1. 서 론

4차 산업혁명에 따른 선박의 기술 발전은 스마트 선박 및 자율운항선박과 같은 기존 유인선박의 자율화 및 지능화 (Shin et al., 2017)와 같은 스마트 기술과 함께 강화된 국제 환경규제에 대응하기 위한 친환경 선박을 위한 기술 개발에 집중하고 있다. 스마트 기술은 자율화 자율 운항 시스템, 선 박 자동 식별, 항로 최적화 등의 기존의 유인선이 가지고 있 는 한계를 데이터 기술을 활용하여 개선하는 기술(Jeon et al., 2018)이며, 친환경 선박을 위한 기술 개발은 국제해사기 구(International Maritime Organization, IMO)에서 선박의 탄소 배출량 관리를 위해 제공하는 선박운항 효율 평가관련 지표 (IMO, 2020)를 바탕으로 선박운항효율을 개선하기 위한 방향 으로 이루어지고 있다. 이에 발맞추어, 세계 각국에서는 선 박의 안전운항을 보장하는 선에서 선박 운항의 효율을 극대 화하기 위해 다양한 접근방식으로 운항효율을 개선하려는 노력이 이루어지고 있다(Kim et al., 2017).

국내의 관련 연구들은 크게 기술 측면과 운항 측면으로 나눌 수 있다. 기술 측면으로는 선체 자체의 운항 효율을 개 선시키기 위한 연구로 파랑 중 선체가 받는 저항을 분석하 고 선형 및 선체 운동에 따른 운항 효율을 분석하였으며 (Kim et al., 2021), 다른 연구에서는 물리적 관점에서 선체의 움직임을 기반으로 에너지 효율을 분석하였다(You and Park, 2018). 기술 측면의 대표적 에너지 효율 평가 지수로는 IMO 에서 제시한 EEDI(Energy Efficiency Design Index for new ships) 와 EEXI(Energy Efficiency Existing Ship Index)가 있다.

운항 측면에서는 선박 운항 효율 개선을 위해 최적 운항 속력과 RPM을 도출하기 위한 연구가 이루어 졌으며(Kim et al., 2012;Gong et al., 2014), 선박 연료 효율과 관련하여 환경 요인을 반영한 선박 운항 상태의 적정 여부를 판단하고자 한 연구가 있었다(Kim et al., 2017;Lee et al., 2019). 또한 연료 소모량 예측을 통해 최적 항로를 탐색한 연구도 진행되었다 (Woo et al., 2018;Kim and Jin, 2020;Choi et al., 2007). 운항 측면 의 대표적인 운항 효율 평가 지수로는 IMO에서 제시한 EEOI (Energy Efficiency operational Indicator)와 CII(Carbon Intensity Indicator)가 있다.

운항 측면의 연구들은 모두 대지속력, 대수속력, 운항거리 와 같은 항해 데이터 및 RPM, M/E POWER, 연료소모량과 같 은 기관 데이터를 기반으로 사용하였으나 기상과 같은 외력 의 영향이 반영되지 않거나, 반영되었더라도 요소 간 관계 또는 패턴 파악에 활용이 한정되었다. 또한 선박의 운항 효 율을 판단하기 위해 IMO에서 제시한 EEOI와 CII는 항차 및 연간 단위에서 산정되므로, 선박의 항해가 종료된 후 검토 되는 한계가 존재한다(Kim and Jin, 2020;Ahn, 2022). 이처럼 선박의 운항 효율을 개선하기 위한 여러 연구들이 이루어지 고 있음에도 불구하고, 기상상황과 선박 조종 상황을 포함 한 실시간 선박 운항데이터가 고려된 운항 효율을 제시한 연구는 부족하다.

탄소중립을 위해 갈수록 강화되는 탄소 배출량 규제(Ahn, 2022)에 능동적으로 대응하고 선박 운항자에게 효과적인 의 사결정 지원을 위해서는 선박이 항해할 당시의 기상환경 및 조종 상태와 같은 운항상태를 함께 고려하여 선박 운항 효 율을 실시간으로 판단할 필요가 있다.

이에 본 연구는 현존하는 선박운항효율 분석방식을 개선 하기 위해 기상, 선박조종 등의 선박운항상태를 감안한 현 실적인 운항효율 분석 모델을 개발하고자 한다.

2. 실시간 운항 효율 분석 방법

2.1 데이터 분석 순서

데이터의 분석과정은 Fig. 1에서 보는 바와 같이 데이터를 추출할 선박의 선정과 데이터의 수집, 전처리를 먼저 진행 하였다. 그 후, 선박운항효율을 대표하는 특성과 선박운항상 태 특성을 구분하여, 선박운항상태 특성을 학습하여 각 선 박운항효율 대표 특성을 구분하는 분류 모델을 생성하였다.

