Leveraging Machine Learning and Operations Research to Enhance Cruise Ship Energy Efficiency - Archive ouverte HAL Accéder directement au contenu
Thèse Année : 2023

Leveraging Machine Learning and Operations Research to Enhance Cruise Ship Energy Efficiency

Fouille de Données et Recherche Opérationnelle pour l'Amélioration de l'Efficacité Énergétique des Paquebots de Croisière

Résumé

Amid growing concerns over global warming, the shipping industry, particularly the cruise ship sector, has come under increased scrutiny. This thesis focuses on harnessing machine learning and operations research to enhance energy efficiency within the industry. The work has focused on two broad aspects of energy efficiency in cruise ships: operational and design energy efficiency. From an operational perspective, the research prioritizes the optimization of the propulsion system, a cruise ship's primary energy consumer. Key contributions include innovative machine learning methodologies for the propulsion system, ensuring real-world applicability through hindcast weather data and a systematic data-splitting approach. Two applications, fluid deadweight management and studying biofouling's impact on propulsion efficiency, are discussed. On the design front, we introduce a Mixed Integer Linear Programming model for cruise ship multi-energy systems, aiming to optimize design and operation concurrently. A bi-objective optimization considering lifecycle costs and greenhouse gas emissions was undertaken, with solutions derived from the epsilon-constraint method and by integrating carbon taxes. Overall, this work underscores the potential of machine learning and operations research in advancing the cruise ship industry's energy efficiency, laying a foundation for their broader applications in the future.
Les préoccupations croissantes de ces dernières années concernant le réchauffement climatique obligent l'industrie du transport maritime à réduire son empreinte environnementale, et en particulier le secteur des paquebots de croisière. L'objectif principal de cette thèse est l'exploration et le développement de méthodes de machine learning et recherche opérationnelle afin de fournir des stratégies à même d'améliorer l'efficacité énergétique des paquebots, au niveau des opérations et de la conception. Du point de vue opérationnel, notre recherche est consacrée à l'optimisation du système de propulsion, le plus grand consommateur d'énergie d'un paquebot de croisière. Nos principales contributions dans ce travail sont le développement de stratégies innovantes de machine learning pour modéliser le système de propulsion et une méthodologie systématique pour favoriser des modèles parcimonieux et éviter le risque de sur-apprentissage. Deux applications visant à optimiser l'efficacité de la propulsion sont examinées. La première concerne le développement d'une application de gestion du poids mort des fluides tandis que la deuxième s'intéresse à l'impact de l'encrassement biologique sur l'efficacité de la propulsion. La deuxième partie de la thèse se focalise sur la production d'énergie dans le cadre de la conception des paquebots de croisière. La principale contribution de cette deuxième partie est le développement d'un modèle mathématique (MILP) pour les systèmes multi-énergies des paquebots de croisière, qui optimise simultanément la conception et le fonctionnement du système d'énergie. Une optimisation bi-objectif a ainsi été réalisée en considérant les coûts et les émissions de gaz à effet de serre sur la durée de vie. Les résultats de cette thèse ouvrent la voie à de futures applications du machine learning et de la recherche opérationnelle dans la conception et les opérations de l'industrie des paquebots de croisière.
2023IMTA0367_resume-long-avec-couverture_Gonsalves-Fred.pdf (2.72 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04529779 , version 1 (02-04-2024)

Identifiants

  • HAL Id : tel-04529779 , version 1

Citer

Fred Gonsalves. Leveraging Machine Learning and Operations Research to Enhance Cruise Ship Energy Efficiency. Computer Science [cs]. IMT Atlantique; Lab-STICC UMR CNRS 6285, 2023. English. ⟨NNT : 2023IMTA0367⟩. ⟨tel-04529779⟩
17 Consultations
7 Téléchargements

Partager

Gmail Facebook X LinkedIn More