論文の概要: Ship Performance Monitoring using Machine-learning
- arxiv url: http://arxiv.org/abs/2110.03594v1
- Date: Thu, 7 Oct 2021 16:18:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-08 20:40:15.048587
- Title: Ship Performance Monitoring using Machine-learning
- Title（参考訳）: 機械学習による船舶性能モニタリング
- Authors: Prateek Gupta, Adil Rasheed and Sverre Steen
- Abstract要約: 船舶の流体力学性能は, 海洋汚濁や防汚塗料システムの条件などにより, 寿命によって異なる。
現在の研究は機械学習(ML)手法を用いて、オンボードで記録されたサービス内データを用いて船の流体力学的性能を推定する。
- 参考スコア（独自算出の注目度）: 2.1485350418225244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The hydrodynamic performance of a sea-going ship varies over its lifespan due
to factors like marine fouling and the condition of the anti-fouling paint
system. In order to accurately estimate the power demand and fuel consumption
for a planned voyage, it is important to assess the hydrodynamic performance of
the ship. The current work uses machine-learning (ML) methods to estimate the
hydrodynamic performance of a ship using the onboard recorded in-service data.
Three ML methods, NL-PCR, NL-PLSR and probabilistic ANN, are calibrated using
the data from two sister ships. The calibrated models are used to extract the
varying trend in ship's hydrodynamic performance over time and predict the
change in performance through several propeller and hull cleaning events. The
predicted change in performance is compared with the corresponding values
estimated using the fouling friction coefficient ($\Delta C_F$). The ML methods
are found to be performing well while modelling the hydrodynamic state
variables of the ships with probabilistic ANN model performing the best, but
the results from NL-PCR and NL-PLSR are not far behind, indicating that it may
be possible to use simple methods to solve such problems with the help of
domain knowledge.
- Abstract（参考訳）: 海を航行する船の水力特性は、海洋汚濁や防汚塗料システムの条件などにより寿命によって異なる。
計画された航海における電力需要と燃料消費を正確に推定するためには,船の流動性能を評価することが重要である。
現在の研究は機械学習(ML)手法を用いて、オンボードで記録されたサービス内データを用いて船の流体力学的性能を推定する。
NL-PCR, NL-PLSR, 確率的ANNの3つのML法を姉妹船のデータを用いて校正する。
校正されたモデルは、船体の流体力学的性能の経時的変化を抽出し、いくつかのプロペラおよび船体洗浄イベントによる性能変化を予測するために使用される。
予測性能の変化を、ファウリング摩擦係数(\Delta C_F$)を用いて推定した対応する値と比較する。
ML法は, 確率的ANNモデルを用いた船舶の流体状態変数をモデル化しながら, 良好に動作していることがわかったが, NL-PCRとNL-PLSRの結果はそれほど遅れていない。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - Prediction of Unmanned Surface Vessel Motion Attitude Based on CEEMDAN-PSO-SVM [0.0]
無人船は海上を航行しながら、波乱を緩和するために活動的な補償システムを利用する。
本稿では, 波動の基本原理に基づいて, 波動エネルギースペクトルから無人ボートの波動の乱れパターンを導出する。
統合予測モデルは、無人船の動作姿勢を予測するために設計されている。
論文 参考訳（メタデータ） (2024-04-17T14:53:03Z) - Fuel Consumption Prediction for a Passenger Ferry using Machine Learning
and In-service Data: A Comparative Study [5.516843968790116]
本稿では,旅客船から収集したサービス内データを用いて,燃料消費を予測するモデルを提案する。
最高の予測性能は、ブーチングアンサンブルアプローチであるXGboost技術を用いて開発されたモデルから得られる。
論文 参考訳（メタデータ） (2023-10-19T19:35:38Z) - Towards Improved Prediction of Ship Performance: A Comparative Analysis
on In-service Ship Monitoring Data for Modeling the Speed-Power Relation [0.0]
我々は、データ駆動機械学習アルゴリズムの精度を、船舶の性能を評価する従来の方法と比較する。
以上の結果から,ニューラルネットワークが基本原理に従って確立された半経験式よりも優れていたことが示唆された。
これらの結果から,データ駆動型アルゴリズムは実用アプリケーションにおける船体性能の予測に有効である可能性が示唆された。
論文 参考訳（メタデータ） (2022-12-26T09:39:33Z) - A Data Driven Method for Multi-step Prediction of Ship Roll Motion in
High Sea States [15.840386459188169]
本稿では, 海上における船の転がり動作の多段階予測を実現するための新しいデータ駆動手法を提案する。
ConvLSPTMNetと呼ばれるハイブリッドニューラルネットワークは、長い短期記憶(LSTM)と1次元畳み込みニューラルネットワーク(CNN)を実行するために提案されている。
その結果, ロール動作の多段階予測において, ConvNetはLSTM法やCNN法よりも精度が高いことがわかった。
論文 参考訳（メタデータ） (2022-07-26T06:26:00Z) - StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。
本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。
本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
論文 参考訳（メタデータ） (2022-07-21T12:03:02Z) - Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。
これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。
暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文 参考訳（メタデータ） (2022-04-18T17:53:44Z) - SWAT Watershed Model Calibration using Deep Learning [0.860255319568951]
深層学習(DL)を用いたSWATモデルの校正のための高速で正確で信頼性の高い手法を提案する。
畳み込みニューラルネットワークに基づくDL対応逆モデルを構築し,ストリームフローデータを取り込み,SWATモデルパラメータを推定する。
その結果,従来のパラメータ推定法よりもDLモデルに基づくキャリブレーションが優れていることがわかった。
論文 参考訳（メタデータ） (2021-10-06T22:56:23Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。