Multi-Objective Ship Voyage Optimization Framework for Underwater Noise Emission
Notice bibliographique
Résumé
Abstract Anthropogenic noise from marine shipping and other sources poses a serious threat to marine mammals and the ocean ecosystem. This paper aims to enhance a ship’s adaptability to varying ocean conditions, with the primary objective of reducing its contribution to underwater radiated noise (URN) along with fuel consumption. A new multi-objective optimization framework (MOOF) is developed that optimizes the ship’s sailing speed using a non-dominated sorting genetic algorithm (NSGA-II) to mitigate URN. Two objective functions: i) total noise intensity levels and ii) total fuel consumption are minimized under some voyage constraints. Subsequently, the Pareto solutions obtained from NSGA-II are further processed using a Euclidean-based multiple-criteria decision-making method to find the trade-off solution. To illustrate the efficacy of the MOOF, we consider a practical case study of a 6900 TEU containership in a voyage scenario. The proposed framework has shown a 94% reduction in the total intensity of URN, with a notable drop of 1.22 dB. Nevertheless, this accomplishment is accompanied by a slight increase in fuel consumption of 3.25 MT, or 0.4%. Thus, in the case of a realistic shipping route, MOOF quantitatively demonstrates its efficacy in significantly reducing URN intensity levels without enforcing a major compromise on fuel consumption. Further discussion on the optimized speed profiles and prospects is presented.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».