Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması
Yıl: 2021 Cilt: 4 Sayı: 2 Sayfa Aralığı: 165 - 174 Metin Dili: Türkçe DOI: 10.51513/jitsa.993058 İndeks Tarihi: 29-07-2022
Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması
Öz: Son yıllarda uluslararası denizcilik ve çevre otoritelerince denizcilik sektöründeki emisyonların azaltılması için son derece radikal kararlar alınmaktadır. Şirketler yürürlüğe konulan kuralları uygulamak için fayda-maliyet oranı bakımından etkin yaklaşımlarla enerji verimliliğini arttırmayı amaçlamaktadır. Bu kapsamda gemi enerji verimliliğinin ve emisyonların belirlenmesi için literatürde çeşitli yaklaşımlar oluşturulmuştur. Özellikle son beş yılda makine öğrenmesi yöntemlerinin farklı alanlarda uygulamalarının başarılı sonuçlar vermesi üzerine bu yöntemler denizcilik sektöründe emisyonların belirlenebilmesi adına da kullanılmaya başlanmıştır. Gemide yakıt tüketimi emisyonun büyük bir bölümünü oluşturmaktadır. Bu konuda literatürde çok sayıda çalışma mevcuttur. Bu çalışmada ise gemilerde toplam yakıt tüketiminin yaklaşık %10-15’lik bir kısmını oluşturan, genellikle seyir sırasında birden fazla sayıda jeneratörün çalıştırılması yerine operasyonel iş ve işlemler için kullanılan şaft jeneratörünün gücü makine öğrenmesi uygulamaları vasıtasıyla tespit edilmiştir. Çalışmada bir konteyner gemisinden alınan 750 günlük veri seti kullanılmıştır. Alınan veri seti makine öğrenmesi yöntemleri için uygun hale getirilmiştir. Bu aşamada veri seti eğitim ve test verisi olarak bilgisayar tarafından rastgele seçilerek iki kısma ayrılmıştır. Eğitim verisi ile algoritmalar eğitilmiş, test verisi ise algoritmalara öğretilmemiş ve tahmin işlemi sırasında algoritma başarılarının ölçülebilmesi adına saklanmıştır. Yapılan tahminler sonucunda Çoklu Doğrusal Regresyon algoritmasının şaft jeneratörünün elektriksel gücünün tahmini işleminde çalışmada incelenen diğer algoritmalardan daha başarılı sonuçlar verdiği tespit edilmiştir.
Anahtar Kelime: Machine learning approach to estimating operational electrical power on trade vessels: an application for shaft generator power prediction
Öz: In recent years, extremely radical decisions have been taken by international maritime and environmental authorities to reduce emissions in the maritime sector. Companies aim to increase energy efficiency with effective approaches in terms of cost-benefit ratio to implement the rules that have been put into effect. In this context, various approaches have been developed in the literature to determine ship energy efficiency and emissions. Especially in the last five years, applications of machine learning methods in different fields have yielded successful results, and these methods have started to be used to determine emissions in the maritime sector. Fuel consumption onboard accounts for a large part of emissions. There are many studies in the literature on this subject. In this study, the power of the shaft generator is generally used for operational work and operations instead of running more than one generator during the cruise, has been determined through machine learning applications. A data set for 750 days from a container ship was used in the study. The received data set has been made suitable for machine learning methods. At this stage, the data set was randomly selected by the computer as training and test data and divided into two parts. Algorithms were trained with the training data, while the test data was not taught to the algorithms and stored to measure the success of the algorithms during the estimation process. As a result of the estimations, it has been determined that the Multiple Linear Regression algorithm gives more successful results than the other algorithms examined in the study in the estimation of the electrical power of the shaft generator.
Anahtar Kelime: Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
- Ahlgren F., Mondejar M.E., Thern M. (2019). Predicting Dynamic Fuel Oil Consumption on Ships with Automated Machine Learning, Energy Procedia, 158, 6126-6131, 1876-6102, doi: 10.1016/j.egypro.2019.01.499.
- Alexey V. P. (2014). Innovation and design of cruise ships, Pacific Science Review, 16, 4, 280- 282, 1229-5450, doi: 10.1016/j.pscr.2015.02.001.
- Aline F. S., Nicolau A. C., André D. S. B., José E. S., Amauri G., Noé C., Bismarck L. S. (2021). Multiple linear regression approach to predict tensile properties of Sn-Ag-Cu (SAC) alloys, Materials Letters, 304, 130587, 0167- 577X, doi: 10.1016/j.matlet.2021.130587.
- Andrea C., Luca O., Francesco B., Francesca C., Mehmet A., Stefano S. (2019). Data-driven ship digital twin for estimating the speed loss caused by the marine fouling, Ocean Engineering, 186, 106063, 0029-8018, doi: 10.1016/j.oceaneng.2019.05.045.
- Andrew C. T., Irina H., Vasco S. R., Joseph S. (2020). Maritime container shipping: Does coopetition improve cost and environmental efficiencies?. Transportation Research Part D: Transport and Environment, 87, 102507, 1361- 9209, doi: 10.1016/j.trd.2020.102507.
- Aris P., Anders H. M., Tim C. M. (2017). Applying Multi-Class Support Vector Machines for performance assessment of shipping operations: The case of tanker vessels, Ocean Engineering, 140, 1-6, 0029-8018, doi: 10.1016/j.oceaneng.2017.05.001.
- Bilgili L. (2021). Life cycle comparison of marine fuels for IMO 2020 Sulphur Cap. Science of The Total Environment, Volume 774, 145719, 0048-9697, doi: 10.1016/j.scitotenv.2021.145719.
- Chengpeng W., Yinxiang Z., Di Z., Tsz L. Y. (2021). Identifying important ports in maritime container shipping networks along the Maritime Silk Road. Ocean & Coastal Management, 211, 105738, 0964-5691, doi: 10.1016/j.ocecoaman.2021.105738.
- Chi Z., Di Z., Mingyang Z., Wengang M., (2019). Data-driven ship energy efficiency analysis and optimization model for route planning in ice-covered Arctic waters, Ocean Engineering, 186, 106071, 0029-8018, doi: 10.1016/j.oceaneng.2019.05.053.
- Dai X., Chen H., Seyed A. B., Masoud S., Mohammad A. (2019). Statistical estimation the thermal conductivity of MWCNTs- SiO2/Water-EG nanofluid using the ridge regression method, Physica A: Statistical Mechanics and its Applications, 537, 122782, 0378-4371, doi: 10.1016/j.physa.2019.122782.
- Gkerekos C., Lazakis I., Theotokatos G. (2019). Machine learning models for predicting ship main engine Fuel Oil Consumption: A comparative study, Ocean Engineering, 188, 106282, 0029-8018, doi: 10.1016/j.oceaneng.2019.106282
- Harilaos N. P., Thalis Z., Sotiria L. (2021). A comparative evaluation of market based measures for shipping decarbonization. Maritime Transport Research, 2, 100019, 2666- 822X, doi: 10.1016/j.martra.2021.100019.
- Jan K. (2014). Ship's Propulsion Neural Controller Main Engine-Pitch Propeller-Shaft Generator, IFAC Proceedings Volumes, 47, 1, 905-912, 1474-6670, 9783902823601, doi: 10.3182/20140313-3-IN-3024.00067.
- Jin S. P., Young-Joon S., Min-Ho H. (2019). The role of maritime, land, and air transportation in economic growth: Panel evidence from OECD and non-OECD countries. Research in Transportation Economics, 78, 100765, 0739-8859, doi: 10.1016/j.retrec.2019.100765.
- Kanka G., Samuel G. L. (2021). Support vector machine regression for predicting dimensional features of die-sinking electrical discharge machined components, Procedia CIRP, 99, 508-513, 2212-8271, doi: 10.1016/j.procir.2021.03.109.
- Khanh Q. B., Perera L.P. (2021). Advanced data analytics for ship performance monitoring under localized operational conditions, Ocean Engineering, 235, 109392, 0029-8018, doi: 10.1016/j.oceaneng.2021.109392.
- Laura F. P., Fermin M., Martín G. R., Teresa L. (2018). Dynamic mean absolute error as new measure for assessing forecasting errors, Energy Conversion and Management, 162, 176-188, 0196-8904, doi: 10.1016/j.enconman.2018.02.030.
- Martin Ć., Shady H. E. A. A., Ahmed F. Z. (2020). On the root mean square error (RMSE) calculation for parameter estimation of photovoltaic models: A novel exact analytical solution based on Lambert W function, Energy Conversion and Management, 210, 112716, 0196-8904, doi: 10.1016/j.enconman.2020.112716.
- Nitin D., Babita S., Chalak H.D. (2021). Gradient boosting-based regression modelling for estimating the time period of the irregular precast concrete structural system with cross bracing, Journal of King Saud University- Engineering Sciences, 1018-3639, doi: 10.1016/j.jksues.2021.08.004.
- Pavlos K., Nikos T. (2021), Data-driven modelling of ship propulsion and the effect of data pre-processing on the prediction of ship fuel consumption and speed loss. Ocean Engineering, 222, 108616, 0029-8018, doi: 10.1016/j.oceaneng.2021.108616.
- Paula S. Á. (2021). From maritime salvage to IMO 2020 strategy: Two actions to protect the environment, Marine Pollution Bulletin, 170, 112590, 0025-326X, doi: 10.1016/j.marpolbul.2021.112590.
- Peng Y., Huakun L., Xiangda L., Jian H., Wenyuan W. (2020). Machine learning method for energy consumption prediction of ships in port considering green ports, Journal of Cleaner Production, 264, 121564, 0959-6526, doi: 10.1016/j.jclepro.2020.121564.
- Saim T.K., Yercan F. (2021). Comparative Cost-Effectiveness Analysis of Arctic and International Shipping Routes: A Fuzzy Analytic Hierarchy Process, Transport Policy, 0967-070X, doi: 10.1016/j.tranpol.2021.08.015.
- Tariku S. T., Gang X., Zhishuai L., Hao T., Zhen S., Bin H., Heruye M. M. (2021). Traffic Congestion Prediction using Decision Tree, Logistic Regression and Neural Networks, IFAC-Papers On Line, 53, 5, 512-517, 2405- 8963, doi: 10.1016/j.ifacol.2021.04.138.
- Tran T.A. (2021). Comparative analysis on the fuel consumption prediction model for bulk carriers from ship launching to current states based on sea trial data and machine learning technique, Journal of Ocean Engineering and Science, 2468-0133, doi: 10.1016/j.joes.2021.02.005.
- Yuanqiao W., Zhongyi S., Chunhui Z., Changshi X., Qianqian C., Dong H., Yimeng Z. (2020). Automatic ship route design between two ports: A data-driven method, Applied Ocean Research, 96, 102049, 0141-1187, doi: 10.1016/j.apor.2019.102049.
- Zhen G., Bin Y., Mengyan H., Wensi W., Yu J., Fang Z. (2021). A novel hybrid method for flight departure delay prediction using Random Forest Regression and Maximal Information Coefficient, Aerospace Science and Technology, 116, 106822, 1270-9638, doi: 10.1016/j.ast.2021.106822.
| APA | UYANIK T (2021). Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması. , 165 - 174. 10.51513/jitsa.993058 |
| Chicago | UYANIK Tayfun Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması. (2021): 165 - 174. 10.51513/jitsa.993058 |
| MLA | UYANIK Tayfun Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması. , 2021, ss.165 - 174. 10.51513/jitsa.993058 |
| AMA | UYANIK T Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması. . 2021; 165 - 174. 10.51513/jitsa.993058 |
| Vancouver | UYANIK T Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması. . 2021; 165 - 174. 10.51513/jitsa.993058 |
| IEEE | UYANIK T "Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması." , ss.165 - 174, 2021. 10.51513/jitsa.993058 |
| ISNAD | UYANIK, Tayfun. "Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması". (2021), 165-174. https://doi.org/10.51513/jitsa.993058 |
| APA | UYANIK T (2021). Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması. Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi (Online), 4(2), 165 - 174. 10.51513/jitsa.993058 |
| Chicago | UYANIK Tayfun Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması. Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi (Online) 4, no.2 (2021): 165 - 174. 10.51513/jitsa.993058 |
| MLA | UYANIK Tayfun Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması. Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi (Online), vol.4, no.2, 2021, ss.165 - 174. 10.51513/jitsa.993058 |
| AMA | UYANIK T Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması. Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi (Online). 2021; 4(2): 165 - 174. 10.51513/jitsa.993058 |
| Vancouver | UYANIK T Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması. Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi (Online). 2021; 4(2): 165 - 174. 10.51513/jitsa.993058 |
| IEEE | UYANIK T "Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması." Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi (Online), 4, ss.165 - 174, 2021. 10.51513/jitsa.993058 |
| ISNAD | UYANIK, Tayfun. "Ticari gemilerde operasyonel elektriksel gücün tahmininde makine öğrenmesi yaklaşımı: şaft jeneratörü güç tahmini uygulaması". Akıllı Ulaşım Sistemleri ve Uygulamaları Dergisi (Online) 4/2 (2021), 165-174. https://doi.org/10.51513/jitsa.993058 |
