KR102042356B1 - 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템 - Google Patents

인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템 Download PDF

Info

Publication number
KR102042356B1
KR102042356B1 KR1020180111634A KR20180111634A KR102042356B1 KR 102042356 B1 KR102042356 B1 KR 102042356B1 KR 1020180111634 A KR1020180111634 A KR 1020180111634A KR 20180111634 A KR20180111634 A KR 20180111634A KR 102042356 B1 KR102042356 B1 KR 102042356B1
Authority
KR
South Korea
Prior art keywords
ship
performance
artificial intelligence
motion
approximation model
Prior art date
Application number
KR1020180111634A
Other languages
English (en)
Inventor
박준범
문성배
김영롱
Original Assignee
한국해양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국해양대학교 산학협력단 filed Critical 한국해양대학교 산학협력단
Priority to KR1020180111634A priority Critical patent/KR102042356B1/ko
Application granted granted Critical
Publication of KR102042356B1 publication Critical patent/KR102042356B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63J—AUXILIARIES ON VESSELS
    • B63J99/00—Subject matter not provided for in other groups of this subclass
    • G06F17/5009—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B63J2099/008—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/30—Adapting or protecting infrastructure or their operation in transportation, e.g. on roads, waterways or railways

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Ocean & Marine Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Combustion & Propulsion (AREA)
  • Traffic Control Systems (AREA)

Abstract

인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템이 제시된다. 일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법은, 선박의 실시간 모니터링 시스템으로부터 선박의 운항 상태 및 기상 상태에 대한 선박의 모니터링 정보를 전달 받는 단계; 상기 선박의 모니터링 정보를 이용하여 인공지능 학습으로부터 운동 성능 데이터베이스를 취득하는 단계; 및 상기 선박의 모니터링 정보를 상기 운동 성능 데이터베이스와 연동하여 실시간으로 선박의 내항 성능을 평가하는 단계를 포함하여 이루어질 수 있다.

