이준범, 노명일, 김기수, 손명조, 한기민, 김대헌, "딥러닝 기법을 이용한 해기상 데이터 예측", 2019년도 대한조선학회 춘계학술발표회, 제주, pp. 491, 2019.05.15-17
Domestic Conference
2019.04.02 14:11
이준범, 노명일, 김기수, 손명조, 한기민, 김대헌, "딥러닝 기법을 이용한 해기상 데이터 예측", 2019년도 대한조선학회 춘계학술발표회, 제주, pp. 491, 2019.05.15-17
조회 수 282
| 첨부 '1' |
|---|
| Abstract | 해운사에서 경제 운항 경로를 선택하기 위해서는 해기상 데이터를 활용한 선박의 소요 마력 예측이 필요하다. 즉, 소요 마력 예측에는 수온, 파고, 풍속 등 해기상 데이터가 입력 값으로 활용되기에 해기상 데이터에 대한 예측이 선행되어야 한다. 다양한 예보 데이터의 활용이 가능하지만 데이터 송수신이 원활하지 않은 상황에서는 자체적인 해기상 데이터의 예측이 필요하다. 그러나 기존의 연구에서는 주로 파고, 파 주기 등 특정 해기상 데이터의 예측만 이뤄졌으며, 또한 특정 지역에 국한된 예측을 진행하였다. 따라서 본 연구에서는 파고, 파 주기, 파향, 풍속, 풍향, 유속, 유향, 수온 등 8가지 해기상 데이터를 딥 러닝 기법으로 예측하였으며, 이때 상관 분석 (correlation analysis)를 통해 해기상 데이터 간의 연관성을 파악한 후 딥 러닝 모델의 입력값을 선정하였다. 해기상 데이터의 예측을 위한 딥 러닝 모델로서 DFN (Deep Neural Network)과 LSTM (Long Short-Term Memory)를 이용하였으며, 학습을 위한 해기상 데이터는 ECMWF (European Centre for Medium-Range Weather Forecasts)와 HYCOM (Global Hybrid Coordinate Ocean Model)로부터 확보하였다. 예측 모델의 정확도를 높이기 위해 확보한 해기상 데이터에 존재하는 이상점 (outlier)을 제거하였으며, 또한 각 해기상 데이터별로 딥 러닝 모델, 입력 데이터의 종류, 입력 데이터의 기간, 출력 데이터의 기간 등을 변경하며 각 요소에 대한 모델의 정확도를 분석하였다. 본 연구에서는 해기상 데이터의 예측 모델을 전 세계 전 해역의 해기상 데이터를 예측하는데 활용하였으며, 적용 결과 그 효용성을 확인하였다. Keywords: Ocean Environmental Data (해기상 데이터), Deep learning (딥 러닝), DFN (Deep Neural Network), LSTM (Long Short-Term Memory) |
|---|---|
| Publication Date | 2019-05-17 |
Prev 이성, 노명일, 함승호, 김기수, 조로만, 정동훈, "HLA를 기반으로 한 해석-가시화 통합 방법 연구 및 조선 해양 협업 시뮬레이션에의 적용", 2015년도 대한조선학회 추계학술발표회, 거제, pp. 453-456, 2015.11.05-06
이성, 노명일, 함승호, 김기수, 조로만, 정동훈, "HLA를 기반으로 한 해석-가시화 통합 방법 연구 및 조선 해양 협업 시뮬레이션에의 적용", 2015년도 대한조선학회 추계학술발표회, 거제, pp. 453-456, 2015.11.05-06
2015.09.10by SyDLab
오민재, 노명일, 김범수, 김용환, "IGES 선형 곡면 데이터로... Next
오민재, 노명일, 김범수, 김용환, "IGES 선형 곡면 데이터로...
2019.04.02by
