Om det exakta utfallet av en kommande fartygsmanöver kan förutses, kan både säkerheten förbättras och bränsleförbrukningen minskas. Inom Trafikverkets branschprogram Hållbar sjöfart har ett forskningsprojekt och en förstudie utvecklat ny teknik för detta. Det behövs. Dagens standardiserade tester som avgör om ett fartyg är manövrerbart enligt IMO:s regler är inte tillräckliga.

Forskningsområdet hydrodynamik är avgörande för att fartyg ska kunna drivas effektivt och styras säkert. Inom sjöfarten brukar det delas in i tre huvudområden: framdrivning – som rör motstånd i vattnet och hur propellern fungerar, sjöegenskaper – hur fartyget klarar höga vågor och hårt väder, samt manövrering – hur fartyget styr och reagerar på styrkommandon.

– Jag har valt att fokusera på det senare, alltså manövreringen av ett fartyg. Och det är ju en viktig del, inte minst när det gäller säkerhet. I stort handlar det om att minska risken för kollision mellan fartyg eller att fartyg går på grund på grund av att manövreringen är bristfällig. För det används simuleringsmodeller eller prediktionsmodeller. Det finns många fördelar med det. Har man en prediktionsmodell som är tillräckligt bra så kan man så att säga se in i framtiden och se vad som kommer att hända med ett fartyg efter en viss manöver, säger Martin Alexandersson, forskare på RISE som lett arbetet inom forskningsprojektet DEMOPS (Develop Machine learning methods for Operational Performance of Ships) och förstudien Physics informed grey box modelling of ship dynamics.

Modellerna kan användas på två sätt – som en virtuell tvilling, där modellen speglar ett fartyg som redan är i drift, eller som en virtuell prototyp, som gör det möjligt att utvärdera fartygsdesignen innan det byggs.

– På längre sikt är tekniken också mycket relevant i utvecklingen av autonoma fartyg, säger Martin Alexandersson.

Digitala tvillingar skapas med information från sensordata om ett fartygs position, fart, manövrer och motorpåverkan. Det innebär att ”tvillingen” enkelt kan beskriva vad som har hänt, men att förutse vad som kan hända, är betydligt svårare. Därför fokuserar forskningen ofta på enklare förhållanden – med lugnt väder och utan vågor – för att först få grepp om grunddynamiken innan en mer komplex verklighet läggs till.

– Det är förstås också en fördel att göra det här i laboratoriemiljö, men tanken är att våra modeller ska kunna användas i full skala på riktiga fartyg.

En stor utmaning är att få tillräckligt med data, både i mängd och kvalitet. Det krävs informativa, varierade mätningar som visar hur fartyget beter sig i olika situationer. Annars riskerar modellen att bli övertränad på gamla mönster – och stå handfallen när något oväntat inträffar.

– Det är när stormen kommer, eller den svarta svanen, som vi verkligen får se om modellen håller, säger Martin Alexandersson.

Inom forskningen om digitala tvillingar finns olika sätt att bygga modeller. En vanlig metod är den så kallade black box-modellen – en svart låda där man matar in data och får ett svar, utan att veta hur modellen kommit fram till det eller om det ens följer fysikens lagar. Martin Alexandersson har därför valt att arbeta med fysikbaserade modeller eller så kallade gråbox-modeller.

– En gråbox-modell är betydligt säkrare när något oväntat inträffar som den inte sett förut. Den bryter inte mot fysikaliska lagar, medan en svart låda kan hitta på precis vad som helst.

Forskningsresultaten i de båda projekten visar att en stor del av tidigare forskning som publicerats har baserats på data som inte varit tillräckligt informativ. Modellerna har därför inte varit korrekta. Många tidigare studier har till exempel utgått från ett standardiserat test – det så kallade zigzag-testet, som används internationellt för att visa att ett fartyg är manövrerbart enligt IMO:s regler.

– Det används i kanske 99 av 100 vetenskapliga artiklar. Men den data den bygger på inte är tillräckligt informativ för att förutse nya situationer. Man måste komplettera med andra typer av manövrar – gärna mer varierade eller slumpmässiga – om modellen ska fungera i verkligheten, säger Martin Alexandersson.

Rapporterna DEMOPS (Develop Machine learning methods for Operational Performance of Ships) och Physics informed grey box modelling of ship dynamics har författas av Martin Alexandersson RISE och Wengang Mao, Chalmers.
I samarbete med: Joakim Möller, Molflow AB, Sofia Werner, RISE och Gaute Storhaug, DNV.

Till rapporten om forskningsrapporten DEMOPS
Till rapporten om förstudien Physics informed grey box modelling of ship dynamics