Πρόβλεψη της ισχύος κινητήρα εμπορικών πλοίων με τεχνικές μηχανικής και βαθιάς μάθησης

Δεπάστας, Βασίλειος; Depastas, Vasileios

dc.contributor.author	Δεπάστας, Βασίλειος	el
dc.contributor.author	Depastas, Vasileios	en
dc.date.accessioned	2025-01-08T13:20:02Z
dc.date.available	2025-01-08T13:20:02Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60666
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28362
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Ισχύς κινητήρα πλοίων	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Εκπομπές αερίων του θερμοκηπίου	el
dc.title	Πρόβλεψη της ισχύος κινητήρα εμπορικών πλοίων με τεχνικές μηχανικής και βαθιάς μάθησης	el
dc.title	Πρόβλεψη της ισχύος κινητήρα εμπορικών πλοίων με τεχνικές μηχανικής και βαθιάς μάθησης	el
heal.type	masterThesis
heal.secondaryTitle	Prediction of ship power based on machine learning and deep learning techniques	en
heal.classification	Επιστήμη Δεδομένων	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-15
heal.abstract	Σήμερα, ο βασικός στόχος του Ναυτιλιακού τομέα είναι η μείωση των εκπομπών ρύπων και του περιβαλλοντικού αποτυπώματος κατά μήκος όλης της εφοδιαστικής αλυσίδας αγαθών. Ο IMO (International Maritime Organization) έχει θεσπίσει αυστηρούς στόχους για την μείωση των ρύπων διοξειδίου του άνθρακα και άλλων αερίων του θερμοκηπίου στο προσεχές διάστημα συνδράμοντας στην παγκόσμια προσπάθεια όλων των κλάδων για την προστασία του περιβάλλοντος. Πλήθος νέων τεχνολογιών και εναλλακτικών καυσίμων δοκιμάζονται για την μείωση των ρύπων των πλοίων, ωστόσο πέρα αυτών πρωταρχικός στόχος είναι η αναθεώρηση των μεθόδων λειτουργίας των πλοίων με στόχο την βελτιστοποίηση της απόδοσης. Η χρήση νέων τεχνολογιών ανάλυσης μεγάλου όγκου δεδομένων τα οποία συγκεντρώνονται με σύγχρονες IoT τεχνολογίες (on-board sensors) ανοίγει νέους ορίζοντες στην κατανόηση των παραγόντων που επηρεάζουν την απόδοση ενός πλοίου. Στα πλαίσια αυτού, η συγκεκριμένη διπλωματική εργασία αποσκοπεί στην βελτίωση ενός υφιστάμενου αλγορίθμου πολυωνυμικής παλινδρόμησης (Lasso regression) για την εύρεση της βέλτιστης ταχύτητας πλεύσης πλοίου σε πραγματικό χρόνο βάσει των καιρικών φαινομένων και μετρήσεων που αφορούν την πλεύση του πλοίου και λειτουργική κατάσταση της μηχανής του. Η μελέτη επικεντρώνεται στην εύρεση και υλοποίηση των κατάλληλων μοντέλων μηχανικής και βαθιάς μάθησης με στόχο την ακριβέστερη προσομοίωση της απόδοσης του πλοίου σε ισχύ και κατανάλωση υπό τις καιρικές συνθήκες που αναμένεται να αντιμετωπίσει σε κάθε σημείο της διαδρομής. Τα μοντέλα αυτά μπορούν έπειτα να ενσωματωθούν σε έναν αλγόριθμο βελτιστοποίησης για την πλεύση του πλοίου και πραγματοποιούμε εκτενή μελέτη της απόδοσης των εξεταζόμενων αλγορίθμων.	el
heal.advisorName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	false