РОЗРОБКА МОДЕЛІ ГЛИБОКОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ОЦІНКИ СТАНУ МОРЯ НА ОСНОВІ РУХУ СУДНА
Ключові слова:
глибока нейронна мережа, модель мережі, оцінка стану моря, рух судна, щільно пов’язана згорткова нейронна мережа
Анотація
Метою роботи є розробка моделі глибокої нейронної мережі для оцінки стану моря на основі руху судна з використанням щільно пов'язаних згорткових нейронних мереж для підвищення безпеки та ефективності, точності, залежності та динаміки оцінки стану моря для вирішення як завдань класифікації, так і завдань регресії. В результаті побудови моделі глибокої нейронної мережі оцінки стану моря на основі руху судна були отримані такі результати: спочатку була розроблена архітектура мережі на основі щільно пов'язаних згорткових нейронних мереж (DenseNet) з унікальним поєднанням модифікацій і шарів. Така архітектура дає можливість ефективно враховувати залежності і динаміку руху судна, що призводить до більш точної оцінки стану моря. Подруге, мережа була навчена підготовленим даним руху судна за допомогою оптимізаторів і функцій втрат, підібраних відповідно до завдання оцінки стану моря. Тренувальний процес містив налаштування гіперпараметрів, оптимізацію ваг та оцінку продуктивності моделі за тестовими даними. Потретє, модель оцінювалася за даними випробувань за допомогою відповідних метрик у залежності від конкретного завдання оцінки стану моря. Наприклад, для задачі класифікації використовувалася матриця точності і помилок, а для задачі регресії – середня абсолютна похибка (MAE) і середня квадратична похибка кореня (MSE). Результати побудови моделі глибокої нейронної мережі для оцінки стану моря на основі руху судна підтверджують її ефективність і значимість для мети дослідження. Застосування такої моделі важливо саме в контексті оцінки стану моря. Висока точність оцінки допомагає приймати більш достовірні рішення і прогнозувати можливі зміни відповідно до морських умов, що виникають на даний час руху судна. Врахування залежностей і динаміки руху судна дозволяє моделювати й адаптуватися до умов, що змінюються, що підвищує його технологічність та ефективність. Використання такої моделі сприяє підвищенню безпеки та ефективності морських операцій, оптимізації використання ресурсів і запобігання можливим аваріям. Таким чином, модель глибокої нейронної мережі, розроблена для оцінки стану моря на основі руху судна, є ефективним інструментом у сфері безпеки та ефективності судноплавства. Її використання сприяє більш точним прогнозам і прийняттю обґрунтованих рішень, що важливо для морських операцій і забезпечення безпеки судноплавства в ціломуЗавантаження
Дані про завантаження поки що недоступні.
Посилання
1. Reiner, Carl, Detlefsen, Ole, and Moustafa Abdel-Maksoud. "On the Development of an Onboard Sea State Estimator Based on Numerical Vessel Motion Data." Paper presented at the The 32nd International Ocean and Polar Engineering Conference, Shanghai, China, June 2022. URL: https://onepetro.org/ISOPEIOPEC/proceedings-abstract/ISOPE22/All-ISOPE22/493898 (дата звернення: 28.04.2023).
2. X. Cheng, G. Li, R. Skulstad, H. Zhang and S. Chen, "SpectralSeaNet: Spectrogram and Convolutional Network-based Sea State Estimation," IECON 2020 The 46th Annual Conference of the IEEE Industrial Electronics Society, Singapore, 2020, pp. 5069-5074, doi: 10.1109/IECON43393.2020.9254890.
3. Umair, M.; Hashmani, M.A.; Hussain Rizvi, S.S.; Taib, H.; Abdullah, M.N.; Memon, M.M. A Novel Deep Learning Model for Sea State Classification Using Visual-Range Sea Images. Symmetry 2022, 14, 1487. https://doi.org/10.3390/sym14071487.
4. Ulrik D. Nielsen, Malte Mittendorf, Yanlin Shao, Gaute Storhaug, Wave spectrum estimation conditioned on machine learningbased output using the wave buoy analogy, Marine Structures, Volume 91, 2023,103470, ISSN 0951-8339, https://doi.org/10.1016/j.marstruc.2023.103470. (https://www.sciencedirect.com/science/article/pii/S095183392300103X).
