Big Data Analytics Methods for Collision and Grounding Risk Analysis in Real Conditions: Framework, Evaluation, and Applications
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Engineering |
Doctoral thesis (article-based)
| Defence date: 2023-01-18
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2022
Major/Subject
Mcode
Degree programme
Language
en
Pages
78 + app. 124
Series
Aalto University publication series DOCTORAL THESES, 191/2022
Abstract
Collisions and groundings are the most frequent maritime accidents. They often lead to damages resulting in ship flooding and subsequent capsizing, loss of human life or oil spills. Collision and grounding risks can be evaluated qualitatively by expert judgment or quantitatively through the analysis of maritime traffic data. Yet, data-driven studies reflecting real operational conditions using big data remain limited. This research proposes big data analytics methods for the evaluation of collision and grounding risk in real operational conditions. The ship is modelled as a rigid body dynamic system subject to wave-induced motions, traffic flows, and environmental conditions. The notion developed introduces a data-driven framework that aims to support proactive risk management practice, intelligent monitoring and the implementation of associated risk control options in accordance with existing and emerging regulatory requirements. The methods make use of big data streams from the Automatic Identification System (AIS) as well as nowcast hydrometeorological (e.g., wind, wave, current, etc.) and bathymetry data. Results are validated by studying potential collisions and groundings of cruise ships operating in the Gulf of Finland (GoF) during ice-free periods. It is demonstrated that the ideas introduced can assist with (1) the identification of critical collision and grounding scenarios that are not currently accounted for by existing accident databases, (2) the idealization of the fleet at risk in real conditions, (3) the definition of novel collision and grounding risk criteria for ad hoc use within the context of emerging performance-based standards, and (4) the prediction of time-varying ship motion trajectories for recognizing risky situations in advance and proactive risk mitigation. It is confirmed that the probabilistic implementation of big data streams is useful for the proactive evaluation of collision and grounding risks in real operational conditions and Machine Learning (ML) methods can increase a priory our insight into the influence of ship motion trajectories on operational risk. It is therefore concluded that over the medium to long term, the proposed approaches could help develop maritime risk management tools and intelligent decision support systems for ongoing ships in operation. Such methods can help improve ship safety standards and operational practices.Laivojen yhteentörmäykset ja karilleajot ovat yleisimmät merionnettomuudet. Ne johtavat usein vaurioihin, jotka aiheuttavat laivaan vuotoja, jonka seurauksena laiva voi kaatua johtaen ihmishenkien menetyksiin tai öljyvuotoihin. Yhteentörmäys- ja pohjakosketusriskit voidaan arvioida laadullisesti asiantuntija-arviolla tai kvantitatiivisesti meriliikennetietojen analysoinnin avulla. Tästä huolimatta datalähtöiset tutkimukset, jotka kuvaavat todellisia toimintaolosuhteita suuria tietomääriä hyödyntäen, ovat edelleen rajallisia. Tässä työssä on kehitetty suureen tietomäärään (ns Big Data) perustuvia tutkimusmenetelmiä törmäys- ja karilleajoriskien arvioimiseen todellisissa käyttöolosuhteissa. Laiva on mallinnettu jäykän kappaleen dynaamisena systeeminä, johon vaikuttaa aallokon aiheuttamat liikkeet, muiden alusten liikennevirrat ja ympäristöolosuhteet. Kehitetty menetelmä perustuu tietopohjaiseen viitekehykseen, jonka tavoitteena on tukea ennakoivaa