KR20230040471A - Lng 연료 탱크의 상태 예측 시스템 및 방법 - Google Patents

Lng 연료 탱크의 상태 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20230040471A
KR20230040471A KR1020210123645A KR20210123645A KR20230040471A KR 20230040471 A KR20230040471 A KR 20230040471A KR 1020210123645 A KR1020210123645 A KR 1020210123645A KR 20210123645 A KR20210123645 A KR 20210123645A KR 20230040471 A KR20230040471 A KR 20230040471A
Authority
KR
South Korea
Prior art keywords
lng
information
lng fuel
fuel tank
prediction
Prior art date
Application number
KR1020210123645A
Other languages
English (en)
Inventor
정현수
한상민
Original Assignee
삼성중공업 주식회사
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 삼성중공업 주식회사 filed Critical 삼성중공업 주식회사
Priority to KR1020210123645A priority Critical patent/KR20230040471A/ko
Publication of KR20230040471A publication Critical patent/KR20230040471A/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/30—Monitoring properties or operating parameters of vessels in operation for diagnosing, testing or predicting the integrity or performance of vessels
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B17/00—Vessels parts, details, or accessories, not otherwise provided for
    • B63B17/0027—Tanks for fuel or the like ; Accessories therefor, e.g. tank filler caps
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B25/00—Load-accommodating arrangements, e.g. stowing, trimming; Vessels characterised thereby
    • B63B25/02—Load-accommodating arrangements, e.g. stowing, trimming; Vessels characterised thereby for bulk goods
    • B63B25/08—Load-accommodating arrangements, e.g. stowing, trimming; Vessels characterised thereby for bulk goods fluid
    • B63B25/12—Load-accommodating arrangements, e.g. stowing, trimming; Vessels characterised thereby for bulk goods fluid closed
    • B63B25/16—Load-accommodating arrangements, e.g. stowing, trimming; Vessels characterised thereby for bulk goods fluid closed heat-insulated
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B49/00—Arrangements of nautical instruments or navigational aids
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/10—Monitoring properties or operating parameters of vessels in operation using sensors, e.g. pressure sensors, strain gauges or accelerometers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B79/00—Monitoring properties or operating parameters of vessels in operation
    • B63B79/20—Monitoring properties or operating parameters of vessels in operation using models or simulation, e.g. statistical models or stochastic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Filling Or Discharging Of Gas Storage Vessels (AREA)

Abstract

LNG 연료 탱크의 상태 예측 시스템 및 방법이 개시된다. 상태 예측 시스템은, LNG 연료 추진선에 구비된 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 축적된 LNG 연료의 부피에 대한 예측값을 산출하도록 규정된 예측 모델이 상기 LNG 연료 추진선에 상응하는 관련 선박들의 운항 이력 정보를 이용하여 기계 학습되도록 하는 학습부; 및 기계 학습된 상기 예측 모델을 이용하여, 상기 LNG 연료 추진선의 운항 개시 이전에, 상기 LNG 연료 추진선의 운항 계획, 기상 정보 및 연료 사용 계획에 관한 정보에 상응하도록 설정된 운항 조건에 기반하여, 상기 LNG 연료 추진선의 운항 과정 중 미리 지정된 각 단위 시점별 상기 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 LNG 연료의 부피에 대한 예측 정보를 생성하는 예측부를 포함한다.

Description

LNG 연료 탱크의 상태 예측 시스템 및 방법{Condition prediction system and method of LNG storage tank}
본 발명은 LNG 연료 탱크의 상태 예측 시스템 및 방법에 관한 것이다.
국제해사기구(IMO)의 선박 배출 가스에 대한 규제 강화 및 세계 주요 국가의 배출 가스 규제 강화 구역 확대에 따라, LNG 연료 추진선과 같은 친환경 추진 방법에 대한 기술 수요가 증대되고 있다.
끓는 점이 -160도의 극저온 유체인 LNG를 연료로 하는 LNG 연료 추진선에는 높은 단열 성능을 갖는 LNG 연료 탱크가 설치된다. 그러나, LNG 연료 탱크에는 내부와 외부의 큰 온도 차이로 인해 지속적으로 열이 유입되며, 이로 인해 LNG 연료 탱크에는 증발 가스(Boil Off Gas, BOG)가 발생되어 LNG 연료 탱크 내부의 압력이 증가된다. 이외에도, 증발가스의 발생양은 기상 상태, 선속에 의한 선체 움직임, 운항 지역, 화물 조성비 등에 영향을 받는다.
