Fysikstyrd ML för att bygga digital tvilling för vindstödda framdrivningsfartyg

Forskningsprojekt, 2025 – 2026

Vindassisterad framdrivning (WAP), som använder förnybar vindenergi för framdrivning av fartyg, kan minska utsläppen från sjöfarten med mer än 20 %. Tack vare många framgångsrika FoU-projekt dedikerade till att utveckla fysiska/generiska modeller för att optimera WAPs design och utvärdera deras återbetalningstid, har installationen av WAPs ökat dramatiskt under de senaste åren. Installation av WAP-teknik ombord på fartyg kan dock avsevärt förändra ett fartygs operativa egenskaper, såsom manövrerbarhet, energiprestanda och även sjöfolks förmåga och attityd att navigera dessa fartyg. Dessutom kan de fysiska modellerna som utvecklats för WAPs design/utvärdering inte användas för att assistera WAP-operationer, som kräver noggrann prognoser för fartyg-WAP-kopplingsprestanda för individuella seglingsförhållanden i realtid, men fysiska modeller är statiska och innehåller stora osäkerheter p.g.a. stora förenklingar/antaganden.
Detta projekt syftar till att utveckla en fysikstyrd maskininlärningsarkitektur (PML), som kan kombinera fördelarna med både fysiska fartygsprestandamodeller och operativa fartygsövervakningsdata, vilket leder till mer exakt förutsägelse av fartyg-WAP dynamisk kopplingsprestanda i realtid. PML-modellen kommer att användas ytterligare för att utveckla optimal kontrollmekanism för att öka automatiseringen av WAP-operationer. Slutligen kommer olika seglingsscenarier baserade på PML-modellen att utvecklas för att träna och studera sjöfolks beteende för att använda WAP-teknik under navigering av fartyg.