본 연구는 컨테이너선의 연료 소비 패턴의 발견을 위해 운항데이터 분석의 통계적 절차를 제안한다. 우리는 현 시점의 연료 소비를 발견하기 위해 연료 소비에 영향을 미치는 변수들을 파악하는 동시에 예측 모델을 개발 및 적용하는 것을 목적으로 한다. 선박의 데이터는 크게 운항데이터와 기기데이터로 분류할 수 있으며, 운항데이터는 항로, 항해 정보, 대수속도, 대지속도, 바람과 같은 외력에 대한 정보 등이 있고, 기기데이터는 엔진출력, RPM, 연료 소모량, 기기들의 온도 및 압력 등이 있다. 본 연구에서, 우리는 선박에 미치는 외력의 영향을 Beaufort Scale (BFS)을 기준으로 구분한 후에 PLS 회귀분석을 통한 예측 모델을 개발하였다.
본 연구는 컨테이너선의 연료 소비 패턴의 발견을 위해 운항데이터 분석의 통계적 절차를 제안한다. 우리는 현 시점의 연료 소비를 발견하기 위해 연료 소비에 영향을 미치는 변수들을 파악하는 동시에 예측 모델을 개발 및 적용하는 것을 목적으로 한다. 선박의 데이터는 크게 운항데이터와 기기데이터로 분류할 수 있으며, 운항데이터는 항로, 항해 정보, 대수속도, 대지속도, 바람과 같은 외력에 대한 정보 등이 있고, 기기데이터는 엔진출력, RPM, 연료 소모량, 기기들의 온도 및 압력 등이 있다. 본 연구에서, 우리는 선박에 미치는 외력의 영향을 Beaufort Scale (BFS)을 기준으로 구분한 후에 PLS 회귀분석을 통한 예측 모델을 개발하였다.
This study proposes a statistical procedure for analyzing container ship operation data that can help determine fuel consumption patterns. We first investigate the features that affect fuel consumption and develop the prediction model to find current fuel consumption. The ship data can be divided in...
This study proposes a statistical procedure for analyzing container ship operation data that can help determine fuel consumption patterns. We first investigate the features that affect fuel consumption and develop the prediction model to find current fuel consumption. The ship data can be divided into two-type data. One set of operation data includes sea route, voyage information, longitudinal water speed, longitudinal ground speed, and wind, the other includes machinery data such as engine power, rpm, fuel consumption, temperature, and pressure. In this study, we separate the effects of external force on ships according to Beaufort Scale and apply a partial least squares regression to develop a prediction model.
This study proposes a statistical procedure for analyzing container ship operation data that can help determine fuel consumption patterns. We first investigate the features that affect fuel consumption and develop the prediction model to find current fuel consumption. The ship data can be divided into two-type data. One set of operation data includes sea route, voyage information, longitudinal water speed, longitudinal ground speed, and wind, the other includes machinery data such as engine power, rpm, fuel consumption, temperature, and pressure. In this study, we separate the effects of external force on ships according to Beaufort Scale and apply a partial least squares regression to develop a prediction model.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
향후에는 정성적인 독립변수 선택뿐만이 아니라 변수선택법을 활용한 정량적인 독립변수 선택을 적용하고자 한다. 또한 예측모델의 경우, PLS 회귀분석 외에 더 고도화 된 다양한 예측모델들을 적용 및 비교하고자 한다.
최근에 빅데이터의 수집, 저장 및 처리기술의 발달로 선박의 실시간 운항정보 및 기기상태 모니터링 데이터 활용을 위한 시스템이 주요 선진국의 해운업계를 시작으로 보급 및 확산되는 추세이다. 본 연구에서는 특정 선박에서 수집된 운항데이터에 partial least squares (PLS) 회귀분석 (Geladi와 Kowalski, 1986; Jun, 2012)을 적용하여 선박의 연료효율과 관련하여 현재 운항 상태의 적정여부를 판단하고, 환경요인에 대한 선박의 운항을 탐색하고자 한다.
