Makine Öğrenimi ve Seyir Verileri Kullanılarak Bir Yölçu Feribotunun Yakıt Tüketiminin Tahmini: Karşılaştırmalı Bir Çalışma

Deniz taşımacılığı küresel ticaretin merkezinde yer alırken, gemi emisyonlarının azaltılması ve artan operasyonel yakıt maliyetlerinin yönetilmesi denizcilik sektörünün en kritik önceliklerinden biri haline gelmiştir. Uluslararası Denizcilik Örgütünün (IMO) küresel sera gazı emisyonlarını düşürme hedefleri doğrultusunda yürürlüğe koyduğu düzenlemeler, gemi enerji verimliliğinin gerçek zamanlı ve yüksek hassasiyetle izlenmesini zorunlu kılmaktadır. Geleneksel literatürde sıklıkla kullanılan seyir defteri kayıtları düşük örnekleme frekansı nedeniyle anlık değişimleri yakalamada yetersiz kalırken, sensör tabanlı veri akışları ise gürültü, çoklu doğrusal bağlantı ve durağan olmayan veri dağılımları gibi teknik engeller barındırmaktadır. Bu alandaki temel eksiklik, gemi tasarım aşamasındaki optimizasyonlar ile kaptanların operasyonel kararları arasındaki kopukluk ve fiziksel modeller ile veri odaklı algoritmaların sistematik biçimde birleştirilemeyişidir. Dolayısıyla, gerçek zamanlı seyir şartlarını ve çevresel faktörleri içeren esnek tahmin modellerine ihtiyaç duyulmaktadır.

Bu eksikliği gidermek amacıyla gerçekleştirilen araştırmada, Kanada batı kıyısında Horseshoe Bay ile Nanaimo arasında sefer yapan çift yönlü bir yölçu feribotundan Eylül 2019 ile Kasım 2021 tarihleri arasında 1 dakikalık frekansla toplanan yaklaşık 1 milyon veri noktası incelenmiştir. Araştırma tasarımı, fiziksel sevk ilkelerini veri odaklı yöntemlerle harmanlayan gri-kutu (gray-box) yaklaşımına dayanmaktadır. Veri ön işleme sürecinde Temel Bileşen Analizi (PCA) ve K-means kümeleme yöntemleri kullanılarak geminin otopilot seyir modu (Mode 1) ile liman yanaşma modu (Mode 2) sistematik olarak ayrıştırılmış, böylece durağan olmayan veri yapısı temizlenmiştir. Özellik mühendisliği kapsamında hedef değişken anlık yakıt tüketiminden katedilen mesafe başına yakıt verimliliğine (SFE) dönüştürülmüş ve korelasyon matrisi ile kritik değişkenler seçilmiştir. Modelleme aşamasında çoklu doğrusal regresyon, Lasso, Ridge, polinom regresyonu, yapay sınır ağları (MLP), karar ağaçları ve topluluk öğrenme yöntemleri (Random Forest, AdaBoost, Gradient Boosting, XGBoost) karşılaştırılmıştır.

Elde edilen deneysel bulgular, parametrik olmayan topluluk öğrenme yöntemlerinin parametrik klasik modellerden ve yapay sınır ağlarından belirgin şekilde üstün performans sergilediğini göstermektedir. Test veri seti üzerinde gerçekleştirilen değerlendirmelerde XGBoost algoritması, en düşük kök ortalama kare hatası (RMSE = 11.95) ve en yüksek açıklayıcılık katsayısı (R2 = 0.9881) ile en başarılı tahmin modeli olarak öne çıkmıştır. Ayrıca XGBoost, 283.49 saniyelik eğitim süresiyle diğer topluluk yöntemlerine (AdaBoost: 676.59s, Gradient Boosting: 417.85s) kıyasla işlem süresi bakımından da büyük bir avantaj sağlamıştır. Karar ağacı ve AdaBoost yöntemleri çoğunlukla tork ve deplasman değişkenlerine bağımlı kalırken, XGBoost tüm girdileri fiziksel beyaz-kutu modeline en uygun biçimde dengeli ağırlıklandırmıştır. Gelecek adımların tahmininde (5-step ahead prediction) tüm modellerde performans düşüşü gözlense de XGBoost ve topluluk yöntemleri en kararlı tahmini üretmeye devam etmiştir.

Sonuç olarak bu araştırma, yüksek boyutlu ve gürültülü sensör verilerinden alan bilgisi destekli özellik mühendisliği ile güvenilir yakıt verimliliği tahmin modelleri oluşturulabileceğini kanıtlamaktadır. Makalenin literatüre temel katkısı, yalnızca anlık yakıt tüketimini değil, operasyonel mod ayrımı ve n-adım sonrası gelecek tahminlerini de kapsayan bütüncül bir gri-kutu metodolojisi sunmasıdır. Türk araştırmacılar için bu çalışma, deniz ulaşımında enerji optimizasyonu, gerçek zamanlı rotalama ve karar destek sistemleri tasarlayan tez veya makale çalışmalarında metodolojik bir rehber niteliğindedir. Sensör verisi ön işleme, PCA tabanlı veri kümeleme ve XGBoost modellemesi adımları, benzer tipteki ticari veya askeri gemilerin yakıt tüketim optimizasyonu araştırmalarına doğrudan uyarlanabilir somut bir altyapı sağlamaktadır.

Elde edilen bulgular, gemi seyir verilerindeki karmaşık ve doğrusal olmayan ilişkilerin modellenmesinde topluluk öğrenme tekniklerinin, özellikle de XGBoost metodunun, geleneksel çoklu doğrusal regresyon ve yapay sınır ağlarına kıyasla belirgin şekilde daha düşük test hatası ve yüksek açıklayıcılık oranı sunduğunu göstermektedir.

Yazarlar bu durumu, çoklu doğrusal bağlantı (multicollinearity) ve durağan olmayan veri yapısının PCA destekli K-means kümeleme ve alan bilgisine dayalı özellik mühendisliği ile başarıyla arındırılmasına bağlamaktadır. Verinin operasyonel modlara göre sistematik olarak kümelenmesi, modelin gürültü yerine gerçek seyir dinamiklerine odaklanmasını sağlamıştır.

Tartışma bölümünde bu sonuçlar literatürle ilişkilendirilerek, Gkerekos vd. (2019) gibi çalışmaların vurguladığı yapay sınır ağı üstünlüğünün, kapsamlı bir özellik mühendisliği ve topluluk öğrenme mimarisi kullanıldığında XGBoost lehine değiştiği gösterilmiştir. Ayrıca Tsitsilonis ve Theotokatos (2018) tarafından önerilen veri filtreleme kurallarının aksine, sunulan veri odaklı kümeleme yaklaşımının çevre şartlarına daha dayanıklı olduğu vurgulanmıştır.

Sonuç olarak, makine öğrenimi modellerinin başarısının yalnızca algoritma seçimine değil, fiziksel alan bilgisiyle desteklenmiş veri ön işleme adımlarına bağlı olduğu açıkça ortaya konmuştur. Bu durum, gelecekteki gerçek zamanlı seyir karar destek sistemleri ve otomatik rota optimizasyonu uygulamaları için sağlam bir metodolojik zemin oluşturmaktadır.

Tsitsilonis ve Theotokatos (2018) çalışmalarında geçici verileri ayıklamak için makine gücünün saatlik yüzde beşten fazla dalgalanmasını esas alan bir yöntem kullanırken, bu çalışmada PCA ve K-means kümeleme tabanlı durağan durum tespiti uygulanarak hava koşullarındaki değişimlere karşı daha dirençli bir aykırı değer temizleme yaklaşımı geliştirilmiştir (Agand et al., 2023, s. 9).

Gkerekos ve arkadaşları (2019) tarafından yapılan karşılaştırmalı çalışmada yapay sınır ağlarının SVR ve ETR yöntemlerinden daha iyi sonuç verdiği gösterilmişken, bu çalışmada geliştirilen XGBoost tabanlı topluluk modeli hem yapay sınır ağlarından hem de geleneksel parametrik modellerden daha yüksek tahmin doğruluğu ve daha düşük test hatası sağlamıştır (Agand et al., 2023, s. 4).

Bu makale, deniz taşımacılığında enerji verimliliği ve emisyon azaltımı hedefleri doğrultusunda, gerçek zamanlı sensör verileri ve makine öğrenimi tekniklerini kullanarak gemi yakıt tüketimini yüksek doğrulukla tahmin eden metodolojik bir çerçeve sunmaktadır. Literatürde sıklıkla karşılaşılan durağan olmayan veri yapısı, çoklu doğrusal bağlantı ve operasyonel mod değişiklikleri gibi sorunlara karşı alan bilgisi ile veri odaklı teknikleri birleştiren gri-kutu bir yaklaşım getirmektedir. Parametrik ve parametrik olmayan modelleri geniş bir yelpazede karşılaştırarak en yüksek başarımı topluluk öğrenme algoritması olan XGBoost ile elde etmiş ve gelecekteki seyir kararlarının iyileştirilmesi için adım ötesi tahmin yeteneklerini değerlendirmiştir.

Çalışma, gemi tasarım aşamasındaki teorik hesaplamalara odaklanan veya yalnızca gemi personelinin tecrübesine dayalı log verilerini kullanan önceki literatürden ayrılmaktadır. Log verilerinin düşük örnekleme frekansı nedeniyle anlık değişimleri yansıtamama eksikliğini sensör tabanlı yüksek frekanslı verilerle aşmaktadır. Literatürde tekil makine öğrenimi modellerinin veya kısıtlı parametrik regresyonların sıklıkla tercih edilmesine karşılık, bu araştırma Temel Bileşen Analizi (PCA) ve K-means kümeleme ile veri ön işleme aşamasını sistemleştirmiştir. Gkerekos vd. (2019) ve Bialystocki ve Konovessis (2016) gibi çalışmaların bıraktığı yöntemsel boşlukları doldurarak özellik mühendisliğinde fiziksel formülleri veri odaklı yaklaşımlarla sentezlemiştir.

Literatür taramaları açısından bu eser, denizcilikte yakıt verimliliği optimizasyonu üzerine yapılacak araştırmalara metodolojik bir standart sunmaktadır. Ham sensör verisinin aykırı değer arındırma, eksik veri tamamlama, durağanlaştırma ve veri ölçekleme adımlarından nasıl geçirilmesi gerektiğini adım adım göstermektedir. Ayrıca, modellerin yalnızca anlık tahmin başarısını değil, seyir optimizasyonu için hayati önem taşıyan gelecek adımlardaki tahmin performansını da karşılaştırmalı olarak analiz ederek literatüre özgün bir değerlendirme boyutu kazandırmaktadır.