總部位於(yu) 丹麥哥本哈根的GreenSteam公司首席運營官西蒙·惠特福德(Simon Whitford)稱，得益於(yu) GreenSteam開發的新的機器學習(xi) 平台，可以降低排放量，使其符合硫含量上限規定。以下問答形式將為(wei) 我們(men) 了解到該技術是如何幫助減少船舶燃油浪費和排放的更多信息。

　　航運業(ye) 充滿挑戰。由於(yu) 國際海事組織(IMO)的2020年硫上限即將實施，船東(dong) 承受著確保遵守新規定的壓力。

　　盡管許多公司正在推出一係列解決(jue) 方案，例如轉向使用可持續燃料、低速航行和安裝洗滌塔，但船舶性能優(you) 化公司GreenSteam希望通過其機器學習(xi) 平台來幫助該行業(ye) 。

　　該平台使用技術來收集和分析數據，這些數據可用於(yu) 在氣候變化的情況下預測船舶的油耗。通過收集的數據，它可以估算出可減少燃油浪費的適宜航速。

　　GreenSteam的首席運營官西蒙·惠特福德(SimonWhitford)聲稱，這項技術對於(yu) 幫助船舶運營商以更高效、更具成本效益且對供應鏈和航程的影響較小的方式減少排放至關(guan) 重要。

　　正如他所說的那樣，雖然使用低硫燃料是目標之一，但“以數據為(wei) 導向的方法來保持航程的最佳化”至關(guan) 重要。

　　VarshaSaraogi(VS)：在提高可持續性方麵，行業(ye) 麵臨(lin) 的主要挑戰是什麽(me) ?

　　西蒙·惠特福德 ：世界海運船隊仍在2008年後的危機市場中掙紮，而運力過剩仍然使收益趨於(yu) 平緩。這使航運公司不得不將稀有資金集中用於(yu) 強製性合規項目，例如BWT [Ballast Water Management]，廢氣洗滌器等，盡管通常可以獲得豐(feng) 厚的回報，但為(wei) 其他可持續性改善項目提供資金的機會(hui) 卻很少。這為(wei) 航運公司與(yu) GreenSteam的零資本支出機器學習(xi) 平台進行互動打開了大門。

　　VS：IMO可以提供哪些支持來使運輸更具可持續性?

　　西蒙·惠特福德：盡可能多的幫助來幫助開拓溫室氣體(ti) 減排技術。其他提高效率的方法是讚助試驗、審核和認可結果-所有這些都將幫助並鼓勵船東(dong) 在其可持續發展議程上進行更多投資。

　　VS：降低船速是減少排放的好方法嗎?

　　SW：優(you) 化速度比簡單的減速提供了更好的脫碳策略。如果世界上所有的貨船突然減速，隻是花更長的時間到達，我們(men) 將需要更多的船，並且我們(men) 將不得不要求世界各地的工廠增加產(chan) 量以填補新的緩慢的供應鏈。這可能隻會(hui) 導致整體(ti) 排放量的增加。

　　GreenSteam的速度優(you) 化算法采用機器學習(xi) 平台，並在特定航線上運行成千上萬(wan) 次模擬，該模擬考慮了船舶如何響應天氣和海況的最新預測，因此能夠建議整個(ge) 航程中的速度曲線，從(cong) 而實現了最低的油耗且能保障船舶原先的預計到達時間(ETA)。因此，優(you) 化速度以仍然滿足要求的交貨日期，而不是簡單地降低速度，將大大減少溫室氣體(ti) 的排放。

　　VS：機器學習(xi) 和數據分析如何幫助提高可持續性?

　　SW：燃料消耗是輸入，排放是輸出。機器學習(xi) 是目前可用的唯一方法，可以精確地捕獲影響船舶燃油消耗的眾(zhong) 多因素中的每個(ge) 因素如何以非常複雜的方式隨時間相互作用。

　　通過學習(xi) 每艘船的知識，機器學習(xi) 可以量化燃料浪費的驅動因素。將船舶的燃油浪費準確地劃分到每個(ge) 優(you) 化區域(例如船體(ti) 結垢，縱傾(qing) ，速度和天氣)，可以采取適當的措施，從(cong) 而可以節省燃油。

　　如今，每個(ge) 船東(dong) 都可以使用高杠杆率、無資本支出的機器學習(xi) 技術來顯著減少燃料浪費和排放。

　　VS：GreenSteam如何幫助航運公司減少排放?

　　SW：GreenSteam的機器學習(xi) 平台可以學習(xi) 船舶的燃油消耗是如何受到各種運行模式和環境影響的。這些因素大多是相互關(guan) 聯的，並且不斷變化。這是一個(ge) 高度複雜的係統，專(zhuan) 門針對每艘船——隻有機器學習(xi) 有能力和準確性來測量和預測燃料浪費的每個(ge) 領域。一旦確定了燃料損耗的各個(ge) 組成部分，就可以采取有針對性的行動來減少燃料損耗和減少溫室氣體(ti) 排放。GreenSteam的團隊由海洋學家、造船師、數據科學家和程序員組成，花了十多年的時間才建立起我們(men) 的機器學習(xi) 平台。

　　[例如，]丹麥物流公司DFDS在其RoRo船上部署了GreenSteam。

　　在技術方麵– GreenSteam的服務已原型化並進一步發展，以使該船在我們(men) 的機器算法中自給自足。該平台實時收集船舶和環境數據，其中包括吃水，功率和速度，而不是來自收費的海洋氣象服務。這對於(yu) 使船舶動態優(you) 化縱傾(qing) 至關(guan) 重要。

　　最初，我們(men) 在駕駛台上建立了一個(ge) 屏幕界麵，但是對於(yu) 一些船隻來說，它已經演變成平板電腦，現在可以遠程操作。

　　在船上的物聯網設備方麵，GreenSteam在船上安裝了用於(yu) 吃水和海況的駕駛台翼側(ce) 雷達，用於(yu) 傾(qing) 角的傾(qing) 角儀(yi) 和用於(yu) 波浪狀態的加速度計。結合我們(men) 的機器學習(xi) 算法，這可以節省燃油並減少排放。

　　VS：隨著越來越多的公司使用機器學習(xi) ，減少排放的過程將來會(hui) 如何變化?

　　西蒙·惠特福德：挑戰在於(yu) –航運市場擁有大量的傳(chuan) 統技術。改裝安裝在約4,000艘船上的廢氣洗滌塔將大大減少硫的排放。

　　對於(yu) 新建船舶，我確信創新的設計將大大減少其碳足跡。對於(yu) 所有船舶，無論是新的還是現有的創新硬件技術以及GreenSteam機器學習(xi) 平台等無資本支出解決(jue) 方案都將繼續為(wei) 航運業(ye) 提供溫室氣體(ti) 排放選項。