基于AI的全球LNG运输船队温室气体量化与定向脱碳：面向清洁航运物流的代理模型方法

《Cleaner Logistics and Supply Chain》：AI-enabled greenhouse gas quantification and targeted decarbonization of the global LNG carrier fleet: a surrogate modeling approach for cleaner maritime logistics

　　

随着液化天然气（LNG）航运在全球范围内扩张，准确量化海上运输产生的温室气体（GHG）排放，对于清洁物流规划与船队层面的脱碳日益重要。本研究应用一套AI赋能的框架，量化排放、识别高排放船舶，并评估全球LNG运输船队的减排策略。研究采用基于物理的自下而上排放模型，对2022年船队数据库中的536艘LNG运输船生成GHG排放估算。该模型考虑了推进技术、船舶特征与航程距离的变化，同时排除了配备再液化系统的低速柴油机船舶（SSDR）。梯度提升回归（GBR）代理模型在分组测试集上以R2 > 0.99再现了工程模型的排放强度，并被用于估算反事实排放。分析表明，排放分布不均：排放最高的30%船舶约占总CO2排放的38%和甲烷排放的45%。蒸汽轮机船舶占船队的40%，却贡献了总CO2排放的48%；而双燃料柴油电力/三燃料柴油电力船舶占船队的30%，却贡献了总甲烷排放的43%。在20年全球增温潜势下，总CO2当量排放比100年情景高25–35%，这会改变部分船舶的排名。情景分析表明，以现代推进系统定向替换排放最高的30%船舶，可使船队层面的CO2当量排放降低8.8–11.5%。总体而言，研究结果表明船队内排放分布不均，且高排放部分因推进技术而异，为定向减排提供了依据，但并不意味着排放仅局限于少数船舶。该框架通过使船队运营方与政策相关方能够在异质性的LNG运输船队中优先安排减排干预，支持清洁海上物流决策。

研究背景与问题

LNG在全球能源转型中地位上升，全球LNG贸易与运输船队持续扩张。据国际气体联盟（IGU）2026年报告，2025年全球LNG贸易量达436.98 Mt，连接24个出口市场与50个进口市场，液化产能达524.5 MTPA；全球LNG运输船队预计将从2024年的742艘扩张至2031年的1079艘，增幅45%。2024年约7000个航次消耗近800 PJ燃料，产生近55 Mt CO₂，甲烷逃逸另增约10 Mt CO₂当量。在此背景下，LNG海运阶段的温室气体（GHG）排放成为气候政策与法规的重要考量。井到航程（well-to-wake）评估显示，海运环节在生产至海运总排放中占6–27%，取决于目的航线；承运船层面评估报告跨大西洋交付中占11–17%，且排放强度随航程距离增加。然而，LNG运输船通过技术含义与气候影响不同的机制排放CO₂与甲烷，推进技术在CO₂效率与甲烷排放之间存在权衡，其气候表现对评估时限与甲烷指标敏感。实测研究虽提供了经验基础，但船舶与发动机覆盖有限，难以直接刻画异质性全球船队的排放特征。基于模型的方法虽已发展出承运船层面的工程框架，但其逐船实现并未评估船队层面的定向替换或改造情景。同时，国际海事组织（IMO）温室气体战略、MEPC系列会议关于净零框架的进展以及甲烷与氧化亚氮测量导则的通过，强化了对船队层面证据的需求：CO₂与甲烷排放如何在船舶间变化、哪些船组应优先处理、定向干预可在何处实现最大减排。本研究即针对这一需求，开展船队范围排放量化、船舶优先级排序与定向推进替换分析。

研究内容与结论

研究人员将Rosselot等（2023）的工程模型与训练好的GBR模型整合，构建AI赋能代理框架，在不修改其底层排放方程与因子的前提下将该承运船层面模型扩展为船队尺度分析工具，用其输出计算基线排放并训练GBR代理以估算反事实排放。框架用于量化船队范围CO₂与甲烷分布、考察按推进类型的排放集中度、检验船舶排名在四个标准化航程距离与GWP-20、GWP-100下的稳健性、估算定向推进替换的减排量，并评估预测船队剩余高排放部分相对IMO 2030碳强度目标的表现。主要贡献在于对船队层面排放集中度、排名稳健性与定向替换潜力作出AI赋能评估，为清洁海上物流与船队更新优先级提供依据。

