Mer miljøvennlig transport med kunstig intelligens

Datadrevne metoder innen maskinlæring kan brukes og bli helt avgjørende for å skape mer miljøvennlige alternativer innen mobilitet og logistikk.

Mer miljøvennlig transport med kunstig intelligens
Med bruk av maskinlæring kan ulike varetransporter kombinere leveranser slik at transportlengden kuttes ned for å få et mer klimavennlig system. Bildet er fra Svalbard, der Posten tidligere i år viste fram sin første og største elektriske lastebil Foto: Ole Berg-Rusten/NTB

Mobilitets- og logistikksektorene står for mye av Norges CO2-utslipp, men bransjen sliter med å finne løsninger som gir store utslippskutt. Datadrevne metoder som nå utvikles i Norge innen maskinlæring, kan bli helt avgjørende for å sikre miljøvennlige alternativer.

Klimaendringer og reduksjon i biologisk mangfold har skapt store, globale utfordringer. Et betydelig bidrag til disse problemene er klimagassutslipp som følge av samfunnets etterspørsel etter transport og logistikk. Nå haster det med å få redusert klimagassutslippene i disse sektorene.

Dagens mobilitetsløsninger er både sammensatte og komplekse. Derfor er de vanskelig å modellere analytisk, noe som er nødvendig for å bruke tradisjonelle optimeringsmetoder. Dette har gjort det krevende å finne løsninger som virkelig monner.

Bedre koordinering

Vi i Sintef og partnerne våre bruker kunstig intelligens (KI) og maskinlæring for å skape mer miljøvennlige løsninger innen transport, mobilitet og logistikk.

For eksempel jobber Sintef-forskere sammen med Skanska med å redusere utslipp fra veibygging ved å koordinere gravemaskiner og dumpere på en bedre måte. I et annet prosjekt, med selskapet Distribution Innovation, er målet å gi så presise data at pakkeleveringstjenesten enkelt kan planlegge de korteste og mest effektive rutene. I sin tur vil dette medføre store utslippskutt.

Dag Kjenstad (t.v.), Alexander Johannes Stasik og Signe Riemer-Sørensen
Dag Kjenstad (t.v.), Alexander Johannes Stasik og Signe Riemer-Sørensen er forskere i Sintef. Foto: Privat

I andre bransjer brukes såkalt analytisk modellering, der matematiske modeller brukes til å effektivisere, automatisere og identifisere utslippskutt. Men mobilitets- og logistikksektorene er avhengige av mange og komplekse relasjoner. Derfor har det vært vanskelig å finne mer miljøvennlige løsninger ved å modellere på denne måten.

Transport med flere formål

I Sintef har vi derfor gått andre veier. I et nytt «white paper» publisert på Sintef.no viser vi nå hvordan datadrevne metoder innen maskinlæring, som er en gren av kunstig intelligens, kan brukes og bli helt avgjørende for å skape mer miljøvennlige alternativer innen mobilitet og logistikk.

Dette åpner for en veldig annerledes fremtid hvor transport baseres på multi-formåls-kjøretøy som snakker sammen både direkte og via en koordinerende server.

En av dem frakter kanskje bestemor til matbutikken og setter deretter en boks brukte batterier av på gjenvinningsstasjonen.

Andre transporterer den brukte TV-en naboen har kjøpt på nettet og leverer nye varer til apoteket og røropplegg til det lokale veiarbeidet. Kjøretøyene koordinerer oppdragene seg imellom og kjører kun når det er et behov. Ved å kombinere ulike laster, reduseres antall turer uten last, og tomkjøring minimeres. Samtidig garanterer systemet at leveringene skjer til riktig tidspunkt. Navigasjonssystemet er bevisst på både støy og CO2-utslipp og vil rute de enkelte kjøretøyene for å gjøre det samlede utslippet minst mulig.

Reduksjon av klima- og miljøpåvirkning kan oppnås på flere måter. Vi deler prosjektene vi jobber med i to kategorier:

Den første setter søkelys på ressursene eller råvarene som brukes i en gitt prosess. Det kan for eksempel være å bytte drivstoffet til lastebiler. For å redusere CO2-utslipp må du vurdere å endre råvaresammensetningen slik at den blir mer miljøvennlig eller rense utslippene ved bruk av ekstra filtre.

Det er ikke alltid mulig å erstatte råvarer eller ressurser med miljøvennlige alternativer. Da er en annen løsning å forbedre den generelle effektiviteten slik at mindre ressurser går til spille eller at utslipp reduseres. I eksempelet med lastebiler kunne det være å endre kjørestilen slik at unødig akselerasjon og dermed utslipp minimeres.

Slike tiltak medfører ofte en direkte økonomisk gevinst ved at de reduserer ressursbruk. I tillegg kommer indirekte økonomiske fordeler som kan høstes eksempelvis ved at tiltaket minsker utgifter til CO2-utslippssertifikater.

Les også

Finner sammenhenger med kunstig intelligens

Disse problemstillingene er komplekse og må løses for systemer som er i konstant forandring. Dermed er klassiske løsningsmetoder ikke velegnede. I stedet trenger vi metoder fra kunstig intelligens og maskinlæring. Disse bruker vi til å finne sammenhenger i kompliserte datasett med mange variabler og til å lage beskrivelser eller modeller som kan bidra til å optimere ressursbruken.

Bruk av maskinlæring innenfor vårt fagfelt – klimateknologi – innebærer bruk av sofistikerte datadrevne klimamodeller, analyse av store datasett, bildeanalyse og analyse av data fra fjernmålingsenheter. Dette trengs for å forutsi og beregne effekten av menneskehetens handlinger i dag og for å gi politikere vitenskapelig og solid underlag for fremtidens strategier. Innenfor mobilitets- og logistikksektorene åpner slike metoder store muligheter for mer effektive løsninger og store kutt i CO2-utslippene. 

Det kan høres futuristisk ut. Men fordi kunstig intelligens tilbyr nye måter å håndtere komplekse systemer og tolkning av store datasett på, kan maskinlæring bli avgjørende i jakten på de løsningene verden vil trenge for å håndtere klima- og miljøkrisen.

Dette innlegget ble først publisert i TU-magasinet, nr. 5/2022

Les også