利用机器学习方法预测码头作业中的生物燃料消耗量和废气排放量

《Sustainable Energy Technologies and Assessments》：Biofuel consumption and exhaust emission prediction for terminal yard operation with the machine learning approach

港口侧装载机B20生物燃料与柴油性能对比研究，采用支持向量机与人工神经网络模型及自助法分析，显示B20使CO?和CO排放降低2%，但NOx增加4%，燃料消耗微增0.6%，验证机器学习在港口环保监测中的有效性。

　　

李青瑶|Jasmine Siu Lee Lam|严然

南洋理工大学土木与环境工程学院，新加坡639798

摘要

可持续燃料对于实现港口运营的脱碳至关重要，但关于生物燃料在货物处理设备上的实际应用证据仍然有限。本研究评估了UCOME B20（20%的废弃食用油甲酯与80%柴油的混合物）与传统柴油在码头堆场侧装机中的实际性能，侧装机是干散货码头陆侧作业中的关键货物处理设备。通过收集设备运行的现场数据，并结合自助法（bootstrapping）的机器学习（ML）方法，本研究预测了这种移动设备的燃油消耗量和主要排放物（CO₂、CO、NOx）。在测试的模型中，支持向量机（SVM）在燃油消耗量预测方面表现最佳，而人工神经网络（ANN）在排放物预测方面表现突出。将这些模型应用于模拟的一个月运营数据后发现，与柴油相比，B20可使CO₂和CO排放量减少2%，但燃油消耗量增加0.6%，NOx排放量增加4%。这些结果突显了在堆场设备中采用生物燃料的权衡因素，并展示了机器学习在港口数据驱动环境监测中的价值。研究结果为基于数据的货物处理设备燃料转换评估和排放报告提供了实际参考，对希望将生物燃料纳入可持续发展策略的码头运营商和政策制定者具有指导意义。未来的工作可以扩展到其他类型的设备和燃料，以及NOx减排的选项和策略。

引言

在海上运输中，港口码头作为关键节点，促进了日常货物作业，同时面临着在保持运营效率的同时减轻环境影响的压力[1]。研究表明，港口成为减少温室气体（GHG）排放的潜在领域[2]。根据洛杉矶港（POLA）的排放清单，虽然船舶约占港口区域CO₂当量的27.85%、CO的21.67%和NOx的58.43%，但货物处理设备也贡献了不可忽视的17.52%的CO₂当量、40.43%的CO和7.37%的NOx排放[3]。尽管货物处理设备的排放量低于船舶，但它们仍然对当地空气污染构成重要影响，特别是对工人和周边社区。因此，为了减少港口区域的排放，采用可持续燃料是能源转型的重要途径，例如使用可再生生物燃料。

与化石燃料不同，生物燃料通常来源于可再生生物资源，相比传统化石燃料具有固有的优势，如可重复使用性和减少碳足迹的潜力，从而减轻港口行业对气候变化的贡献[4]。在各种生物燃料混合物中，B20（20%生物柴油与80%传统柴油的混合物）是一种能够在不进行额外修改的情况下平衡实现可持续性和基础设施兼容性的选择[5]，同时相比B100更具成本效益[6]。

为了达到最佳的技术经济和可持续性平衡，监测可再生能源在码头作业中的性能对码头运营商至关重要。研究人员开发了数学和模拟模型来反映不同类型设备的码头堆场作业配置和排放清单[[7]]、[8]]、[9]]。随着码头运营系统的改进和信息技术的发展，机器学习（ML）技术作为更数据驱动的工具，可以提供更稳健的方法框架，以优化生物燃料在港口码头作业中的集成[10]。最近的ML进展表明，其在优化生物燃料生产过程及其在发动机中的实际应用方面具有潜力，将实验室发现与运营性能联系起来。例如，Ramalingam使用人工神经网络（ANN）对压缩点火发动机的性能和排放进行了建模和优化，从而证明了其作为柴油燃料的更清洁、更高效的替代方案[11]、[12]、[13]。

Filom等人在关于港口领域ML的综述论文[14]中指出，专注于港口运营可持续性的ML研究仍是尚未充分探索的领域之一。与传统基于活动的方法相比，ML模型通过捕捉数据中的复杂模式，能够基于实际运营条件进行更准确和适应性更强的预测。在最近的可持续能源系统建模中，有一种趋势是使用先进的数据驱动架构，如神经网络、集成方法和基于核的机器，来捕捉替代燃料运营行为的高度非线性动态[[15]]、[16]]、[17]]、[18]]。然而，利用ML分析替代燃料（如生物燃料）在港口作业中的应用在学术领域尚未得到充分研究。

因此，本研究旨在使用比较ML技术和自助法（bootstrapping）来评估生物燃料使用对货物处理设备（特别是码头堆场中的移动设备侧装机）的燃油消耗量和排放量的影响。构建并比较了不同的ML模型，并使用表现最佳的ML技术来预测带有自助法的运营场景下的燃油消耗量和排放量。讨论了柴油和B20生物燃料在可持续性方面的差异。研究结果提供了具体的运营证据和现场燃油消耗量及尾气排放性能数据，这些数据可以为港口运营商和当局在评估生物燃料作为可持续性替代燃料时提供参考。

本文的其余部分安排如下：第2节回顾了与港口背景下的生物燃料和基于ML的建模相关的文献，然后阐述了研究空白和新颖性。第3节描述了方法论，包括ML模型描述、评估指标和自助法场景分析。第4节展示了案例研究，包括实证结果和政策意义。第5节总结了研究内容并提出了贡献和结论。

部分摘录

生物燃料在港口码头作业中的应用

生物柴油作为一种替代燃料，在减少运输和工业应用中的碳排放方面受到了越来越多的关注。与化石柴油相比，生物柴油是可再生的、可生物降解的，并且能够减少空气排放[19]。然而，生物柴油的性能、可用性和经济可行性取决于多种因素，包括生产方法、燃烧特性和监管激励措施[20]。

生物柴油的生产来源包括多种原料，

机器学习模型

本研究应用并比较了几种机器学习技术，包括岭回归（RR）、随机森林（RF）、支持向量机（SVM）、人工神经网络（ANN）和长短期记忆（LSTM），这些技术在以往的研究中被证明是预测运输和海运领域燃油消耗量和排放量的有效工具[83]。

案例研究

本节介绍了使用从实际码头堆场作业中收集的现场数据实现的ML流程和自助法模拟的案例研究。详细介绍了实验设置和数据来源，展示了模型性能结果，并量化了传统柴油与UCOME B20生物燃料在较长时间内的运营权衡。讨论了政策和监管影响，并提供了能源和环境管理的实际建议。

结论与贡献

本研究使用带有自助法的机器学习，比较和评估了生物燃料B20与传统柴油在港口码头堆场作业设备（特别是侧装机）中的能源和环境性能。最佳性能的SVM和ANN模型预测结果显示，CO₂排放量减少了2%，燃油消耗量增加了0.6%，NOx排放量增加了4%。观察到的这些变化同时发生

CRediT作者贡献声明

李青瑶：撰写——初稿、可视化、方法论、调查、正式分析、数据整理。Jasmine Siu Lee Lam：撰写——审阅与编辑、验证、监督、项目管理、方法论、调查、概念化。严然：撰写——审阅与编辑、验证、监督。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

作者感谢新加坡海事研究所在新加坡南洋理工大学海事能源与可持续发展中心（MESD）第二阶段项目下的支持。作者衷心感谢项目团队成员在实地试验中的辛勤工作。