National Transport Library Research Database

Hur realiserar man den mest energieffektiva fartygsresan i praktiken? (How does one realize the most energy-efficient voyage in practice?)

  • Ideskog, Linus
  • Lean Marine Sweden AB, Svenskt företag eller organisation, 556905-6046
Sponsors, duration, budget: Trafikverket ; 2020-07-01 -- 2023-03-31 Registration number:
  • Trafikverket 2019/119989
Subject(s): Abstract: Den pågående digitaliseringen i samhället håller på att förändra villkoren för organiseringen av sjöfarten. Den ökade mängden data och information innebär en rad möjligheter men också flera svårigheter. Människor har en begränsad förmåga att se mönster i stora datamängder och väga flertalet faktorer mot varandra. Istället tenderar organisationer och människor att välja det som anses vara tillräckligt bra snarare än det optimala. Tidigare forskning har visat att stora informationsmängder inte automatiskt leder till energioptimering då tolkning och förståelse av denna data ställer stora krav på landorganisationen och fartygsbesättningar (Viktorelius and Lundh, 2019). Artificiell intelligens (AI) och maskininlärning har stora möjligheter att revolutionera beslutsfattande och planering inom sjöfarten. Genom att träna neurala nätverk (AI) med stora datamängder rörande de faktorer som påverkar energieffektiviteten för ett givet fartyg kan optimala driftlägen sedan identifieras i realtid. Ett sådant hjälpmedel skulle vara av stor betydelse både för planering på rederikontor iland och beslutsfattande ombord på fartyg. AI är ett relativt nytt fenomen inom sjöfarten och har tidigare använts i mycket liten utsträckning för energieffektivisering. Forskning kring hur AI kan användas i praktiken för att stödja optimeringen av fartyg är därför av stor betydelse. Abstract: The ongoing digitialization of society is changing requirements for how shipping is being organised. An increased amount of data and information implies a lot of possibilities but also many difficulties. The ability of humans to see patterns in large data sets is constrained. Rather, organisations and humans tent to choose what is good enough rather than what is optimal. Earlier research on shipping has shown that making large information sets available related to energy does not automatically lead to optimisation of energy use, because interpretation and understanding of the data poses a lot of demands on the land organisation and ship crew (Viktorelius and Lundh, 2019). Articifical Intelligence (AI) and machine learning comes with great possibilities to revolutionise decision-making and planning in shipping. By training neural networks with large data sets about the factors that affects energy effciency for a ship, optimal operational modes may be identified in real time. Such an aid would be of great use for planning ashore as well as decision-making onboard. AI is relatively new in shipping and has to little extent been explored in relation to energy efficiency. Research on how AI can be used in practice to support ship energy efficiency is of great importance.
Item type: