Amphi 1 - SESSION 1.1 - 07/02/2018 11:30 > 12:00
Machine Learning pour l'estimation de la consommation d'un navire
1. Introduction
Le transport maritime vise à réduire fortement ses émissions de polluants, oxydes de
soufre et d'azote et s'est engagé à une réduction de 50% des émissions de CO2
d'ici 2050. Pour atteindre ces objectifs, il est important d'obtenir de bons modèles de
consommation en carburant des navires, les émissions étant proportionnelles à la
consommation. Pour un système complexe tel un navire, les modèles numériques
fournissent des prévisions qu'il faut affiner par des observations. Par exemple
l'interaction des vagues à un angle quelconque reste difficile à modéliser. La
salissure de la carène comme l'influence de l'assiette sur la consommation sont
également peu prévisibles théoriquement.
2. Méthodologie
Nous avons étudié l'apport du machine learning, pour la prévision de la
consommation depuis des enregistrements de consommation journalière, en le
comparant à une approche de régression. Nous avons testé principalement 3 types
d'algorithmes de machine learning : réseau de neurone, Fast Tree et Random
Forest. L'algorithme Fast Tree est le meilleur pour nos données.
Essentiel pour les algorithmes d'optimisation, l'efficacité des implémentations de ces
algorithmes, en termes de temps CPU pour une prévision, a été évaluée.
Nous avons aussi abordé l'élimination des données incohérentes, améliorant un peu
les indicateurs de qualité de prédiction.
Nous avons essayé de remplacer les données météo source, par la météo
provenant d'archives des modèles, sensée être plus précise. Les résultats sont
décevants.
3. Originalité / perspective
Appliquer le machine learning à des enregistrements de consommation journaliers
de navires nous semble nouveau. Cela permet de valider et corriger des modèles
numériques. Les modèles de consommation permettent à notre société de proposer
des logiciels d'optimisation de la trajectoire, afin de minimiser la consommation et
l'émission de polluants.
Ces modèles de consommation permettent aussi de valider les évolutions du navire
au cours du temps, architecturales ou bien de motorisation.