Les ingénieurs maritimes ont formé une application de transport d'énergie pour économiser plus d'un quart de million de tonnes d'émissions de CO2 en appliquant l'apprentissage automatique à son système prédictif.

Des chercheurs de l'Université de Southampton et de Shell Shipping and Maritime ont développé un tableau de bord numérique qui aide les capitaines à réagir aux conditions changeantes de la mer.

Le juste ajouter de l'eau, ou MÂCHOIRES, L'application interprète les profondeurs et les angles d'un navire connus sous le nom de tirant d'eau et d'assiette pour optimiser la quantité de carburant et de puissance nécessaire dans une situation donnée.

Un nouveau modèle d'apprentissage automatique a été introduit par le Centre des partenaires pour l'avenir maritime, qui est le fer de lance des avancées numériques et technologiques pour plus de sécurité, expédition plus propre et plus efficace.

Les ingénieurs ont testé le système sur une flotte de plus d'une douzaine de transporteurs de gaz naturel liquéfié (GNL) de 300 m de long pendant 12 mois, enregistrant cumulativement l'économie de 250, 000 tonnes d'émissions de CO2, l'équivalent d'une économie de carburant de 90 millions de dollars.

La nouvelle technique de modélisation a été développée par l'étudiante de troisième cycle Amy Parkes lors de son doctorat dans le groupe de recherche en génie maritime, où son temps a été partagé entre Southampton et Shell.

« Les méthaniers ont une grande surface donc le vent, les vagues et le courant peuvent faire une énorme différence dans la quantité d'énergie requise dans un voyage, " dit Amy. " Ces navires peuvent être hauts ou bas dans l'eau, à différents angles dans l'eau et ont différents niveaux d'encrassement, ce qui a un impact sur la quantité d'énergie utilisée pour se déplacer.

"Shell collecte une énorme quantité de données sur ces navires et cette application est conçue pour surveiller et s'adapter à ces variables afin d'économiser de l'énergie sans modifier la vitesse globale du navire."

Les premières itérations de l'application calculaient les cartes thermiques à l'aide d'un système de moyenne avant qu'Amy n'automatise et ne fasse avancer le processus à l'aide de techniques de modélisation optimisées au cours de ses recherches de doctorat.

"Grâce à l'apprentissage automatique, il est désormais possible d'analyser les données des déploiements précédents et de prédire les prochains en fonction des paramètres passés, créer un processus beaucoup plus convivial, " dit-elle. " Ceci n'est possible que grâce à la capacité de recueillir des données plus précises à un rythme beaucoup plus rapide.

« Une fois la technologie développée, nous prévoyons que le tableau de bord surveille l'état du navire ainsi que les conditions météorologiques et effectue des ajustements de manière autonome."