Une fois que les données ont été enrichies de suffisamment de contexte météo et navire, un traitement mathématique spécifique est nécessaire pour exploiter ces données. Hydroscope s’appuie sur ces données hautement contextualisées pour sélectionner uniquement les informations utiles à l’analyse en cours. Aussi, un certain nombre d’outils de traitement du signal peuvent être appliqués pour nettoyer les données ou les transformer pour mettre en avant certaines informations qu’elles contiennent. Enfin les données peuvent être agrégées avec des outils issus du machine learning pour rendre les données intelligibles et utilisables par les navigants.
sélection des données #
A cause du raffinement des données contextuels générées par Hydroscope, il est possible de sélectionner des données hautement spécifiques dans le contexte navire et météo offrant de nombreuses possibilités de filtre :
- sélection des données où l’on utilisait la GV de 2022 et le J1 de 2023, avec la coque lisse, avec 12% de creux dans la GV
- sélection des données où il y avait 4 membres d’équipages au rappel, entre 40[°] et 50[°] de TWA, avant le refit de la quille, avec moins de 1[°] de tilt sur la quille
- sélection des données où le déplacement était moins de 4.2 tonnes, avec moins de 0.1[kt] de courant, plus de 2[m] de hauteur significative des vagues et moins de 4[°] de rake de foil
Chacune de ces requêtes est à portée de quelques clics dans Hydroscope, en donnant une grande agilité à l’analyse de vos données.
traitement du signal #
Ayant sélectionné les données adéquates, certaines données peuvent nécessiter des opérations mathématiques afin de révéler les informations qu’elles contiennent. En particulier lorsque l’on étudie des systèmes hautement dynamiques comme des navires de course au large, il est souvent utile de lisser les effets dynamiques à l’aide de filtres ou d’agrégation, ou encore d’essayer de comprendre la dynamique en question avec des outils spécifiques aux séries temporelles. C’est pourquoi Hydroscope peut appliquer toute combinaison d’opérations (telles que celles listées ci-dessous) à vos données, pour extraire les informations utiles rapidement.
- filtrage
- analyse statistique
- ré-échantillonnage
- différentiation
- intégration
- analyse de fourrier
- auto-corrélation
- corrélation croisée
interpolation #
Certaines étapes importantes du processus d’analyse de données, tels que le calcul de polaires nécessite l’interpolation de données. Hydroscope a recours à des outils à la pointe du machine-learning afin d’opérer cette tâche délicate qui consiste à “connecter” les “points” de données entre eux. Les ‘surfaces de réponses’ ainsi générées ne se contentent pas de coller très précisément aux données, mais elles permettent également de calculer leur ’erreur de prédictions’, ouvrant la voie à la prise de décisions informées.