Neural networks for the prediction of fuel oil consumption for containerships

Μπούρχας, Ορφέας; Bourchas, Orfeas

dc.contributor.author	Μπούρχας, Ορφέας	el
dc.contributor.author	Bourchas, Orfeas	en
dc.date.accessioned	2021-02-26T19:31:30Z
dc.date.available	2021-02-26T19:31:30Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52927
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20625
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Πρόβλεψη κατανάλωσης πλοίου	el
dc.subject	Neural networks	en
dc.subject	Consumption prediction ship	en
dc.title	Neural networks for the prediction of fuel oil consumption for containerships	en
heal.type	bachelorThesis
heal.classification	Νευρωνικά Δίκτυα	el
heal.classification	Νευρωνικά Δίκτυα	el
heal.classification	Neural Networks	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-11-05
heal.abstract	In this thesis, a Neural Network for predicting the Fuel Oil Consumption (F.O.C.) of three containerships, two sister ships, and another containership was studied and implemented. For this purpose, several models were tested. The parameters that were used are: • The variables that were used in each model, • The number of steps back or lookbacks, as they are called in this thesis and • The number of epochs that each model was trained. The aim was to find the best parameters and create models that could not only predict well on the training dataset but also on the other ships’ datasets. Initially, the data of all three ships were preprocessed the same way. Then one of the sister ships was chosen to be the one in which the dataset would be used for training and some testing. Neural Networks is a sophisticated part of Machine Learning. There are a lot of types/categories of N.N. based on the architecture, the supervision, and the way they train. In this thesis, the focus was on the Recurrent Neural Networks (R.N.N.) since these are the ones that tackle the time-series problems such as the prediction of a value, in this case the FOC. Initially, a simple RNN was the first thought to approach the problem. However, due to a large amount of data and some of the weaknesses of the simple RNNs the more advanced LSTM architecture was chosen due to its ability to cope with the simple RNNs problems. After the model was selected and the hyperparameters were tuned the model began training on 90% of the first ship’s dataset. After the completion of each training, the model’s ability to predict was tested. First on the remaining 10% of the first ship’s dataset. Then the % difference was calculated and plotted. Moreover, the model’s performance was also tested on the second (sister ship) and on the third ships in order to evaluate it ability to generalize. The process was repeated for a variety of combinations of variables and lookbacks and epochs. On each combination of variables and lookbacks, the model’s performance was tested using the epochs parameters to differentiate the models. So the best number of epochs to train a model, based on the number of lookbacks and the number of variables, was chosen. The results of the best models showed that most of them were able to generalize and achieve almost 0% errors on the first ship and below 5% on the other two.	en
heal.abstract	Στην παρούσα διπλωματική εργασία, μελετήθηκε και αναπτύχθηκε ένα νευρωνικό δίκτυο για την πρόβλεψη της κατανάλωσης καυσίμου τριών φορτηγών πλοίων (Containerships), δύο εκ των οποίων ήταν αδελφά. Για αυτό το σκοπό αρκετά μοντέλα δοκιμάστηκαν. Οι παράμετροι που χρησιμοποιήθηκαν είναι οι εξής: • Οι μεταβλητές που χρησιμοποιήθηκαν σε κάθε μοντέλο, • Ο αριθμός των χρονικών βημάτων στο παρελθόν (steps back) και • Ο αριθμός των εποχών/επαναλήψεων που κάθε μοντέλο εκπαιδεύτηκε. Ο στόχος ήταν να βρεθούν οι βέλτιστες παράμετροι και να δημιουργηθούν μοντέλα τα οποία θα μπορούσαν να κάνουν καλές προβλέψεις τόσο στο σετ του πλοίου που εκπαιδεύτηκαν όσο και στα σετ των άλλων δύο πλοίον. Αρχικά τα δεδομένα και των τριών πλοίων επεξεργάστηκαν με τον ίδιο τρόπο. Στη συνέχεια το ένα από τα αδελφά πλοία επιλέχθηκε να είναι αυτό του οποίου το σετ δεδομένων θα χρησιμοποιηθεί για την εκπαίδευση και μερική δοκιμή των μοντέλων. Τα νευρωνικά δίκτυα είναι ε΄να εκλεπτυσμένο κομμάτι της μηχανικής μάθησης. Υπάρχουν πολλά είδη/κατηγορίες ν.δ. ανάλογα με την αρχιτεκτονική τους, τον τρόπο επίβλεψης και τον τρόπο εκπαίδευσης τους. Η παρούσα διπλωματική εργασία επικεντρώνεται στα επαναλαμβανόμενα νευρωνικά δίκτυα (Recurrent Neural Networks ή R.N.N.) καθώς αυτό το είδος ν.δ. είναι κατάλληλο για την μελέτη προβλημάτων χρονοσειρών όπως είναι η κατανάλωση καυσίμου σε αυτήν την περίπτωση. Αρχικά ένα απλό R.N.N. χρησιμοποιήθηκε σαν πρώτη προσέγγιση. Όμως, λόγω του μεγάλου όγκου δεδομένων καθώς και κάποιων αδυναμιών που έχουν τα απλά R.N.N. η πιο εξελιγμένη αρχιτεκτονική δομή, L.S.T.M., επιλέχθηκε λόγω της δυνατότητας της να αντιμετωπίζει αυτά τα προβλήματα. Αφού το μοντέλο είχε επιλεχθεί και οι παράμετροι είχαμε οριστεί το μοντέλο ξεκίνησε να εκπαιδεύεται στο 90% των δεδομένων του σετ του πλοίου νούμερο ένα. Στο τέλος κάθε εκπαίδευσης δοκιμαζόταν η ικανότητα πρόβλεψης του μοντέλου. Πρώτα στο υπόλοιπο 10% του σετ του πλοίου νούμερο ένα. Κατόπιν η επί τις εκατό διαφορά υπολογιζόταν και αναπαριστανόταν γραφικά. Μετέπειτα, η ικανότητα του μοντέλου δοκιμαζόταν στα σετ των πλοίων νούμερο δύο και τρία, ώστε να εκτιμηθεί η ικανότητα γενίκευσης του. Η διαδικασία επαναλήφθηκε για πλήθος συνδυασμών μεταβλητών, χρονικών βημάτων και εποχών. Σε κάθε συνδυασμό μεταβλητών και χρονικών βημάτων η επίδοση του μοντέλου δοκιμάστηκε χρησιμοποιώντας τις εποχές ως παράμετρο. Με αυτόν τον τρόπο επιλέχθηκε ο βέλτιστος αριθμός εποχών για την εκπαίδευση του μοντέλου, ανάλογα με τον αριθμό των χρονικών βημάτων και των παραμέτρων. Τα αποτελέσματα του καλύτερου μοντέλου έδειξαν πως κατάφερε να γενικεύσει επιτυγχάνοντας σφάλμα~0% στο πρώτο πλοίο και λιγότερο από 5% στα άλλα δύο.	el
heal.advisorName	Παπαλάμπρου, Γεώργιος	el
heal.committeeMemberName	Παπαδόπουλος, Χρήστος	el
heal.committeeMemberName	Κυρτάτος, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Ναυτικής Μηχανολογίας. Εργαστήριο Ναυτικής Μηχανολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	118 σ.	el
heal.fullTextAvailability	false