Kunstig intelligens skal gøre færgedrift mere grøn

Lektor Simon Stochholm forsker i, hvordan kunstig intelligens og machine learning kan bidrage til at optimere den danske færgedrift og spare tid, brændstof og penge.  

Dato: 10.02.2022 - Forfatter: Mark Lodberg

Hvordan kan kunstig intelligens og machine learning være med til at forme fremtidens færgedrift i Danmark og sikre overgang til en fremtid med færger drevet af el?

Det er et af de spørgsmål, som Lektor ved Anvendt Erhvervsforskning på UCL Erhvervsakademi og Professioneshøjskole, Simon Stochholm dykker ned i i storytelling-podcasten Bløde Værdier.

Samarbejde med Langelandslinjen

Simon Stochholm har de sidste par år sammen med Lars Lindegaard fra Anvendt Erhvervsforskning ved brug af Machine Learning studeret og udforsket, hvordan færger på Langelands Linjen, der sejler mellem Spodsbjerg og Tårs i en af verdens mest trafikerede farvande, kan optimere deres drift.

I podcasten fortæller Simon i den forbindelse om sin forskning i, hvordan man kan få computere til at genkende menneskelige mønstre i transportsektoren, så bl.a. færgedrift kan optimeres på tid, brændstof og økonomi. Til det formål har UCL anskaffet et seriøst bæst af en maskine, der kan tygge sig igennem dataene fra ca. 15.000 sejladser mellem Spodsbjerg og Tårs.  

Færgedriften bliver elektrisk

Baggrunden for arbejdet er, at de nuværende dieseldrevne færger om kort tid bliver elektriske. Derfor er der et stort behov for at vide, hvordan og hvorledes opladning af batterier kan foregå på den mest hensigtsmæssige måde. Her har Simon Stochholm og Lars Lindegaard udviklet et oplæg til beslutningstøttesystem med afsæt i de tilgængelige data (vejr, overfarts tid, brændstofforbrug etc), som færgeselskabet har stillet til rådighed.

Læs mere om projektet og hør podcasten Bløde værdier, hvor Simon også kommer ind på sin anden interesse, hvor han skaber digitale kunstværker ud fra tilfældige stikord og databaser over flere hundrede års malerier. De bedste af værkerne sættes til salg online som NFT’er for kryptovaluta.