Ανάπτυξη ενός μοντέλου μηχανικής μάθησης για την πρόβλεψη της
Ταχύτητας του πλοίου: Μία προσέγγιση βασισμένη σε λειτουργικά δεδομένα

Ζαγκλιβέρη, Θεανώ; Zagkliveri, Theano

dc.contributor.author	Ζαγκλιβέρη, Θεανώ	el
dc.contributor.author	Zagkliveri, Theano	en
dc.date.accessioned	2025-10-13T07:58:23Z
dc.date.available	2025-10-13T07:58:23Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62690
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30386
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	Ship Speed Prediction	en
dc.subject	Voyage Optimization	en
dc.subject	Machine Learning	en
dc.subject	Data-Driven Models	en
dc.subject	Maritime Transportation	en
dc.title	Ανάπτυξη ενός μοντέλου μηχανικής μάθησης για την πρόβλεψη της Ταχύτητας του πλοίου: Μία προσέγγιση βασισμένη σε λειτουργικά δεδομένα	el
dc.title	Development of Machine Learning Model for Ship Speed Prediction: A Data-Driven Approach	en
heal.type	masterThesis
heal.classification	Maritime Transportation	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-03-11
heal.abstract	Η ακριβής πρόβλεψη της ταχύτητας του πλοίου και των απαιτήσεων ισχύος αποτελεί κρίσιμο στοιχείο στις θαλάσσιες μεταφορές, επηρεάζοντας την ενεργειακή απόδοση, τη συμμόρφωση με τους κανονισμούς και τη βελτιστοποίηση του ταξιδιού. Οι παραδοσιακές μέθοδοι εκτίμησης της σχέσης ταχύτητας-ισχύος των πλοίων βασίζονται σε ημι-εμπειρικά μοντέλα αντίστασης και παρεμβολές από δοκιμές στη θάλασσα (Sea Trials), τα οποία συχνά αποτυγχάνουν να λάβουν υπόψη τις πραγματικές συνθήκες στη θαλασσα, όπως ο άνεμος, τα κύματα και η δυναμική απόδοση των μηχανών. Για την αντιμετώπιση αυτών των περιορισμών, η παρούσα μελέτη αναπτύσσει ένα μοντέλο πρόβλεψης της ταχύτητας του πλοίου βασισμένο στη μηχανική μάθηση, συνδυάζοντας τεχνικές φυσικής μοντελοποίησης με σύγχρονες μεθόδους τεχνητής νοημοσύνης. Η έρευνα ξεκινά με μια εκτενή διερευνητική ανάλυση δεδομένων (EDA) των λειτουργικών δεδομένων του πλοίου, συμπεριλαμβανομένων δεδομένων από αισθητήρες και ημερήσιες αναφορές (noon reports). Εφαρμόζονται τεχνικές όπως ανίχνευση ακραίων τιμών, επιλογή χαρακτηριστικών και ανάλυση συσχέτισης, με στόχο τη βελτιστοποίηση του συνόλου δεδομένων για τις ανάγκες της μοντελοποίησης. Στη συνέχεια, η μελέτη υλοποιεί ένα υβριδικό πλαίσιο πρόβλεψης, ενσωματώνοντας μοντέλα βασισμένα στη φυσική (π.χ. ημιεμπειρικά μοντέλα αντίστασης, παρεμβολές δοκιμών στη θάλασσα και Physics-Informed Neural Networks (PINNs)) καθώς και αλγόριθμους μηχανικής μάθησης (π.χ. Γραμμική Παλινδρόμηση, Random Forest Regressor και XGBoost). Παρουσιάζεται μια παράλληλη προσέγγιση γκρι-κουτιού (grey-box modeling), η οποία ενσωματώνει φυσικούς περιορισμούς στις προβλέψεις μηχανικής μάθησης με στόχο τη βελτίωση της ερμηνευσιμότητας και της ακρίβειας του μοντέλου. Η διαδικασία επιλογής του βέλτιστου μοντέλου περιλαμβάνει βελτιστοποίηση υπερπαραμέτρων, ανάλυση συναρτήσεων σφάλματος και έλεγχο εγκυρότητας, εξασφαλίζοντας άριστη προγνωστική απόδοση. Πραγματοποιήθηκαν συγκριτικές αναλύσεις μεταξύ καθαρών φυσικών μοντέλων, αμιγώς δεδομενο-κεντρικών μοντέλων μηχανικής μάθησης και υβριδικών προσεγγίσεων grey-box, αξιολογώντας τη γενίκευση και την υπολογιστική αποδοτικότητα. Η μελέτη συζητά επίσης την πιθανή ενσωμάτωση του αναπτυγμένου μοντέλου πρόβλεψης σε ένα Σύστημα Υποστήριξης Αποφάσεων (DSS), περιγράφοντας πώς θα μπορούσε να χρησιμοποιηθεί για εκτίμηση της ταχύτητας σε πραγματικό χρόνο και βελτιστοποίηση του ταξιδιού. Η έρευνα αυτή συμβάλλει στην προώθηση της μηχανικής μάθησης στη ναυτιλία, προτείνοντας μια μεθοδολογία που βελτιώνει την απόδοση των πλοίων και υποστηρίζει τη λήψη αποφάσεων με γνώμονα τα δεδομένα.	el
heal.abstract	The accurate prediction of ship speed and power requirements is a critical aspect of maritime operations, impacting fuel efficiency, regulatory compliance, and voyage optimization. Traditional methods for estimating ship speed-power relationships rely on semi-empirical resistance models and sea trial interpolations, which often fail to account for real-world operational conditions such as wind, waves, and dynamic engine performance. To address these limitations, this study develops a data-driven machine learning model for ship speed prediction, integrating physical modeling techniques with modern artificial intelligence approaches. The research begins with a comprehensive exploratory data analysis (EDA) of ship operational datasets, including sensor-derived and noon report data. Techniques such as outlier detection, feature selection, and correlation analysis are applied to refine the dataset for modeling purposes. The study then implements a hybrid prediction framework, incorporating both physics-based models (e.g., semi-empirical resistance models, sea trial interpolations, and Physics-Informed Neural Networks (PINNs)) and machine learning algorithms (e.g., Linear regression, Random Forest Regressor, and XGBoost). A parallel grey-box modeling approach is introduced, integrating physics-based constraints into machine learning predictions to improve model interpretability and accuracy. The model selection process involves hyperparameter optimization, error function analysis, and validation testing, ensuring optimal predictive performance. Comparative analyses between pure physics-based, machine learning-based, and hybrid grey-box models are conducted to evaluate generalization ability and computational efficiency. The study also discusses the potential integration of the developed prediction model into a Decision Support System (DSS), outlining how it could be used for real-time power estimation and operational optimization. This research contributes to the advancement of machine learning applications in maritime, offering a methodology that enhances operational efficiency, and supports data-driven decision-making in modern shipping operations.	en
heal.advisorName	Askounis, Dimitrios	en
heal.committeeMemberName	Askounis, Dimitrios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	72 σ.	el
heal.fullTextAvailability	false