GreenSteam谈论机器学习如何减少硫排放
来源：海事服务网
2019-12-03
总部位于丹麦哥本哈根的GreenSteam公司首席运营官西蒙·惠特福德（Simon Whitford）称，得益于GreenSteam开发的新的机器学习平台，可以降低排放量，使其符合硫含量上限规定。以下问答形式将为我们了解到该技术是如何帮助减少船舶燃油浪费和排放的更多信息。
航运业充满挑战。由于国际海事组织（IMO）的2020年硫上限即将实施，船东承受着确保遵守新规定的压力。
尽管许多公司正在推出一系列解决方案，例如转向使用可持续燃料、低速航行和安装洗涤塔，但船舶性能优化公司GreenSteam希望通过其机器学习平台来帮助该行业。
该平台使用技术来收集和分析数据，这些数据可用于在气候变化的情况下预测船舶的油耗。通过收集的数据，它可以估算出可减少燃油浪费的适宜航速。
GreenSteam的首席运营官西蒙·惠特福德（SimonWhitford）声称，这项技术对于帮助船舶运营商以更高效、更具成本效益且对供应链和航程的影响较小的方式减少排放至关重要。
正如他所说的那样，虽然使用低硫燃料是目标之一，但“以数据为导向的方法来保持航程的最佳化”至关重要。
VarshaSaraogi（VS）：在提高可持续性方面，行业面临的主要挑战是什么？
西蒙·惠特福德 ：世界海运船队仍在2008年后的危机市场中挣扎，而运力过剩仍然使收益趋于平缓。这使航运公司不得不将稀有资金集中用于强制性合规项目，例如BWT [Ballast Water Management]，废气洗涤器等，尽管通常可以获得丰厚的回报，但为其他可持续性改善项目提供资金的机会却很少。这为航运公司与GreenSteam的零资本支出机器学习平台进行互动打开了大门。
VS：IMO可以提供哪些支持来使运输更具可持续性？
西蒙·惠特福德：尽可能多的帮助来帮助开拓温室气体减排技术。其他提高效率的方法是赞助试验、审核和认可结果-所有这些都将帮助并鼓励船东在其可持续发展议程上进行更多投资。
VS：降低船速是减少排放的好方法吗？
SW：优化速度比简单的减速提供了更好的脱碳策略。如果世界上所有的货船突然减速，只是花更长的时间到达，我们将需要更多的船，并且我们将不得不要求世界各地的工厂增加产量以填补新的缓慢的供应链。这可能只会导致整体排放量的增加。
GreenSteam的速度优化算法采用机器学习平台，并在特定航线上运行成千上万次模拟，该模拟考虑了船舶如何响应天气和海况的最新预测，因此能够建议整个航程中的速度曲线，从而实现了最低的油耗且能保障船舶原先的预计到达时间（ETA）。因此，优化速度以仍然满足要求的交货日期，而不是简单地降低速度，将大大减少温室气体的排放。
VS：机器学习和数据分析如何帮助提高可持续性？
SW：燃料消耗是输入，排放是输出。机器学习是目前可用的唯一方法，可以精确地捕获影响船舶燃油消耗的众多因素中的每个因素如何以非常复杂的方式随时间相互作用。
通过学习每艘船的知识，机器学习可以量化燃料浪费的驱动因素。将船舶的燃油浪费准确地划分到每个优化区域（例如船体结垢，纵倾，速度和天气），可以采取适当的措施，从而可以节省燃油。
如今，每个船东都可以使用高杠杆率、无资本支出的机器学习技术来显着减少燃料浪费和排放。
VS：GreenSteam如何帮助航运公司减少排放？
SW：GreenSteam的机器学习平台可以学习船舶的燃油消耗是如何受到各种运行模式和环境影响的。这些因素大多是相互关联的，并且不断变化。这是一个高度复杂的系统，专门针对每艘船——只有机器学习有能力和准确性来测量和预测燃料浪费的每个领域。一旦确定了燃料损耗的各个组成部分，就可以采取有针对性的行动来减少燃料损耗和减少温室气体排放。GreenSteam的团队由海洋学家、造船师、数据科学家和程序员组成，花了十多年的时间才建立起我们的机器学习平台。
[例如，]丹麦物流公司DFDS在其RoRo船上部署了GreenSteam。
在技术方面– GreenSteam的服务已原型化并进一步发展，以使该船在我们的机器算法中自给自足。该平台实时收集船舶和环境数据，其中包括吃水，功率和速度，而不是来自收费的海洋气象服务。这对于使船舶动态优化纵倾至关重要。
最初，我们在驾驶台上建立了一个屏幕界面，但是对于一些船只来说，它已经演变成平板电脑，现在可以远程操作。
在船上的物联网设备方面，GreenSteam在船上安装了用于吃水和海况的驾驶台翼侧雷达，用于倾角的倾角仪和用于波浪状态的加速度计。结合我们的机器学习算法，这可以节省燃油并减少排放。
VS：随着越来越多的公司使用机器学习，减少排放的过程将来会如何变化？
西蒙·惠特福德：挑战在于–航运市场拥有大量的传统技术。改装安装在约4,000艘船上的废气洗涤塔将大大减少硫的排放。
