Slik kan KI forutse og forhindre skipsulykker

Denne artikkelen er produsert og finansiert av Universitetet i Sørøst-Norge - les mer.

Forskere har brukt automatisert maskinlæring til å analysere 40 år med norske skipsulykker. Resultatet kan bli en tryggere skipsfart.

Nå har forskere funnet en måte å forutsi hvilke typer skipsulykker som kan oppstå, ved hjelp av historiske data og kunstig intelligens. (Foto: Evgenii Bakhchev / Shutterstock / NTB)

Trange farvann, dårlig sikt, sterk vind og sjøsprøyt som pisker over dekk. Utfordringene er mange når sjøfolk skal navigere langs den krevende norskekysten.

Hvert år skjer det hundrevis av skipsulykker i norske farvann. Med fare for liv og tap av store verdier er det avgjørende å finne måter å forhindre ulykker på.

Nå har forskere ved Universitetet i Sørøst-Norge (USN), NTNU og Universitetet i Agder funnet en måte å forutsi hvilke typer ulykker som kan oppstå, ved hjelp av historiske data og kunstig intelligens.

– Fortidens ulykker kan bidra til fremtidig sikkerhet til sjøs. Vi ønsket å finne ut hvilke faktorer som har størst betydning for ulike typer maritime ulykker, og hvilke maskinlæringsmodeller som er best egnet til å forutsi dem, forteller professor Ziaul Haque Munim ved USN.

– Vi ønsket å finne ut hvilke maskinlæringsmodeller som er best egnet til å forutsi ulykker, sier professor Ziaul Haque Munim. (Foto: USN)

40 år med ulykker i én modell

Forskerne brukte data fra Sjøfartsdirektoratet, som har registrert over 37.000 ulykker i norske farvann fra 1981 til 2020. 

Etter å ha gjort et utvalg basert på datakvalitet og relevans satt de igjen med 9.025 ulykker fordelt på fem hovedkategorier: grunnstøting, kontakt med kai eller bro, brann/eksplosjon, kollisjon og skader fra uvær.

– Ved hjelp av automatisert maskinlæring var det nå om å gjøre å finne den beste maskinlæringsmodellen blant 29 kandidater, sier Munim.

For å finne ut om modellene faktisk klarte å forutsi riktig, testet forskerne dem på data modellene ikke hadde sett før. De delte datasettet i fem deler, og hver modell fikk prøve seg på én del av gangen mens den trente på de fire andre. 

Slik fikk de sjekket hvor godt hver modell klarte å gjette riktig ulykkestype.

Modellen som var raskest og mest treffsikker er en såkalt «Light Gradient Boosted Trees Classifier». Denne ble testet på en helt egen del av dataene som hadde vært holdt helt utenfor hele prosessen for å se om den også klarte seg bra i praksis. Denne traff riktig i omtrent to av tre tilfeller.

Fartøy i smale farvann og lasteskip mest utsatt

Modellen viste at tre faktorer har størst betydning for ulykkesrisiko:

1. Hvilken type farvann skipet befinner seg i: Særlig smale kystfarvann er risikoutsatte.
2. Driftsfase: Skip som er underveis er mest utsatt for ulykker, etterfulgt av skip som ankommer havnen.
3. Skipsvolum: Gjennomsnittlig bruttotonnasje for skipene som ble utsatt for ulykker var 4.510 tonn.

Resultatene viste at lasteskip var mest utsatt for ulykker, etterfulgt av fiskefartøy og passasjerfartøy. Den vanligste typen ulykke var grunnstøting, som sto for over halvparten av ulykkene som ble analysert.

– Vi fant blant annet at fiskefartøy og lasteskip som er underveis i smale kystfarvann har en høyere sannsynlighet for å grunnstøte enn for å bli utsatt for andre typer ulykker, forteller Munim.

Varsling i sanntid

Resultatene fra studien kan tas i bruk når man skal vurdere risikoen for ulykker. Men det mest spennende er at modellen som presterte best kan brukes i tillegg til dagens systemer som støtter beslutninger til sjøs.

– Om for eksempel værdata og data fra sensorer på fartøyet inkluderes, kan dette forbedre modellens treffsikkerhet. Modellen kan brukes i utviklingen av et system som varsler besetningen om økt ulykkesrisiko i sanntid – før det skjer en ulykke, sier Munim.

Fremtidens navigatører

Maskinlæring kan også brukes til å vurdere studenters prestasjoner i navigasjonssimulatorer.

– Ved å bruke slik prediktiv analyse kan vurderingene bli mer pålitelige, studenter som sliter kan fanges opp tidligere, og fremtidens navigatører blir bedre forberedt på krevende situasjoner i virkeligheten, sier Munim.

Referanse:

Ziaul Haque Munim mfl.: Predicting maritime accident risk using Automated Machine Learning. Reliability Engineering & System Safety, 2024. Doi.org/10.1016/j.ress.2024.110148