Description

인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템{METHOD AND SYSTEM FOR ESTIMATING SHIP MOTION PERFORMANCE USING ARTIFICIAL INTELLIGENCE}
아래의 실시예들은 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템에 관한 것으로, 더욱 상세하게는 선박의 운항 상태 및 다양한 기상 상태를 전달 받아 인공지능 학습으로부터 취득한 운동 성능 데이터베이스와 연동하여 실시간으로 선박의 내항 성능을 평가하는 방법 및 시스템에 관한 것이다.
최근, 국내에서는 국제해사기구(IMO)의 전자 항법(e-Navigation) 도입에 대응하여 우리나라 해상 환경에 특화된 새로운 유형의 전자 항법(e-Navigation) 서비스가 개발 중에 있다. 해양안전심판원의 해양사고 통계에 따르면, 최근 5년간(2013년~2017년) 국내 해양사고의 약 79.0%가 선박 운항자에 의한 운항과실로 인해 발생하였으며, 상대적으로 운항환경이 열악한 연안여객선과 어선에 의한 사고가 70.0%를 차지한다. 이러한 경향으로 볼 때, 해양사고 예방을 위해서는 연안해역을 운항하는 사고취약선박들에 대한 운항 중 안전성을 평가하고, 이상상태에 대하여 선박 운항자의 의사결정을 지원할 수 있는 기술이 필요한 실정이다.
한국형 전자 항법(e-Navigation) 서비스는 IMO에서 전자 항법(e-Navigation) 구현을 위하여 규정한 16가지 MSPs(Maritime Service Portfolios)를 5가지 주요서비스(SV)로 재분류하였으며, 그 중에서도 SV2 모듈은 실시간 운항정보 모니터링을 통해 해양 사고의 발생을 차단하는 선내시스템 원격모니터링 서비스이다. 이 서비스는 항행 안전/화재 안전/내항성 안전의 3가지 모듈로 구성되어 있으며, 특히 내항성 안전 모듈은 사고의 발생가능성을 사전에 경고하는 성격이 강하다.
선박의 내항성능이란 불규칙한 파랑 조건 속에서 선박이 전복되지 않고 예정된 항로 또는 해역을 안정적으로 운항할 수 있는 성능을 말한다. 통상적으로 선박의 내항성능 평가는 선박 건조시 IMO의 법규에 따라 적재조건에 대한 복원성을 검토 및 승인하는 것으로 대체하며, 필요시 선급의 해석지침에 따라 정해진 운동 조건에서 안정성을 검토하고 있다. 그러나 이러한 방법은 운항중인 선박의 해상상태, 화물의 적재정도, 운항속도 등에 따른 내항성 변화를 실시간으로 시뮬레이션하여 반영하지는 못하는 것이 현실이다. 선박의 운항 중 안정성을 모니터링하기 위하여 기존의 방법과 달리, Lee et al.(2005), Choi et al.(2007)는 3D 패널법을 이용한 운동 성능 계산 결과를 데이터베이스화하는 방법을 제안한 바 있으나, 해상에서 발생할 수 있는 모든 조건에 대한 수치 시뮬레이션의 경우 상당한 시간과 비용이 소요되어 현실적인 적용가능성이 떨어진다는 단점이 존재한다. 게다가 연안을 운항하는 모든 서비스 대상 선박에 관한 적용가능성을 고려해볼 때, 앞으로 컴퓨터의 계산속도가 개선된다고 하더라도 이러한 비효율적인 선체 내항성능 평가는 반드시 해결되어야 할 부분이다.
한편, 딥러닝을 필두로 한 기계학습(Machine Learning)과 빅데이터(Big Data)에 대한 관심이 최근에 매우 높아지면서 조선해양 및 해운 분야에서도 이를 활용한 연구들이 다양하게 시도되고 있다. 특히 컴퓨터를 이용한 시뮬레이션에 의존도가 높은 성능 예측 분야에서 기계학습을 사용한 효율적인 방법들이 소개되고 있다. Li et al(2015)는 단일변수 라그랑지안 서포트벡터회귀(Single-parameter Lagrangian Support Vector Regression; SPL-SVR)를 적용한 메타모델(metamodel)을 활용하여 해양플랜트 지원선(Offshore Support Vessel; OSV)의 조종성능을 예측하고자 하였으며, Lee et al.(2016)는 해양시스템의 성능예측문제에 적합한 기법을 도출하기 위하여, 보간모델(Response Surface Method; RSM), 회귀모델(Kriging) 및 AI 방법(Artificial Neural Network, Gaussian Process) 등을 비선형성이 강한 조선해양공학 문제들에 적용한 바 있다.
KMOF, (2016), "IMO Next-Generation Marine Safety Integrated Management System Development", Korea Ministry of Maritime Affairs and Fisheries, Korean e-Navigation Project Notice No. 2016-01.
실시예들은 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템에 관하여 기술하며, 보다 구체적으로 운항 중인 선박의 전복사고를 사전에 예방하고 안전한 항해를 위해, 선내 실시간 모니터링 시스템으로부터 선박의 운항 상태 및 다양한 기상 상태를 전달 받아 인공지능 학습으로부터 취득한 운동 성능 데이터베이스와 연동하여 실시간으로 선박의 내항 성능을 평가하는 기술을 제공한다.
실시예들은 인공지능 기계학습 기반의 근사모델(Surrogate model)을 활용하여 선박의 횡동요 운동을 예측하고, 기상 상태 정보와 연동하여 선박 운동 성능 예측 방법 및 시스템을 제공하는데 있다.
일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법은, 선박의 실시간 모니터링 시스템으로부터 선박의 운항 상태 및 기상 상태에 대한 선박의 모니터링 정보를 전달 받는 단계; 상기 선박의 모니터링 정보 중 선박의 적재 상태인 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 이용하여 인공지능으로 학습된 운동 성능 데이터베이스를 취득하는 단계; 및 상기 선박의 모니터링 정보를 상기 운동 성능 데이터베이스와 연동하여 실시간으로 선박의 내항 성능을 평가하는 단계를 포함하여 이루어질 수 있다.
상기 선박의 실시간 모니터링 시스템으로부터 선박의 운항 상태 및 기상 상태에 대한 선박의 모니터링 정보를 전달 받는 단계는, 상기 선박의 내항성 및 전복 위험성을 평가하기 위해 선박의 적재 상태인 무게중심, 흘수, 트림, 운항 상태인 선속, 선수각, 그리고 파랑하중인 풍향, 풍속 이력을 취득할 수 있다.
상기 선박의 모니터링 정보중 선박의 적재 상태인 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 이용하여 인공지능으로 학습된 운동 성능 데이터베이스를 취득하는 단계는, 기계학습 기반의 근사모델(Surrogate model)로 이루어진 상기 운동 성능 데이터베이스를 구축할 수 있다.
상기 선박의 모니터링 정보 중 선박의 적재 상태인 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 이용하여 인공지능으로 학습된 운동 성능 데이터베이스를 취득하는 단계는, 학습을 통한 상기 근사모델을 구현하기 위해 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 상기 근사모델에 입력하는 단계; 및 상기 근사모델을 통해 횡동요 운동응답함수(Response Amplitude Operator; RAO)의 출력변수를 주파수별로 출력하는 단계를 포함할 수 있다.
상기 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 상기 근사모델에 입력하는 단계는, 횡동요 운동 데이터의 특성상 선속보다 선수각의 학습 데이터가 많은 것을 특징으로 할 수 있다.
다른 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 시스템은, 선박의 실시간 모니터링 시스템으로부터 선박의 적재 상태인 무게중심, 흘수, 트림, 운항 상태인 선속, 선수각, 그리고 파랑하중인 풍향, 풍속에 대한 선박의 모니터링 정보를 전달 받는 정보 획득부; 상기 선박의 모니터링 정보를 이용하여 인공지능 학습으로부터 운동 성능 데이터베이스를 취득하는 데이터베이스부; 및 상기 선박의 모니터링 정보를 상기 운동 성능 데이터베이스와 연동하여 실시간으로 선박의 내항 성능을 평가하는 성능 평가부를 포함하여 이루어질 수 있다.
