Συσχέτιση ναυτιλιακών δεδομένων και δεδομένων προωστήριας εγκατάστασης με χρήση προγραμμάτων τεχνητής νοημοσύνης για την πρόβλεψη της κατανάλωσης καυσίμου
| dc.contributor.advisor | Αρτίκης, Αλέξανδρος | |
| dc.contributor.author | Γερουλάνος, Κάρολος | |
| dc.date.accessioned | 2024-05-28T09:55:20Z | |
| dc.date.available | 2024-05-28T09:55:20Z | |
| dc.date.issued | 2024-05 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/16493 | |
| dc.identifier.uri | http://dx.doi.org/10.26267/unipi_dione/3915 | |
| dc.description.abstract | Το σύγχρονο παγκόσμιο ναυτιλιακό περιβάλλον είναι αντιμέτωπο με πολλές προκλήσεις, με κυριότερες εξ αυτών την εν εξελίξει κλιματική αλλαγή αλλά και την τρέχουσα γεωπολιτική ρευστότητα που επικρατεί σε περιοχές γύρω από τις κυριότερες θαλάσσιες οδούς. Αυτές οι καταστάσεις αποτελούν παράγοντες αποσταθεροποίησης τις παγκόσμιας οικονομίας, προκαλώντας σημαντικές διαταράξεις στην παγκόσμια εφοδιαστική αλυσίδα. Πέραν του οικονομικού αντίκτυπου που παρουσιάζουν οι ανωτέρω καταστάσεις στις εθνικές οικονομίες, επηρεάζουν σημαντικά και την εύρυθμη λειτουργία των ναυτιλιακών εταιρειών, με τις οικονομικές συνέπειες να είναι αρκετές φορές εξαιρετικά αρνητικές. Οι σύγχρονες ναυτιλιακές εταιρείες καλούνται να συμμορφωθούν με τους ολοένα και αυστηρότερους κανονισμούς που επιβάλει ο IMO, οι οποίοι αφορούν την συμμόρφωση με τους κανόνες ασφαλούς ναυσιπλοΐας και την ασφάλεια της ανθρώπινης ζωής στην θάλασσα (SOLAS) αλλά και με την συμμόρφωση με τους περιβαλλοντικούς στόχους για την μείωση των συνολικά εκπεμπόμενων ρύπων έως το έτος 2050 της ναυτιλιακής βιομηχανίας. Η ανάπτυξη σύγχρονων τεχνολογικών εφαρμογών και η ραγδαία εξέλιξη της τεχνητής νοημοσύνης έρχονται για να ενσωματωθούν στην λειτουργία των ναυτιλιακών εταιρειών καθιστώντας τις ναυτιλιακές εταιρείες βιώσιμες και ικανές να επιτύχουν την στοχοθεσία του IMO. Η ενσωμάτωση τεχνικών τεχνητής νοημοσύνης επιτρέπει στις ναυτιλιακές εταιρείες να αναλύουν δεδομένα που προέρχονται από τους στόλους των πλοίων που διαχειρίζονται και να εξάγουν αξιόπιστα συμπεράσματα, τα οποία με την σειρά τους οδηγούν στην λήψη των βέλτιστων αποφάσεων. Οι αποφάσεις αυτές οδηγούν τις ναυτιλιακές εταιρείες στην επίτευξη των στόχων τους και στην οικονομική τους ανάπτυξη καθιστώντας το ναυτιλιακό κλάδο πρωτοπόρο και ηγέτη στην παγκόσμια οικονομία και στην αντιμετώπιση της κλιματικής αλλαγής. Στην παρούσα εργασία γίνεται αναφορά στις προκλήσεις που καλούνται να αντιμετωπίσουν οι ναυτιλιακές εταιρείες. Αναλύεται το θαλάσσιο περιβάλλον καθώς και η επίδρασή του στην λειτουργία ενός πλοίου. Στην συνέχεια γίνεται εκτενής αναφορά σε μεθόδους τεχνητής νοημοσύνης και αναλύονται οι τομείς εφαρμογής τους, όπως η σχεδίαση ενός ταξιδιού, η κατανάλωση καυσίμου και η πρόβλεψη βλαβών με πεδίο εφαρμογής το πλοίο. Τέλος, αναλύονται, αξιολογούνται και συγκρίνονται τα αποτελέσματα που προέκυψαν από την ανάπτυξη τεσσάρων μοντέλων μηχανικής μάθησης με σκοπό την πρόβλεψη της κατανάλωσης καυσίμου ενός πολεμικού πλοίου. Στόχος της παρούσας μελέτης δεν είναι η εκλογή του βέλτιστου μοντέλου πρόβλεψης κατανάλωσης καυσίμου αλλά η απόκτηση περαιτέρω γνώσης με σκοπό την υποβοήθηση της μελλοντικής έρευνας. | el |
| dc.format.extent | 81 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
| dc.title | Συσχέτιση ναυτιλιακών δεδομένων και δεδομένων προωστήριας εγκατάστασης με χρήση προγραμμάτων τεχνητής νοημοσύνης για την πρόβλεψη της κατανάλωσης καυσίμου | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Ναυτιλίας και Βιομηχανίας. Τμήμα Ναυτιλιακών Σπουδών | el |
| dc.description.abstractEN | The modern global shipping environment faces many challenges, most notably ongoing climate change and current geopolitical instability in regions surrounding major shipping routes. These situations are destabilizing factors for the global economy, causing significant disruptions in the global supply chain. In addition to the economic impact of these situations on national economies, they also have a significant impact on the proper functioning of shipping companies, with the economic consequences often being extremely adverse. Today’s shipping companies have to comply with increasingly stringent regulations imposed by the IMO, including the Safety of Life at Sea (SOLAS) and environmental targets to reduce the total amount of pollutants emitted by the shipping industry by 2050. The development of modern technological applications and the rapid evolution of artificial intelligence are being integrated into the operations of shipping companies to make them sustainable and capable of achieving the IMO's goal. The integration of artificial intelligence techniques allows shipping companies to analyze data from the fleets of ships they manage and draw reliable conclusions, that lead to optimal decisions. These decisions lead shipping companies to achieve their goals and economic growth, making the shipping industry a pioneer and leader in the global economy and in the fight against climate change. This paper highlights the challenges that shipping companies face. The marine environment and its impact on ship operations are analyzed. Subsequently, artificial intelligence methods are extensively referenced and their application areas are analyzed, such as voyage planning, fuel consumption and failure prediction in the context of a ship. Finally, the results of the development of four machine learning models for predicting the fuel consumption of a warship are analyzed, evaluated and compared. The aim of this study is not to select the best model for predicting fuel consumption, but to gain further knowledge that will help future research. | el |
| dc.corporate.name | Σχολή Ναυτικών Δοκίμων | el |
| dc.contributor.master | ΔΠΜΣ στη Διοίκηση στη Ναυτική Επιστήμη και Τεχνολογία | el |
| dc.subject.keyword | Τεχνητή νοημοσύνη | el |
| dc.subject.keyword | Μηχανική μάθηση | el |
| dc.subject.keyword | Πρόβλεψη | el |
| dc.subject.keyword | Κατανάλωση | el |
| dc.subject.keyword | Πλοίο | el |
| dc.subject.keyword | Artificial intelligence | el |
| dc.subject.keyword | Machine learning | el |
| dc.subject.keyword | Prediction | el |
| dc.subject.keyword | Consumption | el |
| dc.subject.keyword | Ship | el |
| dc.date.defense | 2024-05-10 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Ναυτιλιακών Σπουδών
Department of Maritime Studies
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα