本技术介绍参考了以下链接
English
2017年03月06日
利用航行数据精确推算船舶的油耗性能
与东京海洋大学合作在实际海域进行推算，误差小于5%，油耗可降低5%
株式会社富士通研究所（注1）（以下简称，富士通研究所）开发出了通过利用和分析船舶相关大数据，以小于5%的误差精确推算实际海域中的船舶油耗及速度等性能的技术。
开发背景
对船舶行业而言，航海对环境造成的影响、航海的经济安全性等都已成为必须解决的重大课题。2012年海运CO2年排放量占到全球CO2排放总量的3％左右（约9亿吨）。伴随着联合国专门机构IMO（注2）对2013年实施条例的修改，针对新建船只出台了CO2排放限制。航运业的年燃料费用有时能达到数千亿日元，降低燃料成本势在必行。另外，收集、存储和分析恶劣天气环境下的航行数据，将有利于实现船舶设计的安全经济化及恶劣天气时的航行操作。
课题
如果能够准确把握不同天气与海洋环境下船舶油耗性能的话，就可以知道是行驶最短距离节油，还是迂回避开风浪更加节油。但传统技术基于船舶模型的水槽实验和物理模型仿真推算船舶性能，无法掌握实际海域中风浪、洋流等错综复杂情况下船舶的状况，存在推算误差大的问题。
开发的技术
富士通研究所此次针对船舶大数据，基于AI技术“Zinrai”开发出了精确推算实际海域中船舶性能的技术，误差小于5%。
该技术基于富士通研究所自主研发的高维统计分析技术，通过对整合了各种实测数据的高维数据进行分析学习，可推算出未获得过实测数据的天气、海洋条件下船舶的性能。实测数据包括船舶实际航海时风浪、洋流等天气及海洋情况的传感数据、船舶引擎的日志数据、船舶速度和位置数据等。
该技术特征如下：
- 利用实际航海中的原始数据进行分析
基于富士通研究所自主研发的高维统计分析技术，利用船舶实际航行中获取的实测原始数据，同时总结归纳天气、海洋等各种条件的影响，成功实现了综合分析。这样，无需水槽试验人工获取数据，仅基于实际海域中船舶的原始数据，即可进行风浪、洋流等复杂状况下的性能推算。
- 将实测数据自动分组，按组调整学习程度
在物理模型中，由于通过简化模型均匀地表示风从弱到强的物理现象，所以很难提高推算精度（图1（a））。此次开发的技术针对整合了各种实测数据的高维数据，将类似的天气及海洋等情况数据自动分组，并分别按组进行学习与推算（图1（b））。
如果过于依赖实测数据学习的话，在未航行过、未获得过实测数据的情况下，会发生推算精度不准的问题。富士通研究所通过自动调整分组范围，避免了过于依赖实测数据的分组产生，同时实现了均匀地控制整个领域的推算误差。
图1 物理模型与开发的技术
效果
富士通研究所与东京海洋大学通过合作研究，将该技术应用于东京海洋大学实际海域的风浪、船舶油耗等航行实测数据，以小于5%的误差成功实现了对船舶速度性能与燃耗性能的推算。将该技术与东京海洋大学的天气路径仿真有效结合，结果表明，从东京到洛杉矶的北太平洋航路，基于船舶性能，相对于选择最短航路，选择最佳航路能够减少大约5%的油耗，可以显著降低燃料成本和CO2的排放量。
该技术应用在船舶设计中，通过将之前开发的船舶航海数据反馈给之后的船舶开发，可以实现安全且高燃油效率的船舶设计。另外，可对船舶维护前后以及各种节油措施实施前后的船舶性能变化进行定量评价。
今后
今后将与东京海洋大学继续开展合作研究，进一步提高预测精度。另外计划将该技术应用于各种船种、航路并加以验证。
