한국해양대학교

Detailed Information

Metadata Downloads

기계학습 기법을 이용한 바지형 선박의 횡동요 RAO 예측

DC Field Value Language
dc.contributor.advisor 조효제 -
dc.contributor.author 임재환 -
dc.date.accessioned 2020-07-22T04:17:56Z -
dc.date.available 2020-07-22T04:17:56Z -
dc.date.issued 2020 -
dc.identifier.uri http://repository.kmou.ac.kr/handle/2014.oak/12360 -
dc.identifier.uri http://kmou.dcollection.net/common/orgView/200000284010 -
dc.description.abstract Recently, Artificial Intelligence(AI) technology has been applied in various industries due to increased interest in the fourth industrial revolution. However, research related to AI is relatively lacking in shipbuilding and maritime industries because of the characteristic of the industrial structure that information disclosure is limited. But shipbuilding and maritime industries are a complex industry in which various sectors are merged, and large amounts of data are generated. In addition, various forms of data are generated by the shipbuilding and marine industries in their respective processes, including design, construction, maintenance and operation. Therefore, it is believed that AI technology can be applied to optimizing design, efficiency of maintenance, and stability evaluation in operation to produce significant results. Many existing studies have mainly been done to improve efficiency in terms of production management and to optimize ship operation. In this paper, however, a machine learning prediction model was built for predicting the lateral homologous RAO from the design optimization perspective of ships. Data used in the paper were for barge types registered in advance, and RAO was generated for each vessel in an in-house code using the three-dimensional singularity distribution method. In addition, Python and Tensorflow was used to build the prediction model, and statistical techniques were used to measure the results of changing the hyper parameters of the prediction model to evaluate the accuracy of the results. Thus, unlike previous studies targeting specific targets, this paper has a difference in that it has targeted several vessels. Finally, the purpose of the study is to identify the approximate RAO for vessels where the drawing of ships does not exist, and to improve the efficiency of the modelling and analytical processes necessary to obtain RAO. Furthermore, it is thought that it will be possible to develop into a study that will help assess the stability of autonomous driving vessels in the future, given that the stability of vessels with specific dimensions can be identified.|최근 4차 산업혁명에 대한 관심의 증가로 인공지능 기술이 다양한 산업에서 적용되고 있다. 그러나 조선 및 해양산업에서는 정보공개가 제한적이라는 산업구조 특성상 인공지능과 관련된 연구가 상대적으로 부족한 실정이다. 하지만 조선 및 해양산업은 다양한 분야가 융합된 복합적인 산업으로 많은 양의 데이터가 생성되는 산업 중 하나이다. 뿐만 아니라 조선 및 해양산업은 설계, 건조, 유지 보수, 운항 등 각각의 과정에서 갖가지 형태의 데이터가 발생한다. 따라서 인공지능 기술을 설계 최적화, 유지 보수의 효율성, 운항 시 안정성 평가 등에 적용하여 유의미한 결과를 도출할 수 있을 것이라 판단된다. 기존의 많은 연구들은 생산관리 측면의 효율을 개선하기 위한 연구와 선박의 운항의 최적화를 위한 연구가 주를 이루어왔다. 그러나 본 논문에서는 선박의 설계 최적화관점에서 횡동요 RAO를 예측을 위한 기계학습 예측모델을 구축하였다. 논문에 사용된 데이터는 선급에 등록된 바지형 선박을 대상으로 하였으며, 각각의 선박에 대하여 3차원 특이점 분포법을 사용한 In-house code로 선박별로 RAO를 생성하였다. 그리고 예측모델을 구축함에 있어 Python의 Tensorflow를 사용하였으며, 결과의 정확도 평가를 위하여 예측모델의 하이퍼 파라미터를 변경한 결과들에 대해서 통계적인 기법들을 평가 지표로 사용하였다. 따라서 본 논문은 특정 대상을 타겟으로 하는 기존의 연구들과는 달리 여러 척의 선박을 대상으로 하였다는 점에서 차이가 존재한다. 최종적으로 연구의 목적은 선박의 도면이 존재하지 않는 선박에 대한 대략적인 RAO를 파악함과 동시에, RAO를 구하는데 있어 필요한 모델링 과정과 해석 과정에 대한 효율성 개선에 목적이 있다. 더 나아가 특정 제원을 가지는 선박의 적재상태에 따른 안정성을 파악할 수도 있다는 점에서 향후 자율운항선박의 항행 중 안정성 평가에 도움이 되는 연구로 발전할 수 있을 것이라 판단된다. -
dc.description.tableofcontents Contents List of Tables ⅲ List of Figures ⅳ Abstract ⅴ 1. Introduction 1.1 Research Background 1 1.1.1 The Rolling of a Ship 1 1.1.2 Artificial Intelligence (AI) 3 1.2 The Trend of a Research 4 1.3 The Purpose of a Research 6 1.4 The Components of a Research 6 2. Neural Network Algorithm 2.1 Machine Learning 8 2.2 Artificial Neural Network 9 2.2.1 The Structure of an Artificial Neural Network 10 2.2.2 Perceptron 11 2.2.3 Multi Layer Perceptron (MLP) 12 2.3 The Learning Process of an Artificial Neural Network 13 2.4 The Key Concepts of an Artificial Neural Network 14 3. Research Procedure 3.1 Data Gathering 15 3.2 Learning Model 17 3.3 Accuracy Evaluation Index 18 3.3.1 The Change of Random Numbers(Seed Number) 18 3.3.2 Root Mean Square Error(RMSE) 18 3.3.3 Standard Deviation(SD) 19 3.3.3 Correlation Coefficient 19 4. Learning Result 4.1 Case Table 20 4.2 Change the Number of Data 21 4.2.1 The Analysis of RAO Data by Each Ship–Seed Number 6&14 24 4.2.2 The Analysis of RAO Data by Each Ship–Seed Number 7&18 27 4.3 Change the Number of Hidden Layers 31 4.3.1 DN500_L4_NN(256,256,256,256) Learning Result Analysis 32 4.4 Change of the Number of Neurons in a Hidden Layer 35 4.5 Case 4: DN500_L2_NN(100,100) Analysis 37 5. Conclusion 43 References -
dc.format.extent 47 -
dc.language eng -
dc.publisher 한국해양대학교 해양과학기술전문대학원 -
dc.rights 한국해양대학교 논문은 저작권에 의해 보호받습니다. -
dc.title 기계학습 기법을 이용한 바지형 선박의 횡동요 RAO 예측 -
dc.type Dissertation -
dc.date.awarded 2020. 2 -
dc.contributor.alternativeName Lim Jae Hwan -
dc.contributor.department 해양과학기술전문대학원 해양과학기술융합학과 -
dc.contributor.affiliation 한국해양대학교 해양과학기술전문대학원 해양과학기술융합학과 -
dc.description.degree Master -
dc.identifier.bibliographicCitation 임재환. (2020). 기계학습 기법을 이용한 바지형 선박의 횡동요 RAO 예측. -
dc.title.translated Prediction of RAO in Barge Ships Using Machine Learning Method -
dc.identifier.holdings 000000001979▲200000001565▲200000284010▲ -
Appears in Collections:
수중잠수과학기술전공 > Thesis
Files in This Item:
200000284010.pdf Download

Items in Repository are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse