All actors of the Marine Industry, such as the Offshore Energy Industry or Shipping companies, share the need to optimize their fuel consumption for mainly two reasons: it permits cutting fuel costs while reducing GreenHouse Gas emissions. A lever to reduce the utilization of combustibles is to have a consumption model, i.e. a regression model that given features such as vessel speed or weather conditions predicts the consumption of the vessel. Such a model is necessary to apply technological end-use cases, for instance, Route Planning, in which an algorithm advises the best voyage by minimizing fuel utilization and expenses. This paper studies a data-driven model trained on a dataset composed of consumption data collected onboard and weather conditions recovered from third-party providers. More particularly, this paper evaluates the impact of recovering the additional sea current data to enhance the model. To this end, two models have been compared: a baseline model trained only on wind and wave data, and a sea-current model trained on wind, wave, and sea-current data. To begin with, a reliable and operational sea-current dataset has been found and integrated into the baseline dataset. Then, the sea-current model was trained and evaluated on performance metrics such as Mean Absolute Percentage Error. These highlighted the significant improvement of the sea-current model compared to the baseline model that lacks sea-current data: there is an average improvement of 7.0% for all the vessels of the studied dataset. As a matter of experiment, both models are compared on a typical voyage in which the error drops from 22% error for the baseline model to less than 3% for the sea-current model. With a more precise model, utilization in technological use-case is to be more accurate.

Alla aktörer inom den marina industrin, såsom offshore-energiindustrin eller rederier, delar behovet av att optimera sin bränsleförbrukning av huvudsakligen två skäl: det tillåter att sänka bränslekostnaderna samtidigt som utsläppen av växthusgaser minskar. En hävstång för att minska utnyttjandet av brännbart material är att ha en förbrukningsmodell, det vill säga en regressionsmodell som givna egenskaper som fartygets hastighet eller väderförhållanden förutsäger fartygets förbrukning. En sådan modell är nödvändig för att tillämpa tekniska slutanvändningsfall, till exempel ruttplanering, där en algoritm ger råd om den bästa resan genom att minimera bränsleutnyttjande och kostnader. Den här artikeln studerar en datadriven modell som tränas på en datauppsättning som består av konsumtionsdata som samlats in ombord och väderförhållanden som återvunnits från tredjepartsleverantörer. Närmare bestämt utvärderar denna uppsats effekten av att återvinna ytterligare havsströmdata för att förbättra modellen. För detta ändamål har två modeller jämförts: en baslinjemodell tränad endast på vind- och vågdata, och en havsströmsmodell tränad på vind-, våg- och havsströmsdata. Till att börja med har en tillförlitlig och funktionsduglig havsströmsdatauppsättning hittats och integrerad i baslinjedatauppsättningen. Sedan tränades havsströmsmodellen och utvärderades på prestandamått som Mean Absolute Percentage Error. Dessa lyfte fram den betydande förbättringen av havsströmsmodellen jämfört med baslinjemodellen som saknar havsströmsdata: det finns en genomsnittlig förbättring på 7,0% för alla fartyg i den studerade datamängden. Som en fråga om experiment jämförs båda modellerna på en typisk resa där felet sjunker från 22% fel för baslinjemodellen till mindre än 3% för havsströmsmodellen. Med en mer exakt modell kommer användningen i tekniskt användningsfall att bli mer exakt.