Χρήση μηχανικής μάθησης για την εκτίμηση της κατανάλωσης καυσίμου και των εκπομπών CO2 ενός πλοίου Newcastlemax σε πραγματικές συνθήκες

Γκίκας, Δημήτριος

dc.contributor.advisor	Παριώτης, Ευθύμιος
dc.contributor.author	Γκίκας, Δημήτριος
dc.date.accessioned	2025-04-16T09:39:49Z
dc.date.available	2025-04-16T09:39:49Z
dc.date.issued	2025-04-15
dc.identifier.uri	https://dione.lib.unipi.gr/xmlui/handle/unipi/17673
dc.description.abstract	Στην παρούσα διπλωματική εργασία έγινε χρήση μίας εκ των τεχνικών μηχανικής μάθησης της Random Forest Regression η οποία θεωρήθηκε ως η καλύτερη μέθοδος για τα διαθέσιμα δεδομένα, αξιοποιώντας μετρήσεις από ιστορικά δεδομένα που αφορούν ένα πλοίο τύπου Newcastlemax, για την ανάπτυξη μοντέλου εκτίμησης κατανάλωσης καυσίμου κυρίας μηχανής και εκπομπών CO2 υπό πραγματικές συνθήκες πλεύσης. Συγκεκριμένα χρησιμοποιήθηκαν δεδομένα για 14 ταξίδια σε διάφορες καταστάσεις φόρτωσης και καταστάσεις θάλασσας. Εν κατακλείδι δημιουργήθηκαν μοντέλα σε περιβάλλον python που εκτιμούν την κατανάλωση και κατ’ επέκταση τις εκπομπές CO2 και με τα μέγιστα και ελάχιστα δυνατά δεδομένα, δηλαδή δεδομένα που θα μπορούσαν να αντληθούν από μια βάση δεδομένων (weather provider).	el
dc.format.extent	95	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	Χρήση μηχανικής μάθησης για την εκτίμηση της κατανάλωσης καυσίμου και των εκπομπών CO2 ενός πλοίου Newcastlemax σε πραγματικές συνθήκες	el
dc.type	Master Thesis	el
dc.contributor.department	Σχολή Ναυτιλίας και Βιομηχανίας. Τμήμα Ναυτιλιακών Σπουδών	el
dc.description.abstractEN	In this thesis, Random Forest Regression, a machine learning technique, was utilised as the optimal method for the available data. This approach involved the utilisation of measurements from historical data concerning a Newcastlemax type vessel to develop a model for the estimation of main engine fuel consumption and CO2 emissions under realistic sailing conditions. In particular, the data were used for 14 voyages in different loading and sea states. In conclusion, using a Python environment, models were created to estimate consumption and hence CO2 emissions using both maximum and minimum possible data, i.e. data that could be obtained from a database (weather provider).	el
dc.corporate.name	Σχολή Ναυτικών Δοκίμων	el
dc.contributor.master	ΔΠΜΣ στη Διοίκηση στη Ναυτική Επιστήμη και Τεχνολογία	el
dc.subject.keyword	Machine learning	el
dc.subject.keyword	Random forest regression	el
dc.subject.keyword	Fuel consumption	el
dc.subject.keyword	CII	el
dc.subject.keyword	Python	el
dc.date.defense	2025-04-04

Αρχεία σε αυτό το τεκμήριο

Name:: Gkikas_23006.pdf
Μέγεθος:: 6.605Mb
Τύπος:: PDF
Description:: Μεταπτυχιακή διατριβή

Προβολή/Άνοιγμα

Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές

Τμήμα Ναυτιλιακών Σπουδών
Department of Maritime Studies

Εμφάνιση απλής εγγραφής

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα

Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα