dc.contributor.author | Καραγιαννίδης, Παύλος![]() |
el |
dc.contributor.author | Karagiannidis, Pavlos![]() |
en |
dc.date.accessioned | 2019-10-03T11:31:51Z | |
dc.date.available | 2019-10-03T11:31:51Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/49260 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.16958 | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.subject | Ship performance | en |
dc.subject | Neural networks | el |
dc.subject | Propulsion modelling | el |
dc.subject | Data analysis | el |
dc.subject | Energy efficiency | el |
dc.title | Data-driven ship propulsion modelling with applications in the performance analysis and fuel consumption prediction | en |
heal.type | bachelorThesis | |
heal.classification | Modelling | el |
heal.classification | Marine engineering | el |
heal.language | en | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2019-07-19 | |
heal.abstract | The last decade in shipping has been characterized by efforts for more efficient and environmental-friendly ships. in order to survive the downturns of the market and to comply with the increasing regulatory requirements. Τhis is a necessary endeavor by shipowners and ship managers, in order to survive the downturns of the market and to comply with the increasing regulatory requirements. Also, efforts on the global scale against climate change initiated for the first time. That is why the shipping industry has great challenges and responsibilities lying ahead. The purpose of this study is to establish methods for effective preprocessing of ship operational data and to create data-driven ship propulsion models that will be in the core of applications that aim to reduce the carbon footprint of the ships. Thereby, two applications of Artificial Neural Networks (ANN) are developed that utilizes the processed ship data, which were automatically collected with high-frequency sampling rate, over a period of 1.5 years. The first application predicts the ship’s total fuel oil consumption under various scenarios of operation while the second application focuses on the monitoring of the ship’s performance and estimates the average speed loss of the ship over the period of one year. The necessary statistical calculations and algorithms for data processing were implemented in Python programming language and state-of-the-art deep learning techniques for training and optimizing Feed-Forward Neural Networks (FNNs) were applied. The results show that with a proper data filtering and preparation stage (pre-processing), like the one implemented in this study , it is possible to achieve an increased performance of the ship propulsion models and consequently increase our awareness of the ship's performance condition and take more effective decisions regarding strategies and operational measures for reducing fuel oil consumption and emissions. The main engine’s fuel oil consumption was initially predicted with 95.9% accuracy and a 3% improvement was achieved after the proper pre-processing of the data, leading to a final 98.7% average model accuracy. Similar results were obtained when other propulsion parameters (shaft power, speed) were estimated by our models. With such accurate models for propulsion parameters estimation, we can have improved quantitative information on the achievable emissions abatement from operational measures like route or speed optimization and weather routing. | en |
heal.abstract | Η τελευταία δεκαετία στην ναυτιλία έχει χαρακτηριστεί από τις προσπάθειες για πιο αποδοτικά και φιλικά προς το περιβάλλον πλοία. Πρόκειται για μια αναγκαία επιδίωξη από τους εφοπλιστές και τους διαχειριστές των πλοίων, προκειμένου να επιβιώσουν από τις περιόδους ύφεσης της αγοράς και να συμμορφωθούν με τις αυξανόμενες απαιτήσεις των κανονισμών. Επίσης, προσπάθειες αντιμετώπισης της κλιματικής αλλαγής, σε παγκόσμιο επίπεδο, ξεκίνησαν για πρώτη φορά. Για αυτούς τους λόγους η ναυτιλιακή βιομηχανία έχει μεγάλες προκλήσεις και ευθύνες μπροστά της. Σκοπός της παρούσας μελέτης είναι η εγκαθίδρυση μεθόδων για την αποτελεσματική προ-επεξεργασία των επιχειρησιακών δεδομένων των πλοίων και η δημιουργία μοντέλων πρόωσης πλοίων βασιζόμενα σε δεδομένα, που θα βρίσκονται στον πυρήνα εφαρμογών που αποσκοπούν στη μείωση του αποτυπώματος άνθρακα των πλοίων. Έτσι, αναπτύσσονται δύο εφαρμογές τεχνητών νευρωνικών δικτύων (ΤΝΔ) που αξιοποιούν τα επεξεργασμένα δεδομένα του πλοίου, τα οποία συλλέχθηκαν αυτόματα και με υψηλή συχνότητα δειγματοληψίας, για μια περίοδο 1,5 χρόνου. Η πρώτη εφαρμογή προβλέπει τη συνολική κατανάλωση καυσίμου του πλοίου κάτω από διάφορα σενάρια λειτουργίας ενώ η δεύτερη εφαρμογή επικεντρώνεται στην παρακολούθηση της απόδοσης του πλοίου και εκτιμά την μέση απώλεια ταχύτητας του πλοίου κατά τη διάρκεια ενός έτους. Οι απαραίτητοι στατιστικοί υπολογισμοί και αλγόριθμοι για την επεξεργασία δεδομένων εφαρμόστηκαν στη γλώσσα προγραμματισμού Python και επίσης εφαρμόστηκαν οι πιο σύγχρονες τεχνικές βαθιάς εκμάθησης (deep learning) για την εκπαίδευση και τη βελτιστοποίηση των ΤΝΔ. Τα αποτελέσματα δείχνουν ότι με ένα σωστό στάδιο φιλτραρίσματος και προετοιμασίας των δεδομένων (προ-επεξεργασία), όπως αυτό που εφαρμόστηκε στην παρούσα μελέτη, είναι δυνατό να επιτευχθεί βελτίωση της απόδοσης των μοντέλων πρόωσης πλοίων και κατά συνέπεια να αυξηθεί η επίγνωση της κατάστασης του πλοίου όσον αφορά την ενεργειακή του απόδοση. Έπειτα θα μπορούν να ληφθούν πιο αποτελεσματικές αποφάσεις σχετικά με τις στρατηγικές και τα επιχειρησιακά μέτρα για τη μείωση της κατανάλωσης πετρελαίου και των αέριων εκπομπών από το πλοίο. Η κατανάλωση καυσίμου στην κύρια μηχανή εκτιμάται αρχικά με ακρίβεια 95,9% και μια βελτίωση περίπου 3% επιτεύχθηκε, μετά την κατάλληλη προεπεξεργασία των δεδομένων, οδηγώντας τελικά σε μια μέση ακρίβεια μοντέλου 98,7%. Παρόμοια αποτελέσματα ελήφθησαν όταν άλλες παράμετροι πρόωσης (ισχύς στον άξονα, ταχύτητα πλοίου) εκτιμήθηκαν από τα μοντέλα μας. Εκ τούτου, με τόσο ακριβή μοντέλα για την εκτίμηση των παραμέτρων πρόωσης, μπορούμε να έχουμε βελτιωμένες ποσοτικές πληροφορίες σχετικά με την επιτευχθείσα μείωση εκπομπών από λειτουργικά μέτρα όπως βελτιστοποίηση διαδρομής ή ταχύτητας, και δρομολόγηση με βάση τις μετεωρολογικές συνθήκες. | el |
heal.advisorName | Zaraphonitis, Georgios | en |
heal.committeeMemberName | Spyrou, Konstantinos | en |
heal.committeeMemberName | Themelis, Nikos | en |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Μελέτης Πλοίου και Θαλάσσιων Μεταφορών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 101 σ. | |
heal.fullTextAvailability | true |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: