Op 14 december 2023 is Bart van Engelen van TU Delft afgestudeerd op het DigiShape seedmoney project ‘Machine learning model voor afwijkend scheepsgedrag’. Hij is daarmee de eerste die op een DigiShape projecten afstudeert!
Bart onderzocht op welke manier je met behulp van machine learning patronen van scheepsgedrag kunt ontdekken in AIS-data. Zijn oorspronkelijke doel was om bijna-ongevallen te pinpointen, maar dat bleek tijdens het onderzoek toch een brug te ver. Desondanks is tijdens zijn onderzoek wel een belangrijke basis gelegd en gaat een volgende student met nieuwe accenten verder bouwen op zijn onderzoek.
Wat hield het onderzoek in?
Bart analyseerde, met begeleiding van onder andere Lex de Boom van Witteveen+Bos en Solange van der Werff en Fedor Baart van Deltares en Mark van Koningsveld van TU Delft, een historische AIS-dataset met gegevens over binnenvaartschepen op een bepaald traject. In deze dataset heeft hij met behulp van machine learning clusters van scheepsgedrag kunnen aanwijzen, die verschillende soorten gedrag laten zien. Denk aan in dezelfde richting varen, met dezelfde snelheid varen of dezelfde onderdoorgang nemen. Doordat je in de data kunt zien welk gedrag normaal is, kun je vervolgens ook aanwijzen waar schepen afwijkend gedrag hebben vertoond. Zo waren er in de gebruikte data twee gevallen terug te vinden, waarbij er veel datapunten van een stilliggend schip vlak voor een burgpijler zichtbaar waren, mogelijk een ongeval. “Deze situaties zijn nooit bij de beheerder gemeld, dus men weet niet wat er echt gebeurd is. Als je veel van dit soort gevallen op een bepaalde plek in de data terugziet, dan is dit wel een belangrijk waarschuwingssignaal voor de beheerder,” aldus Bart. Ook kunnen dit soort modellen mogelijk gebruikt worden om met terugwerkende kracht de effectiviteit van bepaalde maatregelen te meten. Denk aan het veranderen van een maximum vaarsnelheid of het plaatsen van veiligheidsborden op de kant.
Voordeel van machine learning
Doordat er gebruik is gemaakt van machine learning, zijn er meer en sneller inzichten verkregen, dan zonder machine learning het geval was geweest. “Bij de Schellingwouderbrug heeft het algoritme uit 2200 trips 20 afwijkende trips kunnen aanwijzen,” licht Bart toe. “Daardoor hoefden we alleen te kijken naar die bewuste trips en konden we de andere 2180 trips achterwege laten. Dat scheelt aanzienlijk veel werk.” Daarnaast is het voordeel van machine learning, dat alle achterliggende data bewaard blijven. “Afwijkend scheepsgedrag kan heel veel vormen aannemen. Dat kan gaan om te snel varen, te dicht langs een kunstwerk, een rare bocht maken, noem maar op. Vaak gaat er voorafgaand aan zo’n situatie al iets fout. Met machine learning kun je verschillende vormen van afwijkend gedrag signaleren en het hele traject van een schip analyseren.”
Rubber duck debugging
Afstuderen gaat meestal niet van een leien dakje en zo kwam ook Bart de nodige uitdagingen tegen. “Ik heb me af en toe wel blind kunnen staren op de code,” vertelt hij. “Dat heeft me een hoop tijd gekost en niet altijd met het gewenste resultaat. Soms moet je stoppen met proberen iets te fixen wat te ver weg ligt. Of er met iemand over praten. Zo heb ik de term Rubber duck debugging ontdekt, een veelgebruikte term in software engineering. Dat betekent dat je, door je probleem goed uit te leggen (als is het maar aan je badeend), vaak zelf alweer ideeën krijgt hoe je het op moet lossen.”
Wij feliciteren Bart en zijn begeleidingscommissie met dit mooie werk!
Meer informatie
- Scriptie van Bart in de repository van TU Delft
- DigiShape seedmoney project Machine learning model voor afwijkend scheepsgedrag
