이준범, 노명일, 김기수, 손명조, 한기민, 김대헌, "딥 러닝 기반 해기상 및 소요 마력 예측", 2019년도 한국CDE학회 하계학술발표회, 제주, pp. 235, 2019.08.19-22
Domestic Conference
2019.08.16 16:19
이준범, 노명일, 김기수, 손명조, 한기민, 김대헌, "딥 러닝 기반 해기상 및 소요 마력 예측", 2019년도 한국CDE학회 하계학술발표회, 제주, pp. 235, 2019.08.19-22
조회 수 150
| 첨부 '1' |
|---|
| Abstract | 선박의 연료 소모량을 최소로 하는 항로를 결정하기 위해서는 해기상 정보의 확보와 그에 따른 소요 마력의 추정이 필요하다. 해기상 정보는 일반적으로 기상 정보 업체 (NOAA, ECMWF 등)로부터 취득할 수 있다. 하지만 운항 중인 선박에서 해기상 정보의 취득이 어렵거나 기상 정보 업체에서 제공하지 않는 보다 장기의 예측이 필요할 경우에는 해기상 정보를 자체적으로 예측할 수 있는 방법이 필요하다. 기존의 연구에서는 주로 특정 해역에서 파고, 파 주기 등 제한된 해기상 정보에 대한 예측만 이루어져 적용에 한계가 존재했다. 또한 소요 마력의 추정은 고도의 계산을 필요로 하기 때문에 실시간으로 계산하기 위해서는 쉽지 않고, 이를 해결하기 위해 통계적인 방법 등 간단한 방법을 활용할 경우 예측 값의 정확도에 문제가 있었다. 따라서 본 연구에서는 파고, 파 주기, 파향, 풍속, 풍향, 유속, 유향, 수온 등 8가지 해기상 정보를 전 해상 영역에 대해 예측할 수 있는 방법을 연구했다. 나아가 예측된 해기상 정보를 통해 선박의 소요 마력을 예측하는 방법을 연구하였다. 즉, 각각의 예측을 위해 DFN (Deep Feedforward Neural network), LSTM (Long Short-Term Memory), 그리고 convolutional LSTM 등 딥 러닝 기술을 이용하였다. 제안된 방법의 효용성을 검토하기 위해 실제 데이터와의 비교 검증을 수행하였으며, 그 결과 충분히 적용 가능한 수준의 예측 모델을 도출하였음을 확인하였다. Keyword: Ocean Environmental Data, Required Power of a Ship, Economic Route, DFN (Deep Feedforward Neural network), LSTM (Long Short-Term Memory), Convolutional LSTM |
|---|---|
| Publication Date | 2019-08-21 |
