論文の概要: Physics-Informed Machine Learning for Vessel Shaft Power and Fuel Consumption Prediction: Interpretable KAN-based Approach
- arxiv url: http://arxiv.org/abs/2602.22055v1
- Date: Wed, 25 Feb 2026 16:06:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.895435
- Title: Physics-Informed Machine Learning for Vessel Shaft Power and Fuel Consumption Prediction: Interpretable KAN-based Approach
- Title（参考訳）: 容器シャフトパワーと燃費予測のための物理インフォーマル機械学習:解釈可能なKANによるアプローチ
- Authors: Hamza Haruna Mohammed, Dusica Marijan, Arnbjørn Maressa,
- Abstract要約: 本稿では, 軸回転速度, シャフトパワー, 燃料消費を予測する物理インフォームド・コルモゴロフ・アルノルドネットワーク(PI-KAN)を提案する。
5隻の貨物船の運用環境データを用いて、PI-KANは従来の予測手法とニューラルネットワークのベースラインを一貫して上回っている。
これらの結果は,PI-KANが予測精度と解釈可能性の両方を実現し,船舶性能監視と運用環境における意思決定支援のための堅牢なツールを提供することを示す。
- 参考スコア（独自算出の注目度）: 1.1470070927586018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate prediction of shaft rotational speed, shaft power, and fuel consumption is crucial for enhancing operational efficiency and sustainability in maritime transportation. Conventional physics-based models provide interpretability but struggle with real-world variability, while purely data-driven approaches achieve accuracy at the expense of physical plausibility. This paper introduces a Physics-Informed Kolmogorov-Arnold Network (PI-KAN), a hybrid method that integrates interpretable univariate feature transformations with a physics-informed loss function and a leakage-free chained prediction pipeline. Using operational and environmental data from five cargo vessels, PI-KAN consistently outperforms the traditional polynomial method and neural network baselines. The model achieves the lowest mean absolute error (MAE) and root mean squared error (RMSE), and the highest coefficient of determination (R^2) for shaft power and fuel consumption across all vessels, while maintaining physically consistent behavior. Interpretability analysis reveals rediscovery of domain-consistent dependencies, such as cubic-like speed-power relationships and cosine-like wave and wind effects. These results demonstrate that PI-KAN achieves both predictive accuracy and interpretability, offering a robust tool for vessel performance monitoring and decision support in operational settings.
- Abstract（参考訳）: シャフト回転速度, シャフトパワー, 燃料消費の正確な予測は, 海上輸送における運転効率と持続可能性の向上に不可欠である。
従来の物理学に基づくモデルは解釈可能性を提供するが、現実の変動に苦しむ一方、純粋にデータ駆動のアプローチは物理的妥当性を犠牲にして正確性を達成する。
本稿では,解釈可能な一変量特徴変換と物理インフォームド損失関数,漏れのない連鎖予測パイプラインを統合するハイブリッド手法であるPhyssical-Informed Kolmogorov-Arnold Network(PI-KAN)を紹介する。
5隻の貨物船の運用および環境データを用いて、PI-KANは従来型の多項式法とニューラルネットワークのベースラインを一貫して上回っている。
このモデルでは最小平均絶対誤差 (MAE) とルート平均二乗誤差 (RMSE) を達成し, 物理的に一貫した挙動を維持しつつ, シャフトパワーと燃料消費の判定係数 (R^2) を全船にわたって達成した。
解釈可能性解析は、立方体のようなスピードパワー関係やコサインのような波動や風の影響など、ドメインに一貫性のある依存関係を再検討する。
これらの結果は,PI-KANが予測精度と解釈可能性の両方を実現し,船舶性能監視と運用環境における意思決定支援のための堅牢なツールを提供することを示す。
関連論文リスト
- Scientific Knowledge-Guided Machine Learning for Vessel Power Prediction: A Comparative Study [0.0]
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。
論文 参考訳（メタデータ） (2026-02-20T18:12:14Z) - FuelCast: Benchmarking Tabular and Temporal Models for Ship Fuel Consumption [40.66746563566378]
海運業界では、燃費と排出が経済効率と環境持続可能性に大きな影響を及ぼす重要な要因である。
船舶の燃料消費の正確な予測は、海洋活動のさらなる最適化に不可欠である。
論文 参考訳（メタデータ） (2025-10-09T13:38:46Z) - CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks [42.852654951995426]
causalKANsは、条件付き平均治療効果(CATE)の神経推定器をコルモゴロフ-アルノルドネットワーク(KAN)に変換するフレームワークである。
プルーニングと記号の単純化を取り入れることで、コーサルカンは予測精度を保ちながら解釈可能な閉形式式を得る。
論文 参考訳（メタデータ） (2025-09-26T15:16:06Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。
このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。
パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
論文 参考訳（メタデータ） (2025-08-11T01:32:09Z) - Learnable-Differentiable Finite Volume Solver for Accelerated Simulation of Flows [40.06403338393609]
本研究では,粗い格子上の流動の効率的かつ正確なシミュレーションを行うため,LDrと呼ばれる学習可能で微分可能な有限体積解法を提案する。
実験により、LDrは、顕著なマージンを持つベースラインモデルを上回る効率を達成することが示された。
論文 参考訳（メタデータ） (2025-06-23T14:22:27Z) - Physics-Informed Neural Networks for Vessel Trajectory Prediction: Learning Time-Discretized Kinematic Dynamics via Finite Differences [1.740114131842074]
正確な船舶軌道予測は、航行安全、経路最適化、交通管理、捜索・救助活動、自律航法に不可欠である。
従来のデータ駆動モデルは現実世界の物理的な制約を欠いているため、船体の運動力学に反する予測が導かれる。
本稿では, 血管運動の流線形運動モデルとニューラルネットワーク学習プロセスを統合した, 軌道予測のための物理情報ニューラルネットワーク (PINN) 手法を提案する。
論文 参考訳（メタデータ） (2025-05-22T15:09:25Z) - Towards Precision in Bolted Joint Design: A Preliminary Machine Learning-Based Parameter Prediction [0.0]
ボルト接合部は、構造的整合性と信頼性を維持するために工学的に重要である。
従来の方法では、ボルト付きジョイントの非線形挙動を捉えることができないことが多い。
本研究では、負荷容量と摩擦係数を予測するために、経験的データとフィードフォワードニューラルネットワークを組み合わせる。
論文 参考訳（メタデータ） (2024-12-11T11:00:39Z) - 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) - 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)
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。