Energiforbruk i dagens skipsflåte – hvordan få gode anslag når vi ikke har målinger?

I løpet av de neste sju årene skal internasjonal skipsfart redusere totalutslippene med 20 – 30 prosent (IMO)¹. For å nå disse målene er det viktigere enn noen gang å forstå hva som driver utslippene fra dagens flåte. Da vil vi kunne iverksette effektiviseringstiltak, mens vi utvikler nullutslipsløsninger.

Er det ikke bare å måle i vei? Moderne skip er fulle av sensorer, men det betyr ikke automatisk at dataene er blitt logget eller finnes lett tilgjengelige. Om en skulle sette i gang systematiske målinger vil det i de aller fleste tilfellene medføre en betraktelig jobb med å installere et loggsystem. Når vi vet at snittalderen på norskeide fartøy i nærskipsfart er 20 år², er det også rimelig å anta at mange fartøy vil kreve omfattende etterinstrumentering. Et annet aspekt er at vind og vær kan påvirke skipets energiforbruk betydelig. Ved systematiske målinger over kortere perioder vil det derfor alltid være usikkerhet rundt hvor representative de innsamlede dataene er for skipets operasjoner over lengre tid. Og det er det totale forbruket over lengre perioder som teller når vi skal nå IMO-målene. 

Det kan virke som en uoverkommelig oppgave å estimere årsforbruket på et eller flere fartøy, men det finnes måter å løse dette på. For å forstå en av metodene må vi gå fra det våte element til et av de tørreste stedene på jorden, nemlig Nevada ørkenen. Under andre verdenskrig testet USA atombomber her. En av forskerne i Manhattanprosjektet het Enrico Fermi. Angivelig observerte han hvor mye små papirbiter flyttet på seg under prøvesprengningen av atomeksplosjonen, og brukte denne informasjonen, sammen med litt hoderegning, til å anslå eksplosjonens styrke. Noen uker senere ble estimatet hans bekreftet av analysen av dataene fra de avanserte instrumentene brukt under testen³. Fermi evnet altså, med sin domenekunskap i kombinasjon med unøyaktige data, å komme frem til nesten nøyaktig samme svar som veldig sofistikerte måleinstrument. Eksemplet er kanskje først og fremst egnet til å bekrefte det en kunne mistenkt fra før av: Fermi kunne sine greier. Mannen hadde på dette tidspunktet allerede nobelprisen i fysikk stående på peishylla. Selv om Fermis estimat uten tvil er imponerende, kan denne smarte metoden også brukes i praksis og i andre sammenhenger? For eksempel til å si noe om energiforbruket til norske skip? Ja, fordi i bunn og grunn handler det om det samme: å gi gode (nok) estimater basert på den informasjonen som finnes tilgjengelig. 

Nøkkelen i Fermis tilnærming (ofte kalt Fermi-estimater) er å bryte ned store, nesten uoverkommelig problemer i en rekke mindre oppgaver, som man, isolert sett, kan ha mulighet til å gi nokså fornuftige estimater på. I tillegg til at selve nedbrytingen er nyttig for å løse et problem, har det også vist seg gang på gang at totalestimatene er overraskende nøyaktige. 

Fra Trinity til skip³: Fermi-estimater for energiforbruk. Fermi-estimater kommer spesielt til sin rett i situasjoner der det er vanskelig å få tilgang til tilstrekkelige mengder måledata. Og et eksempel på en slik situasjon er nettopp energiforbruket til seilende skip. Et rederi kan få oversikt over utgiftene for drivstoff, men bunkringen av skjer ofte med store mellomrom. Dermed vil ikke kvitteringene på drivstoff fange opp kortsiktige variasjoner i energiforbruket, f.eks. effekten av endringer i rutevalg. 

I tillegg til vind- og værforhold er et skips energiforbruk drevet av skipets hydrodynamiske egenskaper, hvordan skipet opereres (som hastighet, hvordan skipet akselereres, bremses opp, osv), skipets energisystem (diesel-elektrisk, LNG, hybrid, batteri, osv), m.m. De hydrodynamiske egenskapene er velkjent, i alle fall i stille farvann og ved noenlunde konstant hastighet. Informasjon om skipets hastighetsprofil er mulig å finne gjennom åpent tilgjengelige data (AIS) ved hjelp av smart prosessering. Dette steget krever inngående domenekunnskap om hvilke typer operasjoner som er viktige for å kunne karakterisere skipes operasjonsprofil, og hvilke faktorer som påvirker skipets energiforbruk under operasjonene. Der vi har historiske værdata/modelldata kan empiriske formler brukes til å justere energibehovet til de faktiske forholdene. Dette er spesielt relevant for norske farvann, der Meteorologisk institutt har publisert hindcast data av høy kvalitet gjennom mange år. Når energibehovet for å bevege skipet med en gitt hastighet under gitte værforhold er anslått, kan en ved hjelp av opplysningene gitt av produsentene av fremdriftssystem og f.eks. generatorer benyttes for å estimere forbruket av drivstoff når man har konvensjonelle og/eller hybride fremdriftssystem. 

Case studie: Ferge I forbindelse med arbeid i SFI Autoship har den overfor beskrevede metoden blitt brukt til å estimere forbruket til MF Ytterøy (byggeår 2015, 49,9 m lang, 13,2 m bred, kapasitet på 38 PBE). Ferja betjener sambandet Levanger-Hokstad innerst i Trondheimsfjorden og er eid av Torghatten. I tillegg til åpne AIS-data (Kystverket) og åpne meteorologiske og oseanografiske data (Meteorologisk institutt), brukes også fartøyets estimerte speed-power kurve i stillevann (fra designer) og forskjellige datablad fra leverandører (f.eks. hovedmotorene). Estimatene har blitt sammenlignet med daglige avlesninger av nivået i fergens drivstofftank og informasjon om når og hvor mye drivstoff som har blitt etterfylt. Over en periode på 2 år er feilberegningen for anslått årsforbruk mellom 13% og 15%, og beregningstiden for resultatet er på noen minutter på en standard PC. Mens det er absolutt mulig å oppnå større presisjon med andre metoder, vil disse metodene kreve input som er lett tilgjengelig (f.eks. 3D-tegninger av skroget) og/eller mye større datakraft (f.eks. regneklaser med hundrevis av kjerner). I den andre enden av skalaen, vil en erfaren operatør kunne avlede et antatt snittforbruk ved hjelp av kunnskap om båten og værforhold i området. Vår tilnærming prøver å legge seg mellom disse to ytterpunktene og balansere behovet for nøyaktighet mot ønsket om enklest mulig input til beregningene og kjappe svar. Metoden genererer et varierende anslag, som endrer seg med værforhold og operasjoner (se figur og merk f.eks. lavere forbruk i april 2020). Dermed er den egnet for å analysere variasjoner i forbruk over lengre perioder, noe et statisk anslag eller en veldig regneintensiv metode ikke ville kunne brukes til. 

Mens metoden vil gi et anslag for hver eneste overfart, kommer dens styrker mest til sin rett om en skal analysere forbruk over tidsperioder i størrelsesorden av uker. For enkeltdager er feilen på sitt verste opp i 50%, for ukeforbruk reduseres dette tallet til 25%, og for forbruk over en 4-ukersperiode ligger den i all hovedsak mellom 10 og 20%. Figuren under viser gjennomsnittsforbruk over en og fire uker. En ser at estimatene (grønn linje) følger svingningene i det reelle forbruket (blå linje) tett, og feilen består i all hovedsak i en offset. For en midling over en uke er korrellasjonskoeffisienten mellom estimat og reel forbruk på 0.52, mens den stiger til 0.9 om det midles over en fire-ukers periode.   

Når vil denne metoden gi gode resultat? Den sikreste delen av informasjonen som er tilgjengelig er fartøyets oppførsel i stillevann og hvordan den opererer (hastighetsprofil). Værforhold kan være veldig lokale og korreksjon for spesielt bølger kan være utfordrende. Så det er en fordel om skipet opererer i forholdsvis beskyttede farvann. Utfordringen med nøyaktigheten av værdata kan ved første øyekast virke ganske stor, men er i praksis ofte mindre alvorlig om en har data fra en lang nok periode siden feilene vil jevne seg ut. Har du, for eksempel, underestimert vindmotstand når den kommer forfra? Det samme skjer når en skal estimere hvor mye hjelp man får når vinden kommer bakfra. Dette er spesielt sant for fartøy som har et fast operasjonsområde og nokså regelmessige seilinger. Da vil en seile like mye motvinds som medvinds. Rutegående fartøy som ferger eller hurtigbåter er dermed spesielt egnet, men også PSVer eller SOVer mfl. 

Resultatene bak dette innlegget er frembrakt i forbindelse med SFI Autoship (https://www.ntnu.edu/sfi-autoship). Tusen takk til Torghatten (https://torghatten.no/) for godt samarbeid og tillatelse til å publisere noen resultat fra analyser utført på deres samband. Åpne AIS data er gjort tilgjengelig av Kystverket (https://www.kystverket.no), meteorologiske og oseanografiske data av Meteorologisk institutt (http://met.no).    

¹ https://www.regjeringen.no/no/aktuelt/historisk-beslutning-om-nullutslipp-for-internasjonal-skipsfart/id2989641/
² Norges Rederiforbund, 2021
³ Von Baeyer, Hans Christian (2001). «The Fermi Solution»