5. Malte Mittendorf, Ulrik Dam Nielsen, Harry B. Bingham, Gaute Storhaug, Sea state identification using machine learning—A comparative study based on in-service data from a container vessel, Marine Structures, Volume 85, 2022, 103274, ISSN 0951-8339, https://doi.org/10.1016/j.marstruc.2022.103274.
6. Nielsen U. D. Sea state estimation based on measurements of wave-induced ship responses. – Technical University of Denmark, 2018.
7. Nielsen U. D. A concise account of techniques available for shipboard sea state estimation //Ocean Engineering. – 2017. – Т. 129. – С. 352-362.
8. Takekuma K. On the Evalution of Sea Spectra based on the Measured Ship Motions // Західна суднобудівна асоціація. – 1973. – №. 45. – С. 51-57.
9. Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely Connected Convolutional Networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
10. X. Cheng, G. Li, A. L. Ellefsen, S. Chen, H. P. Hildre and H. Zhang, "A Novel Densely Connected Convolutional Neural Network for Sea-State Estimation Using Ship Motion Data," in IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 9, pp. 5984-5993, Sept. 2020, doi: 10.1109/TIM.2020.2967115.
11. Lai, Zhichen, et al. "Multiscale wavelet-driven graph convolutional network for blade icing detection of wind turbines." IEEE Sensors Journal 22.22 (2022): 21974-21985.
2. X. Cheng, G. Li, R. Skulstad, H. Zhang and S. Chen, "SpectralSeaNet: Spectrogram and Convolutional Network-based Sea State Estimation," IECON 2020 The 46th Annual Conference of the IEEE Industrial Electronics Society, Singapore, 2020, pp. 5069-5074, doi: 10.1109/IECON43393.2020.9254890.
3. Umair, M.; Hashmani, M.A.; Hussain Rizvi, S.S.; Taib, H.; Abdullah, M.N.; Memon, M.M. A Novel Deep Learning Model for Sea State Classification Using Visual-Range Sea Images. Symmetry 2022, 14, 1487. https://doi.org/10.3390/sym14071487.
4. Ulrik D. Nielsen, Malte Mittendorf, Yanlin Shao, Gaute Storhaug, Wave spectrum estimation conditioned on machine learningbased output using the wave buoy analogy, Marine Structures, Volume 91, 2023,103470, ISSN 0951-8339, https://doi.org/10.1016/j.marstruc.2023.103470. (https://www.sciencedirect.com/science/article/pii/S095183392300103X).
5. Malte Mittendorf, Ulrik Dam Nielsen, Harry B. Bingham, Gaute Storhaug, Sea state identification using machine learning—A comparative study based on in-service data from a container vessel, Marine Structures, Volume 85, 2022, 103274, ISSN 0951-8339, https://doi.org/10.1016/j.marstruc.2022.103274.
6. Nielsen U. D. Sea state estimation based on measurements of wave-induced ship responses. – Technical University of Denmark, 2018.
7. Nielsen U. D. A concise account of techniques available for shipboard sea state estimation //Ocean Engineering. – 2017. – Т. 129. – С. 352-362.
8. Takekuma K. On the Evalution of Sea Spectra based on the Measured Ship Motions // Західна суднобудівна асоціація. – 1973. – №. 45. – С. 51-57.
9. Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely Connected Convolutional Networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
10. X. Cheng, G. Li, A. L. Ellefsen, S. Chen, H. P. Hildre and H. Zhang, "A Novel Densely Connected Convolutional Neural Network for Sea-State Estimation Using Ship Motion Data," in IEEE Transactions on Instrumentation and Measurement, vol. 69, no. 9, pp. 5984-5993, Sept. 2020, doi: 10.1109/TIM.2020.2967115.
11. Lai, Zhichen, et al. "Multiscale wavelet-driven graph convolutional network for blade icing detection of wind turbines." IEEE Sensors Journal 22.22 (2022): 21974-21985.
Опубліковано
2023-09-15
Як цитувати
Hannoshyna Iryna Розробка моделі глибокої нейронної мережі для оцінки стану моря на основі руху судна / Iryna Hannoshyna // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2023. – Т. 3 (73). – С. 25-31. – doi:https://doi.org/10.26906/SUNZ.2023.3.025.
Розділ
Автомобільний, річковий, морський та авіаційний транспорт
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