상기 정보 획득부는, 상기 선박의 내항성 및 전복 위험성을 평가하기 위해 선박의 적재 상태인 무게중심, 흘수, 트림, 운항 상태인 선속, 선수각, 그리고 파랑하중인 풍향, 풍속에 대한 이력을 취득할 수 있다.
상기 데이터베이스부는, 기계학습 기반의 근사모델(Surrogate model)로 이루어진 상기 운동 성능 데이터베이스를 구축할 수 있다.
상기 데이터베이스부는, 학습을 통한 상기 근사모델을 구현하기 위해 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 상기 근사모델에 입력하는 입력부; 및 상기 근사모델을 통해 횡동요 운동응답함수(Response Amplitude Operator; RAO)의 출력변수를 주파수별로 출력하는 출력부를 포함하여 이루어질 수 있다.
상기 입력부는, 횡동요 운동 데이터의 특성상 선속보다 선수각의 학습 데이터가 많은 것을 특징으로 할 수 있다.
또 다른 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법은, 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 기계학습 기반의 근사모델(Surrogate model)에 입력하는 단계; 및 상기 근사모델을 통해 횡동요 운동응답함수(Response Amplitude Operator; RAO)의 출력변수를 주파수별로 출력하는 단계를 포함할 수 있다.
상기 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 기계학습 기반의 근사모델에 입력하는 단계는, 횡동요 운동 데이터의 특성상 선속보다 선수각의 학습 데이터가 많은 것을 특징으로 할 수 있다.
실시예들에 따르면 선내 실시간 모니터링 시스템으로부터 선박의 운항 상태 및 다양한 기상 상태에 대한 정보를 전달 받아 인공지능 학습으로부터 취득한 운동 성능 데이터베이스와 연동하여 실시간으로 선박의 내항 성능을 평가함으로써, 운항 중인 선박의 전복사고를 사전에 예방하고 안전한 항해를 가능하게 하도록 인공지능을 이용한 선박 내항 성능 예측 방법 및 시스템을 제공할 수 있다.
실시예들에 따르면 기계학습 기반의 근사모델(Surrogate model)을 활용하여 선박의 횡동요 운동을 예측하고, 기상 상태 정보와 연동하여 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템을 제공할 수 있다.
도 1은 일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법을 나타내는 흐름도이다.
도 2는 일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법의 학습을 통한 근사모델을 구현을 나타내는 흐름도이다.
도 3은 일 실시예에 따른 인공지능을 이용한 선박 내항 성능 예측 시스템을 나타내는 블록도이다.
도 4는 일 실시예에 따른 근사모델을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 3차원 패널로 모델링한 모델 선박을 나타내는 도면이다.
도 6 내지 도 9는 일 실시예에 따른 TGP 기법 및 PLA 기법의 선속 간격 및 선수각 간격을 나타내는 도면이다.
도 10 및 도 11은 일 실시예에 따른 데이터 세트 개수에 따른 근사모델의 평균오차율 및 최대오차율을 나타내는 도면이다.
도 12는 일 실시예에 따른 Case 6의 조건을 적용하여 생성한 근사모델의 오차율을 나타내는 도면이다.
도 13은 일 실시예에 따른 최대오차율이 발생하는 조건에서 근사모델의 최종 RAO 예측 값을 나타내는 도면이다.
도 14는 일 실시예에 따른 선속, 선수각에 대한 횡동요 RAO의 최대값 발현 횟수를 히스토그램으로 나타낸 도면이다.
도 15는 일 실시예에 따른 도 14의 횡동요 RAO의 최대값을 포함하는 ITTC 표준 스펙트럼을 나타내는 도면이다.
도 16은 일 실시예에 따른 인공지능 학습으로부터 취득한 운동 성능 데이터베이스로부터 취득한 횡동요 RAO와 ITTC 표준 스펙트럼을 합성하여 얻은 선체운동 응답스펙트럼과 동일한 조건에서 선박의 운동 시뮬레이션으로부터 얻은 결과를 비교한 도면이다.
도 17 및 도 18은 일 실시예에 따른 한 개의 선속에서 선수각에 따라 도 18과 같이 인공지능 학습으로부터 생성된 운동 성능 데이터베이스로부터 취득한 선체운동 응답스펙트럼으로부터 얻은 m0 및 m2 값과 동일한 조건에서 선박의 운동 시뮬레이션으로부터 얻은 m0 및 m2 값을 비교하여 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 설명한다. 그러나, 기술되는 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명되는 실시예들에 의하여 한정되는 것은 아니다. 또한, 여러 실시예들은 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 도면에서 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
기존의 선박 내항성능 평가 방법은 선박 건조시 IMO 법규에 따른 복원성계산으로 대체하거나 일부 운동조건에 대한 시뮬레이션 결과로 판단하였으나, 이러한 방법들은 실제 해상에서 선박의 내항성능 변화를 반영하지는 못한다. 또한 해상에서 발생할 수 있는 모든 운동조건에 대한 수치 시뮬레이션의 경우, 상당한 시간과 비용이 소요되어 현실적으로 적용가능성이 떨어진다.
본 발명에서는 실시간으로 운항중인 선박의 내항성능 평가 요소인 횡동요 운동 특성을 예측하기 위하여 기계학습 기반의 근사모델을 활용하는 방법을 제안하고자 한다. 대상 선박의 운동 시뮬레이션 결과를 데이터 분석 소프트웨어와 연동하여 근사모델을 생성하고, 선박의 횡동요 운동에 대한 단기해석 값을 매우 빠르고 정확하게 예측하는 기법을 검토하였다. 다양한 학습 기법과 데이터의 샘플링 조건을 적용한 근사모델을 비교한 결과, 운동 해석 결과와 예측 값의 오차가 1% 내외로 거의 일치함을 보였다. 따라서 이러한 방법을 활용하면 운동 해석의 효율성을 개선할 수 있어, 선박의 실시간 내항성능 평가에 적용할 수 있을 것으로 판단된다.
본 발명은 인공지능 기계학습 기반의 근사모델(Surrogate model)을 활용하여 선박의 횡동요 운동을 예측하는 방법을 제공하고자 한다. 실제로 선박의 횡동요는 선체 형상, 크기 및 화물 적재 상태인 무게중심, 흘수, 트림과 같은 선체요인, 선속 및 선수각과 같은 운항 요인, 해상 및 기상 상태와 같은 환경 요인 등 다양한 변수들에 의하여 영향을 받는다. 이러한 변수들을 고려한 선박의 운동특성을 파악하기 위하여 3D 패널법을 사용한 시뮬레이션을 활용하였으며, 그 해석 결과를 기계학습 하였다. 기계학습 기반의 근사모델로 이루어진 데이터베이스를 구축함으로써 실시간으로 변하는 외란에 대응하여 선박의 운동특성 및 내항성 안정성을 즉각적으로 예측할 수 있도록 하였다. 또한 다양한 기계학습 기법과 데이터 구성조건에 따른 근사모델을 비교/분석하고, 선박의 횡동요 운동에 대한 단기해석을 수행하여 예측 결과의 유효성을 검토함으로써 근사모델 생성에 적합한 절차를 마련하였다.
도 1은 일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법을 나타내는 흐름도이다.
도 1을 참조하면, 일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법은, 선박의 실시간 모니터링 시스템으로부터 선박의 운항 상태 및 기상 상태에 대한 선박의 모니터링 정보를 전달 받는 단계(110), 선박의 모니터링 정보중 선박의 적재 상태인 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 이용하여 인공지능으로 학습된 운동 성능 데이터베이스를 취득하는 단계(120) 및 선박의 모니터링 정보를 운동 성능 데이터베이스와 연동하여 실시간으로 선박의 내항 성능을 평가하는 단계(130)를 포함하여 이루어질 수 있다.
도 2는 일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법의 학습을 통한 근사모델을 구현을 나타내는 흐름도이다.
도 2를 참조하면, 학습을 통한 근사모델을 구현하기 위해 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속(Ship speed) 및 선수각(Heading angle)을 입력변수로 선택하여, 근사모델에 입력변수로 선택하여, 근사모델에 입력하는 단계(210), 및 근사모델을 통해 횡동요 운동응답함수(Response Amplitude Operator; RAO)의 출력변수를 주파수별로 출력하는 단계(220)를 포함할 수 있다. 선박의 모니터링 정보를 이용하여 인공지능 학습으로부터 운동 성능 데이터베이스를 취득하는 단계(120)에서 수행될 수 있다.
아래에서 일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법의 각 단계에 대해 보다 구체적으로 설명하기로 한다.
일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법은 일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 시스템을 예를 들어 보다 구체적으로 설명할 수 있다.
도 3은 일 실시예에 따른 인공지능을 이용한 선박 내항 성능 예측 시스템을 나타내는 블록도이다.
도 3을 참조하면, 일 실시예에 따른 인공지능을 이용한 선박 내항 성능 예측 시스템(300)은 정보 획득부(310), 데이터베이스부(320) 및 성능 평가부(330)를 포함하여 이루어질 수 있다.
단계(110)에서, 정보 획득부(310)는 선박의 실시간 모니터링 시스템으로부터 선박의 적재 상태인 무게중심, 흘수, 트림, 운항 상태인 선속, 선수각, 그리고 파랑하중인 풍향, 풍속모두에 대한 선박의 모니터링 정보를 전달 받을 수 있다. 예를 들어, 정보 획득부(310)는 선박의 내항성 및 전복 위험성을 평가하기 위해 선박의 적재 상태 및 파랑하중에 대한 이력을 취득할 수 있다. 이 때, 정보 획득부(310)는 선박의 실시간 모니터링 시스템으로부터 선박의 적재 상태인 무게중심, 흘수, 트림, 운항 상태인 선속, 선수각, 그리고 파랑하중인 풍향, 풍속 모두에 대한 선박의 모니터링 정보를 전달 받을 수도 있다.
단계(120)에서, 데이터베이스부(320)는 선박의 모니터링 정보를 이용하여 인공지능 학습으로부터 운동 성능 데이터베이스를 취득할 수 있다. 여기서, 데이터베이스부(320)는 기계학습 기반의 근사모델(Surrogate model)로 이루어진 운동 성능 데이터베이스를 구축할 수 있다.
근사모델이란, 써로게이트 모델(surrogate model) 또는 메타모델(metamodel)이라 불리며 실험 또는 시뮬레이션으로 얻은 데이터를 이용하여 실제 경향과 근접한 함수를 만드는 것을 일컫는다. 근사모델을 활용하면 해석이나 실험 또는 통계를 통한 추가적인 데이터가 없어도 물리적 거동을 상당히 정확하게 모사할 수가 있으며, 설계변수의 최적화 및 사이 값 확인 등 다양한 분야에 활용이 가능하다. 근사모델 생성에 사용되는 각 기계학습 기법들은 데이터의 크기, 변수의 개수, 잡음의 정도와 같은 데이터 특성에 따라서 예측 정확도나 연산속도가 좌우되기 때문에 해당하는 데이터의 특성에 적합한 근사모델의 조건에 관하여 분석할 필요가 있다.
예를 들어 근사모델은 회귀분석법(GBRT), 텐서근사법(TA, iTA), 선형근사법(PLA), 고차원근사법(HDA, HDAGP, MOA), 반응표면법(RSM) 및 가우시안 프로세스(GP, SGP, TGP)와 같은 다양한 기계학습 기법들을 이용할 수 있다. 특히, 근사모델은 실시간으로 선박의 운동특성 및 내항성 안정성을 예측하기 위해 TGP(Tensored Gaussian Process) 기법을 이용할 수 있으나, 이에 제한되지는 않는다.
학습을 통한 근사모델을 구현하기 위해 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 근사모델에 입력하는 단계 및 근사모델을 통해 횡동요 운동응답함수(Response Amplitude Operator; RAO)의 출력변수를 주파수별로 출력하는 단계를 포함할 수 있다. 아래에서 보다 구체적으로 설명한다.
도 4는 일 실시예에 따른 근사모델을 설명하기 위한 도면이다.
데이터베이스부(320)는 입력부(410) 및 출력부(430)를 더 포함할 수 있다.
입력부(410)는 학습을 통한 근사모델(420)을 구현하기 위해 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 근사모델(420)에 입력할 수 있고, 출력부(430)는 근사모델(420)을 통해 횡동요 운동응답함수(Response Amplitude Operator; RAO)의 출력변수를 주파수별로 출력할 수 있다. 이 때, 입력부(410)는 횡동요 운동 데이터의 특성상 선속보다 선수각의 학습 데이터가 많은 것을 특징으로 할 수 있다.
즉, 학습을 통한 근사모델을 구현하기 위해 근사모델의 입력변수로 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 선택하였으며, 출력변수는 주파수별 횡동요 운동응답함수를 지정할 수 있다.
단계(130)에서, 성능 평가부(330)는 선박의 모니터링 정보를 운동 성능 데이터베이스와 연동하여 실시간으로 선박의 내항 성능을 평가할 수 있다.
본 발명의 일 실시예에서는 선박의 운동 시뮬레이션으로부터 얻은 운동 성능 데이터를 기계학습 기능에 연동함으로써 선박의 횡동요 운동특성에 대한 근사모델을 구축할 수 있다. 이 때, 근사모델 구축의 하나의 예로써 Datadvance사의 데이터 분석 전문 소프트웨어인 pSeven의 기계학습에 연동할 수 있다. pSeven의 경우, 다양한 수학 알고리즘을 내장하고 있어 데이터 특성에 맞는 학습기법 선정에 용이하며, 생성된 근사모델을 활용한 오차 분석이 수월하여 선박 운동특성 예측에 적합할 것으로 판단된다.
한편, 다른 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법은, 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 기계학습 기반의 근사모델(Surrogate model)에 입력하는 단계, 및 근사모델을 통해 횡동요 운동응답함수(Response Amplitude Operator; RAO)의 출력변수를 주파수별로 출력하는 단계를 포함할 수 있다.
앞에서 설명한 바와 같이, 근사모델은 실시간으로 선박의 운동특성 및 내항성 안정성을 예측하기 위해 TGP(Tensored Gaussian Process) 기법을 이용할 수 있으나, 이에 제한되지는 않는다.
그리고 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 기계학습 기반의 근사모델에 입력하는 단계는 횡동요 운동 데이터의 특성상 선속보다 선수각의 학습 데이터가 많은 것을 특징으로 할 수 있다.
아래에서 일 실시예에 따른 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템에 대해 보다 구체적으로 설명한다.
도 5는 일 실시예에 따른 3차원 패널로 모델링한 모델 선박을 나타내는 도면이다.
도 5를 참조하면, 선박의 운동계산을 수행하기 위하여 실측 크기를 기준으로 선체외판 형상을 3차원 패널로 모델링한 것이다. 아래의 실시예에서는 9600TEU급 컨테이너선을 대상으로 연구를 수행하였으며, 그 제원은 표 1과 같이 나타낼 수 있다.
[표 1]
Figure 112018092962337-pat00001
대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각에 대하여 선체 운동해석을 수행하였고, 횡동요 운동응답함수(Response Amplitude Operator; RAO)를 결과로 취득하였다. 학습을 통한 근사모델을 구현하기 위해 근사모델의 입력변수로 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 선택하였으며, 출력변수는 주파수별 횡동요 운동응답함수를 지정하였다. 선박의 속력은 0노트에서 상용출력속력(MCR)에 바람 및 조류 등과 같은 환경 외란의 영향 10%를 감안한 20노트, 선수각은 0-180도, 파의 주파수는 0.2-1.8rad/s를 범위로 설정하였다. 운동해석은 로이드 선급의 3차원 포텐셜 이론 기반 프로그램인 WAVELOAD-FD를 사용하였으며, 해석조건은 표 2와 같이 나타낼 수 있다.
[표 2]
Figure 112018092962337-pat00002
