编辑推荐：
在海事领域，船舶燃油消耗大且碳排放高，现有预测方法存在局限。研究人员开展 “ANN 和区块链协同的船舶燃油消耗预测” 研究，构建框架，用回归和分类算法，结合联邦学习（FL）和区块链技术。结果显示该框架预测准确、数据安全，对优化燃油使用意义重大。
在广阔的海洋上，船舶作为全球贸易的重要载体，承担着货物运输的重任。然而，船舶在航行过程中需要消耗大量的燃油，这不仅带来了高昂的成本，还对环境造成了严重的影响。国际海事组织（IMO）数据显示，全球航运业占全球贸易量的 80.23%，但其碳排放却占全球总量的 2% - 3%，一艘大型集装箱船每年的燃油需求量常常超过 20,000 吨。
为了应对这些问题，众多研究人员提出了各种优化船舶燃油效率的方法。但现有的研究大多存在局限性，例如部分研究使用的数据集较小且特征有限，还有很多人工智能算法采用集中式训练，不仅存在单点故障问题，计算成本高，还容易引发数据隐私和安全问题。而且，以往的研究主要侧重于基于回归模型预测船舶燃油消耗，却未对发动机健康状况进行分类，导致低效发动机的船舶继续运行，增加了排放、成本和安全风险 。
在这样的背景下，来自多个研究机构（King Saud University、Kore University of Enna 等）的研究人员开展了一项旨在预测船舶燃油消耗的研究。他们提出了一种基于人工智能（AI）和区块链技术的智能安全框架，将其应用于船舶能源消耗预测，以提高航运效率和可持续性。该研究成果发表在《Applied Ocean Research》上。
研究人员在这项研究中运用了多种关键技术方法。首先，利用多项式回归模型（如线性、高斯和正弦和模型）预测船舶航行时的碳（CO?）排放，以此为基础形成船舶发动机状况的分类标签。接着，采用联邦学习（FL）进行去中心化人工智能训练，创建 5 个本地客户端，通过联邦平均技术协同更新模型。此外，引入区块链技术保障训练权重安全，开发智能合约验证数据，并结合星际文件系统（IPFS）存储数据。
在研究结果方面：
- 回归层性能分析：研究人员运用多种回归模型预测船舶的燃油消耗，对比了多项式、高斯、线性等回归模型。通过分析均方误差（SSE）、均方根误差（RMSE）、R2 和调整 R2 等误差指标，发现高斯模型在预测 CO?排放时表现出色，例如在预测发动机尺寸与 CO?排放关系时，其 RMSE 值为 30.5795 。基于预测的碳排放输出，研究人员创建了船舶发动机状况的分类标签，为后续分类任务提供数据基础。
- 联邦学习分类层性能分析：利用人工神经网络（ANN）模型对船舶进行基于燃油消耗模式的分类。通过 Keras 框架构建的 ANN 包含多个密集连接层和激活函数，使用 Adam 优化器和二元交叉熵损失函数进行训练。研究结果显示，不同联邦学习客户端表现各异，其中客户端 4 训练准确率较高（97.06%）。通过对比正常训练权重和注入噪声的训练权重，发现正常训练权重（存储于区块链账本）表现更优。全局训练准确率达到 98.47%，训练损失降至 0.094，且训练和验证准确率、损失有效收敛，表明模型未出现过拟合，能够有效捕捉数据模式。
- 区块链层性能分析：区块链主要用于防止攻击者篡改 FL 训练权重。研究人员开发的智能合约包含注册、认证等多个功能函数。通过 Slither 静态分析工具评估智能合约，发现并修复了多个漏洞。在以太坊测试网部署智能合约后，对其交易和执行成本进行分析，例如 register () 和 storeUpdatedWeights () 函数具有较高的交易（214000）和执行成本（264510） 。将智能合约在 Sepolia 测试网验证后，关键燃油数据被存储到区块链不可变账本中，保障了数据的安全性和可追溯性。
研究结论和讨论部分表明，该研究提出的基于 ANN 和区块链协同的船舶燃油消耗分散式数据驱动分析框架，有效结合了回归和分类算法，利用 FL 实现去中心化训练，增强了模型性能和数据隐私保护，同时借助区块链确保了训练权重的安全性和数据的完整性。通过多种评估指标验证，该框架在预测船舶燃油消耗方面表现出色，训练准确率高，训练损失低。这一研究成果对优化船舶燃油策略、提高海事运营效率、减少碳排放具有重要意义，为未来海事领域的可持续发展提供了有力的技术支持。
