이준범, 노명일, 김기수, 김상엽, 한기민, 김대현, "딥 러닝 기법을 이용한 선박의 소요 마력 예측", 2019년도 대한조선학회 추계학술발표회, 경주, pp. 523, 2019.10.24-26
Domestic Conference
2019.10.16 21:24
이준범, 노명일, 김기수, 김상엽, 한기민, 김대현, "딥 러닝 기법을 이용한 선박의 소요 마력 예측", 2019년도 대한조선학회 추계학술발표회, 경주, pp. 523, 2019.10.24-26
조회 수 216
| 첨부 '1' |
|---|
| Abstract | 선박의 연료 소모량을 최소로 하는 경제 항로를 결정하기 위해서는 해기상 정보와 선박의 운항 정보를 활용해 소요 마력을 예측하는 것이 필요하다. 기존의 연구에서는 선박의 소요 마력을 예측하기 위해 ISO 15016에서 제시한 방법을 주로 활용하였다. 하지만 이 방법은 원래 시운전 속도의 보정을 위해 만들어진 방법이기에 실제 항로를 운항하는 선박의 소요 마력을 예측하는 데에는 한계가 존재한다. 따라서 본 연구에서는 파고, 파 주기, 파향, 풍속, 풍향, 수온 등 해기상 정보와 선박의 속도, 흘수, 선수각 등 선박의 운항 정보를 활용하여 선박의 소요 마력을 예측하는 방법을 연구하였다. 선박의 소요 마력 예측을 위해 딥 러닝 방법 중 하나인 DFN (Deep Feedforward Neural network)을 이용하여 소요 마력 예측 모델을 개발하였다. 소요 마력 예측 모델의 개발을 위해 13,000 TEU급 선박 72척에 대한 데이터를 활용하여 학습을 진행하였다. 또한 해상 상태와 선박의 운항 상태가 소요 마력 예측에 영향을 주는 점을 고려하여 K-mean clustering 기법을 활용해 유사한 해상 상태나 운항 상태를 기준으로 데이터를 나눈 후 각 데이터 그룹에 따라 고유한 예측 모델을 생성하였다. 기존의 해상 상태 구분 방법인 beaufort wind force scale과 선박의 속도, 선박에 대한 상대 풍속과 파고의 4가지 기준으로 데이터 그룹을 구분하였으며, 구분된 데이터 그룹의 개수에 따른 예측 모델의 정확도를 분석하였다. 본 연구에서는 개발된 딥 러닝 모델을 활용해 임의의 항로를 운항하는 13,000 TEU급 선박의 소요 마력 예측을 수행하였으며, 그 결과 본 연구에서 개발한 소요 마력 예측 모델이 효용성을 가짐을 확인하였다. Keywords: Required Power (소요 마력), DFN (Deep Feedforward Neural network), K-mean clustering, Optimal route (경제 항로) |
|---|---|
| Publication Date | 2019-10-25 |