생성된 선박운항효율 식별 모델의 검증은 검증 데이터의 선박운항효율 특성을 기반으로 도출한 운항효율과 선박운 항상태 특성을 기반으로 분류한 운항효율을 비교하였다.

2.2 데이터 수집 및 전처리

본 연구에서 데이터를 수집한 대상선박은 목포해양대학 교의 실습선 세계로호였으며, 항해장비, 기관장비의 데이터 를 취합하여 송수신하기 위한 시스템을 갖추고 있어 대상선 박으로 적절하다고 판단하였다. 수집된 데이터의 종류는 항 해장비 관련 데이터 8종, 기관장치 또는 설비 관련 데이터 166종으로 정리할 수 있었다.

데이터의 전처리 과정은 우선, 각 장비의 데이터 송수신 시간 간격 차이를 줄이기 위해 매 1분 단위로 단절하여 데 이터를 정리하였다. 추가적으로, 손상 및 누락된 데이터의 제거와 수집기간 차이는 데이터 손실이 가장 적은 공통 수 집기간의 데이터를 취합하였다. 그 결과, 2022년 11월 28일 00시 30분부터, 11시 38분까지의 데이터를 분석에 활용할 수 있었다.

해당 구간의 데이터는 목포해양대학교 부두를 출발하여 인천항까지 항행하는 구간이었으며, 해당 구간 중 본 연구 의 분석 목적에 맞도록 Fig. 2와 같이 연료효율에 직접 변화 를 주는 주기관 RPM을 유지한 구간만을 선정하였다.

Fig. 2의 노란색으로 표시한 시간 이후, 대상선박 RPM (Revolution Per Minute)은 Setting RPM기준 135로 항행하였고, 기관 대기 상태(Stanby)가 아닌 등속항해 상태(R/up engine) 이 후의 구간으로 운항자에 의한 추가 RPM조절이 없는 구간이 며, Fig. 3에서 흰색으로 표현한 항해구간으로 협수로를 이탈 한 이후의 구간으로 확인되었다. 분석에 활용한 항해구간 중 20 %의 항해구간은 검증데이터로 정하여 학습에 사용하 지 않고 검증에만 사용하였다.

2.3 선박운항효율 특성과 선박운항상태 특성의 추출

전처리 후 데이터는 매 1분마다 하나의 값을 갖는 데이터 로서 누락데이터 없이 표 형태(Tabular data)로 정리되었다. 그 중 선행연구를 참조하여 추가적으로 ‘M/E fo consumption’ 변수와 ‘Speed over the ground’를 활용하여 계산한 ‘Fuel oil consumption per nautical miles’과 ‘Heading’ 변수와 ‘Wind direction’ 변수를 활용하여 계산한 ‘Deviation angle of relative wind direction’과 같은 실제 운항 중 선박의 운항과 직접적으로 관 련된 특성을 계산하여 추가하였다.

선박운항효율을 나타내는 특성은 연료소모량, 프로펠러 샤프트 힘에 따른 선박의 속력 등 선박의 항진과 관련한 특 성 2개를 선정하였으며, 이는 선박운항상태 특성을 활용한 분류모델 학습에서 각각의 응답변수로 활용되었다.

선박운항상태 특성은 기상, 선박조종, 선박 흘수, 항해위 치의 UKC(Under Keel Clearance)와 같은 선박이 처한 상태와 관련한 변수 8종을 선정하였다. 특성의 추출은 1분 단위의 데이터를 활용할 때보다 데이터의 경향을 나타낼 수 있도록 데이터 분할(Window size)을 10분으로 정하고 연속적으로 1 분씩 데이터 분할 위치를 움직이는 Moving window를 정하여 각 분할 데이터 내 평균, 표준편차, 왜도, 증감 값을 추출하 여 32개 특성을 추출하였다.

2.4 선박운항상태 특성을 활용한 분류모델 학습

선정된 선박운항효율 특성 총 2종으로, 각 특성을 구간별 로 나누어 응답변수로서 사용하기위해 3개 구간으로 구분하 였다. 3개 구간은 선박운항효율을 고려하였을 때, 낮은효율구 간을 Good, 중간효율 구간을 Normal, 그리고 높은 효율구간을 Bad로 선정하였다. Good부터 Bad까지의 구간은 해당 선박운 항효율 특성의 모든 값을 포함할 수 있도록 Range로 정규화 하여 0~0.33, 0.33~0.66, 그리고 0.66에서 1까지로 구분하였다.