제안 방법
2개의 종속변수는 각각 specific fuel oil consumption (SFOC)와 fuel oil consumption (FOC)로 서로 독립적이지 않으며, SFOC의 단위는 g/(kW×hour)로 단위일당 연료소모량을, FOC의 단위는 liter/hour로 연료소모량을 나타낸다.
4와 같다. VIP를 통해 얻은 주요변수로 선택된 독립변수들을 이용해 BFS 별로 종속변수 SFOC, FOC와의 관계가 구분되어 나타나는지를 파악하게 위해 그 관계를 추정하였고, 주요독립변수는 Table 3.4와 같이 선박의 속도를 나타내는 변수들인 LWS, LGS, RPM가 전반적으로 종속변수에 가장 많은 영향을 미치는 변수들로 선택되었다. 추가적으로 배의 속도인 SHIPSPEED를 사용하였고, 이에 대해 추정된 결과는 Figure 3.
본 연구에서는 BFS 별로 선박의 운항데이터를 구분 지어 분석하였으며, 독립변수와 종속변수 간의 상관관계를 파악 및 반영한 예측모델을 수립하였다. 기존의 연구에서는 종속변수 SFOC, FOC와 독립변수 LWS, LGS, SHIPSPEED, RPM과의 관계에 대해, RPM의 변화량과 SFOC, FOC의 관계는 공장에서 엔진을 만들 때 나오는 ship test 결과만이 있을 뿐이고 실해역에서 수집된 데이터를 통해 분석된 상관 관계는 없었다.
본 연구에서는 변수선택법(feature selection)을 적용하지 않고, Table 3.1과 같이 전문가들의 의견을 반영한 10개의 독립변수와 2개의 종속변수를 활용해 분석을 진행한다. 2개의 종속변수는 각각 specific fuel oil consumption (SFOC)와 fuel oil consumption (FOC)로 서로 독립적이지 않으며, SFOC의 단위는 g/(kW×hour)로 단위일당 연료소모량을, FOC의 단위는 liter/hour로 연료소모량을 나타낸다.
선택된 10개의 독립변수와 종속변수 간의 일대일 함수 관계를 확인하며, 변수 간 관계함수로는 아래와 같이 linear, exponential, 그리고 power 함수를 사용한다.
본 연구에서 사용된 운항데이터는 2014년 2월부터 2016년 7월까지 약 2년 6개월 동안 6,800TEU 컨테이너선에서 얻어진 것으로, 독립변수의 총 개수는 917개이며 관측치는 10분마다 측정되는 시계열 데이터이다. 이 중에서 Sea-Going 항해 구간에 대한 데이터를 이용하였으며, 선박은 항해할 때 환경조건에 따라 성능이 다르게 나타나며, 동쪽으로 갈 때의 조류, 기상조건이 서쪽으로 갈 때와는 사뭇 다르기 때문에 항해 방향에 따라 동쪽으로 항해하는 East-Bound와 서쪽으로 항해하는 West-Bound로 구분하였다. 이론적 이상치를 제거한 운항데이터의 관측치 수는 East-Bound에서는 42,521개, West-Bound에서는 42,497개로 이루어져 있다.
지금까지의 분석을 이용하여 선박의 운항을 탐색 하기 위해, BFS 별로 PLS 회귀분석의 VIP를 통해 얻어진 중요독립변수들에 대해 외력의 차이를 데이터 상에서 확인할 수 있는 지에 대한 분석을 시각화를 통해 진행한다.
대상 데이터
본 연구에서 사용된 운항데이터는 2014년 2월부터 2016년 7월까지 약 2년 6개월 동안 6,800TEU 컨테이너선에서 얻어진 것으로, 독립변수의 총 개수는 917개이며 관측치는 10분마다 측정되는 시계열 데이터이다. 이 중에서 Sea-Going 항해 구간에 대한 데이터를 이용하였으며, 선박은 항해할 때 환경조건에 따라 성능이 다르게 나타나며, 동쪽으로 갈 때의 조류, 기상조건이 서쪽으로 갈 때와는 사뭇 다르기 때문에 항해 방향에 따라 동쪽으로 항해하는 East-Bound와 서쪽으로 항해하는 West-Bound로 구분하였다.
