論文の概要: Scientific Knowledge-Guided Machine Learning for Vessel Power Prediction: A Comparative Study

• arxiv url: http://arxiv.org/abs/2602.18403v1
• Date: Fri, 20 Feb 2026 18:12:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.408785
• Title: Scientific Knowledge-Guided Machine Learning for Vessel Power Prediction: A Comparative Study
• Title（参考訳）: 容器電力予測のための科学的知識指導型機械学習 : 比較研究
• Authors: Orfeas Bourchas, George Papalambrou,
• Abstract要約: 本研究では,海洋実験からの物理知識とデータ駆動残差学習を統合したハイブリッド・モデリング・フレームワークを提案する。 提案するフレームワークは,気象ルーティング,トリム最適化,エネルギー効率計画などに適用可能な,実用的で効率的な船舶性能監視ツールを提供する。
• 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 prediction of main engine power is essential for vessel performance optimization, fuel efficiency, and compliance with emission regulations. Conventional machine learning approaches, such as Support Vector Machines, variants of Artificial Neural Networks (ANNs), and tree-based methods like Random Forests, Extra Tree Regressors, and XGBoost, can capture nonlinearities but often struggle to respect the fundamental propeller law relationship between power and speed, resulting in poor extrapolation outside the training envelope. This study introduces a hybrid modeling framework that integrates physics-based knowledge from sea trials with data-driven residual learning. The baseline component, derived from calm-water power curves of the form $P = cV^n$, captures the dominant power-speed dependence, while another, nonlinear, regressor is then trained to predict the residual power, representing deviations caused by environmental and operational conditions. By constraining the machine learning task to residual corrections, the hybrid model simplifies learning, improves generalization, and ensures consistency with the underlying physics. In this study, an XGBoost, a simple Neural Network, and a Physics-Informed Neural Network (PINN) coupled with the baseline component were compared to identical models without the baseline component. Validation on in-service data demonstrates that the hybrid model consistently outperformed a pure data-driven baseline in sparse data regions while maintaining similar performance in populated ones. The proposed framework provides a practical and computationally efficient tool for vessel performance monitoring, with applications in weather routing, trim optimization, and energy efficiency planning.
• Abstract（参考訳）: 主エンジン出力の正確な予測は、船舶の性能最適化、燃料効率、排出規制の遵守に不可欠である。 Support Vector Machines、Artificial Neural Networks(ANNs)の変種、ランダムフォレスト、エクストラツリーレグレシエータ、XGBoostといったツリーベースの手法といった従来の機械学習アプローチは、非線形性を捉えることができるが、パワーとスピードの基本的なプロペラ法関係を尊重するのに苦労することが多く、トレーニングエンベロープの外では外挿が不十分である。 本研究では,海洋実験からの物理知識とデータ駆動残差学習を統合したハイブリッド・モデリング・フレームワークを提案する。 ベースライン成分は、$P = cV^n$という形の穏やかな水力曲線から導かれるもので、支配的な電力-速度依存を捉え、また別の非線形回帰器は、環境および運用条件による偏差を表すために残留電力を予測するために訓練される。 機械学習タスクを残差補正に制限することにより、ハイブリッドモデルは学習を単純化し、一般化を改善し、基礎となる物理学との整合性を確保する。 本研究では,ベースライン成分と結合したXGBoost,単純なニューラルネットワーク,物理情報ニューラルネットワーク(PINN)を,ベースライン成分を含まない同一モデルと比較した。 サービス内データのバリデーションは、ハイブリッドモデルがスパースデータ領域で純粋なデータ駆動ベースラインを一貫して上回り、人口密度でも同様のパフォーマンスを維持していることを示している。 提案するフレームワークは,気象ルーティング,トリム最適化,エネルギー効率計画などに適用可能な,実用的で効率的な船舶性能監視ツールを提供する。

関連論文リスト

• Machine learning based radiative parameterization scheme and its performance in operational reforecast experiments [21.24990493675443]
  本研究では、ディープニューラルネットワークを数値予測モデルに組み込むハイブリッド予測フレームワークに固有の制約について検討する。 残留畳み込みニューラルネットワークを用いて、中国気象庁のグローバル運用システム内での一般循環モデル(RRTMG)のラピッシブトランスファーモデル(Rapidive Transfer Model)を近似する。 リアルタイムな演算処理に適したLibTorchベースの結合方式が提案されている。
  論文  参考訳（メタデータ） (2026-01-20T04:45:45Z)
• Study Design and Demystification of Physics Informed Neural Networks for Power Flow Simulation [2.3641090634080064]
  電力フローシミュレータは、実装前の潜在的な動作を評価することで演算子をサポートするために一般的に使用される。 従来の物理ソルバは正確だが、ほぼリアルタイムで使うには遅すぎることが多い。 機械学習モデルは高速サロゲートとして登場し、物理法則への準拠を改善する。 本稿では, 物理的制約を正規化用語として組み込んだり, 教師なしの損失から, ハイブリダイゼーション戦略をデミスティフィケートするためのアブレーション研究について述べる。
  論文  参考訳（メタデータ） (2025-09-23T16:55:13Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow [2.7222301668137483]
  宇宙機の姿勢力学の学習に物理インフォームドニューラルネットワークを組み込むことの利点について検討する。 バシリスクシミュレータで生成されたシミュレーションデータに基づいて複数のモデルを訓練する。 PINNベースのモデルは、制御精度とロバスト性の観点から、純粋にデータ駆動モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-11T10:50:49Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• On Energy-Based Models with Overparametrized Shallow Neural Networks [44.74000986284978]
  エネルギーベースモデル(EBM)は、ジェネレーションモデリングの強力なフレームワークです。 この研究では、浅いニューラルネットワークに焦点を当てます。 我々は、いわゆる「アクティブ」体制で訓練されたモデルが、関連する「怠慢」またはカーネル体制に対して統計的に有利であることを示す。
  論文  参考訳（メタデータ） (2021-04-15T15:34:58Z)
• 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。