Schiffsrumpf-Bewuchs-Erkennung per Verbrauchsmodell

Das echte Ausmaß des Problems

Biofouling kostet die Reedereibranche rund 30 Milliarden Dollar jährlich in erhöhtem Treibstoffverbrauch — das entspricht nach Schätzungen von Ship & Bunker (2024) etwa 10 bis 15 Prozent der globalen Bunkerrechnung. Selbst ein dünner Biofilm von 0,5 mm erhöht den Kraftstoffverbrauch um 25 bis 30 Prozent. Schwere kalkhaltige Bewuchsschichten können die benötigte Wellenleistung um bis zu 86 Prozent erhöhen, wie eine Studie in Ocean Engineering (2022) zeigt.

Das Problem ist nicht das Biofouling selbst — dafür gibt es Antifouling-Beschichtungen. Das Problem ist das fehlende Messinstrument. Reedereien wissen nicht wann genug Bewuchs entstanden ist, um eine Reinigung zu rechtfertigen. Die Konsequenz:

• Zu frühe Reinigung: Trockendock-Kosten zwischen 30.000 und 60.000 Euro pro Liegetag — plus Ausfallzeiten. Ein unnötiges Docking eines mittelgroßen Bulkcarriers kostet 250.000 bis 400.000 Euro.
• Zu späte Reinigung: Exponentieller Verbrauchsanstieg. Ein Schiff, das sechs Monate zu lange zwischen den Reinigungen läuft, verbrennt in dieser Zeit Mehrmengen im sechsstelligen Euro-Bereich.

Bisher lief das Management so: Feste Intervalle (meist 24 bis 30 Monate), ergänzt durch Bauchgefühl des Superintendenten, gelegentliche Taucher-Sichtungen und Verbrauchsvergleiche, die Wetter und Ladung nicht herausrechnen. Die BIMCO-Biofouling-Umfrage 2024 bestätigt: Trotz hohem Bewusstsein für das Problem setzt die Mehrheit der Reedereien noch immer auf kalenderbasierte Intervalle ohne datengestützte Abweichungsanalyse.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen von Wallenius Sol (2023) illustrieren das Potenzial: Das Unternehmen setzt auf „Physics-based and machine-learning/AI methods” zur Quantifizierung des Bewuchseinflusses auf Widerstand und Treibstoffverbrauch und macht Reinigungsempfehlungen für die gesamte Flotte. Stena Line hat durch KI-gestützte Verbrauchsoptimierung fleet-wide 1 bis 5 Prozent Treibstoffeinsparung erzielt — ein Ergebnis, das die Abweichungsanalyse als Frühwarnsystem nutzt, nicht nur als Diagnosetool.

Einschätzung auf einen Blick

Zeitersparnis — minimal (1/5) Dieses Verfahren spart keine Arbeitsstunden. Es verschiebt Ausgaben und optimiert Flottenbetriebskosten. Die Berichterstellung läuft automatisiert, aber das ist kein spürbarer Zeitgewinn im Tagesgeschäft. Unter allen Logistik-Anwendungsfällen dieser Kategorie ist das der schwächste Hebel — bewusst so bewertet, um die Glaubwürdigkeit der hohen Kostenbewertung zu erhalten.

Kosteneinsparung — hoch (4/5) Der Hebel ist real und substanziell: 3 bis 8 Prozent Kraftstoffeinsparung durch optimiertes Reinigungstiming, plus reduzierte Drydock-Kosten durch Wegfall unnötiger Intervallreparaturen. Für einen mittelgroßen Bulkcarrier mit 10.000 bis 15.000 Tonnen Tragfähigkeit bedeutet 5 Prozent Kraftstoffeinsparung rund 150.000 bis 250.000 Euro pro Jahr bei VLSFO-Preisen von ca. 585 bis 630 Dollar/Tonne (Ship & Bunker, 2024/2025). Nicht der höchste Hebel in dieser Branche (direkte Routenoptimierung ist unmittelbarer), aber messbar und über die Flotte skalierbar.

Schnelle Umsetzung — niedrig (2/5) Das ist kein Plug-and-play-Tool. Bevor das Modell sinnvolle Signale liefert, braucht es sechs bis zwölf Monate valide historische Daten — ideal automatisierte Logs, nicht nur tägliche Noon Reports. Danach folgt eine Kalibrierungsphase von acht bis zwölf Wochen, in der das Baseline-Modell für jedes Schiff individuell eingestellt wird. Pilot: frühestens nach drei bis vier Monaten. Kein Vergleich zur KI-Kraftstoffverbrauchsprognose für Flotten im Straßentransport, die auf Telematikdaten sofort aufsetzt.

