Modelling a ship performance in dynamic ice. Part II, Transforming information into knowledge

• Autorzy: Montewka J. , Sinclair H.

Warianty tytułu

PL

Modelowanie osiągów statku nawigującego w dynamicznym polu lodowym. Część II, Przekształcenie informacji w wiedzę

• Języki publikacji: EN

Abstrakty

EN

Although ice navigation has received substantial attention over recent decades, there is still no known modelling technique to predict ship’s speed in a dynamic ice field. This paper introduces probabilistic, data-driven models that predict a ship’s speed and the situations where a ship is probable to get stuck in ice based on the joint effect of ice features, such as the thickness and concentration of level ice, ice ridges, rafted ice, and ice compression. To develop the models, the data from the Automatic Identification System about the performance of a selected ship was used, an ice forecast model was utilized to deliver information about the ice field and the links between the ice conditions and ship movements were established using Bayesian learning algorithms. The case study presented in this paper considers a single and unassisted trip of an ice-strengthened bulk carrier between two Finnish ports in the presence of challenging ice conditions, which varied in time and space. The obtained results show good prediction power of the models, which is on average 80% for predicting the ship’s speed and above 90% for predicting cases where a ship may get stuck in ice. We expect this new approach to facilitate the safe and effective route selection problem for iceinfested waters where the ship performance is reflected in the objective function.

PL

Pomimo, iż żegluga w lodach pozostaje tematem wielu opracowań naukowych, tematyka modelowania zachowania statku w dynamicznym polu lodowym, zwłaszcza w obecności zjawiska kompresji pokrywy lodowej, pozostaje wciąż kwestią otwartą. W artykule przedstawiono dwa probabilistyczne modele, pierwszy szacujący prędkość statku w polu lodowym oraz drugi określający warunki lodowe w których statek może spodziewać się całkowitej utraty prędkości (może utknąć w lodzie). Modele stworzono w oparciu o informacje uzyskane z systemu AIS dostarczającego dane o pozycji oraz położeniu statku w odstępie kilkunastu sekund, wykorzystano także szczegółowe informacje o pokrywie lodowej (stopień koncentracji oraz grubość pokrywy lodowej, zwałów lodowych, nawarstwionego lodu oraz poziom kompresji pokrywy lodowej), pochodzące z numerycznego modelu pogody HELMI, opracowanego w Finskim Instytucie Meteorologicznym. W celu określenia zależności pomiędzy zachowaniem statku a warunkami lodowymi wykorzystano Sieci Bayesa oraz dwa typy algorytmów uczenia maszynowego z danych. Uzyskane modele charakteryzuja się wysokim poziomem prognozowania, 80% dla modelu prognozującego prędkość statku oraz 90% dla modelu prognozującego sytuacje utknięcia w lodzie. Przedstawiona analiza dotyczy pojedynczego przejścia statku masowego posiadającego wysoką klasę lodową, pomiędzy dwoma portami w Finlandii. Przedstawione podejście może być wykorzystane przy rozwiązywaniu problemu wyboru trasy optymalnej w dynamicznym polu lodowym.

Słowa kluczowe

EN

winter navigation; ship performance in ice; Bayesian networks

PL

nawigacja; nawigacja w lodach; prędkość statku w lodzie; sieci Bayesa

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Transport
• Rocznik: 2013
• Tom: z. 95
• Strony: 369--382
• Opis fizyczny: Bibliogr. 25 poz., rys., tab., wykr.

Twórcy

autor

Montewka J.

• Aalto University, Dept. of Applied Mechanics, Research Group on Maritime Risk and Safety, Espoo, FINLAND

autor

Sinclair H.