LNG 연료 탱크 내에 발생된 증발 가스는 구비된 온도, 압력 및 부피 계측 센서에 의해 실시간 계측되고, 소정의 수준 이상으로 발생되면 LNG 연료 탱크의 압력을 적정하게 유지하기 위해 증발 가스는 소각되거나, 추진 또는 보일러 가열을 위한 연료로 이용한다.
LNG 연료 탱크 내에 발생된 증발 가스를 효율적으로 활용함으로써 LNG 연료를 효율적 이용을 도모하기 위해서는, 어느 시점에서 LNG 연료 탱크에 존재하는 LNG와 증발 가스 중에서 어떤 것을 연료로 활용할 것인지에 관한 운항 계획이 효과적으로 수립될 필요가 있다.
그러나, LNG 연료 탱크 내에 발생되는 증발 가스가 어떤 요인에 의해 어느 시점에 어느 수준까지 발생되는지에 관한 정보를 제공받을 수 없어, 현실적으로는 작업자의 경험이나 실시간 계측된 LNG 연료 탱크 내의 압력 정보만을 참조하여 증발 가스를 소각할 것인지 아니면 연료로 활용할 것인지가 결정하고 있다.
이로 인해, LNG 연료 탱크 내에 발생된 많은 양의 증발 가스가 연료로 활용되지 못하고 불필요하게 소각됨으로써 많은 양의 연료가 낭비되는 문제점이 있다.
한국공개특허 제10-2019-0032945호(2019.03.28 공개)
본 발명은 LNG 연료 추진선의 다양한 운항 조건에 상응하도록 LNG 연료 탱크의 상태(즉, 온도, 증발 가스의 압력 및 축적된 LNG 연료의 부피)가 예측되고, 이를 토대로 LNG 연료 탱크 내에 존재하는 LNG 연료 또는 증발가스를 연료로 활용하는 연료 사용 계획을 사전에 설정할 수 있도록 하는 LNG 연료 탱크의 상태 예측 시스템 및 방법을 제공하기 위한 것이다.
본 발명은 LNG 연료 추진선의 운항 조건에 상응하도록 예측된 증발가스 발생량을 고려하여 연료 사용 계획이 수립될 수 있으므로, LNG 연료의 손실을 최소화하는 경제성있는 선박 운항이 가능해지는 LNG 연료 탱크의 상태 예측 시스템 및 방법을 제공하기 위한 것이다.
본 발명의 이외의 목적들은 하기의 설명을 통해 쉽게 이해될 수 있을 것이다.
본 발명의 일 측면에 따르면, LNG 연료 추진선에 구비된 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 축적된 LNG 연료의 부피에 대한 예측값을 산출하도록 규정된 예측 모델이 상기 LNG 연료 추진선에 상응하는 관련 선박들의 운항 이력 정보를 이용하여 기계 학습되도록 하는 학습부; 및 기계 학습된 상기 예측 모델을 이용하여, 상기 LNG 연료 추진선의 운항 개시 이전에, 상기 LNG 연료 추진선의 운항 계획, 기상 정보 및 연료 사용 계획에 관한 정보에 상응하도록 설정된 운항 조건에 기반하여, 상기 LNG 연료 추진선의 운항 과정 중 미리 지정된 각 단위 시점별 상기 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 LNG 연료의 부피에 대한 예측 정보를 생성하는 예측부를 포함하되, 상기 연료 사용 계획은 각 단위 시점별로 LNG 연료, 증발 가스 및 디젤 연료 중 하나 이상에 대한 사용량을 규정한 정보인, LNG 연료 탱크의 상태 예측 시스템이 제공된다.
상기 예측 모델은 운항 모드와 벙커링 모드 각각에 대해 개별적으로 규정되고, 상기 LNG 연료 추진선의 상기 운항 계획에 기반한 운항 구간과 벙커링 구간을 반영하여 상기 예측 정보가 생성될 수 있다.
상기 상태 예측 시스템은, 상기 LNG 연료 추진선이 운항하는 동안 상기 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 축적된 LNG 연료의 부피에 대한 실측 정보를 생성하는 센서 유닛; 및 현재 단위 시점에 대한 LNG 연료 탱크에 대한 실측 정보와 예측 정보를 비교하는 비교부를 더 포함할 수 있다. 여기서, 상기 비교부는, 현재 단위 시점에 대한 LNG 연료 탱크에 대한 실측 정보와 예측 정보간의 차이가 미리 지정된 기준값 이하이면, 상기 예측부가 현재 단위 시점에 대한 실측 정보를 상기 LNG 연료 탱크의 초기 상태값으로 설정하고, 상기 예측 모델을 이용하여 후속하는 각 단위 시점들에 대해 상기 운항 조건에 기반하는 예측 정보를 다시 생성하도록 할 수 있다.
