本論文は、物理インフォームド型のハイブリッドデジタルCO2排出制御技術を提案し、海洋輸送における2港間の事前定義された地理的航路に沿った適応的な船速最適化を目的とする。この航路は準定常区間に分割され、予測される気象・海洋条件下で評価される。船舶の脱炭素化に関連する経済的・規制的制約が考慮されている。提案フレームワークは、逆戻り（Backtracking: BT）法と動的計画法（Dynamic Programming: DP）の2つの厳密最適化手法を、近位方策最適化（Proximal Policy Optimization: PPO）に基づく強化学習アプローチと統合し、物理的、経済的、規制的モデリングの統一コア上で動作する。推進燃料需要を削減することで、本システムは船舶推進の上流におけるCO2排出制御機構として機能する。エンジン負荷の運転安定化は、高度な燃焼プロセスに有利な境界条件を形成し、排気ガスの体積流量を減らすことで、後燃焼型炭素回収システムの技術的負荷を軽減する。区間ごとの速度プロファイルは、推進制限、到着推定時刻（ETA）の実現可能性、およびCarbon Intensity Indicator（CII）、欧州連合排出取引制度（EU ETS）、FuelEU Maritimeなどの規制制約に基づき最適化される。物理に基づく推進およびエネルギーモデルは、石油/化学薬品タンカーの4回の実航海データを用いて検証された。Milazzo–Motril航路の詳細なケーススタディにより、適応速度最適化が従来の巡航運航を一貫して上回ることが示された。厳密最適化手法は航海時間を約10％短縮し、燃料およびCO2排出量を約9～10％削減した。強化学習アプローチは全体で最良の性能を提供し、航海時間を約15％短縮、燃料およびCO2排出量を約13％削減した。航路レベルでは、CIIは厳密手法で約10％、PPOで約13％削減された。BacktrackingとDynamic Programmingは離散化された意思決定空間内でほぼ同一のグローバル最適解に収束し、PPOはコスト–時間のパレート前線上の最も有利な領域に位置する解を特定した。強化学習を厳密離散ソルバーと物理インフォームド構造内で比較することで、本提案のデジタルプラットフォームは学習ベース最適化の透明な検証を提供し、固定航路の航海前評価のためのスケーラブルな意思決定支援技術を提示する。輸送契約前にCO2排出量、ETAの実現可能性、および規制曝露（CII、EU ETS、FuelEU Maritimeの罰則）を定量評価することにより、経済的かつ環境的に情報に基づく運航判断を支援する。
Coșofrețら（Mon,）はこの問題を研究した。