데이터처리
운항데이터의 회귀분석 또한 BFS 4–8 구간을 분석하였고, 외력을 나타내는 BFS가 비슷한 구간은 그룹을 지어 결과를 나타내었다.
성능/효과
외력을 나타내는 변수인 Wind Resistance의 경우, 종속변수에 크게 영향을 주는 변수로 보이지는 않지만, 바람의 속도로 BFS를 구분해 나타내었기 때문에 외력을 운항데이터에 반영해주었다고 볼 수 있다. 결과적으로, 종속변수가 FOC인 경우에 R-squared와 RSME 측면에서 가장 좋은 결과를 보이는 것을 알 수 있었고, 종속변수가 SFOC인 경우는 산식에 역의 곱으로 POWER가 이용이 되는 동시에 운항데이터의 특성상 데이터의 관측 범위의 변동이 심하여 SFOC의 변동 역시 심화되어, 정확한 예측모델을 수립하지 못 한 것으로 보인다.
이를 통해, 선박이 BFS 별로 어느 정도의 에너지를 소모하여야 정상적인 운항을 하고 있는지를 제시해 줄 수 있다. 또한, BFS에 따른 그룹 별 데이터에서 항해 방향에 따른 East-Bound, West- bound와 데이터 평활화를 위한 SMA의 적용에 따른 데이터의 구분도 PLS 회귀분석의 결과를 통해 서로 다른 성능을 나타내는 것으로 나타나, 상황에 따른 데이터 구분이 분석에서 중요한 요소인 것으로 보인다.
6과 같다. 운항데이터의 회귀분석 결과, 종속변수에 대한 그룹들인 G1, G2, T 간에는 EastBound와 West-Bound 별로도 서로 다른 성능을 보여주었으며, 운항데이터에 SMA를 적용하는 경우, 회귀분석의 성능이 눈에 띄게 향상하는 것을 확인할 수 있었다.
주요독립변수와 종속변수와의 관계를 추정한 결과, 연료소모량을 나타내는 FOC의 경우에는 주요독립변수들이 증가할수록 증가하는 방향으로 움직이는 것을 알 수 있고, 환경요인인 BFS 별로 운항의 반응들이 확연히 구분되어 나타나는 것을 확인할 수 있었다. 이에 반해, 단위일당 연료소모량을 나타내는 SFOC의 경우에는 주요독립변수가 증가할수록 감소하는 관계를 갖고 있지만, 일부 결과에서 BFS 별로 운항의 반응들이 겹치거나 구분이 어려운 구간이 존재하는 것을 확인할 수 있었다.
주요독립변수와 종속변수와의 관계를 추정한 결과, 연료소모량을 나타내는 FOC의 경우에는 주요독립변수들이 증가할수록 증가하는 방향으로 움직이는 것을 알 수 있고, 환경요인인 BFS 별로 운항의 반응들이 확연히 구분되어 나타나는 것을 확인할 수 있었다. 이에 반해, 단위일당 연료소모량을 나타내는 SFOC의 경우에는 주요독립변수가 증가할수록 감소하는 관계를 갖고 있지만, 일부 결과에서 BFS 별로 운항의 반응들이 겹치거나 구분이 어려운 구간이 존재하는 것을 확인할 수 있었다.
총 10개의 독립변수들 중에서, 종속변수인 SFOC와 FOC에 실질적으로 유의한 영향을 미치는 독립변수는 LWS, LGS, RPM, POWER와 같이 선박의 속도와 직접적으로 관련이 있는 변수들이었다. 외력을 나타내는 변수인 Wind Resistance의 경우, 종속변수에 크게 영향을 주는 변수로 보이지는 않지만, 바람의 속도로 BFS를 구분해 나타내었기 때문에 외력을 운항데이터에 반영해주었다고 볼 수 있다.
