Gemi yaşam döngüsünde operasyonel gaz emisyonlarının makine öğrenmesi yöntemiyle tahmini

Abstract

Denizcilik sektörü, insanlık tarihinin en eski zamanlarından beri insan uygarlığının gelişmesinde en temel taşlardan birisi olmuştur. Uzun bir süre boyunca sevk sistemi olarak doğal güçlerden yararlanan gemiler, Sanayi Devrimi ile birlikte önce kömür, sonra da petrol ve türevlerini yakıt olarak kullanmaya başlamıştır. Fosil yakıtlar olarak adlandırılan bu yakıt türleri, çok yüksek oranda karbon içerir. Modern makine sistemlerindeki içten yanma sürecinde yakılarak enerji üretimini ve dolayısıyla gemi sevkini sağlayan bu yakıtların yanması sonucu, karbondioksit, karbon monoksit, metan, kükürt oksitler, azot oksitler, nitröz oksit, parçacıklı madde, siyah karbon ve metan olmayan uçucu organik bileşikler başta olmak üzere çok çeşitli sayıda emisyon üretilir. Yanma sürecinde bu gazların yanında ağır metallerin de ayrıca duman formunda oluştuğu bilinmektedir. Sayılan bütün bu gaz emisyonlar, insan sağlığına ve çevreye çok ciddi zararları olan atıklardır. Çevreye olan zararlar arasında küresel ısınma, asit yağmurları ve yer seviyesi ozonu sayılabilirken insan sağlığına olan zararları da dolaşım ve solunum sistemine olan olumsuz yöndeki etkileri şeklinde özetlenebilir. Bu nedenlerden ötürü gemi emisyonlarının tahmini, azaltılması ve kontrol altına alınması son derece önemlidir.Bu çalışmada öncelikle dokuz kuru yük gemisinin günlük raporlarından elde edilen verilerle toplam emisyon miktarları hesaplanmış, ardından bu veriler regresyon analizine sokularak verilerin gemi ana karakteristik özelliklerinden dedveyt ton ve blok katsayısı ile ilişkisine ulaşılmış ve gemi ön dizayn aşamasındayken potansiyel emisyonlarını tahmin edebilmek için dedveyt ton ve blok katsayısı değerlerine bağlı formüller geliştirilmiştir.Bu formüller sadece iki sabit değere dayandığı için regresyon analizinin güvenilirliği yeterli bulunmadığından ikinci kısımda gemilerin günlük raporlarından alınan sefer süresi, makine çalışma devri, gemi hızı, deplasman, hava durumu, deniz durumu ve ortalama draft verileri girdi; emisyon verisi ise çıktı olarak kullanılarak yapay sinir ağlarında modelleme yapılmış ve en iyi sonucu veren yapay sinir ağı yöntemi tespit edilmiştir. Yapay sinir ağları, bu aşamada dinamik operasyon koşullarının emisyon üzerine olan etkilerini inceleyebilmek için başarılı bir model olarak görülmüştür. Elde edilen emisyon değerleri ile gerçek değerler arasındaki ortalama fark % 1,57 seviyelerindedir. Üçüncü kısımda ise elde edilen en iyi yapay sinir ağı yöntemi Atlantik ve Pasifik Okyanusları'nda kuzey ve güney olmak üzere iki farklı rotaya ocak ve haziran ayları için uygulanmış ve böylece her iki okyanus ve zaman dilimi için de farklı sürelerle farklı deniz ve hava koşullarına sahip bu rotalarda oluşan emisyon miktarları tahmin edilmiştir. Ardından bu emisyon miktarları yoluyla toplam yakıt harcamına ulaşılmış ve bir yakıt maliyet analizi yapılmıştır. Sonuçlara göre her iki okyanusun farklı rotalarında hem ocak hem de haziran aylarında daha yumuşak iklim şartlarına sahip olan güney rotasında daha az emisyon oluştuğu görülmüştür. Bu bağlamda, hava ve deniz koşullarının emisyonlar üzerinde doğrudan etkisinin olduğu açıkça görülmüştür. Atlantik rotalarındaki mesafe farkı az olduğundan güney rotası hem çevresel hem de ekonomik performans açılarından daha uygun sonuçlar üretmiştir. Pasifik rotalarındaki mesafe farkının fazlalığı nedeniyle güney rotasındaki mesafe başına emisyon daha az olmasına rağmen bütüncül olarak yaklaşıldığında kuzey rotası daha iyi sonuçlar vermektedir.Geliştirilen karar destek sistemi, gemiler henüz ön dizayn aşamasındayken tahmini rotalar üzerine uygulandığında oluşabilecek toplam emisyon miktarının tahmin edilmesini sağlayacaktır. Bu sayede gemiler, rotaları ve ana karakteristik özellikleri belli olduğunda emisyon, yakıt harcamı ve yakıt maliyeti bilgileri gemi yaşam döngüsünün erken aşamalarında bile öngörülebilecektir.

The maritime industry has been one of the most important landmarks in the development of human civilization since the beginning of human history. The vessels have been using the natural forces such as the referral system for a long time; at first, they have begun to use coal with the industrial revolution and later on the petroleum and its derivatives as the technology develops. These types of fuels, called fossil fuels, contain very high levels of carbon. The burning of these fuels by the internal combustion process of modern engine systems which provide energy production and therefore the propulsion of the ship; result in carbon dioxide, carbon monoxide, methane, sulfur oxides, nitrogen oxides and nitrous oxide, particulate matter and black carbonand non-methane volatile organic compounds. It is known that there are also a wide variety of heavy metal fumes in the combustion process in addition to aforementioned gases. All these gaseous emissions are wastes with very deleterious impacts to human health and the environment. The damage to the environment can be summarized as global warming, acid rain and ground-level ozone whereas the harm to human health can be summarized as circulatory and respiratory system disorders. For these reasons, it is extremely important to estimate, reduce and control ship emissions.In this study, firstly total emission amounts were calculated from the daily noon report of nine bulk carriers, and then these data were put into regression analysis. The relationship between the main characteristics of the ship, which are the deadweight tonnage and the block coefficient, was assessed and formulas based on the deadweight tonnage and blok coefficient values were developed in order to estimate future potential emissions during the ship's pre-design phase.For these formulas are based upon only two constants, the results are not accepted as reliable. Thus, in the second phase, by using voyage time, engine revolutions per minute, speed, displacement, weather condition, sea condition and average draft data as input and total emission data as output, it was aimed to find out which neural network model predicts the emission amount closer to the real data. Neural networks is accepted as a reliable method, which can be used to calculate the impacts of dynamic operation conditions on emissions. The difference between the real and calculated data is approximately 1.57 %. In the third phase, the best result was applied to two different routes, north and south, during january and june in Atlantic and Pacific Oceans, in order to estimate the emission amounts. The routes have different voyage time, sea and weather conditions. Then, the total fuel consumption data was calculated by using the emission amount and a fuel cost analysis was realized. In this context, it was clearly seen that there is a correlation between weather and sea conditions and emission amounts. It is concluded that less emission is occurred in the south route, which is calmer weather and sea conditions, in both january and june. For the distance between North and South Atlantic routes is small, South Atlantic route provided more eligible results in terms of both environmental and economic performances. The distance between North and South Pacific routes is very much, thus, although the emission per distance is lesser in south route, north route provided better results in a holistic perspective.Decision support system will help to estimate the total emission amounts on estimated routes while the ships are still in the preliminary design phase. Thus, once the routes and main characteristics of the ship are determined, the emission amounts, fuel consumption and fuel costs can be predicted at an early stage of a ship's life cycle.