ROI-Sicherheit — mittel (3/5) Das Einsparungspotenzial ist real, aber das Signal ist schwer zu isolieren. Schlechtes Wetter, ungewöhnliche Beladungsmuster und Streckenabweichungen überlagern den Bewuchseffekt — besonders in den ersten Monaten. Nach 12 Monaten Betrieb lässt sich der Beitrag des Modells gut quantifizieren; vorher bleibt die Kausalität angreifbar. Vergleichbare Herausforderung wie bei der Predictive Maintenance für Fahrzeugflotten: Der Nutzen tritt ein, aber die Zuordnung braucht Zeit und Disziplin.

Skalierbarkeit — hoch (4/5) Ein einmal kalibriertes Modell lässt sich auf jedes weitere Schiff der Flotte übertragen — mit individueller Baseline-Kalibrierung, aber ohne zusätzliche Modellentwicklung. Je größer die Flotte, desto geringer die Durchschnittskosten pro Schiff und desto stabiler das Benchmarking zwischen vergleichbaren Schiffen.

Richtwerte — stark abhängig von Flottenkomposition, Datenqualität und Schiffsalter.

Regulatorischer Rückenwind: CII, MARPOL und EU-Emissionshandel

Biofouling-Management war früher ein rein ökonomisches Optimierungsproblem. Seit 2023 ist es auch ein Compliance-Thema.

CII-Rating (Carbon Intensity Indicator): Seit Januar 2023 bewertet die IMO Schiffe mit Ratings von A (bestes Drittel) bis E (schwächstes Drittel). Schiffe mit Rating D oder E in drei aufeinanderfolgenden Jahren müssen einen Korrekturplan vorlegen. Biofouling erhöht direkt die CII-relevante Kraftstoffmenge pro Tonnenmeile — ein schlecht verwaltetes Schiff kann von Rating B auf D rutschen, was Charterverhandlungen erheblich erschwert.

EU-Emissionshandel (ETS): Seit Januar 2024 gilt der EU-ETS für Schifffahrt. Reedereien, die Häfen der EU anlaufen, müssen CO₂-Zertifikate kaufen — zunächst für 40 Prozent der Emissionen (2024), ab 2026 für 70 Prozent, ab 2027 für 100 Prozent. Bei EUA-Preisen von 50 bis 80 Euro pro Tonne CO₂ macht ein Schiff mit 10.000 Tonnen Jahresverbrauch und 5 Prozent Bewuchsmehrverbrauch allein aus ETS-Kosten einen fünfstelligen Mehraufwand pro Jahr.

IMO-Biofouling-Leitlinien: Die IMO überarbeitete 2023 ihre Biofouling-Leitlinien (MEPC.378(80)) und signalisierte, dass bis 2029 verbindliche Regelungen folgen könnten. Reedereien mit dokumentiertem, datengestütztem Biofouling-Management sind für ein zukünftig verbindliches Regime besser aufgestellt.

Hinweis: Die Angaben zu EU ETS und CII basieren auf dem Stand Mai 2026. Prüfe aktuelle Regulierungsanforderungen vor Umsetzung mit deinem juristischen Berater — die Compliance-Anforderungen entwickeln sich weiter.

Was das Modell konkret macht

Der technische Ansatz basiert auf Predictive Analytics und funktioniert in drei Schritten:

1. Baseline-Kalibrierung pro Schiff Jedes Schiff bekommt ein schiffsspezifisches Verbrauchsmodell. Dieses Modell bildet ab, wie der Treibstoffverbrauch in Abhängigkeit von Fahrtgeschwindigkeit, Tiefgang, Wellengang (Signifikante Wellenhöhe, Wellenperiode), Wind, Beladungszustand und Streckencharakteristik aussieht — zum Zeitpunkt nach der letzten Reinigung, wenn der Rumpf idealerweise bewuchsfrei ist. Dafür braucht das Modell sechs bis zwölf Monate historische Log-Daten, idealerweise automatisiert vom Ladecomputer, VSAT-System und Wetter-API.

