전도현, 노명일, 오민재, 박성우, 이준범, "빅데이터 및 딥 러닝 기술을 이용한 블록의 설계 진행율 분석", 2019년도 대한조선학회 춘계학술발표회, 제주, pp. 332, 2019.05.15-17
Domestic Conference
2019.04.02 13:53
전도현, 노명일, 오민재, 박성우, 이준범, "빅데이터 및 딥 러닝 기술을 이용한 블록의 설계 진행율 분석", 2019년도 대한조선학회 춘계학술발표회, 제주, pp. 332, 2019.05.15-17
조회 수 237
| 첨부 '1' |
|---|
| Abstract | 선박이나 해양플랜트는 여러 개의 블록을 조립 및 탑재하여 건조되기 때문에, 각 블록의 설계 및 조립 일정은 선박 건조의 일정에 큰 영향을 미치는 요소이다. 따라서, 선박의 건조 일정을 예측하기 위해 블록의 설계 진행율에 영향을 주는 요소들에 대한 분석을 통해 각 블록 별 설계 기한 대비 현재 진행율을 확인할 필요가 있다. 하지만, 각 블록의 설계는 각종 3D CAD 프로그램 등을 이용하여 진행되며 각 블록의 설계 시점, 설계자 별 모델링 되는 부품의 수가 일정하지 않을 뿐만 아니라 매일 저장되는 CAD 프로그램의 로그 및 최종 모델링 데이터의 용량이 매우 방대하기 때문에 설계 진행율을 예측하는 데에 어려움이 있다. 본 연구에서는 이러한 대용량 데이터에 대한 분석을 수행하기 위해 빅데이터 (Big Data) 기법을 통해 블록의 설계 진행율을 예측하였다. 이를 위해, 블록의 설계 완성도를 1~10 단계로 나누어 블록에 사용된 총 부품의 개수, 난이도, 완성된 부품 비율, 완성된 부품의 증가량 등 블록의 설계 진행율에 영향을 주는 다양한 설계 변수를 통해 현재의 설계 완성도를 예측하였다. 이 과정에서, 다양한 방법을 통해 설계 진행율을 분석하여 설계 진행율의 정확도를 높이기 위하여 기계 학습 (Machine Learning) 중 지도 학습 (Supervised Learning)의 한 방법인 의사 결정 나무 (Decision Tree) 방법과 최근 회귀 분석 (Regression Analysis) 및 분류 (Classification) 분야에서 각광받고 있는 딥 러닝 (Deep Learning) 기법을 통해 블록의 설계 진행율 분석을 수행하였다. 500개의 블록에 대한 데이터를 350개의 learning set과 150개의 validation set으로 나누어 각 방법을 통해 설계 진행율을 분석한 결과, 의사 결정 나무 및 딥 러닝 양방법 모두 비슷한 정확도로 설계 진행율을 정확하게 예측하는 것을 확인하였다. |
|---|---|
| Publication Date | 2019-05-17 |
