論文の概要: Towards Improved Prediction of Ship Performance: A Comparative Analysis on In-service Ship Monitoring Data for Modeling the Speed-Power Relation

• arxiv url: http://arxiv.org/abs/2212.13061v1
• Date: Mon, 26 Dec 2022 09:39:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 14:59:32.827640
• Title: Towards Improved Prediction of Ship Performance: A Comparative Analysis on In-service Ship Monitoring Data for Modeling the Speed-Power Relation
• Title（参考訳）: 船舶性能予測の改善に向けて : 速度・電力関係をモデル化するサービス内船舶監視データの比較分析
• Authors: Simon DeKeyser, Casimir Morob\'e, Malte Mittendorf
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate modeling of ship performance is crucial for the shipping industry to optimize fuel consumption and subsequently reduce emissions. However, predicting the speed-power relation in real-world conditions remains a challenge. In this study, we used in-service monitoring data from multiple vessels with different hull shapes to compare the accuracy of data-driven machine learning (ML) algorithms to traditional methods for assessing ship performance. Our analysis consists of two main parts: (1) a comparison of sea trial curves with calm-water curves fitted on operational data, and (2) a benchmark of multiple added wave resistance theories with an ML-based approach. Our results showed that a simple neural network outperformed established semi-empirical formulas following first principles. The neural network only required operational data as input, while the traditional methods required extensive ship particulars that are often unavailable. These findings suggest that data-driven algorithms may be more effective for predicting ship performance in practical applications.
• Abstract（参考訳）: 船舶性能の正確なモデリングは、燃料消費を最適化し、その後排出を減らすために船舶業界にとって不可欠である。 しかし,実環境における速度・パワー関係の予測は依然として課題である。 本研究では,船体形状の異なる複数の船体からのサービス内監視データを用いて,データ駆動型機械学習(ml)アルゴリズムの精度と従来の船体性能評価手法との比較を行った。 本解析は,(1)運用データに適合した海面試験曲線と穏やかな水面曲線の比較,(2)mlを用いた複数波浪抵抗理論のベンチマークの2つの主成分からなる。 その結果、単純なニューラルネットワークは、最初の原則に従う半経験式よりも優れていた。 ニューラルネットワークは入力として操作データしか必要とせず、従来の方法では、しばしば使用できない広範な船種が必要だった。 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の出荷性能予測に有効である可能性が示唆された。

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)
• Predicting Traffic Flow with Federated Learning and Graph Neural with Asynchronous Computations Network [0.0]
  我々はFLAGCN(Federated Learning and Asynchronous Graph Convolutional Networks)と呼ばれる新しいディープラーニング手法を提案する。 本フレームワークでは,リアルタイムトラフィックフロー予測の精度と効率を高めるために,非同期グラフ畳み込みネットワークとフェデレーション学習の原理を取り入れている。
  論文  参考訳（メタデータ） (2024-01-05T09:36:42Z)
• 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)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
  転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。 本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。 スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
  論文  参考訳（メタデータ） (2021-11-26T11:58:51Z)
• Ship Performance Monitoring using Machine-learning [2.1485350418225244]
  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。
  論文  参考訳（メタデータ） (2021-10-07T16:18:16Z)
• Physics-Informed Deep Learning for Traffic State Estimation [3.779860024918729]
  交通状態推定(TSE)は、部分的に観測されたデータを用いて道路セグメント上の交通変数(例えば密度)を再構築する。 本論文では,少量の観測データを用いて高品質なTSEを効率的に実行するための物理情報深層学習(PIDL)フレームワークについて紹介する。
  論文  参考訳（メタデータ） (2021-01-17T03:28:32Z)
• Operator Inference and Physics-Informed Learning of Low-Dimensional Models for Incompressible Flows [5.756349331930218]
  本稿では,データからの非圧縮性流れに対する構造的低次モデル学習への新たなアプローチを提案する。 本研究では,速度と圧力の学習ダイナミクスを分離し,効率的な演算子推論手法を提案する。
  論文  参考訳（メタデータ） (2020-10-13T21:26:19Z)
• Understanding the Effects of Data Parallelism and Sparsity on Neural Network Training [126.49572353148262]
  ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。 有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
  論文  参考訳（メタデータ） (2020-03-25T10:49:22Z)

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。