일반적으로 기계학습을 위한 데이터 사용은 3가지로 분류된다. 하나는 학습을 통하여 근사모델을 생성하는데 사용하는 트레이닝 데이터 세트(training data set), 그리고 학습도중 과적합(overfitting)을 방지하기 위한 평가 데이터 세트(validation data set), 마지막으로 학습에 사용되지 않은 데이터로 근사모델의 예측결과와 비교하여 모델의 정확성을 검증하는 테스트 데이터 세트(test data set)가 있다. 본 실시예에서는 최소한의 운동해석 결과로 실제 내항성능 평가에 적용 가능한 수준의 예측력을 가진 근사모델을 생성하는 것이 목적이기 때문에, 기존의 기계학습을 위한 데이터 분류 방법과는 달리, 표 2의 해석결과로부터 대상 선박의 운동 특성을 대표할 수 있는 정해진 조건의 데이터를 트레이닝/평가 데이터로 활용하고, 전체 해석결과를 테스트 데이터로 활용하여 선박 운항 범위 내의 모든 운동조건에 대하여 근사모델의 신뢰성을 검증하였다.
표 3은 트레이닝 데이터 세트의 샘플링 간격을 나타낸다.
[표 3]
Figure 112018092962337-pat00003
선박의 횡동요 데이터의 특성에 적합한 근사모델을 선택하기 위하여 선급의 선체운동 조건들을 충분히 포함하는 표 3과 같은 조건을 구성하였고, 표 2의 조건으로 수행한 시뮬레이션 결과에서 표 3의 조건에 해당하는 결과를 취득하여 트레이닝 데이터를 구성하였다. pSeven에서는 회귀분석법(GBRT), 텐서근사법(TA, iTA), 선형근사법(PLA), 고차원근사법(HDA, HDAGP, MOA), 반응표면법(RSM) 및 가우시안 프로세스(GP, SGP, TGP)와 같은 다양한 기계학습 기법들을 제공한다. 표 3의 조건에서 추출된 데이터에 각 기법들을 적용하여 학습시켰으며, 생성된 근사모델들의 주파수별 횡동요 RAO 예측 결과를 표 2의 테스트 데이터와 비교하여 얼마만큼의 예측 정확성을 제공하는지 분석하였다.
근사모델의 예측 정확성을 상호비교하기 위해 식 1의 결정계수를 사용하였다.
[수학식 1]
Figure 112018092962337-pat00004
여기에서, yi는 테스트 데이터의 RAO,
Figure 112018092962337-pat00005
는 근사모델에 의한 RAO 예측값,
Figure 112018092962337-pat00006
는 테스트 데이터의 RAO 편차를 의미한다.
표 4는 학습 조건에서의 예측 정확성을 나타낸다.
[표 4]
Figure 112018092962337-pat00007
표 4를 참조하면, pSeven에서 제공하는 11가지 근사모델 중 표 3의 학습 조건에서 예측 정확성이 높은 상위 4개를 나타낸 것이다. 각 학습기법 별 근사모델의 적합도를 비교하면, GBRT(Gradient Boosted Regression Trees)와 SGP(Sparse Gaussian Process) 기법의 경우 트레이닝 데이터의 선수각 간격이 작은 조건에서는 높은 예측 정확도를 보이지만, 선수각 간격이 커지는 경우 정확도가 확연히 감소하는 것을 알 수 있다. 반면에 TGP(Tensored Gaussian process)와 PLA(Piecewise Linear approximation) 기법은 모든 샘플링 조건에서 적합도가 0.93 이상으로 상당히 높은 정확도를 유지하는 것을 알 수 있다. 가장 적합도가 높은 TGP와 PLA 기법의 정확한 비교를 위하여, 표 5와 같이 샘플링 조건을 세분화하여 검토하였다. 표 6은 표 5의 조건에 따라 생성한 근사모델의 R2을 보여준다.
[표 5]
Figure 112018092962337-pat00008
[표 6]
Figure 112018092962337-pat00009
도 6은 일 실시예에 따른 TGP 기법의 선속 간격을 나타내는 도면이고, 도 7은 일 실시예에 따른 PLA 기법의 선속 간격을 나타내는 도면이다. 또한, 도 8은 일 실시예에 따른 TGP 기법의 선수각 간격을 나타내는 도면이고, 도 9는 일 실시예에 따른 PLA 기법의 선수각 간격을 나타내는 도면이다.
도 6 내지 도 9에 도시된 바와 같이, 선속 및 선수각 간격에 따른 적합도를 비교하면, 공통적으로 선속의 데이터 샘플링 간격 변화에는 R2 값이 크게 변하지 않지만, 선수각의 변화에는 R2이 확연하게 차이가 나는 것을 알 수 있다. 이는 선박의 횡동요 운동 특성이 선속의 변화에 대하여는 거의 일정한 경향성을 가져 일정 수준 이상의 선속 데이터만 확보되면 적합한 예측을 할 수 있는 반면, 선수각에 따라서는 그 운동특성의 변화가 크고 민감하기 때문인 것으로 사료된다. 또한 TGP 기법과 PLA 기법의 적합도를 나타낸 표 6을 참고하면, 모든 비교 조건에서 두 기법은 거의 비슷한 예측 성능을 보여주는 것을 알 수 있다. 실용적인 측면에서 보면, TGP 기법에서 결과를 얻는 시간이 PLA 기법을 사용하여 결과를 얻는 시간보다 매우 빠른 것을 확인하였고, 본 실시예의 목적상 실시간으로 선박의 운동특성 및 내항성 안정성을 예측하기 위해서는 TGP 기법이 적합한 것으로 판단된다.
TGP(Tensored Gaussian Process) 기법은 가우시안 프로세스(GP)를 보완하기 위하여 가우시안 프로세스에 텐서(Tensor)를 활용한 기법이다. 가우시안 프로세스(GP)는 베이지안 추론(Bayesian inference)을 이용하여 비선형성이 강한 현상의 예측에 우수한 수학적 모델이지만(Rasmussen&Williams, 2006), 곱집합(Cartesian product) 구조와 같이 데이터 세트가 매우 큰 경우에는 계산이 복잡하여 이를 적용하기가 어려운 단점이 있다. 반면, TGP 기법은 고차원의 데이터 세트 계산에 효율적일 뿐만 아니라 컴퓨터 메모리 면에서도 이점을 가지며, 데이터가 없는 구간에 대해서도 예측이 가능하다. 따라서 이러한 학습 알고리즘의 효율성과 횡동요 운동 데이터의 특성을 고려하여 TGP 기법을 근사모델 생성에 활용하고자 한다.
선박의 횡동요 예측 시스템으로 사용될 근사모델은 전체 운항 구간에 대하여 높은 정도를 제공해야 하는 것뿐만 아니라, 선박의 전복이 발생할 수 있는 특정한 운동조건에서의 예측 성능도 상당히 우수해야 한다. 따라서 현재 선급에서 제공하는 기준보다 엄격한 운동조건을 선정하여 예측 정도가 높은 근사모델을 얻고자 한다.
표 7은 근사모델의 트레이닝 데이터 세트의 샘플링 간격을 나타낸다.
[표 7]
Figure 112018092962337-pat00010
도 6 내지 도 9의 결과로부터 횡동요 운동응답 근사모델은 동일한 조건에서 선속보다는 선수각의 학습데이터를 늘리는 것이 모델의 적합도 향상에 효율적임을 알 수 있다. 따라서 표 7과 같이 선급 최소 기준보다 엄격하게 선수각의 간격을 각각 15도, 10도 및 5도로 트레이닝 데이터를 구성하는 경우와 오차가 크게 발생하는 60-120도 구간에만 추가적으로 10도, 5도, 2도로 트레이닝 데이터를 구성하는 경우를 조합하여 근사모델의 예측 정확성을 분석하였다. 얻어진 근사모델의 적합도를 판정하기 위해 근사모델의 평균오차율은 1.3% 이하, 최대오차율 9.0% 이하로 기준을 정하였다. 이러한 기준 오차율을 만족하는 근사모델을 앞에서 검증하였고, 해당하는 오차율이 본 발명의 목적에 부합하는 근사모델의 생성 기준임을 입증하였다.
선박 운항 범위 내의 모든 선속 및 선수각 조건에 대한 근사모델의 예측성능을 파악하기 위하여 R2에 추가로 오차율을 사용할 수 있다. 오차율은 참값에 대한 오차의 비로 정의되는데, RAO 값이 0에 근사하는 경우 분모에 의해서 계산이 불가하기 때문에 본 실시예에서는 식 2와 같이 수정된 오차율을 사용할 수 있다.
[수학식 2]
Figure 112018092962337-pat00011
여기에서,
Figure 112018092962337-pat00012
는 근사모델에 의한 RAO 예측값, y는 테스트 데이터의 RAO 값, m은 각 선수각에 포함되는 주파수 개수, n은 각 선속에 포함되는 선수각 개수이다.
표 8은 근사모델의 예측 정확성을 나타낸다.
[표 8]
Figure 112018092962337-pat00013
표 8는 표 7의 조건에 따라 생성된 근사모델의 예측 정확성과 근사모델 생성에 사용된 데이터 세트를 나타낸다.
도 10은 일 실시예에 따른 데이터 세트 개수에 따른 근사모델의 평균오차율을 나타내는 도면이다. 그리고 도 11은 일 실시예에 따른 데이터 세트 개수에 따른 근사모델의 최대오차율을 나타내는 도면이다.
