Tirer parti de l'apprentissage automatique pour aider à prévoir les émissions de gaz d'échappement des navires

Tirer parti de l’apprentissage automatique pour aider à prévoir les émissions de gaz d’échappement des navires

Les chercheurs du NKMOU ont développé un modèle d’apprentissage automatique capable de prédire le niveau d’émissions de gaz d’échappement émis par les navires ; cela contribuera à réduire la pollution de l’air dans les ports. Crédit : Dr. Won-Ju Lee, Université nationale coréenne des affaires maritimes et océaniques

Les navires sont un moyen de transport commercial majeur, contribuant à 80 % du commerce mondial de biens et d’énergie. Cependant, ils émettent des gaz d’échappement – des moteurs lorsqu’ils naviguent, et des moteurs et de la chaudière lorsqu’ils accostent dans les ports. Ces émissions affectent non seulement la santé humaine, mais aussi l’environnement.

Par conséquent, l’Organisation maritime internationale a imposé des réglementations sur le type de carburant utilisé dans les navires. Alors que des efforts sont faits pour réduire le niveau d’émissions des navires, un carburant totalement respectueux de l’environnement reste à développer. En attendant, l’évaluation et la prévision du niveau des émissions de gaz d’échappement des navires sont d’une importance primordiale.

Dans ce contexte, un groupe de chercheurs de la National Korea Maritime and Ocean University (NKMOU) dirigé par le Dr Won-Ju Lee, professeur agrégé à la Division de l’ingénierie des systèmes marins de l’institut, a mesuré les émissions d’un pétrole en fonctionnement continu. chaudière alimentée dans un navire-école sous différents rapports air-carburant. « Les données d’échappement pour le CO2NONXet donc2 gaz ont été collectés pour 18 cas et utilisés pour prédire les émissions grâce à une modélisation basée sur les données », explique le Dr Lee.

Leurs travaux ont été publiés dans le Journal de la production plus propre le 15 novembre 2022.

Les chercheurs ont utilisé l’apprentissage non supervisé pour compresser les données d’origine afin de générer trois nouveaux ensembles de données. Ils les ont combinés pour créer un jeu de données d’ensemble. La performance de ces cinq ensembles de données a été évaluée — en termes de CO2NONXet donc2 prédictions—à l’aide de quatre modèles de base. Les modèles basés sur la machine à vecteurs de support avec les ensembles de données d’origine et d’ensemble ont produit les meilleurs résultats.

Ensuite, les chercheurs ont fusionné les modèles de base pour développer quatre modèles d’ensemble de base. Ces modèles, à leur tour, ont été utilisés pour construire des modèles à double ensemble. Comme prévu, les modèles à double ensemble ont fourni les prévisions d’émissions les plus précises pour les trois gaz.

Enfin, les chercheurs ont appliqué les modèles développés à un nouvel ensemble de données, vérifiant les résultats et établissant la supériorité et la généralisabilité des modèles.

Comment ce travail peut-il aider l’industrie du transport maritime à réduire son empreinte carbone ? Le Dr Lee discute des implications futures de leurs travaux. « Les résultats de cette étude peuvent être utilisés pour prédire les émissions de gaz d’échappement et seront bientôt appliqués aux chaudières marines. Il permettra aux ingénieurs maritimes de prendre des mesures pour réduire les émissions, freinant la pollution de l’air dans les zones portuaires. Depuis l’installation d’équipements coûteux tels que des analyseurs de gaz dans les chaudières n’est pas économiquement réalisable pour les compagnies maritimes, la technologie proposée s’avérera indispensable. En outre, la génération de données d’ensemble et les techniques de modèle à double ensemble peuvent améliorer les performances de diverses autres applications d’apprentissage automatique.

Fourni par National Korea Maritime and Ocean University