船舶性能のデータおよびシミュレーション駆動モデルの実装と気象ルーティングへの応用

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a comparative analysis of model fidelity in weather routing, useful for researchers working on ship energy efficiency and operational optimization.

🏢実務担当者:Shipping companies can adopt the grey-box model correction approach to enhance existing performance models and achieve fuel savings.

🏛政策担当者:IMO regulators and national maritime authorities can reference the quantified fuel savings to support policies promoting operational efficiency measures.

世界的な海運業界が、国際海事機関（IMO）から発効する規制に適合するために温室効果ガス（GHG）排出量を削減しようとする中、この削減を達成するための様々なアプローチが調査されている。この取り組みを支援するため、ドイツの研究開発プロジェクトMariDataは、シミュレーションデータ、船上での測定値、地理情報を考慮した船舶のエネルギー管理のための意思決定支援システム（DSS）を開発した。このDSSの2つの主な目標は、より良い航路推奨を提供することと、どの抵抗成分が船舶の性能ひいてはGHG排出量に影響を与えるかについての洞察を与えることである。この情報は、様々なレトロフィットオプションの決定に使用できる。 本研究は、E.U. Copernicus Marine Service Information、NOAAの環境データ、およびMariDataの範囲内で収集された船舶運航データ（例えば、対水速度、主機関出力と回転数、喫水など）を用いて実施された。得られた約1年分のデータセットは、主機関回転数、負荷、対水速度の標準偏差に対して、1時間のスライディングウィンドウでその全範囲の1%の閾値を使用する閾値フィルタを用いて処理された。これにより、比較的安定した船舶運航状態の約900時間のデータセット（以降、フィルタリング済みデータセットと呼ぶ）が得られ、同じ範囲で開発された船舶の水力学・空気力学のホワイトボックスモデルの検証に使用された。予測精度とその航路決定への関連性は、Marziら（2024）で分析されている。2つの特定の航路について、約7%の燃料節約の可能性が発見された。数値予測はフィルタリング済みデータセットに追加された。 本寄稿は、基礎となる消費モデルの忠実度が、船舶性能に関する気象航路にどのように影響するかについての洞察を提供する。4つの異なるアプローチが評価され、比較された： (a) 経験式に基づいて機械負荷を予測し、風による付加抵抗のみを考慮する単純なホワイトボックスモデル、 (b) MariDataプロジェクトの成果であり、異なる抵抗成分（例えば、平水中抵抗、付加波浪抵抗）および推進性能に対するポテンシャル流れとレイノルズ平均ナビエ・ストークス（RANS）シミュレーションに基づく高度なホワイトボックスモデル、 (c) 高度なホワイトボックスモデル(b)の予測に加えて、試験船の船上で測定された機械負荷と高度なホワイトボックスモデルの予測機械負荷との差に基づいて訓練された補正モデルから成るグレーボックスモデル、そして最後に、 (d) 測定された機械負荷データに基づいて訓練されたブラックボックスモデル。 グレーボックスモデルおよびブラックボックスモデル(c)および(d)については、複数のハイパーパラメータ最適化が実施され、訓練にはガウス過程（GP）モデルとニューラルネットワーク（NN）の両方がテストされた。 気象航路にはWeather Routing Toolパッケージ（https://github.com/52North/WeatherRoutingTool、Marziら、2024）が適用された。特に、Pythonライブラリpymoo（Debら、2002）に基づく遺伝的アルゴリズムが利用された。 まず、固定された航路と航行時間に対する測定機械負荷との予測を比較することにより、異なるモデルの精度が分析された。高度なホワイトボックスモデル(b)は、公称機械負荷の割合を平均絶対誤差（MAE）4.32%で予測することが示された。(c)および(d)については、フィルタリング済みデータセットで訓練されたガウス過程モデルが最も優れた性能を示し、MAEはそれぞれ0.31%および0.17%であった一方、完全なデータセットで訓練されたニューラルネットワークは、フィルタリング済みデータセットで訓練されたNNよりも優れていた。NNによるグレーボックスモデル(c)の最良のMAEは0.42%、ブラックボックスモデルでは0.41%であった。 2番目の分析では、ビスケー湾の3つの気象シナリオにおける気象航路の構成要素として使用された場合の4つのアプローチ(a-d)の性能が検討された：平均的な気象条件のための1つの人工シナリオ、荒天条件のための1つの人工シナリオ、および荒天のための1つの実気象シナリオ。人工シナリオにより、ビスケー湾に典型的な気象条件と、船舶が最短航路から逸脱した場合に潜在的な節約を最大化する気象条件の両方について、管理された環境で4つのモデルを調査することが可能となった。しかし、実気象シナリオは、実際の気象条件の複雑さにより、モデル精度の重要性がどの程度減少するかを示した。 2番目の分析の結果として、4つの消費モデルと3つの気象シナリオに対する航路の空間的差異が、航行距離に依存する燃料消費の結果とともに要約される。3つの気象シナリオに対するモデルの挙動に基づいて、平均的および荒天条件における必要なモデル精度について結論が導き出される。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

