基于数据融合与机器学习的船舶燃油消耗建模——大型散货船案例
机器学习
2025-09-16 v1 最优化与控制
摘要
国际海事组织(IMO)的法规推动了增加对船舶燃料消耗和碳排放的运营措施。能源效率运营指标(EEOI)等关键绩效指标聚焦于燃料效率。如修剪优化、虚拟到达和绿色航线等策略相继涌现。这些方法的理论基础在于准确预测燃油消耗作为航行速度、排水量、舵浪、气候和海况函数。本研究利用一艘大型散货船在 2021 年 11 月 16 日至 2022 年 11 月 21 日期间的一年期间的 296 条航行报告,整合来自 Copernicus 海洋环境监测服务(CMEMS)的 28 个参数数据与 19 个参数,以及欧洲中尺度天气预报中心(ECMWF)的 61 个参数。旨在评估融合外部公共数据源是否提升建模精度,并突出影响燃油消耗的最关键参数。结果显示,机器学习技术通过将航行报告与气候和海洋数据结合,能够准确预测船舶燃油消耗具有巨大潜力。然而,需在相似船舶类别上进行验证以确认其普遍性。
引用
@article{arxiv.2509.11750,
title = {Data Fusion and Machine Learning for Ship Fuel Consumption Modelling -- A Case of Bulk Carrier Vessel},
author = {Abdella Mohamed and Xiangyu Hu and Christian Hendricks},
journal= {arXiv preprint arXiv:2509.11750},
year = {2025}
}
备注
44 pages, 6 figures, preprint version