2. Laufende Abweichungsanalyse Mit steigendem Alter der Antifouling-Beschichtung weicht der tatsächliche Verbrauch systematisch vom Baseline-Modell ab. Diese Abweichung — nach Korrektur aller bekannten Einflussvariablen — ist das Bewuchssignal. Eine Abweichung von 4 bis 5 Prozent über mehrere Wochen ist ein Reinigungsindikator. Eine Abweichung von 10 bis 12 Prozent signalisiert erheblichen Bewuchs mit entsprechend hohem Treibstoffverbrauch-Mehrkosten täglich.

3. ROI-Kalkulation für die Dockingentscheidung Das System rechnet durch: Was kostet der aktuelle Mehrverbrauch pro Tag? Was kostet eine Drydock-Reinigung zu diesem Zeitpunkt? Ab wann hat sich das Trockendocking amortisiert? Diese Kalkulation fließt direkt in die Empfehlung ein: „Reinigung innerhalb der nächsten 6–8 Wochen lohnt sich — geschätzte Einsparung über die nächsten 18 Monate: 180.000 Euro.”

Der entscheidende Vorteil gegenüber traditionellen Drydock-Kalenderintervallen: Das System liefert ein Reinigungssignal, das auf dem tatsächlichen Zustand des Rumpfes basiert — nicht auf der Zeit seit der letzten Reinigung.

Datenkalibrierung: Warum Qualität vor Modell kommt

Das stärkste Machine Learning-Modell wird mit schlechten Eingabedaten zu einem Signal, das sicherer klingt als es ist — gefährlicher als kein Signal.

Das Hauptproblem: Noon Reports vs. automatisierte Logs

Traditionell erfassen Schiffe ihren Verbrauch einmal täglich im „Noon Report” — ein manuell eingetragener Wert. Das reicht nicht für ein verlässliches Bewuchsmodell. Der Tagesverbrauch variiert je nach Tageszeit, Seegang und Fahrtprofil erheblich. Was man braucht: Stündliche oder halbstündliche Log-Daten, automatisiert erfasst vom Hauptmaschinensystem, Durchflussmesser und GPS/AIS.

Typische Datenprobleme, die das Signal verfälschen:

• Sensordrift beim Durchflussmesser: Ein Kraftstoffmengenmesser, der über 18 Monate minimal driftet, produziert einen scheinbaren Verbrauchsanstieg, der wie Bewuchs aussieht. ZeroNorth adressiert das durch ein Konfidenz-Scoring, das zwischen Sensordrift und echtem Bewuchs unterscheidet — aber nur wenn die Kalibrierungshistorie vorhanden ist.
• Fehlende Tiefgangs- und Beladungsdaten: Voll beladen vs. Ballastfahrt verändert den Verbrauch um 20 bis 40 Prozent. Fehlen diese Werte oder sind sie ungenau, kann das Modell nicht korrekt normalisieren.
• Inkonsistente Wetterdaten: Historische Wetterdaten müssen mit dem tatsächlichen Schiffspfad (AIS-Track) verschnitten werden — nicht mit dem Zielhafen-Wetter.

Wer ist zuständig für die Datenqualität? Das ist keine IT-Frage. Es ist eine Reedereiführungs-Frage. Superintendents müssen bestätigen, dass Sensorkalibrierungen dokumentiert werden. Maschinenraum-Personal muss Anomalien (Schleppbetrieb, Hilfsmotoreinsatz) korrekt im Log vermerken. Ohne diese Disziplin produziert das Modell nach 12 Monaten mehr Rauschen als Signal.

Konkrete Werkzeuge — was wann passt

Es gibt spezialisierte Plattformen für maritimes Hull Performance Monitoring sowie eine pragmatische Eigenentwicklungsoption:

ZeroNorth — für Reedereien ab 5 Schiffen mit CII-Compliance-Anforderungen

ZeroNorth ist die am stärksten auf Bewuchsanalyse spezialisierte Plattform auf dem Markt. Das Hull Performance Monitoring identifiziert Bewuchs durch Abweichungsanalyse vom Seagoing-Baseline, liefert ein Konfidenz-Scoring (Bewuchs vs. Sensordrift), und integriert die CII-Simulation in dieselbe Plattform. Für Reedereien, die regelmäßig EU-Häfen anlaufen und unter EU ETS fallen, ist die CII-Integration ein erheblicher Vorteil. Preise auf Anfrage; Jahresverträge typisch. Kein deutschsprachiger Support.

DNV Veracity / Vessel Insight — für Reedereien im DNV-Ökosystem

DNV bietet mit Vessel Insight eine IoT-Plattform, die Borddaten sammelt, harmonisiert und für Performance-Analytics zugänglich macht. Für Reedereien, deren Flotte bereits bei DNV klassifiziert ist, vereinfacht das die Datenintegration erheblich. Die Analysetiefe für reine Bewuchsmodelle ist weniger spezialisiert als bei ZeroNorth, aber die Integration in das DNV-Klassifizierungssystem ist ein Differenzierungsmerkmal.

Python-basiertes Eigenmodell (für technisch aufgestellte Reedereien oder Shipmanager)

Für Reedereien mit Python-Kenntnissen oder einem externen Dateningenieur ist ein schlankes Eigenmodell eine realistische Option. Die Bibliotheken scikit-learn und pandas decken das technische Fundament ab. Typischer Stack: AIS-Daten-API (z. B. MarineTraffic oder Spire Maritime), Wetter-API (ERA5 von Copernicus, kostenlos), Ladecomputer-Export als CSV, dann ein Regressionsmodell mit Drift-Detektion. Vorteil: volle Kontrolle und niedrige laufende Kosten. Nachteil: erheblicher Aufwand in der Erstentwicklung (3–6 Monate Entwickler-Arbeit) und kein fertiges Konfidenz-Scoring.

Zusammenfassung:

• Flotte ab 5 Schiffen, CII-Compliance-Druck → ZeroNorth
• DNV-klassifizierte Flotte, Datenintegration als Haupthürde → DNV Vessel Insight
• Technische Ressourcen vorhanden, Kostenminimierung gewünscht → Python-Eigenmodell

Datenschutz und Datenhaltung

Schiffsverbrauchsdaten und AIS-Tracking enthalten in der Regel keine personenbezogenen Daten im DSGVO-Sinne — sie beziehen sich auf Schiffe, nicht auf Personen. Relevante Datenschutzfragen betreffen dennoch drei Bereiche:

• Betriebsgeheimnisse: Ladungsmengen, Routen und Verbrauchsdaten geben indirekt Auskunft über das Handels- und Chartermuster einer Reederei. Verträge mit SaaS-Anbietern müssen explizit regeln, ob diese Daten für Benchmarking-Aggregate genutzt werden dürfen.
• DSGVO-Relevanz bei Crew-Daten: Wenn Modelle auch Verhaltens- oder Leistungsdaten der Besatzung (z. B. Maschinenführungsstil) einbeziehen, entsteht ein Personenbezug. In diesem Fall gilt die DSGVO.
• EU-Datenhaltung: ZeroNorth ist EU-basiert (Dänemark). Für Reedereien unter EU-Regularien ist das ein relevanter Aspekt. DNV Veracity ist in Norwegen gehostet (EWR, damit DSGVO-äquivalent). Für proprietäre Eigenmodelle auf AWS oder Azure: EU-Regionen wählen.

Ein Auftragsverarbeitungsvertrag (AVV) nach Art. 28 DSGVO ist einzuholen, sobald auch nur Crew-bezogene Daten in den Datenstrom einfließen.

Was es kostet — realistisch gerechnet

Einmalige Kalibrierungskosten (erste Schiffe)

• Externe Datenaufrüstung bei älteren Schiffen (Durchflussmesser, VSAT-Integration): 5.000–25.000 Euro je Schiff, abhängig vom Automatisierungsgrad
• Setup und Konfiguration bei einer Plattform wie ZeroNorth: in den Jahresvertrag eingeschlossen
• Eigenentwicklung Python-Modell: ca. 20.000–50.000 Euro Entwicklungsaufwand (einmalig)

Laufende Plattformkosten

• ZeroNorth (kommerzielle Plattform): typisch 8.000–25.000 Euro/Jahr/Schiff, abhängig von Flottenumfang und Modulauswahl (keine öffentliche Preisliste, auf Anfrage)
• DNV Vessel Insight: ähnliche Größenordnung, Preise ebenfalls auf Anfrage
• Python-Eigenmodell auf Cloud-Infrastruktur: 200–800 Euro/Monat Infrastrukturkosten

Was du dagegenrechnen kannst

Ein mittelgroßer Handymax-Bulkcarrier (45.000 tdw) verbraucht typisch 20 bis 25 Tonnen VLSFO pro Tag auf Fahrt. Bei einem VLSFO-Preis von 585 Dollar/Tonne (Ship & Bunker, 2025) macht eine Bewuchsverschlechterung von 5 Prozent einen Mehrverbrauch von 1,0 bis 1,25 Tonnen täglich — das sind 213.000 bis 266.000 Dollar pro Jahr auf See. Eine vollständige Drydock-Reinigung kostet 250.000 bis 400.000 Euro. Das Modell, das eine unnötige Reinigung vermeidet oder eine überfällige Reinigung vier Monate früher ansetzt, amortisiert sich rasch.

Konservatives Szenario: Das Modell identifiziert auf einer 8-Schiff-Flotte pro Jahr eine vermiedene unnötige Reinigung und eine zwei Monate vorgezogene notwendige Reinigung. Einsparung: ca. 200.000 bis 350.000 Euro. Kosten der Plattform: 80.000 bis 150.000 Euro/Jahr. ROI: positiv ab dem ersten Jahr.

Vier typische Einstiegsfehler

1. Mit zu wenigen historischen Daten starten Die Versuchung ist groß, das Modell sofort mit den aktuellen Borddaten zu befüttern. Wer mit drei Monaten Daten loslegt, bekommt ein Modell, das in der ersten Wintersaison kollabiert, weil der Schwellenwert für „normalen” Seegangswiderstand nicht kalibriert ist — typisches Ergebnis: 20–30 % Fehlalarmrate in den ersten 8 Wochen des Winterbetriebs, was das Vertrauen im Superintendent-Team dauerhaft beschädigt. Das Baseline-Modell braucht mindestens sechs Monate Normalbetriebsdaten nach der letzten Reinigung, ideal zwölf Monate, um saisonale Effekte abzubilden. Plane die Pilotphase so, dass das erste Schiff nach einem abgeschlossenen Wintersommer-Zyklus in den produktiven Betrieb geht — das sind in der Regel 9–12 Monate nach dem Modellstart.

2. Sensordrift mit Bewuchs verwechseln Das ist der gefährlichste Fehler und er tritt regelmäßig auf. Ein Kraftstoffdurchflussmesser, der minimal aus der Kalibrierung läuft, produziert einen schleichenden Verbrauchsanstieg, der im Modell wie Bewuchs aussieht. Ein Schiff in Trockendock schicken, das stattdessen eine Sensorkalibrierung für 500 Euro benötigt hätte — das passiert, wenn das Konfidenz-Scoring nicht funktioniert oder ignoriert wird. Lösung: Regelmäßige Sensorkalibrierung als Pflichtbestandteil des Prozesses und Plattformen bevorzugen, die aktiv zwischen Sensordrift und echtem Bewuchs unterscheiden.

3. Das Modell nur für die Drydock-Entscheidung nutzen Ein kalibriertes Verbrauchsmodell liefert mehr als ein Reinigungssignal — wer es nur für Dockingentscheidungen nutzt, verschenkt 40–60 % des Potenzials. Propellerprobleme zeigen sich als plötzliche (nicht schleichende) Abweichung von 3–5 % innerhalb weniger Tage; Maschineneffizienzverluste als schrittweise Verschlechterung unabhängig vom Tiefgang. Werden diese Signale ignoriert, entstehen Mehrkosten von 5.000–15.000 Euro je ungeplanten Maschineneingriff. Konkrete Gegenmaßnahme: Definiere beim Systemsetup mindestens drei Alert-Typen — Bewuchs-Signal, Propelleranomalie und Maschinenleistungsabfall — mit unterschiedlichen Schwellenwerten und Eskalationspfaden.

4. Das Modell einführen, aber nicht warten Das Bewuchsmodell muss nach jeder Drydock-Reinigung neu kalibriert werden — der Baseline ist nach einer Reinigung ein anderer als davor. Wer vergisst, das Modell nach einer Reinigung neu zu konfigurieren, bekommt in den folgenden Monaten Fehlalarme: Das Schiff zeigt scheinbaren Mehrverbrauch, obwohl der Rumpf frisch gereinigt ist. Organisatorische Lösung: Drydock-Reinigung im System als Ereignis vermerken; der Anbieter kalibriert die Baseline neu.

Was mit der Einführung wirklich passiert — und was nicht

Die erste Reaktion der Superintendenten ist oft Skepsis. „Ich kenne meine Schiffe” — und diese Aussage ist nicht falsch. Erfahrene Superintendenten erkennen Verbrauchsanomalien. Was sie nicht können: Sie können den Bewuchsanteil quantitativ von Wetter, Ladung und Strecke trennen, insbesondere wenn mehrere Faktoren gleichzeitig wirken.