또한, 상기 비교부는, 현재 단위 시점에 대한 LNG 연료 탱크에 대한 실측 정보와 예측 정보간의 차이가 미리 지정된 기준값을 초과하면, 상기 학습부가 상기 LNG 연료 추진선이 운항하는 동안 생성된 운항 이력 정보를 더 포함하여 상기 예측 모델을 다시 기계 학습시키도록 하고, 상기 예측부가 현재 단위 시점에 대한 실측 정보를 상기 LNG 연료 탱크의 초기 상태값으로 설정하며, 다시 기계 학습된 상기 예측 모델을 이용하여 후속하는 각 단위 시점들에 대해 상기 운항 조건에 기반하는 예측 정보를 다시 생성하도록 할 수도 있다.
본 발명의 다른 측면에 따르면, LNG 연료 탱크의 상태 예측 방법을 수행하도록 하기 위해 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터로 하여금 이하의 단계들을 수행하도록 하며, 상기 단계들은, (a) LNG 연료 추진선에 구비된 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 축적된 LNG 연료의 부피에 대한 예측값을 산출하도록 규정된 예측 모델이 상기 LNG 연료 추진선에 상응하는 관련 선박들의 운항 이력 정보를 이용하여 기계 학습되도록 하는 단계; (b) 기계 학습된 상기 예측 모델을 이용하여, 상기 LNG 연료 추진선의 운항 개시 이전에, 상기 LNG 연료 추진선의 운항 계획, 기상 정보 및 연료 사용 계획에 관한 정보에 상응하도록 설정된 운항 조건에 기반하여, 상기 LNG 연료 추진선의 운항 과정 중 미리 지정된 각 단위 시점별 상기 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 LNG 연료의 부피에 대한 예측 정보를 생성하는 단계; (c) 상기 LNG 연료 추진선이 운항하는 중에, 현재 단위 시점에 대한 상기 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 축적된 LNG 연료의 부피에 대한 실측 정보를 생성하는 단계; (d) 현재 단위 시점을 기준하여, LNG 연료 탱크에 대한 실측 정보와 상기 단계 (b)에서 생성된 예측 정보를 비교하는 단계; (e) 현재 단위 시점을 기준한 실측 정보와 예측 정보 간의 차이가 미리 지정된 기준값 이하이면, 상기 실측 정보를 상기 LNG 연료 탱크의 초기 상태값으로 설정하고, 상기 예측 모델을 이용하여 후속하는 각 단위 시점들에 대해 상기 운항 조건에 기반하는 예측 정보를 다시 생성하는 단계; 및 (f) 현재 단위 시점을 기준한 실측 정보와 예측 정보 간의 차이가 미리 지정된 기준값을 초과하면, 상기 LNG 연료 추진선이 운항하는 동안 생성된 운항 이력 정보를 더 포함하여 상기 예측 모델이 다시 기계 학습되도록 하고, 현재 단위 시점에 대한 실측 정보를 상기 LNG 연료 탱크의 초기 상태값으로 설정하며, 다시 기계 학습된 상기 예측 모델을 이용하여 후속하는 각 단위 시점들에 대해 상기 운항 조건에 기반하는 예측 정보를 다시 생성하는 단계를 포함하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램이 제공된다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명의 실시예에 따르면, LNG 연료 추진선의 다양한 운항 조건에 상응하도록 LNG 연료 탱크의 상태가 예측되고, 이를 토대로 LNG 연료 탱크 내에 존재하는 LNG 연료 또는 증발가스를 연료로 활용하는 연료 사용 계획을 사전에 설정할 수 있는 효과가 있다.
또한, LNG 연료 추진선의 운항 조건에 상응하도록 예측된 증발가스 발생량을 고려하여 연료 사용 계획이 수립될 수 있으므로, LNG 연료의 손실을 최소화하는 경제성있는 선박 운항이 가능해지는 효과도 있다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 LNG 연료 탱크의 상태 예측 시스템의 개략적인 블록 구성도.
도 2는 본 발명의 일 실시예에 따른 예측 유닛의 처리 동작을 설명하기 위한 도면.
도 3은 본 발명의 일 실시예에 따른 예측 결과의 표시 화면을 예시한 도면.
도 4는 본 발명의 일 실시예에 따른 연료 사용 계획의 구성예를 나타낸 도면.
