論文の概要: From high-frequency sensors to noon reports: Using transfer learning for shaft power prediction in maritime
- arxiv url: http://arxiv.org/abs/2510.03003v1
- Date: Fri, 03 Oct 2025 13:47:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 16:35:52.404446
- Title: From high-frequency sensors to noon reports: Using transfer learning for shaft power prediction in maritime
- Title（参考訳）: 高周波センサから正午まで:伝達学習を用いた海上におけるシャフトパワー予測
- Authors: Akriti Sharma, Dogan Altan, Dusica Marijan, Arnbjørn Maressa,
- Abstract要約: 本稿では,伝達学習に基づく船体シャフトパワーの予測手法を提案する。
モデルは、船からの高周波データに基づいて訓練され、その後、他の船からの低周波の昼の報告で微調整される。
実験の結果、姉妹船では平均絶対誤差が10.6%、類似船では3.6%、異船では5.3%減少した。
- 参考スコア（独自算出の注目度）: 1.1135951251864944
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the growth of global maritime transportation, energy optimization has become crucial for reducing costs and ensuring operational efficiency. Shaft power is the mechanical power transmitted from the engine to the shaft and directly impacts fuel consumption, making its accurate prediction a paramount step in optimizing vessel performance. Power consumption is highly correlated with ship parameters such as speed and shaft rotation per minute, as well as weather and sea conditions. Frequent access to this operational data can improve prediction accuracy. However, obtaining high-quality sensor data is often infeasible and costly, making alternative sources such as noon reports a viable option. In this paper, we propose a transfer learning-based approach for predicting vessels shaft power, where a model is initially trained on high-frequency data from a vessel and then fine-tuned with low-frequency daily noon reports from other vessels. We tested our approach on sister vessels (identical dimensions and configurations), a similar vessel (slightly larger with a different engine), and a different vessel (distinct dimensions and configurations). The experiments showed that the mean absolute percentage error decreased by 10.6 percent for sister vessels, 3.6 percent for a similar vessel, and 5.3 percent for a different vessel, compared to the model trained solely on noon report data.
- Abstract（参考訳）: 海上輸送のグローバルな成長に伴い、コスト削減と運用効率の確保にエネルギー最適化が不可欠になっている。
シャフトパワー(Shaft Power)は、エンジンからシャフトに伝達される機械動力であり、燃料消費に直接影響を与え、その正確な予測は船の性能を最適化する最重要ステップである。
電力消費は、毎分速度やシャフト回転といった船のパラメータ、天候や海洋条件と強く相関している。
この操作データへの頻繁なアクセスは、予測精度を向上させることができる。
しかし、高品質なセンサデータを取得することは、しばしば実現不可能でコストがかかるため、正午のような代替のソースが実行可能な選択肢となる。
本稿では,船体軸力予測のための伝達学習に基づくアプローチを提案する。まず,船体からの高周波データに基づいてモデルを訓練し,その後,他の船体からの低周波昼報で微調整を行う。
我々は、姉妹船(同一次元と構成)、類似の船(異なるエンジンでわずかに大きい)、異なる船(別次元と構成)について、我々のアプローチを検証した。
実験の結果、姉妹船では平均絶対誤差が10.6%減少し、類似の船では3.6%、別の船では5.3%減少した。
関連論文リスト
- Data Fusion and Machine Learning for Ship Fuel Consumption Modelling -- A Case of Bulk Carrier Vessel [0.7603018443428445]
エネルギー効率操作指標(EEOI)のような主要な性能指標は、燃料効率に重点を置いている。
これらのアプローチの理論的基礎は、帆走速度、変位、トリム、気候、および海の状態の関数として、燃料消費の正確な予測にある。
本研究は,コペルニクス海洋環境モニタリングサービス (CMEMS) の気象観測データを19パラメータ,欧州中距離気象予報センター (ECMWF) を61パラメータで統合した。
論文 参考訳（メタデータ） (2025-09-15T10:01:14Z) - TacoDepth: Towards Efficient Radar-Camera Depth Estimation with One-stage Fusion [54.46664104437454]
一段核融合を用いた効率的かつ正確なレーダ・カメラ深度推定モデルであるTacoDepthを提案する。
具体的には、グラフベースのRadar構造抽出器とピラミッドベースのRadar融合モジュールを設計する。
従来の最先端のアプローチと比較して、TacoDepthは深さ精度と処理速度を12.8%、91.8%改善している。
論文 参考訳（メタデータ） (2025-04-16T05:25:04Z) - 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) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - 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) - 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) - Optimizing Vessel Trajectory Compression [71.42030830910227]
前回の研究では,AISの位置情報をオンラインで消費することで,血管軌跡の要約表現を提供するトラジェクトリ検出モジュールを導入しました。
この手法は、生データの少なくとも70%を冗長として廃棄することにより、元のコースからほとんど逸脱しない信頼性の高い軌道合成を提供することができる。
しかし、そのような軌道圧縮はパラメトリゼーションに非常に敏感である。
各容器のタイプを考慮し, 軌道のシナプスを改良する適切な構成を提供する。
論文 参考訳（メタデータ） (2020-05-11T20:38:56Z) - Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。
Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
論文 参考訳（メタデータ） (2020-02-10T15:25:19Z)
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。