ανάλυση δεδομένων (EDA) των λειτουργικών δεδομένων του πλοίου, συμπεριλαμβανομένων δεδομένων από αισθητήρες και ημερήσιες αναφορές (noon reports). Εφαρμόζονται τεχνικές όπως ανίχνευση ακραίων τιμών, επιλογή χαρακτηριστικών και ανάλυση συσχέτισης, με στόχο τη βελτιστοποίηση του συνόλου δεδομένων για τις ανάγκες της μοντελοποίησης. Στη συνέχεια, η μελέτη υλοποιεί ένα υβριδικό πλαίσιο πρόβλεψης, ενσωματώνοντας μοντέλα βασισμένα στη φυσική (π.χ. ημιεμπειρικά μοντέλα αντίστασης, παρεμβολές δοκιμών στη θάλασσα και Physics-Informed Neural Networks (PINNs)) καθώς και αλγόριθμους μηχανικής μάθησης (π.χ. Γραμμική Παλινδρόμηση, Random Forest Regressor και XGBoost). Παρουσιάζεται μια παράλληλη προσέγγιση γκρι-κουτιού (grey-box modeling), η οποία ενσωματώνει φυσικούς περιορισμούς στις προβλέψεις μηχανικής μάθησης με στόχο τη βελτίωση της ερμηνευσιμότητας και της ακρίβειας του μοντέλου. Η διαδικασία επιλογής του βέλτιστου μοντέλου περιλαμβάνει βελτιστοποίηση υπερπαραμέτρων, ανάλυση συναρτήσεων σφάλματος και έλεγχο εγκυρότητας, εξασφαλίζοντας άριστη προγνωστική απόδοση. Πραγματοποιήθηκαν συγκριτικές αναλύσεις μεταξύ καθαρών φυσικών μοντέλων, αμιγώς δεδομενο-κεντρικών μοντέλων μηχανικής μάθησης και υβριδικών προσεγγίσεων grey-box, αξιολογώντας τη γενίκευση και την υπολογιστική αποδοτικότητα. Η μελέτη συζητά επίσης την πιθανή ενσωμάτωση του αναπτυγμένου μοντέλου πρόβλεψης σε ένα Σύστημα Υποστήριξης Αποφάσεων (DSS), περιγράφοντας πώς θα μπορούσε να χρησιμοποιηθεί για εκτίμηση της ταχύτητας σε πραγματικό χρόνο και βελτιστοποίηση του ταξιδιού. Η έρευνα αυτή συμβάλλει στην προώθηση της μηχανικής μάθησης στη ναυτιλία, προτείνοντας μια μεθοδολογία που βελτιώνει την απόδοση των πλοίων και υποστηρίζει τη λήψη αποφάσεων με γνώμονα τα δεδομένα.