As the global shipping industry seeks to reduce greenhouse gas (GHG) emissions in order to comply with regulations coming into force from the International Maritime Organisation (IMO), different approaches to achieve this reduction are being investigated. To support this endeavour, the German R&D project MariData developed a decision-support system (DSS) for the energy management of ships which takes simulation data, measurements on board and geo-information into account. The two main goals of this DSS are to provide better routing recommendations and to give an insight into which resistance components influence the ship performance and thus the GHG emissions. This information can then be used to decide on different retro-fitting options. This study has been conducted using E.U. Copernicus Marine Service Information, NOAA environmental data and ship operational data (e.g. speed through water, main engine power and speed, draught etc.) collected within the scope of MariData. The resulting dataset covering roughly one year was processed by using threshold filters for the standard deviations of main engine speed, load and speed through water in one-hour long sliding windows with a threshold value of 1 % of their total range. This resulted in a dataset of around 900 hours with relatively steady ship operation, from now on referred to as the filtered dataset, which was used to validate the white-box model for ship hydro- and aerodynamics developed in the same scope. The prediction accuracy and its relevance for routing has been analysed in Marzi et al. (2024). For two specific routes a fuel saving potential of around 7 % was discovered. The numerical predictions were added to the filtered dataset. This contribution provides insight into how the fidelity of the underlying consumption model affects weather routing with regard to ship performance. Four different approaches were evaluated and compared: a simple white-box model which predicts the machine load based on empirical formulas and only considers the added resistance due to wind, a sophisticated white-box model which was the result of the MariData project and is based on potential flow and Reynolds-averaged Navier-Stokes (RANS) simulations for different resistance components (e.g., calm water resistance, added wave resistance) and propulsive performance, a grey-box model which consists of the prediction of the sophisticated white-box model (b) plus a correction model trained on the difference between the measured machine load on board of the test ship and the predicted machine load of the sophisticated white-box model and, finally, a black-box model which was trained on the measured machine load data. For the grey- and black-box models (c) and (d), multiple hyperparameter optimizations were conducted and Gaussian process (GP) models as well as neural networks (NN) were tested for the training. The Weather Rooting Tool package (https://github.com/52North/WeatherRoutingTool, Marzi et al., 2024) was applied for the weather routing. In particular, a genetic algorithm based on the Python library pymoo (Deb et al., 2002) was utilised. First, the accuracy of the different models was analysed by comparing their predictions to the measured machine loads for fixed routes and travel time. The sophisticated white-box model (b) showed to predict the percentage of the nominal machine load with an mean absolute error (MAE) of 4.32 %. For (c) and (d) the Gaussian process models trained on the filtered dataset performed best with a MAE of 0.31 % and 0.17 % while the neural networks trained on the complete dataset outperformed the NNs on the filtered dataset. The best MAE for the grey-box model (c) of a NN was 0.42 % and for the black-box model 0.41 %. The second analysis looked at the performance of the four approaches (a-d) when used as ingredients for the weather routing in three weather scenarios in the Bay of Biscay: one artificial scenario for average weather conditions, one artificial scenario for rough weather conditions and one real-weather scenario for rough weather. The artificial scenarios enabled to investigate the four models in a controlled environment for weather conditions that are typical for the Bay of Biscay as well as for weather conditions that maximise potential savings if the ship deviates from the shortest route. The real-weather scenario, however, showed to what extent the significance of model precision decreases due to the complexity of real weather conditions. As a result of the second analysis, the spatial difference of the routes for the four consumption models and the three weather scenarios will be summarized as well as the results for the fuel consumption in dependence of the travel distance. Based on the behaviour of the models for the three weather scenarios, conclusions will be drawn for the necessary model precision in average and rough weather conditions.  

• semanticscholar https://upcommons.upc.edu/bitstreams/bf313eaf-4f8d-4c7b-9e07-cee08d552fdd/downloadfirst seen 2026-06-29 06:22:07 · last seen 2026-09-21 05:11:33