Dynamic positioning of an emergency response and rescue vessel using neural networks

Κουγιάτσος, Νικόλαος; Kougiatsos, Nikolaos

dc.contributor.author	Κουγιάτσος, Νικόλαος	el
dc.contributor.author	Kougiatsos, Nikolaos	en
dc.date.accessioned	2020-10-12T06:49:15Z
dc.date.available	2020-10-12T06:49:15Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51370
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19068
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	Νευρωνικά δίκτυα	el
dc.subject	Ναυπηγική	el
dc.subject	Σκάφος διάσωσης	el
dc.subject	Προσομοίωση	el
dc.subject	Ελικτικότητα πλοίου	el
dc.subject	Μικρό σκάφος	el
dc.subject	Neural networks	en
dc.subject	Marine engineering	en
dc.subject	Ship maneuverability	en
dc.subject	Small vessel	en
dc.subject	Simulation	en
dc.title	Dynamic positioning of an emergency response and rescue vessel using neural networks	en
heal.type	bachelorThesis
heal.classification	Ναυπηγική	el
heal.classification	Προγραμματισμός	el
heal.classification	Προσομοίωση	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-22
heal.abstract	Στην παρούσα διπλωματική εργασία εξετάζεται η εφικτότητα της εφαρμογής ενός συστή- ματος δυναμικού ελέγχου της θέσης ενός πλοίου διάσωσης χωρίς πτερύγια ή πιθανώς επικίνδυνο εξοπλισμό, με χρήση Νευρωνικού δικτύου ενισχυμένης εκμάθησης. Η δουλειά που περιγράφεται στην παρούσα διπλωματική μπορεί να διαιρεθεί σε δύο βασικά κομμά- τια. Το πρώτο από αυτά είναι η εξαγωγή μιας αρχιτεκτονικής δικτύου η οποία να είναι κατάλληλη για τον έλεγχο του σκάφους και το δεύτερο είναι η δημιουργία ενός περιβάλ- λοντος προσομοίωσης ικανό να προπονήσει το δίκτυο για να επιτύχει τα αναμενόμενα αποτελέσματα. Το Νευρωνικό δίκτυο δημιουργείται με τη βοήθεια του λογισμικού Tensorflow και της μικροεφαρμογής Keras ενώ το περιβάλλον προσωμοίωσης δημιουργείται με τη βοήθεια του πακέτου Gym για την Python και περιλαμβάνει το δικό του γραφικό περιβάλλον. ΄Ενα γραφικό περιβάλλον αλληλεπίδρασης με το χρήστη έχει επίσης δημιουργηθεί για τον έλεγχο του σκάφους στη θάλασσα τόσο χειροκίνητα όσο και αυτόματα με τη χρήση του ίδιου του προπονημένου δικτύου. Επιπρόσθετα, η βαθμονόμηση και ο συνδυασμός των διαφορετικών αισθητήρων για την απόκτηση όσο το δυνατόν πιο ακριβών μετρήσεων συζητάται στα επόμενα κεφάλαια	el
heal.abstract	This Thesis examines the feasibility of implementing Dynamic Positioning upon an EER Vessel with no blades or potential harmful gear, using a Reinforcement Learning Approach. The work described in this Thesis can be divided into two main tasks. The first one is the derivation of a network architecture capable of controlling the vessel and the second one is the creation of a simulation environment capable of training the network to achieve the expected results. The Neural Network is created using Tensorflow and the Keras API while the simulation environment is created in the Gym Python Module and also incorporates a graphical interface. A GUI has also been created to control the vessel at sea both manually and autonomously using the trained network itself. In addition, the calibration and fusion of the different sensors to acquire as precise measurements as possible is discussed in the following Chapters.	en
heal.advisorName	Παπαλάμπρου, Γεώργιος	el
heal.committeeMemberName	Ζαραφωνίτης, Γεώργιος	el
heal.committeeMemberName	Γρηγορόπουλος, Γρηγόριος	el
heal.committeeMemberName	Παπαλάμπρου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Ναυτικής Μηχανολογίας. Εργαστήριο Ναυτικής Μηχανολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	104 σ.	el
heal.fullTextAvailability	false