Ett fartygs bränsleförbrukning kan ökas avsevärt när man seglar i tuffa sjöförhållanden. Alla åtgärder för att öka fartygets energieffektivitet måste förlita sig på korrekt beskrivning av fartygets prestanda. Aktuella teoretiska fysiska modeller innehåller alltid stora osäkerheter för att beskriva ett fartygs energiprestanda, särskilt i de mekaniska systemmodellerna. Vissa black-box-prestandamodeller har konstruerats med maskininlärningsmetoder baserade på fartygsprestandadata. Men black box-modellerna kan bara vara användbara för ett specifikt fartyg med data inmatad för modellkonstruktionen.

Detta projekt undersöker först förbättringen av fartygsmanövreringsmodeller genom integrering av förkunskaper inbäddade i parametriska modellstrukturer och semiempiriska formler. Studien inleds med en förstudie med fokus på en frihetsgrad i fartygets rullningsrörelse, med syfte att utveckla parameteridentifieringstekniker och föreslå en parametrisk modellstruktur med god generalisering. Denna kunskap utökas sedan till manövreringsproblemet, med mål som inkluderar utvecklingen av parameteridentifieringstekniker för fartygsmanövreringsmodeller, föreslå en generaliserbar parametrisk modellstruktur, mildra multikollinearitet och identifiera extra massor. Metodologiskt använder forskningen olika parametriska modellstrukturer för rullrörelse och manövrering, undersökta genom frilöpande modelltester och virtuella captive-tester (VCT). En ny metod för parameteridentifiering som kombinerar inversdynamik med ett utökat Kalmanfilter (EKF) föreslås. Dessutom introduceras en deterministisk semi-empirisk rodermodell för att ta itu med multikollinearitetsproblem. Implikationerna av denna forskning tyder på att integrering av semi-empiriska rodermodeller och användning av VCT avsevärt kan förbättra noggrannheten och generaliseringen av fartygsmanövreringsmodeller, vilket bidrar till mer tillförlitliga och fysiskt exakta simuleringar inom sjöfartsteknik. Baserat på erfarenheterna av att bygga olika grå-box-modeller för fartygsdynamik, används kunskapen för att studera fartygs energiprestandamodeller med tillämpningar av två fallstudiefartyg, ett på okonventionella dubbelsidiga fartyg och det andra på närsjöfart.

Baserat på deras dataanalys och grå-box-modeller beskriver dessa fartygs energiprestanda, utvecklades ett Bayesianskt baserat beslutsstödssystem för fartygsresaplanering under projektet. Det har visat sig att det förbättrade beslutsstödssystemet för dataanalys kan minska bränsleförbrukningen från 5-10% beroende på de resor som används för dessa två fallstudiefartyg.

Slutligen leder projektet till en doktorsavhandling och flera vetenskapliga publikationer relaterade till både modellering av fartygsdynamik och sjöfartens energieffektivitet. Numeriska simuleringsanalysdata, experimentella testdata och fullskaliga mätdata används i detta projekt för att studera olika val av modelleringstekniker.

A ship’s fuel consumption can be significantly increased when sailing in harsh sea conditions. Any measures to increase ship energy efficiency must rely on accurate description of the ship’s performance. Current theoretical physical models always contain large uncertainties to describe a ship’s energy performance especially in the mechanical system models. Some black-box performance models have been constructed by machine learning methods based on ship performance data. But the black box models can be only useful for a specific ship with data inputted for the model construction.

This project first investigates the enhancement of ship manoeuvring models through the integration of prior knowledge embedded in parametric model structures and semiempirical formulas. The study begins with a pre-study focusing on one degree of freedom in ship roll motion, aiming to develop parameter identification techniques and propose a parametric model structure with good generalization. This knowledge is then extended to the manoeuvring problem, with objectives including the development of parameter identification techniques for ship manoeuvring models, proposing a generalizable parametric model structure, mitigating multicollinearity, and identifying added masses. Methodologically, the research employs various parametric model structures for roll motion and manoeuvring, investigated through free running model tests and virtual captive tests (VCT). A novel parameter identification method combining inverse dynamics with an extended Kalman filter (EKF) is proposed. Additionally, a deterministic semi-empirical rudder model is introduced to address multicollinearity issues. The implications of this research suggest that integrating semi-empirical rudder models and utilizing VCT can significantly enhance the accuracy and generalization of ship manoeuvring models, contributing to more reliable and physically accurate simulations in maritime engineering.

Based on the experiences of building various gray-box models for ship dynamics, the knowledge is used to study ship energy performance models with the applications of two case study ships, one on unconventional doubled-ended vessel, and the other on short sea shipping. Based on their data analytics and gray-box models describe those ship’s energy performance, a Bayesian based ship voyage planning decision support system was developed during the project. It is demonstrated that the data analysis enhanced decision support system can reduce fuel consumption from 5-10% dependent on the voyages used for those two case study vessels.

Finally, the project leads to a PhD thesis and several scientific publications related to both modelling of ship dynamics and shipping energy efficiency. Numerical simulation analysis data, experimental test data and full-scale measurement data are used in this project to study different choice of modelling techniques.