후속연구
향후에는 정성적인 독립변수 선택뿐만이 아니라 변수선택법을 활용한 정량적인 독립변수 선택을 적용하고자 한다. 또한 예측모델의 경우, PLS 회귀분석 외에 더 고도화 된 다양한 예측모델들을 적용 및 비교하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
항해성능관리란 무엇인가?
선박 운항 에너지효율 관리 방법으로 여러 방법이 존재하며, 항해성능관리(voyage performance management), 선체 및 프로펠러 조건관리(hull and propeller condition management), 그리고 선박시스템관리(ship system management) 측면으로 분류할 수 있다 (American Bureau of Shipping, 2013). 본 연구에서는 항해성능관리를 집중적으로 다루며, 이는 선박 운항 관련 변수(운행 및 환경 변수 등)를 관리함으로써 에너지효율을 최대화하는 것을 말하며, 항해속도최적화, 최적항로, 트림(trim)/드래프
트(draft) 최적화 등을 포함한다.
선박 운항 에너지효율 관리 방법에는 어떤 측면으로 분류할 수 있는가?
선박 운항 에너지효율 관리 방법으로 여러 방법이 존재하며, 항해성능관리(voyage performance management), 선체 및 프로펠러 조건관리(hull and propeller condition management), 그리고 선박시스템관리(ship system management) 측면으로 분류할 수 있다 (American Bureau of Shipping, 2013). 본 연구에서는 항해성능관리를 집중적으로 다루며, 이는 선박 운항 관련 변수(운행 및 환경 변수 등)를 관리함으로써 에너지효율을 최대화하는 것을 말하며, 항해속도최적화, 최적항로, 트림(trim)/드래프
선박 운항의 에너지효율 제고의 필요성이 대두되는 상황에서 어떤 대응 방안이 있는가?
선박의 배기가스 관련 국제환경규제의 강화로 인해, 선박 운항의 에너지효율 제고의 필요성이 대두되고 있는 상황이다. 실제로, 국제해사기구(International Maritime Organization; IMO)는 2016년 이후 선박 배출 통제지역(emission control area; ECA)에서 기존배출 규제의 80%의 질소산화물 감축을 목표로 하는 규제를 채택하였고, EU는 대규모 산·학·연 공동프로젝트 등을 통해 친환경 선박 기술 개발 및 환경규제에 범국가적으로 공동대응 중이다. 또한, 일본 조선 업계의 경우 2014년 4월 공동 연구 플랫폼으로서 기술 연구개발을 전문으로 하는 Maritime Innovation Japan Corporation (MIJAC)를 설립하고, 이를 통해 조선업계 기업, 선박 기자재 기업, 일본해사협회, 일본정책 투자은행 등이 참여하여 조선, 해운, 해양 등과 관련하여 에너지 효율 제고, 친환경 조선, 해양 기술 개발 등의 연구를 수행하고 있다.
참고문헌 (9)
American Bureau of Shipping (2013). Ship Energy Efficiency Measures: Status and Guidance, ABS, Houston.
Ando, H. (2015). How We Tackle IoT of Ship: Data Utilization and Standardization, International Seminar on Practical Use of Maritime Big Data, MTI, Tokyo.
Armstrong, V. N. (2013). Vessel optimisation for low carbon shipping, Ocean Engineering, 73, 195-207.
Jun, C. H. (2012). Data Mining Techniques and Applications, Hannarae, Seoul.
Kwon Y.-J. and Kim D. Y. (2005). A research on the approximate formulae for the speed loss at sea, Journal of Ocean Engineering and Technology, 19, 90-93.
Moon, D. S. H. and Woo, J. K. (2014). The impact of port operations on efficient ship operation from both economic and environmental perspectives, Maritime Policy & Management, 41, 444-461.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.