도 10 및 도 11에 도시된 바와 같이, 평균오차율과 최대오차율에 대한 기준치를 만족하는 경우는 Case 6, 7, 8, 9이다. 근사모델 생성에 사용된 트레이닝 데이터 세트의 개수에 따른 모델의 오차율을 비교해보면, 데이터 세트가 5000개 이상에서는 근사모델의 평균오차율과 최대오차율이 크게 개선되지 않는 것을 알 수 있다. 따라서 현재 연구에서는 기준치를 만족하는 Case 중 가장 계산 효율이 좋은 Case 6으로 근사모델의 유효성을 검증하였다.
도 12는 일 실시예에 따른 Case 6의 조건을 적용하여 생성한 근사모델의 오차율을 나타내는 도면이다.
도 12에 도시된 바와 같이, 평균오차율은 1.0%로 기존의 선급 기준에 비해서 감소하였으며, 최대오차율은 선속 10-20노트, 60-120도 구간에서 주로 발생하는 것을 알 수 있다.
도 13은 일 실시예에 따른 최대오차율이 발생하는 조건에서 근사모델의 RAO 예측 값을 나타내는 도면이다.
도 13을 참조하면, 최대오차율이 발생하는 조건에서 근사모델의 RAO 예측 값을 나타낸 결과이며, 전체 주파수 구간에서 테스트 데이터와 매우 일치하는 것을 알 수 있다.
아래에서는 근사모델의 유효성을 검증하기로 한다.
주어진 해상상태에서 선박의 내항성능을 추정하기 위하여 단기해상상태에 대한 선박의 횡동요 극대치(Extreme value)를 활용하였다. 따라서 앞에서 얻은 근사모델로 횡동요 RAO를 예측하고, 다음의 식 3과 같이 파랑스펙트럼을 적용하여 응답 스펙트럼을 구할 수 있다.
[수학식 3]
Figure 112018092962337-pat00014
이를 식 4와 같이 적분하면 응답스펙트럼의 n차 모멘트를 구할 수가 있다.
[수학식 4]
Figure 112018092962337-pat00015
이 중 m0와 m2를 이용하여 식 5의 단기해상상태에서 응답의 극대치를 구하여 근사모델의 유효성을 검증할 수 있다.
[수학식 5]
Figure 112018092962337-pat00016
여기서
Figure 112018092962337-pat00017
,
Figure 112018092962337-pat00018
는 파의 주파수와 선박의 조우주파수이며,
Figure 112018092962337-pat00019
는 파랑스펙트럼,
Figure 112018092962337-pat00020
는 선체운동응답진폭함수,
Figure 112018092962337-pat00021
은 응답스펙트럼, mn는 응답스펙트럼의 n차 모멘트, Qp는 단기해상상태에 대한 최대 응답값을 나타낸다.
도 14는 일 실시예에 따른 선속, 선수각에 대한 횡동요 RAO의 최대값 발현 횟수를 히스토그램으로 나타낸 도면이다.
도 14를 참조하면, 각 선속 및 선수각에서 최대 횡동요 RAO가 발생하는 주파수별로 빈도수를 히스토그램(Histogram)형태로 알 수 있다. 일반적으로 파랑스펙트럼에 적용하는 해상 상태는 대상 선박의 실제 운항조건을 고려하여 선정하지만, 본 실시예에서는 근사모델의 유효성을 검증하는 것이기 때문에, 선박의 횡동요 RAO의 최대값이 빈번하게 발생하는 주파수 구간에서 다량의 에너지를 포함할 수 있는 해상조건을 선정하였다.
도 15는 일 실시예에 따른 도 14의 횡동요 RAO의 최대값을 포함하는 ITTC 표준 스펙트럼을 나타내는 도면이다.
파랑스펙트럼은 다음의 식 6과 같이 ITTC 표준 스펙트럼인 Pierson-Moskwitz 스펙트럼을 사용하였다. 본 실시예에 사용된
Figure 112018092962337-pat00022
과
Figure 112018092962337-pat00023
은 12.00sec와 4.00m이고 이는 도 11과 같이 나타낼 수 있다.
[수학식 6]
Figure 112018092962337-pat00024
여기서,
Figure 112018092962337-pat00025
는 선체운동 응답스펙트럼,
Figure 112018092962337-pat00026
는 파랑 스펙트럼,
Figure 112018092962337-pat00027
는 운동응답함수,
Figure 112018092962337-pat00028
,
Figure 112018092962337-pat00029
,
Figure 112018092962337-pat00030
는 파의 주파수,
Figure 112018092962337-pat00031
는 유의파고,
Figure 112018092962337-pat00032
는 파의 주기를 나타낸다.
도 16은 일 실시예에 따른 인공지능 학습으로부터 취득한 운동 성능 데이터베이스로부터 취득한 횡동요 RAO와 ITTC 표준 스펙트럼을 합성하여 얻은 선체운동 응답스펙트럼과 동일한 조건에서 선박의 운동 시뮬레이션으로부터 얻은 결과를 비교한 도면이다.
도 16을 참조하면, 선속 20knot와 선수각 69도에서 근사모델로 얻은 횡동요 RAO 예측 값에 파랑스펙트럼을 합성하여 얻은 선체운동 응답스펙트럼이며, 근사모델 예측 값이 테스트 데이터 결과와 잘 부합하는 것을 알 수 있다. 고주파 구간에 대해서도 오차가 거의 발생하지 않는 것을 알 수 있는데, 이는 고주파 영역에서 파랑스펙트럼의 에너지가 상대적으로 작아서 횡동요 RAO의 오차에 비해 응답스펙트럼의 오차가 줄어든 것으로 볼 수 있다.
표 9는 해당하는 조건에서 m0, m2 및 Qp 값에 대한 예측 오차를 비교한 것이다. m0 예측결과는 1.09%, m2는 1.63% 오차를 가지며, Qp의 오차는 0.43%로 상당히 높은 정확도를 갖는 것을 알 수 있다.
[표 9]
Figure 112018092962337-pat00033
도 17 및 도 18은 일 실시예에 따른 한 개의 선속에서 선수각에 따라 도 16과 같이 인공지능 학습으로부터 생성된 운동 성능 데이터베이스로부터 취득한 선체운동 응답스펙트럼으로부터 얻은 m0 예측 값을 테스트 데이터 결과와 비교하여 나타낸 도면이다. 그리고 도 18은 일 실시예에 따른 한 개의 선속에서 선수각에 따라 도 16과 같이 인공지능 학습으로부터 생성된 운동 성능 데이터베이스로부터 취득한 선체운동 응답스펙트럼으로부터 얻은 m2 예측 값을 테스트 데이터 결과와 비교하여 나타낸 도면이다.
도 17 및 도 18을 참조하면, 임의의 선속 18knot에서 선수각에 따른 m0, m2 예측 값을 테스트 데이터 결과와 비교한 것을 알 수 있다. 실선은 근사모델에 의한 예측 값이며, 별표로 나타낸 점들은 테스트 데이터에 해당한다. 모든 별표를 그래프의 실선이 통과하는 것으로부터 근사모델의 유효성을 확인할 수 있다. 또한 이러한 결과로부터 앞에서 제시한 근사모델의 오차율 기준이 연구목적에 적합함을 알 수 있으며, 향후 다양한 실험 Case들과의 비교를 통해서 근사모델의 오차율에 대한 기준을 상세히 검토할 필요가 있을 것으로 판단된다.
실시예들은 기계학습 기반의 근사모델을 이용하여 선박의 횡동요 운동 특성을 예측하고자 하였으며, 내항성능 평가에 적용 가능한 정확도 높은 근사모델을 얻기 위하여 다양한 학습기법과 데이터 샘플링 조건에 따른 모델의 예측 성능을 비교 분석하였다. 이로부터 얻은 결론은 다음과 같다.
선박 운동해석에 통상적으로 적용하는 데이터 샘플링 범위 내에서 기계학습 기법에 따른 근사모델의 예측 정확성을 비교한 결과, TGP 기법과 PLA 기법으로 학습한 근사모델의 예측 정확성이 가장 우수하였다. 기법의 특성과 실용적인 측면을 고려해볼 때, 빠른 연산이 가능한 TGP 기법이 선박의 실시간 내항성능 예측에 더 적합한 방법으로 분석된다.
또한, 기존의 선급 해석 지침으로부터 데이터를 샘플링하여 근사모델의 타당성을 검토한 결과, 전체적인 모델의 적합도는 높았으나 특정 운항구간에서 부분적으로 오차가 크게 발생하였다. 횡동요 운동 데이터의 특성상 동일한 조건에서 선속보다는 선수각의 학습 데이터를 늘리는 것이 모델의 적합도 향상에 효율적이었다. 따라서 이를 활용하여 오차가 큰 데이터 구간에 대해서 선수각의 샘플링 간격을 보완하였으며, 생성된 근사모델은 적합도뿐만 아니라 모든 구간에 대한 예측 정확성도 우수하였다.
그리고, 제안한 방법으로 횡동요 운동에 대한 단기해석을 수행하여 유효성을 검증한 결과, 예측 성능이 우수하고 시뮬레이션에 소요되는 시간을 대폭 줄일 수 있어 운항 중 선박의 실시간 내항성능 평가에 유용하게 사용될 수 있을 것으로 판단된다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (13)

