基于物理引导增量机器学习的船舶生物污损评估框架:助力海事减排与能效优化

《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》:Physics-guided machine learning for ship biofouling assessment in support of maritime decarbonization

【字体: 大 中 小 】 时间:2026年04月09日 来源:TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT 7.7

编辑推荐:

  为解决船舶生物污损导致船体阻力与螺旋桨负荷增加、燃料消耗及温室气体排放上升的问题,研究人员开展了“Physics-guided machine learning for ship biofouling assessment in support of maritime decarbonization”主题的研究。他们提出了一种新颖的物理引导增量机器学习框架,利用物理信息神经网络(PINNs)生成理想状态基准,并通过滑动时间窗口的增量学习捕捉性能退化。结果表明,该方法相较于传统的ISO 19030标准和再训练方法,能更精确地量化由生物污损引起的渐进性能退化与清洗后的快速恢复,为优化船体和螺旋桨维护计划、提升能源效率与减少排放提供了可靠评估工具。

  
想象一下,一艘远洋巨轮在碧波中航行,它的“皮肤”——船体,正悄无声息地经历一场“慢病侵袭”。海洋中的藤壶、黏液、海藻等生物不断附着、生长,这个过程被称为“生物污损”。这可不是小事,它会让船体变得粗糙,阻力大增,仿佛穿上了一件湿透的棉袄在游泳。螺旋桨也同样遭殃,效率大打折扣。后果是,为了保持航速,船舶不得不“多吃油”——消耗更多的燃料,随之而来的是大量的温室气体排放。航运业贡献了全球约2.9%的温室气体排放,国际海事组织(IMO)正推行更严格的减排法规。因此,准确评估生物污损对船舶性能的影响,并据此优化清洗和维护时机,对于平衡运营效率与成本、实现海事领域的低碳转型至关重要。
然而,精准评估生物污损的影响并非易事。目前的主流方法,如ISO 19030标准,主要依靠经验公式和风阻修正,但忽略了海浪这一关键环境因素的影响,容易将波浪导致的航速损失误判为污损所致。基于计算流体力学(CFD)的物理方法虽然精确,但计算成本高昂且难以模拟复杂的真实海况。传统的数据驱动机器学习方法则通常假设数据分布静态不变,无法有效捕捉因生物污损积累和清洗事件导致的性能“概念漂移”。如何剥离海浪干扰,精准捕捉并量化船体与螺旋桨因污损而产生的性能“健康度”变化,是当前研究面临的核心挑战。
为此,瑞典查尔姆斯理工大学的研究团队Xiao Lang、Mingyang Zhang、Wengang Mao、Jonas W. Ringsberg和Nikolaos Tsoulakos在《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》期刊上发表论文,提出了一种创新的物理引导增量机器学习框架,旨在基于两艘化学品油轮的全尺度测量数据,量化生物污损对船舶性能的影响。
为开展此项研究,作者综合运用了几项关键技术:首先,利用物理信息神经网络(PINNs)对船舶模型试验数据进行训练,构建了在平静水、无污损理想状态下的船舶推进功率-航速-吃水关系三维基准面,用于估算实际航行中的“非自愿航速损失”。其次,通过蒙特卡洛方法基于PINNs生成“热身”数据集,以此建立表征船舶理想性能的基线机器学习模型。再次,核心在于采用增量学习策略,将全尺度运营数据按航次划分为滑动时间窗口,在固定基线模型底层网络参数的同时,用新窗口数据更新上层网络,生成一系列增量模型,以动态捕捉由生物污损引起的概念漂移。最后,通过人为设置参考海况(将有效波高设为零),应用增量模型估算仅由生物污损导致的航速损失,并将其量化为关键性能指标(KPIs),用于评估性能退化。
研究结果
方法论与基准建立:研究首先详细阐述了所提出的四步框架流程,并展示了如何使用PINNs从二维的模型试验数据构建三维的功率-速度-吃水关系曲面,为后续计算理想航速和航速损失提供了高精度、物理一致的基准。
物理引导增量模型的有效性:通过对两艘案例研究船舶的长周期全尺度数据进行验证,结果表明,所提出的增量学习方法能够有效区分波浪影响和生物污损影响。与传统的全模型再训练方法相比,增量学习在计算效率和新知识整合方面表现更优,同时避免了灾难性遗忘。
生物污损影响的量化与评估:研究将提出的方法与行业标准ISO 19030进行了对比。结果显示,新方法不仅能更准确地捕捉由生物污损累积导致的渐进性概念漂移(表现为航速损失逐步增加),还能清晰地识别出在船体/螺旋桨清洗或进坞维修后发生的突发性概念漂移(表现为航速损失急剧下降,性能快速恢复)。
案例研究的深入分析:文章通过对具体船舶运营时间段的分析,展示了所提框架如何实际追踪性能变化,并识别出可能与清洗事件对应的性能恢复点,为维护决策提供了直观、量化的依据。
研究结论与重要意义
本研究成功开发并验证了一个新颖的物理引导增量机器学习框架,用于评估生物污损对船舶性能的影响。该框架的创新性在于:
  1. 1.
    物理与数据的融合:利用PINNs建立高保真的理想性能物理基准,确保了评估的起点准确性。
  2. 2.
    动态适应能力:通过增量学习策略,使模型能够持续适应运营数据流,有效检测并量化因生物污损引起的概念漂移,克服了传统静态机器学习模型的局限。
  3. 3.
    环境干扰剥离:在模型输入中明确考虑波浪条件(有效波高Hs、相对波向角β),使得评估能够专注于生物污损本身的影响,避免了将波浪导致的航速损失误归于污损。
该研究的意义重大且实用:
  • •
    支持智能维护决策:通过提供可靠、及时的污损影响评估和关键性能指标,该框架能帮助船东和运营商科学制定船体和螺旋桨的清洗与维护计划,避免“过度维护”带来的不必要成本,或“维护不足”导致的燃油浪费和排放增加。
  • •
    提升航运能效与减排:优化维护直接关联到降低燃料消耗和温室气体排放,有助于航运公司满足IMO日益严格的能效和环保法规(如EEXI,CII),积极应对海事脱碳的全球挑战。
  • •
    方法论贡献:为解决类似具有概念漂移特性的工业系统性能监控与预测问题,提供了一个可借鉴的“物理引导+增量学习”融合范式。
总之,这项工作为海事领域的性能监测和维护优化提供了先进的数据驱动工具,通过提升船舶能效,为全球航运业的绿色可持续发展做出了贡献。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号