Der häufigste Widerstand läuft so: Das Modell zeigt einen Reinigungsbedarf. Der Superintendent glaubt dem Signal nicht, weil das Schiff sich „normal anfühlt”. Ein Jahr später, beim fälligen Drydock, bestätigt die physische Inspektion: erheblicher Bewuchs. Rückblickend war das Signal korrekt — aber zu spät gehandelt.

Was hilft: Das Modell nicht als Entscheidungsersatz einführen, sondern als zweite Meinung. Erste sechs Monate: Modell läuft parallel zu bisherigen Entscheidungen. Jede Modellempfehlung wird dokumentiert, jede Entscheidung daneben gestellt. Nach sechs Monaten lässt sich belegen, wie viele Empfehlungen sich im Nachhinein als richtig erwiesen haben — das schafft Vertrauen ohne Autoritätsverlust.

Was konkret hilft:

• Einen Superintendenten von Anfang an in die Kalibrierungsphase einbinden — er kennt Sonderereignisse (Schleppmanöver, Hafenwartezeiten, Testfahrten), die im Datenstrom als Anomalien auftauchen
• Die erste Drydock-Entscheidung nach Modellstart bewusst als Validierungsfall behandeln: Taucher oder physische Inspektion beim Docken dokumentieren und mit der Modellprognose vergleichen
• Klare Eskalationsregel definieren: Modell zeigt Reinigungsbedarf → Superintendent hat finales Entscheidungsrecht, aber muss Ablehnung dokumentieren

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Wir haben gute Erfahrungen mit unserem Intervall — warum ändern?” Der Kalenderintervall ist kein schlechter Ansatz, solange Antifouling-Beschichtung und Einsatzprofil konstant bleiben. Er wird suboptimal, wenn beides variiert — neue Beschichtungstypen, geänderte Routen, unterschiedliche Liegezeitanteile. Ein Modell, das diese Variablen einbezieht, ist nicht zwingend besser in jedem Einzelfall, aber systematisch treffsicherer über eine Flotte.

„Wir können das auch mit einem Taucher klären.” Taucher-Inspektionen oder ROV-Checks geben direkte physische Evidenz — das ist ein realer Vorteil gegenüber dem Verbrauchsmodell. Der Nachteil: Eine Taucher-Inspektion kostet 2.000 bis 5.000 Euro pro Schiff, sie kann nicht remote durchgeführt werden, und sie liefert einen Momentanzustand, kein Trend-Signal. Ein Verbrauchsmodell sieht den Trend über Monate und gibt sechs bis acht Wochen Vorlauf für die Planung — das ist der Kombinationsvorteil.

„Was, wenn das Modell falsch liegt?” Das Modell kann falsch liegen — durch Sensordrift, unzureichende Daten oder atypische Betriebsbedingungen. Deshalb ist das Modell kein Entscheidungsautomat, sondern ein Entscheidungswerkzeug. Der Superintendent entscheidet. Das Modell liefert ein quantifiziertes Signal mit Konfidenz-Einschätzung. Die Frage ist nicht „Kann das Modell irren?” — sondern „Ist die Entscheidungsgrundlage mit Modell besser als ohne?” Die Antwort ist ja, wenn die Datenbasis stimmt.

Woran du merkst, dass das zu dir passt

• Du betreibst Schiffe mit Brennstoffkosten als dominanter Kostenposition — typischerweise Bulk Carrier, Tanker oder Containerschiffe mit langen Seereisen
• Deine Flotte besteht aus mindestens 3–5 Schiffen, sodass der Modellierungsaufwand über mehrere Schiffe amortisierbar ist
• Deine Schiffe haben automatisierte Log-Daten oder du bist bereit, in die Sensoraufrüstung zu investieren
• Deine letzten Drydock-Kosten haben eine halbe Entscheidung gebraucht — du wusstest nicht sicher, ob es nötig war
• Deine Flotte läuft unter CII-Bewertungspflicht oder EU-ETS und du suchst messbare Hebel für das Emissionsreporting

Wann es (noch) nicht passt — drei harte Ausschlusskriterien:

1. Kurzstrecken-Fähren und Schiffe unter 50 Metern Länge. Das Modell braucht ausreichend Varianz in Strecke, Ladung und Seegang, um den Bewuchsanteil zu isolieren. Schiffe, die täglich zwischen denselben zwei Häfen fahren und wenig Seegangsvariabilität haben, produzieren kein isolierbares Bewuchssignal. Hier sind direkte Inspektion und Reinigungsprotokolle effizienter.

