Hava ve Deniz Şartları Dikkate Alınarak Gemi Sefer Performansının Modellenmesi: Ege Denizi örneği

Öz

Bu çalışmada, Ege Denizi’ne ait kayıtlı rüzgar yön ve hızı, akıntı yön ve büyüklüğü, dalga yön ve yüksekliği verileri kullanılarak, ticari gemilerin hava ve deniz şartlarına bağlı olarak tahmini seyir süresini ve yakıt harcamasını hesaplayabilecek bir karar destek sistemi, çeşitli tahmin yöntemlerinden faydalanılarak ortaya konulmuştur. Karar destek sistemi için; rüzgar yönü (derece), rüzgar hızı (m/sn), akıntı yönü (derece), akıntı büyüklüğü (cm/sn), dalga yönü (derece) ve dalga yüksekliği (metre) parametreleri giriş olarak kullanılmıştır. Karar destek sisteminin çıkışı ise tahmini seyir süresi (saat) ve tahmini yakıt tüketimi (ton) olarak iki ayrı kategoride incelenmiştir. Tahmin yöntemi olarak yapay sinir ağı (YSA), uyarlamalı sinirsel bulanık çıkarım sistemi (ANFIS) ve gaus süreç regresyonu (GSR) kullanılmıştır. Kullanılan yöntemlerin elde ettikleri sonuçları değerlendirilerek, yöntemlerin başarıları kıyaslanmıştır. YSA yöntemi 0.98 regresyon ve 0.153 MSE, ANFIS yöntemi 0.935 regresyon ve 0.478 MSE, GSR yöntemi ise 0.98 regresyon ve 0.195 MSE değerlerini elde etmiştir. Sonuç olarak; gemi hızı ve yakıt tüketimi tahmininde YSA yönteminin daha doğru tahminler üretebildiği görülmüştür.

Anahtar Kelimeler

• Varış zamanı tahmini
• Hava ve deniz şartları
• yapay sinir ağları
• uyarlamalı sinirsel bulanık çıkarım sistemi
• gaus süreç regresyonu

Kaynakça

1. Ifremer, Ifremer Oceansites. ftp://ftp.ifremer.fr/ifremer/oceansites/DATA/E1M3A/ (Aralık, 2019).
2. Valcic, M., Antonic, R., Tomas, V. (2011). ANFIS Based Model for Ship Speed Prediction. Brodogradnja. 62(4), s. 373-382.
3. Erto, P., Lepore, A., Palumbo, B., Vitiello, L. (2015). A Procedure for Predicting and Controlling the Ship Fuel Consumption: Its Implementation and Test. Qual. Reliab. Eng. Int. 31, s. 1177-1184.
4. Mao, W., Rychlik, I., Wallin, J., Storhaug, G. (2016). Statistical models for the speed prediction of a container ship. Ocean Engineering. 126, s. 152-162.
5. Bialystocki, N. ve Konovessis, D. (2016). On the estimation of ship’s fuel consumption and speed curve:A statistical approach. Journal of Ocean Engineering and Science. 1, s. 157-166.
6. Besikçi, E., Arslan, O., Turan, O., Ölçer, A. I. (2016). An artificial neural network based decision support system for energy efficient ship operations. Computer Operations Research. 66, 393-401.
7. Parolas,I. (2016). ETA prediction for containerships at the Port of Rotterdam using Machine Learning Techniques. Yüksek Lisans Tezi. Delft University of Technology s. 54- 64.
8. Barbour W. W. (2017). Prediction of Arrival Times of Freight Traffic on US Railroads Using Support Vector Regression. Yüksek Lisans Tezi. University of Illinois s. 21-31.

9. Bodunov, O., Schmidt, F., Martin, A., Brito, A., Fetzer, C. (2018). Real-time Destination and ETA Prediction for Maritime Traffic. Debs 2018 Grand Challenge, Hamilton, New Zealand.
10. Üney, M., Millefiori, M., Braca, P. (2019). Data Driven Vessel Trajectory Forecasting Using Stochastic Generative Models. IEEE International Conference on Acoustics, Speech and Signal Processing, Brighton, UK.
11. Alessandrini, A., Mazzarella F. ve Vespe M. (2019). Estimated Time of Arrival Using Historical Vessel Tracking Data. IEEE Transactions on Intelligent Transportation Systems, 20(1), s. 7-15.
12. Farag Y. ve Ölçer, A.I. (2020). The development of a ship performance model in varying operating conditions based on ANN and regression techniques. Ocean Engineering. 198, 1-12.
13. Park K., Sim S. ve Bae H. (2021). Vessel estimated time of arrival prediction system based on a path finding algorithm. Maritime Transport Research. 2, s. 1-14.
14. Feng, L. (1992). Study on the ship's loss-speed in wind and waves. Journal of Dalian Maritime University, s. 347–351.
15. Lin, Y. H.ve Fang, M. C. (2013). The Ship‐Routing Optimization Based on the Three‐Dimensional Modified Isochrone Method, 32nd International Conference on Ocean, Offshore and Arctic Engineering, Nantes,France.
16. MAN, Technical Specifications of MAN Engines. https://marine.man-es.com/ (Şubat, 2020).
17. Tijani, I. B., Akmeliawati, R., Legowo, A. ve Budiyono, A. (2014). Nonlinear identification of a small scale unmanned helicopter using optimized NARX network with multiobjective differential evolution. Engineering Applications of Artificial Intelligence, s. 99-115.
18. İnan T. (2015). Moving target trajectory estimation using Kalman, curve fitting and Anfis methods. Global Journal of Information Technology, 5(1) s. 25-40.
19. Vapnik V. (1998). Statistical Learning Theory, New York: John Wiley Publishing.