VERİYE DAYALI YÖNTEMLER YARDIMI İLE KİMYASAL TANKERDE YAKIT TÜKETİMİ TAHMİNİ
Abstract
Ticari gemilerde yakıt tüketimi denizcilik işletmelerinde en önemli gider kalemini oluşturmaktadır. Aynı zamanda enerji verimliliği ile de yakından alakalı olan bu konu denizcilik sektörü açısından son derece önem arz etmektedir. Uluslararası Denizcilik Örgütü kuralları gereği denizcilik sektöründe emisyon azaltma konusunun gündemdeki yerini koruduğu da göz önünde bulundurulduğunda gemilerde yakıt tüketimi ve ortaya çıkan emisyonlar denizcilik otoriteleri tarafından ciddi olarak takip edilmektedir.
Bu çalışmada bir kimyasal tanker gemisinin yakıt tüketimi gerçek sefer verilerinden hareketle veriye dayalı yöntemler yardımıyla modellenip tahmin edilmiştir. Öncelikle gemiden alınan sefer verileri işlenip algoritmaların üzerinde çalışabileceği hale getirilmiştir. Algoritmalar veri seti üzerinde çalıştırılmış ve yakıt tüketimi tahmin başarımları incelenmiştir. İlk aşamada bazı algoritmaların başarısı yetersiz bulunmuştur. Tahmin başarımları yetersiz bulunan algoritmaların parametreleri ayarlanarak tahmin işlemi tekrar edilmiştir. Son olarak hata metrikleri kullanılarak algoritmaların yaptığı tahminler karşılaştırılmıştır. Sonuçlar incelendiğinde Çok Katmanlı Derin Sinir Ağı yönteminin kimyasal tanker yakıt tüketimi tahmini problemi kapsamında ele alınan diğer yöntemlerden daha başarılı olduğu tespit edilmiştir.
Keywords
Kimyasal tanker, enerji verimliliği, yakıt tüketimi tahmini, veriye dayalı yöntemler.
References
- Ahlgren F., Mondejar M.E., Thern M. (2019). Predicting Dynamic Fuel Oil Consumption on Ships with Automated Machine Learning. Energy Procedia, 158, 6126-6131, 1876-6102.
- Aline F. S., Nicolau A. C., André D. S. B., José E. S., Amauri G., Noé C., Bismarck L. S. (2021). Multiple linear regression approach to predict tensile properties of Sn-Ag-Cu (SAC) alloys. Materials Letters, 304, 130587, 0167-577X.
- Bui-Duy L., Vu-Thi-Minh N. (2021). Utilization of a deep learning-based fuel consumption model in choosing a liner shipping route for container ships in Asia. The Asian Journal of Shipping and Logistics. 37, 1,1-11, 2092-5212.
- Cheliotis M., Lazakis I, Theotokatos G. (2020). Machine learning and data-driven fault detection for ship systems operations. Ocean Engineering, 216, 107968, 0029-8018.
- Chen C., Ruiz M.T., Delefortrie G., Mei T., Vantorre M., Lataire E. (2019). Parameter estimation for a ship's roll response model in shallow water using an intelligent machine learning method, Ocean Engineering, 191, 106479, 0029-8018.
- Chen C.H., Wu J.C., Chen J.C. (2008). Prediction of flutter derivatives by artificial neural networks, Journal of Wind Engineering and Industrial Aerodynamics, 96, 10–11, 1925-1937, 0167-6105.
- Chen L, Gao X., Li X. (2021). Using the motor power and XGBoost to diagnose working states of a sucker rod pump, Journal of Petroleum Science and Engineering, 199, 108329, 0920-4105.
- Choi S., Kim Y.J. (2021). Artificial neural network models for airport capacity prediction, Journal of Air Transport Management, 97, 102146, 0969-6997.
- Desai M., Shah M. (2021). An anatomization on breast cancer detection and diagnosis employing multi-layer perceptron neural network (MLP) and Convolutional neural network (CNN), Clinical eHealth, 4, 1-11, 2588-9141.
- Fabregat A., Vázquez L., Vernet A. (2021). Using Machine Learning to estimate the impact of ports and cruise ship traffic on urban air quality: The case of Barcelona. Environmental Modelling & Software. 139,104995, 1364-8152.