Apprendimento automatico informato meccanicamente e biologicamente ed esplicabile per la crescita del biofouling

Abstract

Nel 2023, la flotta globale conta 118.928 navi mercantili, ciascuna con un passeggero indesiderato e non pagante che causa inefficienze sin dal IV millennio a.C.: il biofouling. Questo fenomeno, che riguarda la crescita indesiderata di flora e fauna sulle superfici bagnate delle navi, comporta problemi come il degrado dei componenti, l’aumento della resistenza idrodinamica e l’incremento delle emissioni di gas serra, oltre al rischio di diffusione di specie aliene.

L'industria marittima, responsabile del 90% del trasporto mondiale di merci, contribuisce al 3% delle emissioni globali di gas serra, quota destinata ad aumentare con il crescente numero di navi operative. L’aumento del biofouling comporta un incremento logaritmico delle emissioni, e si stima che possa incidere sul consumo di carburante e sulle emissioni fino al 55%, anche con una copertura dello scafo relativamente bassa.

L’Organizzazione Marittima Internazionale (IMO) sta affrontando il problema con una nuova direttiva, ma stimare la crescita del biofouling rimane complesso a causa delle numerose variabili. Questo progetto punta a sviluppare due modelli di apprendimento automatico per analizzare la crescita del biofouling e la perdita di velocità delle navi:

Un modello basato su variabili endogene (potenza motore, coppia, giri dell’elica) ed esogene (velocità e direzione del vento) per prevedere la velocità e calcolare la perdita. Un modello basato su dati esogeni, come la distribuzione della clorofilla, la temperatura del mare, la velocità e il tempo trascorso in sosta, per prevedere l’aumento della perdita di velocità.

In 2023, the global fleet consists of 118,928 merchant vessels, each carrying an unwanted and non-paying passenger that has been causing inefficiencies since the 4th millennium BCE, when the first ships sailed the seas: biofouling. Biofouling in the maritime industry refers to the unwanted growth of flora and fauna on the wet surfaces of ships. It poses challenges related to component degradation, changes in hydrodynamic resistance, and environmental issues such as increased greenhouse gas emissions and the invasion of alien species. The shipping industry accounts for 90% of all goods transported worldwide and is known for its efficiency and reliability. However, it is also responsible for 3% of global GHG emissions, and this share is expected to rise due to the increasing number of ships operating each year. There is a logarithmic increase in emissions percentage with rising biofouling rates. Estimates suggest that fouling can impact fuel consumption and GHG emissions by up to 55%, even with relatively small percentages of hull coverage. The International Maritime Organization aims to address this with a new directive focused on reducing the impact of biofouling, but estimating its growth remains a challenging task due to the high amount of different variables involved. This project aims to develop two machine-learning-based models to study the growth and speed loss due to biofouling on ships. The proposed models are: • A machine-learning model based on instantaneous endogenous variables such as shaft power, torque, propeller RPM, and exogenous variables like wind speed and direction to predict speed and calculate speed loss. • A machine-learning model based on exogenous data derived from the ship’s operational profile, including features such as the distribution of chlorophyll in water, sea surface temperature, speed, and the amount of time the ship spent stationary, to predict the increase of the speed loss.