对于新建船舶，我确信创新的设计将大大减少其碳足迹。对于所有船舶，无论是新的还是现有的创新硬件技术以及GreenSteam机器学习平台等无资本支出解决方案都将继续为航运业提供温室气体排放选项。
来源： 沃燊海事
航运业充满挑战。由于国际海事组织（IMO）的2020年硫上限即将实施，船东承受着确保遵守新规定的压力。
尽管许多公司正在推出一系列解决方案，例如转向使用可持续燃料、低速航行和安装洗涤塔，但船舶性能优化公司GreenSteam希望通过其机器学习平台来帮助该行业。
该平台使用技术来收集和分析数据，这些数据可用于在气候变化的情况下预测船舶的油耗。通过收集的数据，它可以估算出可减少燃油浪费的适宜航速。
GreenSteam的首席运营官西蒙·惠特福德（SimonWhitford）声称，这项技术对于帮助船舶运营商以更高效、更具成本效益且对供应链和航程的影响较小的方式减少排放至关重要。
正如他所说的那样，虽然使用低硫燃料是目标之一，但“以数据为导向的方法来保持航程的最佳化”至关重要。
VarshaSaraogi（VS）：在提高可持续性方面，行业面临的主要挑战是什么？
西蒙·惠特福德 ：世界海运船队仍在2008年后的危机市场中挣扎，而运力过剩仍然使收益趋于平缓。这使航运公司不得不将稀有资金集中用于强制性合规项目，例如BWT [Ballast Water Management]，废气洗涤器等，尽管通常可以获得丰厚的回报，但为其他可持续性改善项目提供资金的机会却很少。这为航运公司与GreenSteam的零资本支出机器学习平台进行互动打开了大门。
VS：IMO可以提供哪些支持来使运输更具可持续性？
西蒙·惠特福德：尽可能多的帮助来帮助开拓温室气体减排技术。其他提高效率的方法是赞助试验、审核和认可结果-所有这些都将帮助并鼓励船东在其可持续发展议程上进行更多投资。
VS：降低船速是减少排放的好方法吗？
SW：优化速度比简单的减速提供了更好的脱碳策略。如果世界上所有的货船突然减速，只是花更长的时间到达，我们将需要更多的船，并且我们将不得不要求世界各地的工厂增加产量以填补新的缓慢的供应链。这可能只会导致整体排放量的增加。
GreenSteam的速度优化算法采用机器学习平台，并在特定航线上运行成千上万次模拟，该模拟考虑了船舶如何响应天气和海况的最新预测，因此能够建议整个航程中的速度曲线，从而实现了最低的油耗且能保障船舶原先的预计到达时间（ETA）。因此，优化速度以仍然满足要求的交货日期，而不是简单地降低速度，将大大减少温室气体的排放。
VS：机器学习和数据分析如何帮助提高可持续性？
SW：燃料消耗是输入，排放是输出。机器学习是目前可用的唯一方法，可以精确地捕获影响船舶燃油消耗的众多因素中的每个因素如何以非常复杂的方式随时间相互作用。
通过学习每艘船的知识，机器学习可以量化燃料浪费的驱动因素。将船舶的燃油浪费准确地划分到每个优化区域（例如船体结垢，纵倾，速度和天气），可以采取适当的措施，从而可以节省燃油。
如今，每个船东都可以使用高杠杆率、无资本支出的机器学习技术来显着减少燃料浪费和排放。
VS：GreenSteam如何帮助航运公司减少排放？
SW：GreenSteam的机器学习平台可以学习船舶的燃油消耗是如何受到各种运行模式和环境影响的。这些因素大多是相互关联的，并且不断变化。这是一个高度复杂的系统，专门针对每艘船——只有机器学习有能力和准确性来测量和预测燃料浪费的每个领域。一旦确定了燃料损耗的各个组成部分，就可以采取有针对性的行动来减少燃料损耗和减少温室气体排放。GreenSteam的团队由海洋学家、造船师、数据科学家和程序员组成，花了十多年的时间才建立起我们的机器学习平台。
[例如，]丹麦物流公司DFDS在其RoRo船上部署了GreenSteam。
在技术方面– GreenSteam的服务已原型化并进一步发展，以使该船在我们的机器算法中自给自足。该平台实时收集船舶和环境数据，其中包括吃水，功率和速度，而不是来自收费的海洋气象服务。这对于使船舶动态优化纵倾至关重要。
最初，我们在驾驶台上建立了一个屏幕界面，但是对于一些船只来说，它已经演变成平板电脑，现在可以远程操作。
在船上的物联网设备方面，GreenSteam在船上安装了用于吃水和海况的驾驶台翼侧雷达，用于倾角的倾角仪和用于波浪状态的加速度计。结合我们的机器学习算法，这可以节省燃油并减少排放。
VS：随着越来越多的公司使用机器学习，减少排放的过程将来会如何变化？
西蒙·惠特福德：挑战在于–航运市场拥有大量的传统技术。改装安装在约4,000艘船上的废气洗涤塔将大大减少硫的排放。
对于新建船舶，我确信创新的设计将大大减少其碳足迹。对于所有船舶，无论是新的还是现有的创新硬件技术以及GreenSteam机器学习平台等无资本支出解决方案都将继续为航运业提供温室气体排放选项。
来源： 沃燊海事