도 5는 본 발명의 일 실시예에 따른 예측 정보의 보정 방식을 설명하기 위한 도면.
도 6은 본 발명의 일 실시예에 따른 LNG 연료 탱크의 상태 예측 방법을 나타낸 순서도.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 LNG 연료 탱크의 상태 예측 시스템의 개략적인 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 예측 유닛의 처리 동작을 설명하기 위한 도면이며, 도 3은 본 발명의 일 실시예에 따른 예측 결과의 표시 화면을 예시한 도면이다. 도 4는 본 발명의 일 실시예에 따른 연료 사용 계획의 구성예를 나타낸 도면이고, 도 5는 본 발명의 일 실시예에 따른 예측 정보의 보정 방식을 설명하기 위한 도면이다.
도 1을 참조하면, LNG 연료 탱크의 상태 예측 시스템(100)은 운항조건 설정부(101), 예측 유닛(103), 결과 생성부(105) 및 비교부(107)를 포함할 수 있다.
여기서, 상태 예측 시스템(100)에 포함되는 하나 이상의 구성 요소(예를 들어, 예측 유닛(103) 등)는 지정된 역할을 수행하는 일종의 모듈로 구성될 수 있다. 여기서, 모듈은 소프트웨어 형태로 구현되거나, FPGA(Field Programmable Gate Array) 또는 주문형 반도체(ASIC, Application Specific Integrated Circuit) 등과 같은 하드웨어 구성으로 구현되거나, 이들의 조합으로 구현될 수 있다. 물론, 모듈은 소프트웨어 또는 하드웨어에 한정되지 않고, 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고, 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 구성요소들과 모듈들에서 제공되는 기능은 더 적은 수의 구성요소들 및 모듈들로 결합되거나 추가적인 구성요소들과 모듈들로 더 분리될 수도 있다.
구체적으로, 운항조건 설정부(101)는 사용자 장치(140)로부터 입력되는 운항 계획 및 연료 사용 계획 등에 상응하도록 운항 조건을 설정할 수 있다.
여기서, 운항 계획은 예를 들어, 운항할 기간, 운항할 거리, 운항할 항로, 운항 속도, 벙커링(bunkering) 위치 등을 포함할 수 있다.
또한, 연료 사용 계획은 예를 들어 각각의 단위 운항 구간에서 연료로 소모할 LNG 및 BOG(증발 가스)의 양을 규정한 정보일 수 있다. 예를 들어, 연료 사용 계획은 각 단위 시점 사이의 구간을 항해할 때, LNG 연료 추진선의 연료로서 LNG 저장 탱크 내에 축적된 LNG 연료 또는 증발 가스를 어떤 양으로 이용할 것인지, 아니면 디젤 연료 등 다른 연료를 사용할 것인지, 또한 사용되는 각 연료들의 비율과 사용량 등을 규정한 정보일 수 있다.
또한, 운항조건 설정부(101)는 운항 계획에서 지정된 운항할 기간과 항로를 토대로 수집된 기상 정보를 운항 조건에 더 포함되도록 할 수 있다.
운항 계획, 기상 정보 및 연료 사용 계획 등에 상응하도록 설정된 운항 조건은 미리 기계 학습된 예측 모델을 이용하여 미래의 각 시점에서 LNG 연료 탱크의 상태를 예측하기 위해 활용될 수 있다.
사용자 장치(140)는 상태 예측 시스템(100)과 유선 또는 무선 연결되는 사용자 단말이거나, 상태 예측 시스템(100)에 구비되는 입력 장치일 수 있다.
사용자는 연료 사용 계획으로서, 항해하는 전 구간에서 LNG 연료만을 사용할 것인지(도 4의 (a) 참조), 일부 구간에서는 LNG 연료와 증발 가스(BOG)를 함께 사용할 것인지(도 4의 (b) 참조), 일부 구간에서는 디젤 연료를 사용할 것인지(도 4의 (c) 참조) 등으로 다양하게 설정될 수 있다.
사용자가 설정한 다양한 연료 사용 계획에 따라 후술될 예측 모델을 이용하여 미래 각 시점의 LNG 연료 탱크의 상태들이 각각 예측되고, 사용자는 다양하게 예측된 LNG 연료 탱크의 상태를 참조하여, 가장 최적인 연료 사용 계획을 선택함으로써 LNG 연료 추진선의 경제성있는 운항이 가능하도록 하는 특징이 있다.