선박운항상태 특성을 활용한 분류모델의 학습은 각 3개 구간으로 나뉜 선박운항효율 특성 2가지를 각각 응답변수로 갖도록 진행하였으며, 분류모델의 해석을 위해 정규화 한 값이 아닌 본래의 값을 그대로 사용하였다. 분류모델은 선 박운항효율 특성을 대상으로 총 2개 모델을 생성하였다.

2.5 실시간 선박운항효율 식별 모델 검증

분류모델은 선박운항상태 특성만을 활용하여 선박의 운 항효율 대표 특성을 Good, Normal, 또는 Bad로 식별하여 운 항효율을 분류할 수 있었다. 모델의 검증은 검증데이터에 대하여 기존 선박운항효율 특성 2개만을 사용하여 운항효율 을 판단할 때와 선박운항상태 특성을 분류모델에 적용하여 도출한 운항효율을 감안하여 판단할 때의 차이를 설명하고 선박운항상태에 따라 그 원인을 해석하였다.

3. 실시간 운항 효율 분석 결과

3.1 데이터 수집 및 전처리 결과

전처리 된 데이터를 대상으로 수행한 탐색적 데이터 분석 중, 본 연구의 주제와 같은 선박운항효율의 변화를 동시에 관찰하기 위하여 시간당 연료소모량, 대지속력 변화, 바람의 세기 변수를 0부터 1까지 정규화하여, 항적의 색깔 RGB 값 으로 나타내면 Fig. 4와 같았다.

위 그림은, RGB값의 특성상 3개 차원의 값이 모두 0에 가 까울수록 하얀색으로 표시되고, 1에 가까울수록 검은색으로 표시된 항적을 보여준다. 이를 통해 본 연구에서는 운항 중 끊임없이 변화하는 선박의 운항환경에 따른 운항상태를 확 인할 수 있었다.

3.2 선박운항효율 및 선박운항상태 특성 추출 결과

본 연구에서 수집한 데이터를 활용하여 추출할 수 있는 특성 중, 선박운항효율을 판단하는 특성과 선박운항상태 특 성은 아래 Table 1과 같다.

3.3 선박운항상태 특성을 활용한 분류 모델 학습 결과

분류모델의 학습은 Coarse Decision Tree 알고리즘을 활용 하였다. Fig. 5와 Fig. 6은 각 선박운항효율 특성을 응답변수 로 갖는 분류 모델로써, 루트노드와 내부노드 그리고 단말 노드에서 분류에 활용한 선박운항상태 특성을 보여준다.

Fig. 5의 분류모델은 선박운항효율 대표 특성 중 FOC/NM 의 3단계에 대해, 루트노드를 평균 수심 32.8을 기준으로 우선 분류하고, 내부노드를 평균풍속 7.4를 기준으로 구분한 다음, 말단노드를 선미 측방향 속력의 표준편차와 왜도를 기준으로 사용하여 최종 분류하였다. 이는 FOC/NM 특성이 항행 중인 해역의 수심과 선미의 움직임이 관련되었음을 나타내었다.

Fig. 6의 분류모델은 선박의 프로펠러와 관련된 특성인 ShaftPower/SOG의 3단계에 대해, 가장 먼저 루트노드를 평균 수심을 32.6을 기준으로 분류한 후, 내부노드를 평균풍속 7.6 과 선미 흘수 표준편차 0.5로 구분한 뒤, 최종적으로 선미 흘 수 왜도 0.1로 말단노드를 구분하였다. 해당 분류모델 역시 항행 해역의 수심, 풍속과 같은 환경요소와 선미의 측방향 속력으로 운항효율을 분류하여 해당 요소들이 선박운항효 율에 밀접한 관련이 있음을 나타내었다.

3.4 실시간 운항 효율 분류 모델 검증 결과

앞의 분석 결과는 선박운항효율 특성을 응답변수로 활용 한 2개 분류모델이 선박운항상태 특성 중에서 평균 수심, 평 균 풍속, 선미 측방향 속력과 관련이 있음을 보여주었다.

본 연구에서는 실시간 운항효율 분류모델의 검증을 진행 하는데 있어, 선박운항효율 특성 2개와 선박운항상태 특성 만으로 분류된 선박운항효율 2개를 비교하고 이를 감안하는 방법에 대해 설명하였다. 이는 당시의 계산된 운항효율이 선박을 운항하는 상태에 대비하여 높은편이었는지, 적절했 는지 또는 낮았는지를 중심으로 설명하였다. Fig. 7과 Fig. 8 은 검증 구간의 기존 운항효율특성과 분류된 운항효율특성 을 비교한 결과이다.

