Title Model nadzora i predviđanja energetske učinkovitosti i ispuštanja ugljikova dioksida na primjeru broda za prijevoz ukapljenoga naftnog plina Title (english) A model of monitoring and prediction of energy efficiency and carbon dioxide emission in case of liquefied petroleum gas carrier Author Aleksandar Vorkapić Mentor Radoslav Radonja (mentor)Mentor Sanda Martinčić-Ipšić (komentor)Committee member Goran Vukelić (predsjednik povjerenstva)Committee member Dean Bernečić (član povjerenstva)Committee member Ivan Štajduhar (član povjerenstva)Granter University of Rijeka Defense date and country 2020-02-07, Croatia Scientific / art field, TECHNICAL SCIENCES Universal decimal classificationUDC ) 629.5 - Watercraft engineering 502/504 - Environmental science. Conservation of natural resources. Threats to the environment and protection against them Abstract U ovom istraživanju predstavljen je model nadzora i predviđanja energetske učinkovitosti i ispuštanja ugljikova dioksida temeljen na senzorskim podacima preuzetim s broda za prijevoz ukapljenoga naftnog plina te meteorološkim i oceanografskim podacima sukladnim geografskom položaju i vremenu plovidbe. Za gradnju modela korištene su metode strojnog učenja u sinergiji s općom teorijom sustava. Model upotrebljava klasifikacijske i regresijske postupke strojnog učenja: naivni Bayes, višeslojni perceptron, strojeve potpornih vektora, stabla odluke, nasumične šume te multinomijalnu logističku i linearnu regresiju. Nakon verifikacije postupaka pripreme podataka, učenja klasifikacijskih i regresijskih modela i analize rezultata kako bi se poboljšala točnost predviđanja energetske učinkovitosti, na temelju standardnih mjera vrednovanja (točnost predviđanja, mjera F1 i ostale) odabran je najbolji algoritam za učenje modela. Eksperimentalni rezultati pokazuju da, uz potrošnju goriva kao izlaznu varijablu predviđanja te odgovarajuću kombinaciju i obradu relevantnih podataka senzora, nasumične šume postižu najbolji rezultat od 97,40% točno klasificiranih slučajeva i koeficijent korelacije od 0,9992 kod regresije. Uz to, svojom fleksibilnošću i jednostavnošću upotrebe te uz minimalna podešavanja potrebnih parametara, predstavlja najbolji izbor za uključivanje u model nadzora i predviđanja energetske učinkovitosti i ispuštanja ugljikova dioksida. Opća teorija sustava rabljena je u prepoznavanju i tranzicijama komponenti predloženog modela nadzora i predviđanja energetske učinkovitosti i ispuštanja ugljikova dioksida na primjeru broda za prijevoz ukapljenoga naftnog plina, sustavnom istraživanju unutarnjeg i vanjskog okruženja te definiranju informacijskih tokova između pojedinih komponenti. Pritom su vanjske mogućnosti i prijetnje s kojima se suočava sustav suprotstavljene unutarnjim snagama i slabostima da bi se kao rezultat formulirale strategije u kojima su slabosti i prijetnje sustava neutralizirane postojećim snagama i mogućnostima. Slijedom vrednovanja odabranih postupaka strojnog učenja, te rezultata SWOT i TOWS analize, moguće je zaključiti da je postavljeni model nadzora i predviđanja energetske učinkovitosti i ispuštanja ugljikova dioksida na primjeru broda za prijevoz ukapljenoga naftnog plina ostvariv te široko primjenjiv u pomorskoj industriji. U doktorskoj disertaciji pokazano je da se obradom senzorskih podataka preuzetih u plovidbi s uključenim podacima o vanjskim utjecajima može postaviti model koji opisuje, predviđa i omogućuje prilagodbu relevantnih operacijskih parametara broda za energetski učinkovitiji prijevoz ukapljenoga naftnog plina.
Abstract (english) In this study, a model of monitoring and prediction of energy efficiency and carbon dioxide emissions based on the sensor data taken from the liquefied petroleum gas carrier and meteorological and oceanographic data in accordance with the geographic position and time of navigation was presented. Machine learning methods in synergy with the general system theory were used to construct the model. The model utilises various classification and regression machine learning techniques based on naive Bayes, multilayer perceptron, support vector machines, decision trees, random forests and multinominal logistic and linear regression. Upon verification of data preparation methods, classification and regression model learning and analysis of results, in order to improve the accuracy of predicting energy efficiency, the best algorithm was selected based on standard measures (predicition accuracy, F1 measures, etc.). Experimental results show that, with fuel consumption as the predicting variable, and the corresponding combination and processing of relevant sensor data, random forests achieve the best result of 97.40% correctly classified cases and regression correlation coefficient of 0.9992. In addition, with its flexibility and ease of use, and with minimal intervention in parameter settings, it is the preferred choice. The general system theory was used during the identification and transition of components of the proposed model of monitoring and prediction of energy efficiency and carbon dioxide emission in case of liquefied gas carrier, a systematic investigation of the internal and external environment and the definition of information flow between the individual components. Then, the external opportunities and threats that the system faces were opposed to internal forces and weaknesses in order to formulate strategies in which weaknesses and threats of the system are supressed by existing forces and capabilities. After assessing the selected machine learning methods and the results of the SWOT and TOWS analysis, it can be concluded that the set model of monitoring and prediction of energy efficiency and carbon dioxide emission in case of liquefied gas carrier is feasible and widely applicable in the maritime industry. The doctoral dissertation showed that by processing sensor data in navigation with the inclusion of environmental data it is possible to set up a model that describes, forecasts and allows for the adjustment of relevant ship's working parameters for more efficient transportation of liquefied petroleum gas.
Keywords
operacijska učinkovitost broda
energetska učinkovitost plovidbe
smanjenje emisija ugljikova dioksida s brodova
strojno učenje
klasifikacija
regresija
senzorski podaci
Keywords (english)
ship operational performance
energy efficient navigation
ships’ carbon dioxide emission reduction
machine learning
classification
regression
sensor data
Language croatian URN:NBN urn:nbn:hr:187:407109 Study programme Title: Postgraduate (doctoral) university study programme - Maritime Studies Type of resource Text Extent str. 166; 30 cm File origin Born digital Access conditions Open access Terms of use Created on 2020-04-06 09:06:31