2. Schiffe unter 24 bis 36 Monaten nach der letzten Antifouling-Beschichtung. Moderne Beschichtungen halten 60 bis 84 Monate. In den ersten zwei bis drei Jahren nach frischer Antifouling-Applikation ist der Bewuchs minimal — das Modell sieht keinen Anstieg und liefert kein nützliches Signal. Investitionen in das Modell lohnen sich für Schiffe, die sich bereits in der mittleren Lebensphase ihrer Beschichtung befinden.

3. Flotten ohne automatisierte Borddatenerfassung (nur Noon Reports). Tägliche Noon Reports mit manuell eingetragenen Verbrauchswerten reichen für ein verlässliches Bewuchsmodell nicht aus. Die Datendichte ist zu gering, und Messungenauigkeiten (±5 Prozent bei manueller Ablesung) überlagern das Bewuchssignal (±3–8 Prozent). Entweder Investition in Sensoraufrüstung (5.000–25.000 Euro je Schiff) oder Verzicht auf diesen Ansatz.

Das kannst du heute noch tun

Bevor du in eine kommerzielle Plattform investierst, gibt es einen pragmatischen Einstieg: Analysiere die Noon-Report-Daten der letzten 18 Monate eines deiner Schiffe auf Muster. Du brauchst: Verbrauch (Tonnen/Tag), Geschwindigkeit, Tiefgang und grobe Wetterklassifikation (ruhig/mittel/schwer).

Lade diese Daten als CSV in ein Gespräch mit einem LLM wie ChatGPT oder Claude und bitte um eine explorative Analyse. Das wird kein vollständiges Modell — aber es zeigt dir, ob der Datenstrom ausreichend ist und ob es bereits sichtbare Abweichungsmuster gibt.

Quellen & Methodik

• Globale Biofouling-Kosten ($30 Mrd./Jahr): Ship & Bunker, „Biofouling Costing Bunker Buyers $30 Billion Annually” (2024). URL: shipandbunker.com
• Biofouling-Kraftstofferhöhung (bis 86% Mehrleistung): Demirel et al., Ocean Engineering (2017); bestätigt durch Lindholdt et al. (2022) — Biofilm 0,5 mm: +25–30% GHG-Emissionen.
• BIMCO Biofouling Survey 2024: Bestätigt kalenderbasierte Mehrheit der Reinigungsstrategien trotz hohem Problembewusstsein. URL: bimco.org/media/kvcj3scr/bimco-biofouling-survey-2024.pdf
• Stena Line KI-Treibstoffeinsparung (1–5%): Safety4Sea, „Stena Line’s AI empowers fuel efficiency at sea” (2024). URL: safety4sea.com
• Wallenius Sol Hull Performance: Wallenius Sol Enabler Magazine, „Data-driven decisions for optimal vessel performance” (2023). URL: wallenius-sol.com
• VLSFO-Preis 2024/2025: Ship & Bunker, Globaler Durchschnitt $630/mt (2024), Prognose $585/mt (2025). URL: shipandbunker.com/prices
• IMO-Biofouling-Leitlinien 2023: Resolution MEPC.378(80), angenommen Juli 2023. URL: imo.org
• EU ETS für Schifffahrt: EU-Richtlinie 2023/959, in Kraft ab Januar 2024.
• Sensor-Drift als Fehlerquelle: ZeroNorth, „The confidence score: what hull performance AI actually tells you” (2024). URL: zeronorth.com/hull-performance-ai-cleaning-decisions
• ML-Modelle für Schiffsverbrauch: arxiv.org/html/2509.11750v1 — Data Fusion and Machine Learning for Ship Fuel Consumption Modelling (2025); tandfonline.com/doi/full/10.1080/20464177.2024.2371192 (2024).
• Kostenangaben Plattformen und Trockendock: Erfahrungswerte aus Branchenpublikationen (Riviera Maritime Media, Smart Maritime Network, 2022–2024); keine öffentlichen Listenpreise verfügbar.

Du willst wissen, ob deine Verbrauchsdaten für ein Bewuchsmodell ausreichen, und wie du den Einstieg strukturierst? Meld dich — wir schauen uns das gemeinsam an.