Selvlærende ruteoptimalisering for skip

Innovasjonsprosjektet har fokusert på 3 hovedaktiviteter knyttet til datainnsamling, modell for energiprediksjon og optimalt rutevalg. Operasjonelle data fra en elektrisk ferge har blitt brukt til å etablere en energimodell som beskriver energibruk som funksjon av båtens tilstand og værdata som er observert på overfarten Hareid-Sulesund. Flere tusen turer er blitt analysert og ved hjelp av maskinlæring vi har fått etablert en hybrid energimodell som med en nøyaktighet på rundt 95%. Energimodellen har blitt brukt sammen med en ruteoptimaliseringsfunksjon som gir forslag til nye, sikre ruter. I optimaliseringen er det tatt hensyn til sikre korridorer, initiell rute fra brukergrensesnittet og forventet ankomsttid i RAVEN INS systemet. Basert på værvarslingsdata har vi beregnet at for noen utvalgte turer kan vi spare opp til 3% energi. Gjennomsnittlig forventet besparelse ligger i størrelsesorden 1.5% for denne strekningen som i hovedsak er et område med moderat værtilstand. Det har blitt utviklet en skyløsning som betyr at optimaliseringen kan aksesseres via et eget API. Resultatene fra dette innovasjonsprosjektet blir videreført i et nytt demonstrasjonsprosjekt som også er støttet av Norges forskningsråd. Her er vil systemet bli testet på ett eller flere av de nye kystruteskipene til Havila Kystruten. Kystruteskipene opererer i værutsatte fartsområder med sammensatte rutenettverk og dermed stort potensiale for økt energibesparelse.

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.