데이터 기반 선체 오염 청소 일정 최적화로 선박 탄소 발자국 감소

초록

본 논문은 실시간 센서 데이터와 머신러닝을 활용해 연료소비를 예측하고, 동적 프로그래밍 기반 최적화 모델을 통해 선체·프로펠러 청소 시점을 결정한다. 실제 트램 트레이딩 선박 10척의 4년 데이터를 적용한 결과, 청소 횟수를 1~2회 추가해도 연료소비를 최대 5% 절감할 수 있음을 보였다.

상세 분석

이 연구는 선박 운용에서 가장 비용이 많이 드는 유지보수인 선체·프로펠러 청소를 데이터 기반 의사결정으로 전환한다는 점에서 의의가 크다. 먼저 저자들은 연료소비(Fuel Oil Consumption, FOC)를 핵심 성능 지표로 설정하고, 다양한 머신러닝 회귀 모델(SVR, ET, XGB, RF 등)을 비교·평가한다. 모델 선택 과정에서는 교차검증과 성능 지표(R², MAE 등)를 활용해 최적 모델을 선정했으며, 특히 SHAP(Shapley Additive Explanations)를 적용해 변수 중요도를 해석한다. 여기서 핵심 변수로는 ‘청소 이후 경과 일수(DSC)’가 강조되는데, 이는 직접적인 오염 측정이 어려운 상황에서 간접적으로 선체 마찰 증가 효과를 추정하는 혁신적인 접근이다. DSC 외에도 정박시간, 저속·고속 운항시간 등 운영 상태별 오염 축적 속도를 반영한 복합 변수들을 구축해 모델에 투입하였다.

동적 프로그래밍(DP) 기반 최적화 단계에서는 연료 절감 효과와 청소 비용(드라이덱·인워터 청소 각각의 비용 및 운항 손실)을 동시에 고려한 목적함수를 설계한다. DP는 시간(일)과 청소 횟수라는 이산적 상태공간을 탐색해, 주어진 기간(4년) 동안 최소 총 비용(연료비+청소비)을 제공하는 청소 스케줄을 도출한다. 이때 제약조건으로는 IMO·EU 규제에 따른 CII 등급 유지와 선박 가용성 제한을 포함한다.

실증 분석에서는 10척의 트램 트레이딩 선박에서 수집한 4년치 엔진·속도·날씨·청소 기록 데이터를 사용했다. 모델 검증 결과, 최적화된 스케줄을 적용하면 평균 연료소비가 35% 감소했으며, 추가 청소 12회를 수행해도 전체 비용 절감 효과가 양호했다. 특히, 청소 시점을 ‘연료 소비 급증이 감지된 시점’에서 결정함으로써 기존의 3~5년 주기 청소 정책보다 연료 효율성을 크게 향상시켰다.

이 논문의 주요 강점은 (1) 실제 운용 데이터를 기반으로 한 실용적인 예측 모델 구축, (2) SHAP을 통한 블랙박스 모델의 해석 가능성 확보, (3) 비용·환경을 동시에 고려한 DP 최적화 프레임워크 제시이다. 다만, DSC 변수는 청소 기록에 의존하기 때문에 청소 기록이 누락되거나 부정확할 경우 모델 신뢰도가 저하될 수 있다. 또한, 이미지 기반 오염 측정 데이터가 포함되지 않아 오염 정도를 직접 정량화하지 못한다는 제한점이 있다. 향후 연구에서는 저비용 수중 카메라 영상과 딥러닝 기반 이미지 분석을 결합해 DSC를 보완하고, 다중 선박군에 대한 확장성을 검증할 필요가 있다.