Development of data-driven ANN model for the propeller shaft power prediction & fouling analysis of vessel

Εμμανουηλίδης, Γεώργιος-Αγησίλαος; Emmanouilidis, Georgios-Agisilaos

dc.contributor.author	Εμμανουηλίδης, Γεώργιος-Αγησίλαος	el
dc.contributor.author	Emmanouilidis, Georgios-Agisilaos	en
dc.date.accessioned	2023-11-27T10:08:38Z
dc.date.available	2023-11-27T10:08:38Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58330
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26026
dc.rights	Default License
dc.subject	Ανάλυση Δεδομένων	el
dc.subject	Vessel Performance Monitoring	en
dc.subject	Artificial Neural Networks	en
dc.title	Development of data-driven ANN model for the propeller shaft power prediction & fouling analysis of vessel	en
heal.type	bachelorThesis
heal.classification	Ανάλυση Δεδομένων	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-12
heal.abstract	Λόγω των πρόσφατων γεγονότων στον ναυτιλιακό τομέα, η παρακολούθηση της απόδοσης των πλοίων είναι πιο σημαντική από ποτέ. Η σωστή αξιολόγηση της κατάστασης του πλοίου επιτρέπει στις ναυτιλιακές εταιρείες να αξιολογήσουν την υποβάθμιση της απόδοσης και να αποφύγουν απρόβλεπτες δαπάνες. Η απόδοση του πλοίου εξαρτάται από τον χρόνο λόγω της σχέσης του με τη θαλάσσια ρύπανση. Επομένως, τα δεδομένα που καταγράφονται από τα συστήματα παρακολούθησης του πλοίου μπορούν να αξιολογήσουν την κατάσταση της απόδοσής του και να καθορίσουν εάν το πλοίο πρέπει να υποστεί συντηρητικές ενέργειες. Επιπλέον, η συνδυασμένη χρήση υπάρχοντων καταγεγραμμένων δεδομένων με τεχνικές μηχανικής μάθησης δίνει τη δυνατότητα στους φορείς να παρακολουθούν όχι μόνο την τρέχουσα αποδοτικότητα της απόδοσης ενός πλοίου, αλλά και να προβλέπουν τις διακυμάνσεις της με την πάροδο του χρόνου. Η παρούσα μελέτη περιγράφει τα απαιτούμενα βήματα για την ανάπτυξη ενός προγνωστικού μοντέλου Τεχνητού Νευρωνικού Δικτύου (Artificial Neural Network - ANN) και τα στοιχεία που περιλαμβάνει. Επιπλέον, αξιολογεί τη σημασία κάθε υπερπαραμέτρου σχετιζόμενη με την ακρίβεια του μοντέλου. Για την ανάπτυξη του μοντέλου ANN, επεξεργάστηκαν δεδομένα υψηλής συχνότητας από ένα Panamax φορτηγό πλοίο για μια περίοδο 16 μηνών, με έμφαση στην επισκευή του προπέλας. Δημιουργήθηκαν δύο ξεχωριστά μοντέλα: ένα χρησιμοποιώντας δεδομένα εκπαίδευσης που καταγράφηκαν κατά την πρώτη εξάμηνη περίοδο και ένα δεύτερο χρησιμοποιώντας τα υπόλοιπα (10 μήνες). Για την προεπεξεργασία των καταγεγραμμένων δεδομένων, εφαρμόστηκαν στατιστικές μέθοδοι μαζί με τους βασικούς νόμους της φυσικής. Η μηχανική των μεταβλητών εισόδου περιλάμβανε την εφαρμογή τεχνικών βαθιάς μάθησης με τη χρήση της βιβλιοθήκης Random Forest της Python. Για τη βελτιστοποίηση της απόδοσης του μοντέλου, εφαρμόστηκε η μέθοδος δοκιμής και σφάλματος (Trial-Error) για κάθε υπερπαράμετρο. Έτσι, κατασκευάστηκε το πιο αποδοτικό μοντέλο δυνατό, λαμβάνοντας υπόψη τα καταγεγραμμένα δεδομένα, με ποσοστά ακρίβειας 97,5% και 99,3% για τις προβλέψεις σε σύγκριση με τις μετρημένες τιμές πριν και μετά την επισκευή του προπέλα αντίστοιχα. Τέλος, με βάση αυτά τα μοντέλα, η μελέτη αξιολόγησε την επίδραση της περιβαλλοντικής μόλυνσης στην υποβάθμιση της ισχύος του προπέλα, σε σχέση με τις ημέρες που παρήλθαν από την επισκευή του, προκειμένου να αποδειχθεί η χρονική εξάρτηση της θαλάσσιας μόλυνσης.	el
heal.advisorName	Θεμελής, Νικόλαος	el
heal.committeeMemberName	Προυσαλίδης, Ιωάννης	el
heal.committeeMemberName	Σπύρου, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Μελέτης Πλοίου και Θαλάσσιων Μεταφορών	el
heal.academicPublisherID	ntua
heal.numberOfPages	94 σ.	el
heal.fullTextAvailability	false