Soutenance de thèse de CHOUIKRI Khalil
Titre de thèse
Modélisation hybride semi-paramétrique pour la prédiction de la puissance propulsive des navires porte-conteneurs bicarburant
Hybrid semi-parametric modeling for shaft-power prediction in dual-fuel container vessels
Résumé de la thèse
Le transport maritime assure la majeure partie du commerce mondial et se trouve sous la pression d'améliorer son efficacité opérationnelle conformément aux engagements de décarbonation de l'Organisation maritime internationale. L'optimisation dynamique des routes, ajustée en temps réel, dépend d'une prédiction précise de la puissance propulsive. Pour les porte-conteneurs bicarburant étudiés ici, qui alternent automatiquement entre gaz naturel liquéfié et fioul, modéliser directement la
consommation est mal posé : la répartition entre carburants, fixée par le système de gestion moteur, n'est pas observable dans les journaux de bord standard. La puissance à l'arbre, mesurable en continu, est retenue à sa place.
La thèse développe un cadre hybrid semi-parametric couplant des formulations physiques de résistance et de rendement à un apprentissage piloté par les données. Sur un unique porte-conteneurs bicarburant, elle compare des architectures physique, black-box, serial hybrid et gated multi-method, une progression qui rapproche l'erreur du seuil industriel, tandis qu'une lecture voyage par voyage montre qu'un chiffre
agrégé flatte le modèle au regard d'un critère énoncé par voyage. Le cadre est ensuite étendu à une flotte de navires hétérogènes par un Enhanced Transformer doté d'une pondération apprenable des variables et d'un conditionnement spécifique au navire, qui surpasse les références physique, black-box, récurrentes et Transformer standard.
Une formulation raffinée couple une décomposition complète du rendement propulsif, un modèle spectral de résistance ajoutée de houle et une chaîne d'imputation auditable, et fournir les grandeurs physiques au modèle sous forme de covariates se révèle supérieur à la correction résiduelle additive qui domine cette littérature. Réinstancié sans modification sur une seconde classe de navires, sur un enregistrement d'un ordre de grandeur plus court, le modèle hybride compact reproduit le classement obtenu sur la première, de sorte que la méthodologie se généralise d'une classe à l'autre.
Les analyses d'explainability convergent vers une attribution cohérente, corroborée par ablation avec réentraînement, et que les mêmes analyses sur des réseaux non convergés produisent une hiérarchie trompeuse constitue en soi un résultat. L'analyse par sous-groupes délimite des frontières opérationnelles nettes : le modèle reste fiable à la vitesse de dessin et se dégrade aux extrêmes de vitesse peu échantillonnés, où la couverture des données et un a priori hydrodynamique calibré au point de dessin deviennent les contraintes déterminantes. Un résultat méthodologique central concerne le protocole plutôt que l'architecture : dès lors que la règle d'arrêt laisse converger chaque candidat, des backbones couvrant des ordres de grandeur en capacité deviennent presque indiscernables, et l'avantage apparent des réseaux compacts se révèle un artefact d'arrêt prématuré. Le résultat est une base précise, interprétable et auditable pour la prédiction de puissance à l'échelle d'une flotte.
Thesis resume
Maritime transport carries the greater part of world trade and is under pressure to improve its operational efficiency in line with the decarbonization commitments of the International Maritime Organization. Dynamic voyage optimization, the adjustment of route and operating profile in real time, depends on an accurate prediction of the propulsive power a vessel will require. For the dual-fuel container vessels studied here, which alternate automatically between liquefied natural gas and fuel oil, modeling fuel consumption directly is ill-posed, because the allocation between fuels is set by the engine management system and is not observable from standard logs. Shaft power, measurable under all operating conditions, is adopted instead as the prediction target.
This thesis develops a hybrid semi-parametric framework coupling physics-based resistance and efficiency formulations with data-driven learning. On a single dual-fuel container vessel it compares physics-based, black-box, serial hybrid and gated multi-method architectures, a progression that brings the error close to the threshold set by the industrial partners, while a per-voyage reading shows that a pooled figure flatters a model against a criterion the partners state per voyage. The framework is then scaled to a fleet of heterogeneous sister vessels by an Enhanced Transformer with learnable feature weighting and vessel-specific conditioning, which outperforms physics-based, black-box, recurrent and standard Transformer baselines.
A refined formulation couples a full propulsive-efficiency decomposition with a spectral model of added wave resistance and an auditable imputation pipeline, and supplying the physical quantities to the learner as covariates is shown to outperform the additive residual correction that dominates this literature. Re-instantiated without modification on a second vessel class, over a record an order of magnitude shorter, the compact hybrid reproduces the ranking obtained on the first, so the methodology generalizes across classes.
Explainability analyses converge on a coherent attribution, corroborated by ablation through retraining, and that the same analyses applied to under-converged networks yield a different and misleading hierarchy is itself a finding. Subgroup analysis delineates sharp operational boundaries, the model remaining reliable at design speed and degrading at the sparsely sampled speed extremes, where data coverage and a design-calibrated hydrodynamic prior are the binding constraints. A central methodological finding concerns protocol rather than architecture: once the stopping rule lets every candidate converge, backbones spanning orders of magnitude in capacity become almost indistinguishable, and the apparent advantage of compact networks proves an artifact of premature stopping. The result is an accurate, interpretable and auditable basis for fleet-wide power prediction and voyage optimization.