Стаття

Отримано 19.01.2025

Доопрацьовано 20.05.2025

Прийнято 20.06.2025

Взято з Том 28, № 1, 2025

Сторінки 121 -131

Bulgakov, M., & Melnyk, O. (2025). Intelligent digital twin utilization for real-time forecastingand optimization of the ship's power system. The National Transport University Bulletin: A Scientific and Technical Journal, 28(1), 121-131. https://doi.org/10.32703/2617-9040-2025-45-9

Використання інтелектуального цифрового двійника енергосистеми судна для прогнозування та оптимізації в реальному часі

Микола Булгаков Олексій Мельник

У статті представлено концепцію та математичну модель інтелектуального цифрового двійника  енергетичної  системи  морського  судна,  розраховану  на  функціонування  в  режимі реального часу. Розроблена система поєднує динамічне моделювання енергобалансу, обробку телеметричних  даних  із  застосуванням  фільтра  Калмана,  прогнозування  навантаження  на основі нейронних мереж типу LSTM, а також механізми виявлення аномальних режимів і модулі оптимізації.  Архітектура  цифрового  двійника  реалізована  у  вигляді  модульної  програмної системи з підтримкою інтеграції до суднових платформ управління та хмарних аналітичних сервісів.  У  середовищі  MATLAB/Simulink  проведено  серію  комп’ютерних  експериментів,  що охоплюють  типові  та  аварійні  режими  енергоспоживання  судна.  Отримані  результати засвідчили високу збіжність розрахункових та модельованих значень, оперативне реагування системи  на  зміни  технічного  стану  та  ефективність  запропонованих  рішень.  Розроблена модель  цифрового  двійника  може  бути  використана  як  інструмент  підвищення енергоефективності, надійності та безпеки експлуатації суден в умовах змінного морського середовища

цифровий двійник; енергетична система судна; прогнозування навантаження; телеметрія; фільтр Калмана; LSTM; виявлення аномалій; енергоефективність; автономне управління; морський транспорт
  1. Li, H., Zhang, R., Zheng, S., Shen, Y., Fu, C., & Zhao, H. (2024). Digital twin-driven intelligent operation and maintenance platform for large-scale hydro-steel structures. Advanced Engineering Informatics, 62, 102661. https://doi.org/10.1016/j.aei.2024.102661.
  2. Liu, Z., Chu, Y., Li, G., Hildre, H. P., & Zhang, H. (2024). Shipboard crane digital twin: An empirical study on R/V Gunnerus. Ocean Engineering, 302, 117675. https://doi.org/10.1016/j.oceaneng.2024.117675.
  3. Es-haghi, M. S., Anitescu, C., & Rabczuk, T. (2024). Methods for enabling real-time analysis in digital twins: A literature review. Computers & Structures, 297, 107342. https://doi.org/10.1016/j.compstruc.2024.107342.
  4. Ubina, N. A., Lan, H., Cheng, S., Chang, C., Lin, S., Zhang, K., Lu, H., Cheng, C., & Hsieh, Y. (2023). Digital twin-based intelligent fish farming with Artificial Intelligence Internet of Things (AIoT). Smart Agricultural Technology, 5, 100285. https://doi.org/10.1016/j.atech.2023.100285.
  5. Fu, X., Li, S., Song, H., & Lu, Y. (2025). Digital Twin-driven multi-scale characterization of machining quality: Current status, challenges, and future perspectives. Robotics and Computer-Integrated Manufacturing, 93, 102902. https://doi.org/10.1016/j.rcim.2024.102902.
  6. Mohanraj, R., & Vaishnavi, B. K. (2025). Data enabling technology in digital twin and its frameworks in different industrial applications. Journal of Industrial Information Integration, 44, 100793. https://doi.org/10.1016/j.jii.2025.100793.
  7. Zou, Y., Liu, Y., Chen, Z., Liu, J., Chen, J., Chen, M., Lv, P., Duan, H., & Li, H. (2024). Data driven digital twin system for the cross-domain vehicle. Ocean Engineering, 311, 118846. https://doi.org/10.1016/j.oceaneng.2024.118846.
  8. Shang, G., Xu, L., Li, Z., Zhou, Z., & Xu, Z. (2024). Digital-twin-based predictive compensation control strategy for seam tracking in steel sheets welding of large cruise ships. Robotics and Computer-Integrated Manufacturing, 88, 102725. https://doi.org/10.1016/j.rcim.2024.102725.
  9. Liu, J., Zhang, Y., Liu, Z., Leng, J., Zhou, H., Gu, S., & Liu, X. (2024). Digital twins enable shipbuilding. Alexandria Engineering Journal, 107, 915-931. https://doi.org/10.1016/j.aej.2024.09.007.
  10. Khaled, I., Vasiukov, D., Shakoor, M., Bennebach, M., & Chaki, S. (2023). Digital Twin for Predicting Progressive Damage           in            Operating               Pressure Vessels.   Procedia Structural               Integrity, 57,          280-289. https://doi.org/10.1016/j.prostr.2024.03.030. 
  11. Vashishth, T. K., Sharma, V., Sharma, K. K., Kumar, B., Chaudhary, S., & Panwar, R. (2024). Digital twins solutions for smart logistics and transportation. Digital Twins for Smart Cities and Villages, 353-376. https://doi.org/10.1016/B978-0443-28884-5.00016-6. 
  12. Javaid, M., & Haleem, A. (2024). Role of digital twin and blockchain in logistics and supply chain management. Digital Twin and Blockchain for Sensor Networks in Smart Cities, 243-264. https://doi.org/10.1016/B978-0-443-30076-9.00012-1.  
  13. Majidi Nezhad, M., Neshat, M., Sylaios, G., & Astiaso Garcia, D. (2024). Marine energy digitalization digital twin's approaches. Renewable and Sustainable Energy Reviews, 191, 114065. https://doi.org/10.1016/j.rser.2023.114065.
  14. Onishchenko, O., Bulgakov, M., Melnyk, O., Volianska, Y., Storchak, O., & Kovalchuk, M. (2024). Environmental sustainability in maritime transportation through the development of strategies to reduce emissions from marine internal combustion engines. In Studies in Systems, Decision and Control, 561, 509–534. https://doi.org/10.1007/978-3-031-683725.
  15. Bulgakov, M., Melnyk, O., Kuznichenko, S., Zaporozhets, A., Sagaydak, O., & Shcheniavskyi, G. (2025). Assessing the effectiveness of deoxygenation methods in ballast water treatment. In Studies in Systems, Decision and Control (Vol. 580, pp. 107–119). Springer. https://doi.org/10.1007/978-3-031-82027-4_7.

https://doi.org/10.32703/2617-9040-2025-45-9