Fig. 7과 Fig. 8의 항해구간은 목포항을 이탈하여 선회지점 까지 남진하는 구간이었다. 그림의 흰색부터 검은색까지의 3단계 색깔 구분은 ‘Good’는 1으로, ‘Normal’은 0.5로, ‘Bad’는 0으로 치환하여 표시한 것으로 검을수록 운항효율이 좋지 않음을 나타낸다.

대상선박의 운항효율은, Fig. 7과 8(a)에 보이는 기존 선박 운항효율 특성과 운항상태를 바탕으로 분류된 값을 감안한 Fig. 7과 8(b)의 개선된 선박운항효율 특성으로서, 각 운항효 율 평균의 차이는 아래 Table 2와 같이 정리되었다.

Table 2는 검증데이터에서 추출한 기존의 선박운항효율과 본 연구에서 제안하는 개선된 선박운항효율의 평균을 나타 낸다. 각 선박운항효율 특성의 평균값에 따르면, FOC/NM의 경우는 0.1025만큼, ShaftPower/SOG는 0.1125만큼 줄어든 것으 로 보아, 당시의 선박운항상태를 반영한 운항효율값은 기존 의 운항효율보다 평균적으로 더 좋지 않은 것으로 보였다.

이는 대상선박이 검증구간을 항해할 때 주어진 해상환경에 대비하여 더 효율적으로 운항하지 못했음을 나타내었고, 이는 앞의 Fig. 5와 Fig. 6에서 도출된 평균 수심, 평균 풍속, 선미 측 방향 속력 특성을 중심으로 정리하면 아래의 Table 3과 같다.

Fig. 7과 8의 표시한 해역은 기존의 선박운항효율 대표 특 성이 보이는 운항효율과 본 연구에서 제안하는 개선된 운항 효율의 차이가 가장 크게 나타난 구간이다. 해당 구간의 선 박운항상태 특성은 Table 3에 나타난 평균 수심, 평균 풍속, 선미 측방향 속력의 표준편차와 왜도로써 해당 구간의 개선 된 운항효율이 다르게 나타난 원인을 설명해준다.

해당구간에서의 선박운항상태 특성은 평균 수심이 37.7 로, 분류모델의 루트노드 기준인 32.6과 32.8을 초과하였고, 평균 풍속은 13.6으로 분류모델의 내부노드 기준인 7.4와 7.6 을 초과하였다. 그리고, 선미 측방향 속력의 왜도가 분류기 준인 0.8보다 작은 –0.3으로서 운항효율이 Bad로 분류된 구 간이었다. 이를 감안했을 때, 대상선박은 해당구간의 선박운 항상태로 보아 운항효율이 나쁨이어야 했으나, Fig. 7(a), Fig. 8(a)와 같이 보통 이상의 운항효율을 보였기에 본 연구에서 제안한 현실적인 운항효율은 Fig. 7(b), Fig. 8(b)에 나타난 것 과 같이 그보다 더 좋은 운항효율을 보였다.

4. 결 론

전 세계적으로 환경보호와 관련하여 선박에서 배출되는 탄소량을 줄이고, 선박을 더욱 효율적으로 운항하기 위한 노력이 이루어지고 있는 만큼, 객관적인 데이터를 바탕으로 선박운항효율을 판단하고 이를 실시간으로 모니터링하여 선박운항에 다시 반영하는 일은 중요해지고 있다.

이를 위해, 본 연구에서는 선박운항효율을 대표하는 특성 과 선박운항상태 특성을 구분하였고, 선박운항상태 특성을 학습하여 각 선박운항효율 대표 특성에 대한 분류 모델을 생성하였다. 해당 분류모델은 기존의 연료 소모량과 관련된 특성을 기반으로 한 선박 운항효율을 선박 운항 당시의 실 시간 기상환경과 조종 요소를 반영하여 재해석하였고, 기존 운항효율 결과가 나빴더라도 그것을 주어진 운항상태를 감 안하면 보통 또는 좋은 결과였음을 나타낼 수 있는 모델을 제안하였다.

결론적으로 재해석한 선박운항효율이 이전과 비교하였을 때 유의미한 차이가 있음을 시각적으로 확인할 수 있었으 며, 본 연구의 모델을 고도화하면, 기존보다 더 객관적으로 선박운항효율을 판단할 수 있을 것으로 기대한다.