Gli ingegneri marittimi hanno addestrato un'app per la spedizione di energia a risparmiare oltre un quarto di milione di tonnellate di emissioni di CO2 applicando l'apprendimento automatico al suo sistema predittivo.

I ricercatori dell'Università di Southampton e della Shell Shipping and Maritime hanno sviluppato un dashboard digitale che aiuta i capitani a rispondere alle mutevoli condizioni del mare.

Il solo aggiungere acqua, o JAWS, l'app interpreta le profondità e gli angoli di una nave nota come pescaggio e assetto per ottimizzare la quantità di carburante e potenza necessaria in ogni situazione.

Un nuovo modello di apprendimento automatico è stato introdotto attraverso il Center for Maritime Futures dei partner, che sta guidando i progressi digitali e tecnologici per una maggiore sicurezza, spedizione più pulita ed efficiente.

Gli ingegneri hanno testato il sistema su una flotta di oltre una dozzina di navi per gas naturale liquefatto (GNL) lunghe 300 metri per 12 mesi, registrando cumulativamente il risparmio di 250, 000 tonnellate di emissioni di CO2, equivalente a un risparmio di carburante di 90 milioni di dollari.

La nuova tecnica di modellazione è stata sviluppata dalla studentessa di ricerca post-laurea Amy Parkes durante il suo dottorato di ricerca nel gruppo di ricerca di ingegneria marittima, dove il suo tempo è stato diviso tra Southampton e Shell.

"Le navi metaniere hanno un'ampia superficie quindi vento, le onde e la corrente possono fare un'enorme differenza per la quantità di energia richiesta in un viaggio, " dice Amy. "Queste navi possono essere alte o basse nell'acqua, a diverse angolazioni nell'acqua e hanno diversi livelli di incrostazione, che influisce sulla quantità di energia utilizzata per spostarsi.

"Shell raccoglie un'enorme quantità di dati da queste navi e questa app è progettata per monitorare e adattarsi a queste variabili per risparmiare energia senza modificare la velocità complessiva della nave".

Le prime iterazioni dell'app calcolavano mappe di calore utilizzando un sistema di media prima che Amy automatizzasse e avanzasse il processo utilizzando tecniche di modellazione ottimizzate durante la sua ricerca di dottorato.

"Attraverso l'apprendimento automatico, è ora possibile analizzare i dati delle distribuzioni precedenti e prevedere quelle future in base alle impostazioni passate, creando un processo molto più user friendly, " dice. "Questo è possibile solo grazie alla capacità di raccogliere dati più accurati a un ritmo molto più veloce.

"Una volta che la tecnologia si è ulteriormente sviluppata, intendiamo che il cruscotto monitori lo stato della nave insieme alle condizioni meteorologiche ed effettui le regolazioni in modo autonomo".