Dissertação
{pt_PT=A data driven approach for prediction and optimization of ship fuel consumption} {} EVALUATED
{pt=O aumento contínuo das emissões anuais de gases com efeito estufa pressiona todos os setores da indústria a reduzir as emissões, mudar para tecnologias verdes e se tornarem mais eficientes. Na indústria naval uma solução possível para navios existentes é a instalação de sistemas de otimização de combustível que atuam automaticamente no motor e no passo da hélice, aumentando a eficiência propulsiva do navio. Estes sistemas permitem a otimização do uso de combustível em rota em função de um conjunto de variáveis como a velocidade, parâmetros do sistema propulsivo e as condições ambientais, que são monitorizadas ao longo das viagens. O objetivo desta dissertação é desenvolver modelos de aprendizagem automática que representem o funcionamento de um sistema de otimização de combustível e desenvolver um protótipo de um sistema de apoio à decisão que forneça previsões do consumo de combustível da máquina principal do navio. Para tal, é utilizada uma amostra de dados recolhidos de um navio, que incluem os parâmetros do sistema propulsivo, as condições ambientais e o consumo de combustível do navio. Esta amostra de dados é primeiro analisada e pré processada e, depois, usada em tarefas de aprendizagem com algoritmos de Rede Neural Artificial e Máquinas de Vetores de Suporte. O desempenho dos algoritmos é avaliado e, posteriormente, é desenvolvido um modelo para prever a velocidade e consumo de combustível do navio em condição de operação. Por fim, os modelos desenvolvidos são usados num sistema de apoio a decisão que é desenvolvido e demonstrado em diferentes cenários operacionais., en=The continuous increase in annual greenhouse gas emissions pressures all industrial sectors to reduce emissions, move to green technologies, and become more efficient. In the shipping industry, there are several projects and technologies for reducing emissions by ships, both at the design and operation levels. One possible solution for existing ships is the installation of fuel optimization systems that automatically adjust engine rotations and propeller pitch to increase the propulsive efficiency of the ship. These systems optimize the fuel consumption in the route as a function of a set of variables such as speed, propulsive system parameters, and environmental conditions, which are monitored continuously throughout the voyages. The objective of this dissertation is to develop machine learning models that represent the operation of a fuel optimization system and to develop a prototype of a decision support system that provides predictions of the optimal fuel consumption of the ship's main engine. For this purpose, a sample of data collected from a ship's automated system is used, which includes the propulsion system parameters, environmental conditions, and fuel consumption of the ship in operation. This dataset is first analysed and pre-processed and then used in learning tasks with Artificial Neural Network and Support Vector Machines algorithms. The performance of the algorithms is assessed and then a two-stage model is developed to predict the speed and fuel consumption of the ship under operating conditions. Finally, the developed models are used in a decision support system that is developed and demonstrated in different operational scenarios.}
dezembro 17, 2021, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Mecânica (DEM)
Professor Associado
ORIENTADOR
Departamento de Engenharia Mecânica (DEM)
Professor Auxiliar Convidado