  1. 선박의 실시간 모니터링 시스템으로부터 선박의 운항 상태 및 기상 상태에 대한 선박의 모니터링 정보를 전달 받는 단계;
    상기 선박의 모니터링 정보를 이용하여 인공지능 학습으로부터 운동 성능 데이터베이스를 취득하는 단계; 및
    상기 선박의 모니터링 정보를 상기 운동 성능 데이터베이스와 연동하여 실시간으로 선박의 내항 성능을 평가하는 단계
    를 포함하고,
    상기 선박의 모니터링 정보를 이용하여 인공지능 학습으로부터 운동 성능 데이터베이스를 취득하는 단계는,
    기계학습 기반의 근사모델(Surrogate model)로 이루어진 상기 운동 성능 데이터베이스를 구축하며,
    학습을 통한 상기 근사모델을 구현하기 위해 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 상기 근사모델에 입력하는 단계; 및
    상기 근사모델을 통해 횡동요 운동응답함수(Response Amplitude Operator; RAO)의 출력변수를 주파수별로 출력하는 단계
    를 포함하고,
    상기 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 상기 근사모델에 입력하는 단계는,
    횡동요 운동 데이터의 특성상 선속보다 선수각의 학습 데이터가 많으며,
    상기 기계학습 기반의 근사모델로 이루어진 상기 운동 성능 데이터베이스를 구축함에 따라, 실시간으로 변화하는 외란에 대응하여 선박의 운동특성 및 내항 성능을 예측하는 것
    을 특징으로 하는, 인공지능을 이용한 선박 운동 성능 예측 방법.
  2. 제1항에 있어서,
    상기 선박의 실시간 모니터링 시스템으로부터 선박의 운항 상태 및 기상 상태에 대한 선박의 모니터링 정보를 전달 받는 단계는,
    상기 선박의 내항성 및 전복 위험성을 평가하기 위해 선박의 적재 상태 및 파랑하중에 대한 이력을 취득하는 것
    을 특징으로 하는, 인공지능을 이용한 선박 운동 성능 예측 방법.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 선박의 실시간 모니터링 시스템으로부터 선박의 운항 상태 및 기상 상태에 대한 선박의 모니터링 정보를 전달 받는 정보 획득부;
    상기 선박의 모니터링 정보를 이용하여 인공지능 학습으로부터 운동 성능 데이터베이스를 취득하는 데이터베이스부; 및
    상기 선박의 모니터링 정보를 상기 운동 성능 데이터베이스와 연동하여 실시간으로 선박의 내항 성능을 평가하는 성능 평가부
    를 포함하고,
    상기 데이터베이스부는,
    기계학습 기반의 근사모델(Surrogate model)로 이루어진 상기 운동 성능 데이터베이스를 구축하며,
    학습을 통한 상기 근사모델을 구현하기 위해 대상 선박의 적재 상태의 무게중심, 흘수, 트림, 운항 상태인 선속 및 선수각을 입력변수로 선택하여, 상기 근사모델에 입력하는 입력부; 및
    상기 근사모델을 통해 횡동요 운동응답함수(Response Amplitude Operator; RAO)의 출력변수를 주파수별로 출력하는 출력부
    를 포함하고,
    상기 입력부는,
    횡동요 운동 데이터의 특성상 선속보다 선수각의 학습 데이터가 많으며,
    상기 기계학습 기반의 근사모델로 이루어진 상기 운동 성능 데이터베이스를 구축함에 따라, 실시간으로 변화하는 외란에 대응하여 선박의 운동특성 및 내항 성능을 예측하는 것
    을 특징으로 하는, 인공지능을 이용한 선박 운동 성능 예측 시스템.
  7. 제6항에 있어서,
    상기 정보 획득부는,
    상기 선박의 내항성 및 전복 위험성을 평가하기 위해 선박의 적재 상태 및 파랑하중에 대한 이력을 취득하는 것
    을 특징으로 하는, 인공지능을 이용한 선박 운동 성능 예측 시스템.
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
  12. 제6항에 있어서,
    상기 근사모델은,
    실시간으로 선박의 운동특성 및 내항성 안정성을 예측하기 위해 TGP(Tensored Gaussian Process) 기법을 이용하는 것
    을 특징으로 하는, 인공지능을 이용한 선박 운동 성능 예측 시스템.
  13. 삭제
KR1020180111634A 2018-09-18 2018-09-18 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템 KR102042356B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180111634A KR102042356B1 (ko) 2018-09-18 2018-09-18 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180111634A KR102042356B1 (ko) 2018-09-18 2018-09-18 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR102042356B1 true KR102042356B1 (ko) 2019-11-07

