AI & ΙοΤ-enabled exergy optimization for carbon-neutral ship operation

Abstract

In this industrial PhD thesis a comprehensive holistic framework is introduced for the maritime sector that aims to enable stakeholders, shipowners and external vendors attached to the waterborne sector, to actively embrace the full spectrum of IoT (Internet Of Things), and AI (Artificial Intelligence) advancements and technologies to support smart green shipping for both existing ships as well as new buildings. This big data tool continuously harvesting data in real time related to the vessel’s operational state is realized through a set of state of the art streaming frameworks for distributed processing and edge computing methodologies supporting Continuous Integration/Deployment (CI/CD) of core services and Decision Support Systems (DSS) between the Headquarters (HQ) and the vessel. The realization and embodiment of a service like that, is of high importance for ship operations and maintenance procedures, as the maritime sector has witnessed an exponential growth in data availability over the past few years. Amongst other technological advancements related to ship operational optimization, this work presents the workflow and the main components of a multi-purpose, adaptive pipeline for data collection-"curation" and model deployment. Utilizing structured methodologies (Knowledge Graphs) to support semantic annotation between the acquired operational features, we aim to largely simplify and standardize procedures related to pattern recognition and reasoning in order to provide to the shipowners accurate insights regarding the operational state of the vessel. This generic-physics informed, cross vessel library (Knowledge Hub), consisting of data sources, relevant use case and appropriate simulation model, conceptualizes an approach inextricably linked with the emerging concept of the so called Digital Twin (DT) in the shipping industry. The aforementioned envisaged framework is supported by a variety of simulation models regarding emission control, safety and efficiency. These models correspond mainly to Analytical approaches utilizing Splines and standard marine engineering theory and knowledge, data driven models for Fuel Oil Consumption (FOC) approximation, as well as Routing Optimization techniques based on shortest path principles and dynamic programming to achieve efficiency in ship operations with tangible benefits in emission reduction, environmental compliance, and crew safety on board.

Σε αυτήν τη διδακτορική εργασία παρουσιάζεται ένα ολιστικό πλαίσιο για τον ναυτιλιακό τομέα, το οποίο έχει ως στόχο να επιτρέψει στους ενδιαφερόμενους φορείς, ναυλομέτοχους και εξωτερικούς προμηθευτές που συνδέονται με το ναυτιλιακό τομέα, να αναπτύξουν ενεργά το φάσμα των προηγμένων τεχνολογιών και εξελίξεων στο πεδίο του Διαδικτύου των Πραγμάτων (IoT) και της Τεχνητής Νοημοσύνης (AI), προκειμένου να αναπτύξουν ένα πρωτοπόρο σχέδιο δράσης προς μία "έξυπνη" και περιβαλλοντικά βιώσιμη ναυτιλία τόσο για υπάρχοντα πλοία όσο και για νέες κατασκευές. Αυτό το εργαλείο ανάλυσης και συγxώνευσης "μεγάλων δεδομένων" ("Big Data Tool") συλλέγει συνεχώς πληροφορία σε πραγματικο χρόνο σχετικά με τη λειτουργική κατάσταση του πλοίου μέσω ενός συνόλου προηγμένων πλαισίων ροής για κατανεμημένη επεξεργασία και μεθόδους υπολογισμού και πρόβλεψης, υποστηρίζοντας παράλληλα την Συνεχή Ενσωμάτωση/Διάθεση (CI/CD) των υπηρεσιών μέσω ενός προηγμένου Συστημάτων Υποστήριξης Λήψης Αποφάσης (Decision Support System) μεταξύ της Κεντρικής Διοίκησης (HQ) και του πλοίου (EDGE). Η υλοποίηση και η ενσωμάτωση ενός τέτοιου είδους υπηρεσίας είναι υψίστης σημασίας για τις λειτουργίες και τις διαδικασίες συντήρησης των πλοίων, καθώς ο ναυτιλιακός τομέας έχει καταστεί μαρτυρας εκθετικής αύξηση σε διαθεσιμότητα δεδομένων τα τελευταία χρόνια. Μεταξύ άλλων τεχνολογικών εξελίξεων που σχετίζονται με τη βελτιστοποίηση της λειτουργίας των πλοίων, αυτή η εργασία παρουσιάζει και υλοποιεί τη ροή εργασίας και τα κύρια στοιχεία ενός προσαρμοστικού αγωγού για τη συλλογή, και ανάπτυξη μοντέλων μηχανικής μάθησης. Χρησιμοποιώντας δομημένες μεθόδους (Γράφους Γνώσης) για να υποστηρίξουν την σημασιολογική επισημείωση μεταξύ των αποκτηθέντων λειτουργικών χαρακτηριστικών και των δεδομένων, στοχεύουμε να απλοποιήσουμε και να τυποποιήσουμε σε μεγάλο βαθμό τις διαδικασίες που σχετίζονται με την αναγνώριση μοτίβων, προκειμένου να παρέχουμε στους ναυλομέτοχους ακριβείς πληροφορίες σχετικά με τη λειτουργική κατάσταση του πλοίου. Αυτή η βιβλιοθήκη αποτελεί τον βασικό γνωσιακό άξονα γύρω από τον οποίο κατασκευάζεται το ολιστικό σύσημα παρακολουθησης/μοντελεοποίησης πλοίου και περικλείει πληροφορίες, πηγές δεδομένων, σχετικές περιπτώσεις χρήσης και κατάλληλα μοντέλα προσομοίωσης με απώτερο σκοπό την πραγμάτωση ενός ψηφιακού διδυμου (Digital Twin) του πλοίου. Το προαναφερθέν πλαίσιο υποστηρίζεται από πληθώρα μοντέλων προσομοίωσης σχετικά με τον έλεγχο εκπομπών, την ασφάλεια και την απόδοση. Αυτά τα μοντέλα αντιστοιχούν κυρίως σε αναλυτικές προσεγγίσεις χρησιμοποιώντας κλαδικές εξισώσεις προσέγγισης επιφανειών (Spline approximation) και την τυπική θεωρία και γνώση ναυπηγικής, μοντέλα μηχανικής μάθησης για την προσέγγιση της κατανάλωσης καυσίμου πετρελαίου, καθώς και τεχνικές βελτιστοποίησης πορείας βασισμένες σε αρχές εύρεσης συντομότερης διαδρομής και δυναμικού προγραμματισμού για την επίτευξη αποδοτικότητας στην λειτουργία των πλοίων με σαφή οφέλη στη μείωση εκπομπών, τη συμμόρφωση με τους περιβαλλοντικούς κανονισμούς και την ασφάλεια του πληρώματος στο πλοίο.