Modélisation et estimation de la consommation de carburant de moteurs diesels marins

St-Pierre, Vincent (2025). Modélisation et estimation de la consommation de carburant de moteurs diesels marins. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 48 p.

PDF Télécharger (3MB) | Prévisualisation

Résumé

RÉSUMÉ : La réduction des émissions de gaz à effet de serre constitue un enjeu majeur pour l'industrie maritime. Parmi les solutions envisagées, les techniques de navigation écoénergétiques, comme l'optimisation de la vitesse et des trajets, permettent de diminuer la consommation de carburant avec un minimum d'investissement. L'efficacité de ces solutions dépend toutefois de la disponibilité de données fiables en temps réel sur la consommation de carburant des moteurs diesels. La méthode traditionnelle pour obtenir la consommation de carburant repose sur l'utilisation d'un débitmètre pour mesurer directement le débit de carburant. Bien que précise, cette solution est relativement coûteuse, invasive et peu attrayante pour les armateurs en raison des modifications nécessaires sur le circuit d'alimentation en carburant pour l'installation d'un débitmètre. Ce mémoire par articles explore une alternative moins intrusive qui consiste à estimer la consommation de carburant uniquement à partir des mesures de couple et de vitesse à l'arbre du moteur, obtenues via un capteur peu invasif, et d'un modèle mathématique guidé par les données. Pour ce faire, deux approches sont explorées. La première approche (CHAPITRE 1) consiste à identifier et à écarter les données aberrantes autour d'une fonction de régression tridimensionnelle de type spline, puis à monter un tableau de correspondance en deux dimensions (2D) à l'aide d'une méthode de moyennage local. Face à certaines limitations de la première approche, notamment concernant la nécessité de l'intervention humaine pour le nettoyage des données, l'hypothèse implicite de linéarité sur un court intervalle dans l'espace des données et la faible garantie de généralisation, une seconde méthode (CHAPITRE 2) est proposée. Cette méthode repose sur un modèle de régression polynomiale du second ordre intégrant cinq (5) termes combinant le couple et la vitesse. Les coefficients de ce modèle sont ajustés par une méthode d'apprentissage robuste en distribution, qui utilise la distance de Wasserstein pour optimiser les performances du modèle dans des conditions hors distribution qui ne seraient pas capturées par les données recueillies, ce qui maximise sa généralisation à d'autres navires. Des tests sont réalisés sur une flotte de sept (7) remorqueurs similaires. Au total, ces navires ont généré environ 80 millions de points de données représentant un total de plus de 22 000 heures d'opération commerciale sur des remorqueurs en activité dans les eaux nord américaines durant les cinq (5) dernières années. Le modèle issu de la seconde approche est entraîné sur un (1) navire où les données de couple, de vitesse et de débit réel de carburant sont utilisées puis testé sur les six (6) autres où les données de couple et de vitesse sont utilisées pour estimer le débit. En évaluant l'erreur quadratique moyenne (Root Mean Square Error, RMSE) sur l'estimation du débit de carburant sur toute la durée de plusieurs mois des séries temporelles utilisées pour les tests, on obtient des résultats variants entre 3 % et 10 %, avec une majorité des cas situés autour de 5 %. Ces résultats démontrent la validité et la robustesse de l'approche proposée pour un déploiement en pratique sur une flotte de navires similaires. Un tel déploiement se fera en trois (3) étapes, soit 1) collecter des données opératoires d'un navire type équipé d'un capteur de couple et de vitesse ainsi que d'un débitmètre, 2) entraîner le modèle à l'aide de l'approche proposée, et 3) déployer le modèle sur le reste de la flotte de navires équipés seulement d'un capteur de couple et de vitesse. L'approche proposée constitue une avenue réaliste, économique et peu invasive pour l'estimation en temps réel de la consommation de carburant des navires. Elle contribue à réduire les risques et les coûts associés à l'installation de débitmètre sur une flotte de navires entière ce qui favorisera la mise en œuvre de pratiques de navigation écoénergétiques par les armateurs. -- Mot(s) clé(s) en français : consommation de carburant des navires, estimation en t mps réel, régression robuste en distribution, modèle basé sur les données, couple et vitesse, débitmètre, distance de Wasserstein. --
ABSTRACT : The reduction of greenhouse gas emissions is a major challenge for the maritime industry. Among the solutions considered, eco-efficient navigation techniques, such as speed and route planning optimization, make it possible to reduce fuel consumption with minimal investment. The effectiveness of these solutions, however, depends on the availability of reliable real-time data on the fuel consumption of diesel engines. The traditional method relies on the use of a flowmeter to directly measure fuel flow. Although accurate, this solution is relatively costly, invasive, and unattractive to shipowners due to the modifications required to the fuel supply circuit required to install a flowmeter. This article-based master's thesis explores a less intrusive alternative that consists in estimating fuel consumption solely from torque and shaft speed measurements obtained via a minimally invasive sensor and a data-driven mathematical model. To this end, two approaches are investigated. The first approach (CHAPITRE 1) consists in identifying and removing outliers around a three-dimensional spline regression function and then constructing a two-dimensional lookup table using a local averaging method. Faced with certain limitations of the first approach, notably the need for human intervention in data cleaning, the implicit assumption of linearity over a short interval, and the weak guarantee of generalization over a larger sample, a second method (CHAPITRE 2) is proposed. This method relies on a second-order polynomial regression model incorporating five (5) terms combining torque and speed. The coefficients of this model are fitted using a distributionally robust learning method, which employs the Wasserstein distance to optimize model performance under out-of-distribution conditions which may not be covered by the available data, thereby maximizing its generalization to other vessels. Tests were carried out on a fleet of seven (7) similar tugboats. In total, these vessels generated approximately 80 million data points, representing more than 22,000 hours of commercial operation on tugboats active in North American waters over the past five (5) years. The model derived from the second approach is trained on one (1) vessel, where torque, speed, and actual fuel flow data are used, then tested on the other six (6), where torque and speed data are used to estimate fuel flow. By evaluating the Root Mean Square Error (RMSE) of the fuel flow estimation on out of sample data over the entire duration of several months of time series used for testing, results range from 3% to 10%, with most cases around 5%. These results demonstrate the validity and robustness of the proposed approach for practical deployment on a fleet of similar vessels. Such deployment would proceed in three (3) steps: 1) collecting operational data from a reference vessel equipped with a torque and speed sensor as well as a flowmeter, 2) training the model using the proposed approach, and 3) deploying the model across the rest of the fleet of vessels equipped only with a torque and speed sensor. The proposed approach constitutes a realistic, economical, and minimally invasive avenue for real-time estimation of fuel consumption. It helps reduce the risks and costs associated with installing flowmeters on an entire fleet of vessels, which will foster the implementation of eco-efficient navigation practices by shipowners. -- Mot(s) clé(s) en anglais : ship's fuel consumption, real-time estimation, distributionally robust regression, data-driven model, vessels, torque and speed, flowmeter, Wasserstein distance.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Berger, Maxime
Co-directeur(s) ou co-directrice(s) de mémoire/thèse :	Lesage-Landry, Antoine
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en ingénierie en vue de l'obtention du grade de Maître ès sciences appliquées (M. Sc. A.).
Mots-clés :	Navires - Carburants - Consommation; Distance de Wasserstein; Couple (Mécanique); Régression robuste.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Date de dépôt :	10 févr. 2026 17:07
Dernière modification :	10 févr. 2026 17:07
URI :	https://semaphore.uqar.ca/id/eprint/3454