• Memorial University, Newfoundland, CANADA

Bibliografia

• 1. Acid S., Campos L., Fernández-Luna J., Rodríguez S., Rodríguez J.M., Salcedo J.L., 2004. A comparison of learning algorithms for Bayesian networks: a case study based on data from an emergency medical service. Artificial intelligence in medicine, 30(3), pp. 215–32.
• 2. Aven T., 2013. A conceptual framework for linking risk and the elements of the data–information–knowledge–wisdom (DIKW) hierarchy. Reliability Engineering & System Safety, 111(0), pp. 30–36.
• 3. Cheng J. & Greiner R., 1999. Comparing Bayesian Network Classifiers. In Laskey Kathryn & Prade Henri, eds. Proceedings of the Fifteenth Conference on Uncertainty in Artificial Intelligence. San Francisco, CA: Morgan Kaufmann, pp. 101–108.
• 4. Cooper G. & Herskovits E., 1992. A Bayesian Method for the Induction of Probabilistic Networks from Data. Machine learning, 9, pp. 309–347.
• 5. Darwiche A., 2009. Modeling and Reasoning with Bayesian Networks 1st ed., Cambridge University Press.
• 6. Druzdzel M.J., 1999. GeNIe: A Development Environment for Graphical Decision-analytic Models. In Proceedings of the 1999 Annual Symposium of the American Medical Informatics Association (AMIA - 1999). Annual Symposium of the American Medical Informatics Association. Washington D.C., p. 1206.
• 7. ENFOTEC Technical Services Inc., GeoInfo Solutions Ltd. & McCallum J., 1996. Safe speed in ice: an analysis of transit speeds and ice decision numerals., Ottawa: Ship Safety Northern (AMNS) Transport Canada. Available at: http://www.geoinfosolutions.com/projects/Safeice.pdf.
• 8. Friedman N., Geiger D. & Goldszmidt M., 1997. Bayesian Network Classifiers. Machine Learning, 29(2-3), pp. 131–163.
• 9. Haapala J., Lönnroth N. & Stössel A., 2005. A numerical study of open water formation in sea ice. Journal of Geophysical Research: Oceans, 110(C9), C09011, doi:10.1029/2003JC002200.
• 10. Haas C., Rupp K.-H. & Uuskallio A., 1999. Comparison of along track EM ice thickness profiles with ship performance data. In 15th International Conference on Port and Ocean Engineering Under Arctic Conditions. Espoo, Finland: Helsinki University of Technology, pp. 343–353. Available at: http://epic.awi.de/1143/1/Haa1999a.pdf.
• 11. Juva M. & Riska K., 2002. On the power requirement in the Finnish-Swedish ice class rules, Espoo, Finland: Helsinki University of Technology.
• 12. Kaups K., 2012. Modeling of Ship Resistance in Compressive Ice. Master thesis. Espoo, Finland: Aalto University.
• 13. Kotovirta V., Jalonen R., Axell L., Riska K., Berglund R. ,2009. A system for route optimization in icecovered waters. Cold Regions Science and Technology, 55(1), pp. 52–62.
• 14. Külaots R., Kujala P., von Bock und Polach R., Montewka J., 2013. Modelling of ship resistance in compressive ice channels. In Proceedings of the 22nd International Conference on Port and Ocean Engineering under Arctic Condition. POAC 2013. Espoo, Finland.
• 15. LaPrairie D., Wilhelmson M. & Riska K., 1995. Transit simulation model for ships in Baltic ice conditions. Documentation of the calculated routine.
• 16. Lehtiranta J., Lensu M. & Haapala J., 2012. Ice model validation on local scale., Helsinki: Finnish Meteorological Institute.
• 17. Lindqvist G., 1989. A straightforward method for calculation of ice resistance of ships. In The 10th conference on POAC. POAC. Luleå University of Technology, pp. 722–735.
• 18. Lubbad R. & Løset S., 2011. A numerical model for real-time simulation of ship–ice interaction. Cold Regions Science and Technology, 65(2), pp.111–127.
• 19. Mulherin N.D., Eppler D.T., Proshutinsky T.O., Proshutinsky A.Y., Farmer D., Smith O.P., 1996. Development and results of a Northern Sea Route transit model.
• 20. Naegle J.N., 1980. Ice-resistance prediction and motion simulation for ships operating in the continuous model of icebreaking. Doctoral thesis. Michigan, USA: The University of Michigan.
• 21. Riska K., Wilhelmson M., Englund K., Leiviskä T., 1997. Performance of merchant vessels in ice in the Baltic.
• 22. SMHI, 2011. Ice chart for the Baltic Sea for 6th of March 2011. Available at: http://www.smhi.se/oceanografi/iceservice/is_prod_en.php.
• 23. Spirtes P., Glymour C.N. & Scheines R., 2000. Causation, Prediction, and Search, MIT Press.
• 24. Su B., Riska K. & Moan T., 2010. A numerical method for the prediction of ship performance in level ice. Cold Regions Science and Technology, 60(3), pp. 177–188.
• 25. Transport Safety Agency, 2010. Maritime safety regulation. Ice class regulations and the application thereof.