Engenheiros marítimos treinaram um aplicativo de transporte de energia para economizar mais de 250.000 toneladas de emissões de CO2, aplicando o aprendizado de máquina ao seu sistema preditivo.

Pesquisadores da Universidade de Southampton e da Shell Shipping and Maritime desenvolveram um painel digital que ajuda os capitães a responder às mudanças nas condições do mar.

The Just Add Water, ou JAWS, app interpreta profundidades e ângulos de um navio conhecidos como calado e compensação para otimizar a quantidade de combustível e potência necessária em qualquer situação.

Um novo modelo de aprendizado de máquina foi introduzido por meio do Centro de Futuros Marítimos dos parceiros, que está liderando avanços digitais e tecnológicos para mais segurança, transporte mais limpo e eficiente.

Os engenheiros testaram o sistema em uma frota de mais de uma dúzia de transportadores de gás natural liquefeito (GNL) de 300 m de comprimento por 12 meses, registrando cumulativamente a economia de 250, 000 toneladas de emissões de CO2, equivalente a uma economia de combustível de $ 90 milhões.

A nova técnica de modelagem foi desenvolvida pela estudante de pós-graduação Amy Parkes durante seu doutorado no grupo de pesquisa de Engenharia Marítima, onde seu tempo foi dividido entre Southampton e Shell.

"Os transportadores de GNL têm uma grande área de superfície, então o vento, ondas e correntes podem fazer uma grande diferença na quantidade de energia necessária em uma viagem, "Amy diz." Esses navios podem estar altos ou baixos na água, em diferentes ângulos na água e têm diferentes níveis de incrustação, que impacta a quantidade de energia usada para eles se moverem.

"A Shell coleta uma enorme quantidade de dados dessas embarcações e este aplicativo é projetado para monitorar e se adaptar a essas variáveis ​​para economizar energia sem alterar a velocidade geral da nave."

As primeiras iterações do aplicativo calculavam mapas de calor usando um sistema de média antes de Amy automatizar e avançar o processo usando técnicas de modelagem otimizadas durante sua pesquisa de doutorado.

"Por meio do aprendizado de máquina, agora é possível analisar dados de implantações anteriores e prever as futuras com base em configurações anteriores, criando um processo que é muito mais amigável, "ela diz." Isso só é possível devido à capacidade de coletar dados mais precisos em um ritmo muito mais rápido.

"Assim que a tecnologia se desenvolver ainda mais, pretendemos que o painel monitore o estado do navio ao lado das condições meteorológicas e faça ajustes de forma autônoma ”.