Back to search

MAROFF-2-Maritim virksomhet og offsh-2

Selvlærende ruteoptimalisering for skip

Alternative title: Self-learning route optimization for ships.

Awarded: NOK 6.0 mill.

The innovation project has focused on 3 main activities related to data collection, model for energy prediction and optimal route selection. Operational data from an electric ferry have been used to establish an energy model that describes energy use as a function of the vessel's condition and weather data observed on the Hareid-Sulesund crossing. Several thousand trips have been analyzed and with the help of machine learning we have established a hybrid energy model which with an accuracy of around 95%. The energy model has been used together with a route optimization function that provides suggestions for new, safe routes. In the optimization, safe corridors, initial route from the user interface and expected arrival time in the RAVEN INS system have been taken into account. Based on weather forecast data, we have calculated that for some selected trips we can save up to 3% energy. The average expected saving is in the order of 1.5% for this crossing, which is mainly an area with moderate weather conditions. A cloud solution has been developed which means that the optimization can be accessed via a separate API. The results from this innovation project will be continued in a new demonstration project which is also supported by the Research Council of Norway. Here, the system will be tested on one or more of the new coastal vessels for Havila Kystruten. The coastal vessels operate in more weather-exposed areas with complex route networks and thus great potential for increased energy savings.

Prosjektet har hatt gitt en positiv erfaring og nyttig læring for NES, da det er første prosjektet der vi er prosjekteiere og ikke bare prosjektdeltaker. Har vært godt samarbeid mellom NES og Sintef, som igjen styrker forhold mellom industri og forskning. Av ren påvirkning av drift så har ikke fått gjort noe spesielt arbeid opp mot Prosjektpartner Havila Kystruten. Vi har derimot sett at Fjord1 som ga oss mulighet til å teste på en ferge har endret oppførsel i måten de laster fergen på. Før vi satte om bord dybgangsmålere og trimindikasjon så var fergen lastet mye mer foroverlent. Etter at vi gjorde de oppmerksom på dette via intrumentering om bord i våre systemer så laster de fergen mye rettere. Så prosjektet har hatt en positiv virkning på miljø og utslipp ved å optimalisere trim på fergen(e) til Fjord1.

Innovasjonsprosjektet skal utvikle selvlærende ruteoptimalisering for skip basert på bruk av operasjonelle data, numeriske modeller og maskinlæring. Det finnes flere kommersielle løsninger i dag for dette, men det er få eller ingen løsninger som baserer ruteoptimalisering på kontinuerlig bruk av operasjonelle data. Ruteoptimaliseringen skal gi anbefalt hastighet og kurs under de til enhver tid gitte vær- og sjø-forhold slik at man ankommer på forventet tidspunkt (rutetabellen) med lavest mulig drivstofforbruk for hele reisen og samtidig ivaretar nødvendig maritim sikkerhet. Ideen er derfor å anvende numerisk optimalisering basert på data fra tilgjengelige sensorer, værdata og numeriske modeller av fartøy, energisystem og miljøkrefter. Prosjektet er sammensatt av partnere med komplementær kompetanse fra skipsdesign, utstyrsleverandører, sluttbruker og forskningsmiljø med maritim domenekunnskap på transport og energisystem. Innovasjonen vil bli testet på ett av de nye fartøyene til Havila Kystruten som er under bygging og vil bli integrert i broløsningen som blir levert av prosjekteier Norwegian Electrical Systems.

Funding scheme:

MAROFF-2-Maritim virksomhet og offsh-2