Family

ID=68578777

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180111634A KR102042356B1 (ko) 2018-09-18 2018-09-18 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102042356B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102116917B1 (ko) * 2020-03-05 2020-06-01 사단법인 한국선급 빅데이터와 딥 러닝을 이용한 해기상 및 소요 마력 예측 시스템
KR102258257B1 (ko) * 2020-01-14 2021-05-28 한국해양대학교 산학협력단 기계학습기법을 이용한 선박의 횡동요 운동특성 예측 시스템
CN112965484A (zh) * 2021-02-03 2021-06-15 武汉理工大学 变稳船的控制系统和方法
KR102386083B1 (ko) * 2020-12-24 2022-04-14 대우조선해양 주식회사 복수의 조종모드별 시운전 결과를 이용한 최적의 단일 조종유체력미계수 역추정 시스템
KR102654478B1 (ko) * 2023-05-11 2024-04-04 한국해양교통안전공단 딥러닝을 이용한 소형선박의 조업가능상태 및 전복방지 추정 시스템
CN117818850A (zh) * 2024-03-05 2024-04-05 青岛哈尔滨工程大学创新发展中心 一种面向舰船实海航行的性能评估及辅助决策系统及方法
CN117892886A (zh) * 2024-03-18 2024-04-16 青岛哈尔滨工程大学创新发展中心 基于置信区间的船舶运动极短期概率预报方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130135024A (ko) * 2012-05-30 2013-12-10 주식회사 싸이트로닉 항해 또는 계류 중인 선박의 공기역학적 환경 내-외력, 선체 응력, 6자유도운동 및 표류 위치를 실시간 모니터링 및 제어 함을 통한 선박의 연료절감 및 안전운항 방법
KR101556303B1 (ko) * 2014-06-26 2015-10-01 삼성중공업 주식회사 선체 강도 모니터링 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130135024A (ko) * 2012-05-30 2013-12-10 주식회사 싸이트로닉 항해 또는 계류 중인 선박의 공기역학적 환경 내-외력, 선체 응력, 6자유도운동 및 표류 위치를 실시간 모니터링 및 제어 함을 통한 선박의 연료절감 및 안전운항 방법
KR101556303B1 (ko) * 2014-06-26 2015-10-01 삼성중공업 주식회사 선체 강도 모니터링 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KMOF, (2016), "IMO Next-Generation Marine Safety Integrated Management System Development", Korea Ministry of Maritime Affairs and Fisheries, Korean e-Navigation Project Notice No. 2016-01.

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102258257B1 (ko) * 2020-01-14 2021-05-28 한국해양대학교 산학협력단 기계학습기법을 이용한 선박의 횡동요 운동특성 예측 시스템
KR102116917B1 (ko) * 2020-03-05 2020-06-01 사단법인 한국선급 빅데이터와 딥 러닝을 이용한 해기상 및 소요 마력 예측 시스템
KR102386083B1 (ko) * 2020-12-24 2022-04-14 대우조선해양 주식회사 복수의 조종모드별 시운전 결과를 이용한 최적의 단일 조종유체력미계수 역추정 시스템
CN112965484A (zh) * 2021-02-03 2021-06-15 武汉理工大学 变稳船的控制系统和方法
CN112965484B (zh) * 2021-02-03 2022-05-10 武汉理工大学 变稳船的控制系统和方法
KR102654478B1 (ko) * 2023-05-11 2024-04-04 한국해양교통안전공단 딥러닝을 이용한 소형선박의 조업가능상태 및 전복방지 추정 시스템
CN117818850A (zh) * 2024-03-05 2024-04-05 青岛哈尔滨工程大学创新发展中心 一种面向舰船实海航行的性能评估及辅助决策系统及方法
CN117818850B (zh) * 2024-03-05 2024-05-24 青岛哈尔滨工程大学创新发展中心 一种面向舰船实海航行的性能评估及辅助决策系统及方法
CN117892886A (zh) * 2024-03-18 2024-04-16 青岛哈尔滨工程大学创新发展中心 基于置信区间的船舶运动极短期概率预报方法及系统
CN117892886B (zh) * 2024-03-18 2024-05-28 青岛哈尔滨工程大学创新发展中心 基于置信区间的船舶运动极短期概率预报方法及系统

Similar Documents

Publication Publication Date Title
KR102042356B1 (ko) 인공지능을 이용한 선박 운동 성능 예측 방법 및 시스템
Xiao et al. Maritime traffic probabilistic forecasting based on vessels’ waterway patterns and motion behaviors
Petersen et al. A machine-learning approach to predict main energy consumption under realistic operational conditions
Yin et al. A real-time sequential ship roll prediction scheme based on adaptive sliding data window
Laurie et al. Machine learning for shaft power prediction and analysis of fouling related performance deterioration
Abebe et al. Ship trajectory planning for collision avoidance using hybrid ARIMA-LSTM models
Liu et al. Conflict detection method based on dynamic ship domain model for visualization of collision risk Hot-Spots
JP2022511968A (ja) 開放された車両ドアを検出するための分類器のトレーニング
Wang et al. A new approach to predict dynamic mooring tension using LSTM neural network based on responses of floating structure
Kawan et al. Data-driven modeling of ship motion prediction based on support vector regression
Gaidai et al. Cargo vessel coupled deck panel stresses reliability study
Yu et al. A direction-constrained space-time prism-based approach for quantifying possible multi-ship collision risks
Bolbot et al. Automatic traffic scenarios generation for autonomous ships collision avoidance system testing
Liu et al. Online multiple outputs least-squares support vector regression model of ship trajectory prediction based on automatic information system data and selection mechanism
Bassam et al. Artificial neural network based prediction of ship speed under operating conditions for operational optimization
CN116306790B (zh) 一种基于cnn-gru和注意力机制的近海船舶轨迹实时预测方法、系统、设备及介质
Vassalos et al. Real-time flooding risk evaluation for ship-to-ship collisions based on first principles
Gaidai et al. Gaidai multivariate risk assessment method for cargo ship dynamics
Mauro et al. Damage surrogate models for real-time flooding risk assessment of passenger ships
CN115410419B (zh) 一种船舶系泊预警方法、系统、电子设备及存储介质
Cisotto et al. Performance prediction using neural network and confidence intervals: A gas turbine application
Mikulić et al. A review of artificial intelligence applications in ship structures
Fletcher et al. An application of machine learning to shipping emission inventory
Axelsson et al. Neural-network-based classification of commercial ships from multi-influence passive signatures
Han et al. A framework for condition monitoring and risk-based decision support involving a vessel state observer

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant