Νευρωνικά δίκτυα για την πρόβλεψη της ταχύτητας πλοίου

Σελιμάι, Χρήστος; Selimai, Christos

dc.contributor.author	Σελιμάι, Χρήστος	el
dc.contributor.author	Selimai, Christos	en
dc.date.accessioned	2021-09-01T07:13:32Z
dc.date.available	2021-09-01T07:13:32Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53761
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21459
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Ταχύτητα πλοίου	el
dc.subject	Απόδοση πλοίου	el
dc.subject	Neural networks	en
dc.subject	Ship speed	en
dc.subject	Ship performance	en
dc.subject	LSTM	en
dc.subject	CNN	en
dc.subject	Prediction horizon	en
dc.subject	Ορίζοντας πρόβλεψης	el
dc.subject	Time series forecasting	en
dc.subject	Πρόβλεψη χρονοσειράς	el
dc.title	Νευρωνικά δίκτυα για την πρόβλεψη της ταχύτητας πλοίου	el
dc.title	Neural Networks for Ship Speed Prediction	en
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Neural Networks	en
heal.classification	Νευρωνικά Δίκτυα	el
heal.classification	Machine Learning	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-15
heal.abstract	Τα τελευταία χρόνια ένα ολοένα και αυστηρότερο πλαίσιο διεθνών κανονισμών, με αφορμή την προσπάθεια μείωσης των εκπομπών αερίων του θερμοκηπίου, έχει ωθήσει τη ναυπηγική και ναυτιλιακή βιομηχανία στην αναζήτηση μεθόδων βελτιστοποίησης της απόδοσης των πλοίων. Αρωγό σε αυτό το έργο αποτελεί η ανάπτυξη της τεχνολογίας, αιχμή του δόρατος της οποίας είναι, σήμερα, οι αλγόριθμοι μηχανικής μάθησης. Αφορμή της παρούσας διπλωματικής εργασίας αποτελεί, λοιπόν, το νέο ερευνητικό πεδίο που δημιουργείται και αφορά στη χρήση των νευρωνικών δικτύων για την αποδοτικότερη επίλυση προβλημάτων της ναυτιλίας. Πιο συγκεκριμένα, μελετάται η δημιουργία ενός εργαλείου ακριβούς πρόβλεψης της ταχύτητας σε ανοιχτή θάλασσα μέσω της αξιοποίησης των χρονικών ιστοριών διαφόρων δεδομένων λειτουργίας που συλλέγονται εν πλω, με απώτερο σκοπό την πιθανή ένταξη του σε έναν πλήρη μηχανισμό βελτίωσης του ενεργειακού προφίλ. Αρχικά, παρουσιάζεται συνοπτικά η επικρατούσα κατάσταση στο χώρο της ναυτιλίας, όπως διαμορφώνεται εξαιτίας της ανάγκης ελάττωσης του περιβαλλοντικού αποτυπώματος. ́Εχοντας υπόψη οτι η κάλυψη των απαιτήσεων δεν εναπόκειται, συνήθως, στην αποκλειστική εφαρμογή κάποιας καινοτόμου λύσης, αλλά στηρίζεται στο συνδυασμό τεχνικών και λειτουργικών μέτρων, σημειώνονται ορισμένες από τις πιο δημοφιλείς τακτικές που εφαρμόζονται, όπως τα συστήματα weather routing και βελτιστοποίησης ταξιδιών (voyage optimization), όπου και διαπιστώνεται η ύπαρξη σημαντικού περιθωρίου εξέλιξης λόγω της εξάρτησης τους από την εφαρμοζόμενη μέθοδο πρόβλεψης της ταχύτητας. Σε αυτή τη βάση, αναφέρονται οι διάφορες τεχνικές που έχουν επιστρατευτεί τα τελευταία χρόνια από τους ερευνητές για τη λύση του προβλήματος της πρόβλεψης της ταχύτητας, και της συμπεριφοράς γενικότερα, ενός πλοίου σε ανοιχτή θάλασσα. Η διαθέσιμη βιβλιογραφία περιλαμβάνει ένα ευρύ φάσμα προσεγγίσεων που εκτείνονται από θεωρητικά μοντέλα, τα οποία επικεντρώνονται στην πλήρη περιγραφή και επίλυση της εξίσωσης ισορροπίας, σε εφαρμογές στατιστικής ανάλυσης και, σε πρωτόλειο επίπεδο, μηχανική μάθηση. Στη συνέχεια, γίνεται μια συνοπτική παρουσίαση του απαραίτητου θεωρητικού υποβάθρου για εξοικείωση με τον επιλεγμένο τρόπο αντιμετώπισης του προβλήματος στην παρούσα εργασία. Πιο συγκεκριμένα, μετά την περιγραφή της γενικής φιλοσοφίας και των βασικών εννοιών των νευρωνικών δικτύων, αναλύεται η συνήθης ροή εργασιών στα προβλήματα μηχανικής μάθησης, από την εύρεση των δεδομένων ως τη βελτιστοποίηση των ρυθμιστικών παραμέτρων των νευρωνικών δικτύων. Το πρακτικό μέρος ξεκινά με τη διεξοδική ανάλυση της διαδικασίας προ-επεξεργασίας των καταγραφών από τον πραγματικό πλου ενός containership. ́Επειτα από τις πρωταρχικές ενέργειες εξοικείωσης με τα χαρακτηριστικά των μετρήσεων και με οδηγό τα εργαλεία της στατιστικής ανάλυσης, σημειώνονται τα στάδια επεξεργασίας που χρησιμοποιήθηκαν για την εξασφάλιση ενός ποιοτικού συνόλου επιχειρησιακών δεδομένων, απαραίτητου για την επιτυχία της μεθόδου. Με τη βοήθεια του Keras API και του TensorFlow εξετάζονται, τότε, διάφορες κατηγορίες νευρωνικών δικτύων, και πιο συγκεκριμένα, το απλό γραμμικό μοντέλο, το Multi Layer Perceptron, το Convolutional και τα Recurrent Neural Networks, με έμφαση στη Long – Short Term Memory αρχιτεκτονική. Μέσω των αποτελεσμάτων για διάφοροους ορίζοντες εισόδου και προβλέψεων, παρουσιάζεται, τότε, ικανοποιητική ακρίβεια στην πρόβλεψη της ταχύτητας, επιβεβαιώνοντας, επομένως, την ύπαρξη γονίμου εδάφους τόσο για εφαρμογή των εξεταζόμενων εργαλείων στη βιομηχανία, όσο και για περαιτέρω έρευνα.	el
heal.abstract	In recent years the ever tightening set of international rules regarding the reduction of greenhouse gases emissions has forced the shipbuilding and shipping industry to pursuit ways to optimize their ships’ efficiency. A decisive contribution to this goal is made, nowadays, by certain new technologies available, the most innovative of which are machine learning algorithms. This new research field, created by the adoption of neural network models for dealing with maritime related problems, is the main motivation behind this thesis. More specifically, the possibility of establishing an accurate ship speed prediction tool that uses the time history of various features measured during a voyage and which could, in turn, be integrated in a complete optimization application, is examined. At first, a short introduction is made on the current state of the shipping industry, in light of the need to reduce its carbon footprint. Keeping in mind that conforming with the current regulations is usually not a matter of a single breakthrough solution, but depends on the combination of various technical and operational measures, few of the most widespread complementary techniques, like weather routing and voyage optimization, are presented, while the room for significant improvements, due to their dependence on the accuracy of ship speed prediction, is also highlighted. Next, by referencing the available published work, a broad variety of different methods employed by researchers for forecasting ship speed in a seaway are described. Throughout the years, pure theoretical models, aiming to fully describe the physical mechanisms and provide a solution to the equilibrium equation, statistical methods and, as of lately, machine learning algorithms have been tested with variable, but notable nonetheless, levels of success. Next, a brief demonstration of the theoretical background, required to familiarize the reader with the chosen way of dealing with the problem, is given. More specifically, once the main idea and basic concepts behind neural networks are described and the typical machine learning workflow, from data acquisition to the fine-tuning of the network’s parameters, is presented. The practical part begins with an extensive examination of the pre–processing procedures applied to the authentic set of measurements recorded during a containership’s voyages. Following the primary exploratory data analysis, which is utilized in order to get a basic sense of the characteristics and issues of the dataset, the steps taken so as to ensure a high quality training set (extremely important in neural networks) are described in detail. With the help of Keras and Tensorflow, multiple architectures of neural networks are presented and compared. These include a simple linear model, a Multi Layer Perceptron, a Convolutional Neural Network and a Recurrent Neural Network called Long-Short Term Memory network, which were tested on a range of different input and prediction horizons. The results showed satisfying accuracy, thus confirming the existence of fertile ground for further research in the subject and the prospect of immediate implementation of this technology in the industry.	en
heal.advisorName	Παπαλάμπρου, Γεώργιος	el
heal.advisorName	Papalambrou, George	en
heal.committeeMemberName	Παπαδόπουλος, Χρήστος	el
heal.committeeMemberName	Γρηγορόπουλος, Γρηγόρης	el
heal.committeeMemberName	Papadopoulos, Christos	en
heal.committeeMemberName	Grigoropoulos, Gregory	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Ναυτικής Μηχανολογίας. Εργαστήριο Ναυτικής Μηχανολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	104 σ.	en
heal.fullTextAvailability	false