Målet for FUSE er å utvikle kunnskap og metoder for energieffektive og trygge skipsoperasjoner ved å kombinere KI og skipshydrodynamikk som muliggjør raske utslippsreduksjoner fra den globale flåten gjennom neste generasjons ruteoptimalisering. Hovedideen er å utvikle metoder for mer nøyaktige modeller for skipsytelse, inkludert både energi- og bevegelsesegenskaper, ved å bruke kunstig intelligens i kombinasjon med klassisk hydrodynamikk. Tradisjonelle hydrodynamiske modeller er basert på grunnprinsipper og reflekterer fysiske lover. Kunstig intelligens kan trenes på operasjonelle data til å finne nye sammenhenger i dataene utover det man vet fra fysikkens lover. Begge tilnærmingene har sine fordeler og ulemper, og vi tar sikte på å kombinere det beste fra begge tilnærmingene og utvikle hybridmodeller. Potensielle effekter av de nye skipsmodellene vil evalueres gjennom bruk i ruteplanlegging. Prosjektpartnerne er SINTEF Ocean, SINTEF Nordvest, NTNU, Torghatten, Vard Electro, NAVTOR og G2 Ocean.
I løpet av prosjektets første år har vi innhentet brukerkrav til skipsmodeller og ruteoptimering fra industripartnerne med fokus på to utvalgte brukstilfeller; deepsea og fergedrift. I den forbindelse har vi hatt prosjektmøte på ei av Torghatten sine ferger på sambandet Halhjem-Sandvikvåg for å høre erfaringer og innspill fra kapteinene. Vi har også startet å samle inn og analysere operasjonelle skipsdata fra partnerne i prosjektet. Dette gjelder da operasjonelle data fra Torghattens ferger på sambandet Halhjem-Sandvikvåg sør for Bergen og data fra deepsea-skipene G2 Ocean. I tillegg har vi fått en del ferdig innsamlet og prosessert data fra Grieg Star sine skip som det jobbes med i et annet forskningsprosjekt kalt Green AI for Sustainable Shipping. Ved å få en del ferdig innsamlet og prosessert data fra et annet prosjekt sparer vi mye tid og arbeid på dette i FUSE, som gjør at vi kan fokusere mer på utvikling av metoder og kunnskap for hybride (KI og skipshydrodynamikk) modeller for skipsytelse. Nå i august startet en PhD-kandidat hos Institutt for Marin teknikk på NTNU som skal jobbe i prosjektet hvor fokuset er på å fusjonere KI med skipshydrodynamikk.
The FUSE vision is to rapidly reduce emissions from the global fleet by unlocking the full potential of operational data through fusing AI and ship hydrodynamics for next generation voyage optimization. The main idea is to develop theoretical approaches and methodology utilizing the potential of using AI in combination with classical hydrodynamics to develop more accurate numerical models for ship performance, including both energy and motion characteristics. Traditional hydrodynamic models are based on first-principle, reflecting physical laws. AI-based models which uses operational data are used to establish a statistical relationship between inputs and outputs. Both approaches have their pros and cons, and we aim to fuse the best of both approaches and develop hybrid models as input to voyage planning and onboard decision support systems. As a starting point, we will gather user requirements from the industrial partners focusing on two selected use cases; deepsea and ferry operations. The industry partners will be involved during the whole project period ensuring that the competence and results can be exploited into their product and services. The industry partners will contribute with operational data from their ships as research data.
The research activities will cover data analytics, AI and ship hydrodynamics and voyage optimization and decision support. Research partners are SINTEF Ocean, SINTEF Ålesund, and NTNU. A PhD candidate will be educated from the NTNU with supervisors from Marine Technology and Engineering Cybernetics with focus on fusing AI with ship hydrodynamics. Relevant research topics involve comparing the different approaches for estimating ship performance, considering accuracies and valid usage of the models and evaluation of sensitivity and applicability of the models. Finally, the potential impact of using hybrid models in voyage optimization will be investigated and demonstrated.