riskienhallintakäytäntöä, älykästä liikenteen seurantaa ja siihen liittyvien riskienhallintavaihtoehtojen käyttöönottoa olemassa olevien ja tulevaisuuden viranomaisvaatimusten mukaisesti. Menetelmissä hyödynnetään automaattisen tunnistusjärjestelmän (AIS) suuria datavirtoja sekä reaaliaikaista hydrometeorologista (kuten tuulet, aallokko, virtaukset jne.) tietoa ja syvyysdataa. Tulokset validoidaan tutkimalla Suomenlahdella (GoF) liikennöivien risteilyalusten mahdollisia yhteentörmäyksiä ja karilleajoja avoveden aikana. Esitellyt ideat voivat avustaa: (1) tunnistamaan kriittisiä yhteentörmäys- ja karilleajotilanteita, joita ei tällä hetkellä oteta huomioon olemassa olevassa onnettomuustietokannassa, (2) idealisoimaan riskitilanteissa olevia laivoja todellisissa olosuhteissa, (3) määrittelemään uusien yhteentörmäys- ja karilleajoriskien kriteerejä tapauskohtaisesti uusien suorituskykyyn perustuvien standardien kehittämiseksi, ja (4) ennustamaan laivan aikariippuvaista liikerataa riskitilanteiden tunnistamiseksi etukäteen ja riskien vähentämiseksi jo ennakolta. Isojen tietovirtojen todennäköisyyspohjainen toteutus on todettu hyödylliseksi törmäys- ja pohjakosketusriskien ennakoivassa arvioinnissa todellisissa käyttöolosuhteissa, ja koneoppimismenetelmät (ML) voivat parantaa ymmärrystämme alusten liikeratojen vaikutuksesta toimintariskiin. Johtopäätöksenä todetaan, että keskipitkällä ja pitkällä aikavälillä ehdotetut lähestymistavat voivat auttaa kehittämään merenkulun riskinhallintatyökaluja ja älykkäitä päätöksenteon tukijärjestelmiä käytössä oleville aluksille. Tällaiset menetelmät voivat auttaa parantamaan alusten turvallisuusstandardeja ja operointi periaatteita.Description
Supervising professor
Hirdaris, Spyros, Prof., Aalto University, Department of Mechanical Engineering, FinlandThesis advisor
Kujala, Pentti, Prof., Aalto University, FinlandKeywords
ship safety, big data analytics, machine Learning methods, collision and grounding risks, hydrometeorological conditions, ship dynamics, laivojen turvallisuus, suuri tietomäärä (Big Data) tutkimus, koneoppimismenetelmät, törmäys- ja karilleajoriskit, hydrometeorologiset olosuhteet, laivan dynamiikka
Other note
Parts
-
[Publication 1]: Zhang, Mingyang; Montewka, Jakub; Manderbacka, Teemu; Kujala, Pentti; and Hirdaris, Spyros. 2021. A big data analytics method for the evaluation of ship-ship collision risk reflecting hydrometeorological conditions. Reliability Engineering & System Safety, 213, 107674.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202105056487DOI: 10.1016/j.ress.2021.107674 View at publisher
-
[Publication 2]: Zhang, Mingyang; Conti, Fabien; Le Sourne, Hervé; Vassalos, Dracos; Kujala, Pentti; Lindroth, Daniel; and Hirdaris Spyros. 2021. A method for the direct assessment of ship collision damage and flooding risk in real conditions. Ocean Engineering, 237, 109605.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202108258433DOI: 10.1016/j.oceaneng.2021.109605 View at publisher
-
[Publication 3]: Zhang, Mingyang; Kujala, Pentti; and Hirdaris, Spyors. 2022. A machine learning method for the evaluation of ship grounding risk in real operational conditions. Reliability Engineering & System Safety, 108697.
Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-202208104794DOI: 10.1016/j.ress.2022.108697 View at publisher
- [Publication 4]: Zhang, Mingyang; Kujala, Pentti; Musharraf, Mashrura; Zhang, Jinfen; and Hirdaris, Spyros. 2022. A machine learning method for the prediction of ship motion trajectories in real operational conditions. Ocean Engineering. Under review
-
[Publication 5]: Taimuri, Ghalib; Zhang Mingyang; and Hirdaris Spyros. 2022. A Predictive Method for the Avoidance of Ship Grounding in Real Operational Conditions. In SNAME Maritime Convention, Houston, USA. OnePetro.
DOI: 10.5957/SMC-2022-012 View at publisher