National Transport Library Research Database

Autonomous cargo handling on tankers (ACHT) – Concept study

  • von Elern, Fredrik
  • RISE Research Institutes of Sweden AB, Svenskt företag eller organisation, 556464-6874
Sponsors, duration, budget: Trafikverket ; 2020-08-17 -- 2022-02-28 Registration number:
  • Trafikverket 2020/25139
Subject(s): Online resources: Abstract: Syftet med den föreslagna konceptstudien är att kartlägga aktuella lasthanteringsoperationer på tankfartyg och hamnar och undersöka förutsättningarna (gaps, möjligheter, operatörens behov och de tekniska möjligheterna) för att utveckla ett optimerat system för lasthantering i tankfartyg genom integration av befintliga system och utveckling av automatisering funktioner. För att styra lasthantering ombord på tankfartyg och i hamnar med hjälp av artificiell intelligens (AI) och maskininlärning. Ett designkoncept och riktlinjer för det automatiska lasthanteringssystemet kommer att avgränsas. På ett modernt tankfartyg planerar och styr fartygets befäl lastoperationerna. Vakthavande befäl styr lastnings- och lossningsoperationerna genom att reglera vätskeflöden med ventiler och pumpar. Till sin hjälp har de ett antal tekniska system för att övervaka och kontrollera lastoperationerna ombord. Ändå är dagens lasthanteringssystem inte integrerade (dvs de samarbetar inte), vakthavande befäl styr lasthanteringsoperationen med hjälp av informationen från de olika systemen. Fel i hanteringen eller feltolkning av något av systemen kan direkt påverka lasthanteringsoperationerna, normalt i form av förseningar. De indirekta effekterna av detta är ökade kostnader och ökad miljöpåverkan samt ökade säkerhetsrisker i form av person- eller materiella skador. Dagens teknik gör det möjligt att automatisera och integrera lasthanteringssystemen, medan fartygets befäl övervakar lastoperationen. Systemintegreringen förväntas underlätta analysen av historiska operativa data, bidra till prognostisering och fungera som beslutsstöd till fartygets befäl i lasthanterings planeringen. Resultatet förväntas öka effektiviteten och minska miljöpåverkan genom att bättre prognosticera tiden för lasthanteringsoperationer samt bidra till bättre planering och nyttjande av hamnterminalerna. Ett integrerat system minskar risken för olyckor som involverar t.ex. brott på lastslangar eller överfyllning av lasttankar. Förmågan att planera lasthanteringsoperationer med högre precision passar med andra utvecklingsprojekt med syftet att optimera sjöfartsnäringen, t.ex. Sea Traffic Management (STM) -projektet. Denna studie kommer genom fältobservationer på tankfartyg och hamnar och intervjuer med industrin (som deras in-kind bidrag) att sammanställa tillgängliga funktioner och information om de olika nuvarande systemen som används för lasthantering. Som en del av konceptstudien kommer workshops med industrin (som deras in-kind bidrag) genomföras för att identifiera den information som saknas för ett fungerande koncept samt för att ta fram riktlinjer för automatiserad lasthantering, baserad på AI och maskininlärning. Resultaten från denna studie kommer att spridas till den maritima näringen via artiklar i nyhetsbrev i nationella och internationella fackmedier, via seminarier inom det maritima klustret, samt via en slutrapport. Resultaten från denna studie kommer att fungera som bas för ett uppföljningsprojekt som syftar till att visa proof of concept. Detta kommer att innefatta utveckling av en prototyp för automatiserad lasthanteringsteknologi, testa den i en simulerad miljö (med verkliga data från lasthantering) och involvera klassificeringsbolagen i utvecklingen av en godkännandeprocess för autonomlasthanteringsteknik i tankfartyg. Konceptstudien koordineras av RISE med SSPA som partner. Abstract: The objective of the proposed concept study is to map current cargo handling operations on tankers and ports and investigate the conditions (gaps, opportunities and operator needs, as well as the technological possibilities) for an optimized cargo handling management system with inter-system communication and automatization to control cargo handling on tankers and in ports using Artificial Intelligence (AI) and Machine Learning. A design concept and guidelines for the automated cargo handling management system will be delineated as a result. On a modern tanker, the ship's officers plan and direct the cargo operations. The officer of the watch controls the loading and unloading operations by regulating fluid flows with valves and pumps. To their aid, they have a number of technical systems to monitor and control the cargo handling systems onboard. Yet, today’s cargo handling systems are not integrated (i.e. they do not collaborate), making the officer of the watch the mediator between the different systems. Any potential error in the handling of any of the systems might directly affect the cargo operations, normally in the form of delays. The indirect effects might be an increase in costs and environmental impact, as well as a decrease in safety in the form of personal injuries or material damages. Today's technological availability should allow for cargo handling to become automated and integrated, while monitored by an operator, expectedly facilitating the analysis of historical operational data, provide predictions and decision support to the operator as to what the best cargo handling plan could be, as well execute the plan. This would expectedly increase efficiency and reduce the environmental impact by better predicting the time required for cargo handling operations and the next availability of the terminals, as well as reduce the risk for mishaps involving e.g. rupture of cargo hoses or overflow of cargo tanks. The ability to predict cargo handling operations with higher precision fits well with other development projects with the aim of optimizing shipping operations and timely activities, such as the Sea Traffic Management (STM) project. This study will, through field observations on tankers and ports and interviews with the industry (as their in-kind contribution), compile the available functions and information of current cargo handling systems. Then, through workshops with the industry (as their in-kind contribution), it will also identify the missing information in order to achieve the design concept and guidelines of automated cargo handling, based on AI and Machine Learning. The results of this study will be disseminated and reach the maritime cluster at large via newsletter articles in the national and international professional media, via seminar(s) with the maritime community, as well as via a final project report. The results of this study will serve as the steppingstone for a follow-up project aimed at demonstrating proof of concept. This will comprise developing the automated cargo handling management software prototype, testing it in a simulated environment (using real-life cargo handling operations data) and involving the classification societies in developing an approval process for the new design for use onboard tankers. The concept study will be coordinated by RISE with SSPA as partner.
Item type: