Deep reinforcement learning for methane slip reduction in hybrid-powered liquefied natural gas marine vessels
Notice bibliographique
Résumé
• Methane slip offsets CO 2 reductions achieved by using LNG as a marine fuel. • Managing methane slip is key for achieving climate-neutral marine shipping. • DRL-based energy management systems are proposed for methane slip reduction. • Performance of the proposed systems is evaluated using real-world data. Hybrid-powered liquefied natural gas (LNG) vessels offer a viable pathway for reducing greenhouse gas (GHG) emissions in maritime transport by lowering CO 2 emissions. However, these benefits can be offset by CH 4 emissions, which are typically highest at low engine loads due to methane slip. Efficient engine operation is therefore essential for achieving overall GHG reductions. Using a hybrid LNG-battery powertrain provides additional degrees of freedom to modify the operation and mitigate GHG emissions; however, the optimal power allocation between the LNG engine and the battery system must be developed specifically to the operation of the vessel. This paper investigates the use of three deep reinforcement learning (DRL) algorithms, namely twin delayed deep deterministic policy gradient, soft actor-critic, and proximal policy optimization, to develop intelligent energy management systems (EMSs) for hybrid-powered LNG vessels. The proposed DRL-based EMSs aim to minimize cumulative GHG emissions from sailing trips by optimizing power allocation between the powertrain components. The proposed strategies are evaluated against the peak shaving and load levelling (PS-LL) EMS currently used on the vessel under study. The DRL-based EMSs reduced GHG emissions by up to 14.6% more effectively than the PS-LL EMS, when compared to a baseline of operations simulated without hybridization and measured relative to an offline optimization benchmark. This improvement is primarily due to better engine load management, which reduces methane slip.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».