Distribution of simulators used in maritime education around the world

Abstract

Throughout history, marine simulation in maritime education has been used to train qualified, well-trained captains and engineers who can take responsibility for their job and environment to ships around the world. Simulations present real environments to the user with virtual reality and with minimal risk. It is great importance that the training is carried out in the most realistic and risk-free way in an area where there are risks in which there may be high costs and even loss of life in the slightest error on the navigation, engine room, deck, cargo operation in maritime. Many countries of the world in maritime have widely stated that the training using simulators is very effective, efficient and safe. However, every institution in the world has developed its own simulator-based training course and program, which does not always fit seamlessly into the comprehensive training program. For this purpose, the countries and cities where simulator facilities are located all over the world were researched in this study. It was determined whether the simulator facilities create a significant difference according to the country and location, and it was examined whether meaningful clusters could be created accordingly. According to the results of the analysis, meaningful clusters were formed and the countries and cities in each cluster were determined. It is aimed that these pioneering countries and cities of the world obtained from the analysis results to examine the training style and competencies according to the simulator types in the maritime related universities of the countries and cities in the clusters.

Keywords

• Simulator facility
• Maritime
• Clustering analysis

Denizcilik Eğitiminde Kullanılan Simülatörlerin Dünya Çapında Dağılımı

Abstract

Tarih boyunca, denizcilik eğitiminde deniz simülasyonu, dünyanın dört bir yanındaki gemilere nitelikli, iyi eğitilmiş, işinin ve çevresinin sorumluluğunu taşıyabilen kaptanlar ve mühendisler yetiştirmek için kullanılmıştır. Simülasyonlar gerçek ortamları sanal gerçeklikle ve minimum risk oluşturarak kullanıcıya sunarlar. Özellikle denizcilik sektörü gibi gerçek yük operasyonlarında, seyirde, makine dairesinde, güvertede en ufak bir hatada yüksek maliyetlerin ve hatta can kayıplarının olabileceği risklerin mevcut olduğu bir alanda eğitimin en gerçekçi ve risksiz bir şekilde gerçekleştirilmesi büyük önem taşımaktadır. Denizcilikte birçok dünya ülkesi simülatörlerin kullanıldığı eğitimin çok etkili, verimli ve güvenli olduğunu yaygın bir şekilde belirtmişlerdir. Ancak dünya üzerindeki her kurum, kapsamlı eğitim programına her zaman sorunsuz bir şekilde uymayan kendi simülatör tabanlı eğitim kursunu ve programını geliştirmiştir. Bu amaçla, bu çalışmada tüm dünyadaki simülatör tesislerinin bulunduğu ülke ve şehirler araştırılmıştır. Simülatör tesislerinin, ülke ve lokasyona göre anlamlı bir farklılık oluşturup oluşturmadığı tespit edilmiş, buna göre anlamlı kümelerin oluşturulup oluşturulamayacağı incelenmiştir. Analiz sonucuna göre anlamlı kümeler oluşmuş, her bir kümede yer alan ülke ve şehirler saptanmıştır. Analiz sonuçlarından elde edilen kümelerdeki ülke ve şehirlerin denizcilikle alakalı üniversitelerinde yer alan simülatör tiplerine göre eğitim biçiminin ve yetkinliklerinin incelenmesi için elde edilen bu öncü dünya ülkelerinin ve şehirlerinin referans oluşturması amaçlanmıştır.

Keywords

• Simülatör tesisi
• Denizcilik
• Kümeleme analizi

References

1. Board, M. (1996). Simulated Voyages: Using Simulation Technology to Train and License Mariners: National Academies Press.
2. Bouras, D. (2000). An Investigation into The Feasibility of Introducing A Marine Engine Simulator into the Algerian MET [Maritime Education and Training] System. World Maritime University Dissertations, 76.
3. Cross, S. J. (2011). Quality MET through Quality Simulator Applications. Paper presented at the International Conference IMLA.
4. Gan, G., Ma, C. ve Wu, J. (2007). Data Cluster Theory, Algorithms And Applications (Asa-Sıam Series On Statistics And Applied Probability),Canada: SIAM Society for Industrial and Applied Mathematics Publishing.
5. Jain, A. K. (2010). Data Clustering: 50 years beyond K-means. Pattern recognition letters, 31(8), 651-666.
6. Ostertagová, E., Ostertag, O., & Kováč, J. (2014). Methodology and Application of the Kruskal-Wallis Test. Applied Mechanics and Materials, 611, 115–120. https://doi.org/10.4028/www.scientific.net/AMM.611.115
7. Sendi, Y. (2015). Integrated Maritime Simulation Complex Management, Quality And Training Effectiveness From The Perspective Of Modeling And Simulation In The State Of Florida, USA (A Case Study). University of Central Florida, 2004–2019.
8. Tekin, B. (2018). Ward, K Ortalamalar Ve İki Adımlı Kümeleme Analizi Yöntemleri İle Finansal Göstergeler Temelinde Hisse Senedi Tercihi. Balıkesir University The Journal of Social Sciences Institute, 21 (40), 401-436.

9. Url-1 , erişim tarihi 30.01.2021.
10. Url-2 , erişim tarihi 30.01.2021.
11. Url-3 , erişim tarihi 30.01.2021.
12. Url-4 , erişim tarihi 30.01.2021.
13. Url-5 , erişim tarihi 30.01.2021.
14. Url-6 , erişim tarihi 21.12.2020.
15. Wu, K. L. ve Yang, M. S. (2002). Alternative K-means Clustering Algorithms. Pattern recognition, 35(10), 2267-2278.