关键技术方法

研究采用Rosselot等（2023）基于Balcombe等（2022）对GasLog Galveston号实测活动建立的测量知情自下而上排放模型，计算536艘船舶（源自IGU 2022世界LNG报告，剔除47艘SSDR船）的船级CO₂与甲烷排放；以Galveston往返航次（20,211 km航行、1.7天操纵、3.3天靠泊、2.5%压载储备）为归一化基准，并按容量、表面积、围护技术、交付年份、推进类型与技术特定甲烷逃逸信息校正。在500、10,000、20,211、27,000 km四个标准化往返距离下评估各船设计，去除重复设计后得249个独特设计与996个观测；按船设计特征分组划分以避免泄漏，80/20分层于推进类型，得199个设计（796观测）训练、50个新设计（200观测）测试。以船舶容量、航程距离、围护校正因子、发动机校正因子、发动机类别与推进类型为输入，类别特征独热编码并纳入scikit-learn管道，分别建立CO₂排放强度与甲烷排放强度两个梯度提升回归（GBR）代理模型，超参数经五折分组交叉验证优化，并与线性回归、岭回归、随机森林比较；用均方误差（MSE）与决定系数（R²）评价，并以置换特征重要性与SHAP分析代理内部行为。

研究结果

3.1 框架概览：研究建立AI赋能工作流，以工程模型输出为监督学习目标训练代理模型，用于不同气候视角下的船队多情景评估，包括CO₂、甲烷及基于短期与长期GWP的CO₂当量排放。

3.2 数据来源与假设：排放覆盖推进与辅机燃烧CO₂、蒸发气（BOG）处理与不完全燃烧甲烷、燃烧单元操作排放及直接排放与逃逸；模型适用于以BOG为主要推进燃料的船舶。剔除SSDR船后数据集覆盖91.9%的活跃船舶与88.9%的船队载货能力。由于经验基础仅含一艘实测船与一个航次，船队推广的不确定性无法以统计置信区间表达，代理近似性能以分组误差与交叉验证误差衡量，船队排名与排放集中度计算的稳定性以距离分析与GWP计算检验，绝对排放计算被视为以所选自下而上方法为条件。

3.3 探索性数据分析：蒸汽动力船占39.9%，双燃料柴油电力/三燃料柴油电力（DFDE/TFDE）占30.0%，X-DF占15.7%，ME-GI占12.9%。1977–2006年交付船舶多为蒸汽动力，容量125,000–148,000 m³；2007–2010年引入DFDE与更高容量；2011–2015年DFDE与TFDE更广泛采用；2016年以来X-DF与ME-GI主导新交付，容量174,000–180,000 m³，该容量区间占2022年分析船队的33.6%。描述统计显示CO₂排放均值29.99、甲烷逃逸均值0.3732，变异显著。

3.4 机器学习模型开发：GBR在分组测试集上以R² > 0.99再现工程模型排放强度；代理输入不含速度、发动机负荷与操纵/靠泊时长等独立变量，因目标值在标准假设下计算，训练数据中变量不独立，代理无法学习这些变量的效应。

讨论与结论

研究强调船队排放分布不均：排放最高的30%船舶约占总CO₂排放38%与甲烷排放45%；蒸汽轮机船占船队40%却贡献48%的CO₂，DFDE/TFDE船占30%却贡献43%的甲烷。GWP-20下总CO₂当量排放比GWP-100高25–35%，并改变部分船舶排名。以现代推进系统定向替换排放最高的30%船舶，可使船队CO₂当量排放降低8.8–11.5%。研究结论为：船队内排放分布不均，高排放部分因推进技术而异，为定向减排提供依据，但并不意味排放局限于少数船舶；该框架通过使船队运营方与政策相关方能够在异质性LNG运输船队中优先安排减排干预，支持清洁海上物流决策。