이때, 사용자는 LNG 연료 추진선이 목적지에 도착했을 때, LNG 연료 탱크 내에 축적된 LNG 연료의 양과 증발 가스에 의한 LNG 연료 탱크 내부의 압력이 미리 지정된 허용 범위에 존재하도록 예측 모델에 의해 예측되는 전제 조건하에서, LNG 연료와 증발 가스 등을 연료로 하는 연료 사용 계획을 수립하도록 미리 지정될 수 있다.
예측 유닛(103)은 수집부(210), 학습부(220) 및 예측부(230)를 포함할 수 있다.
수집부(210)는 도 2에 예시된 바와 같이, 후술될 예측 모델을 이용하여 미래 각 단위 시점의 LNG 연료 탱크의 상태가 예측될 LNG 연료 추진선과 유사하거나 동종인 선박(이하, '관련 선박'이라 칭함)들의 운항 이력 정보를 수집한다. 관련 선박들의 운항 이력 정보는 데이터베이스(120)에 저장되어, 후술될 예측 모델의 기계 학습을 위해 이용될 수 있다.
수집부(210)가 수집하는 운항 이력 정보는 관련 선박들의 과거 운항시 생성된 정보로서, 예를 들어 외부 환경 정보, 운전 상황 정보, 연료 탱크 정보 및 선체 움직임 정보 등을 포함할 수 있다.
외부 환경 정보에는 예를 들어, 관련 선박이 운항한 각 시점에서의 대기 온도, 풍속, 풍량, 파고 등에 대한 정보가 포함될 수 있다.
운전 상황 정보에는 예를 들어, 관련 선박이 운항한 각 시점에서의 선속, 메인 엔진 부하, 전동기 부하, 메인 엔진의 LNG 연료 공급유량(fuel gas mass flowrate), 발전용 엔진의 LNG 연료 공급 유량, 보일러의 LNG 연료 공급 유량 등을 포함할 수 있다.
연료 탱크 정보에는 예를 들어, 관련 선박이 운항한 각 시점에서의 LNG 연료 탱크 내의 온도, 증발 가스 압력 및 축적된 LNG 연료의 부피 또는 높이(level)에 대한 센싱 정보를 포함할 수 있다. 연료 탱크 정보는 관련 선박의 LNG 연료 탱크에 구비된 센서 유닛에 포함된 센서들에 의해 각각 센싱된 것일 수 있다.
선체 움직임 정보에는 예를 들어, 관련 선박이 운항하는 동안 생성된 3차원의 각 축에 대한 가속도계 범위에 대한 정보(즉, Accelerometer range x-axis, Accelerometer range y-axis 및 Accelerometer range z-axis), 3차원의 각 축에 대한 자이로 동적 범위에 대한 정보(즉, Gyro dynamic range x-axis, Gyro dynamic range y-axis 및 Gyro dynamic range z-axis) 등이 포함될 수 있다.
수집부(210)에서 수집된 관련 선박들의 운항 이력 정보는 학습부(220)의 예측 모델에 대한 데이터 학습을 위해 미리 지정된 규칙에 따른 원시 데이터로 갱신될 수도 있다.
학습부(220)는 수집부(210)에서 시계열적으로 수집한 관련 선박들의 운항 이력 정보를 이용하여 미리 규정된 예측 모델이 기계 학습되도록 한다.
예측 모델은 관련 선박들의 운항 이력 정보를 이용하여 기계 학습되고, 운항조건 설정부(101)에서 설정된 운항 조건에 따른 미리 지정된 단위 시점별 LNG 연료 탱크 내의 온도, 증발 가스 압력 및 축적된 LNG 연료의 부피에 대한 예측값을 산출하도록 미리 규정될 수 있다.
예측 모델은 예를 들어 완전 합성곱 신경망(Fully Convolutional Neural network), 합성곱 신경망(Convolutional Neural Network), 순환 신경망(Recurrent Neural Network), 제한 볼츠만 머신(Restricted Boltzmann Machine), 심층 신뢰 신경망(Deep Belief neural Network), 심층 인공 신경망(deep artificial neural network) 등의 딥러닝 기반의 모델 중 하나 이상으로 생성될 수 있다. 물론, 딥러닝 기법 이외의 머신 러닝 기법으로 구현되거나, 딥러닝 기법과 머신 러닝 기법이 결합된 하이브리드 형태의 모델로 생성될 수도 있다.
또한, 인식 모델을 학습하는 방법도 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등으로 다양할 수 있다.
여기서, 예측 모델은 예를 들어, 증발 가스 압력을 예측하기 위한 예측 모델(P-model), 저장 탱크 내부의 온도를 예측하기 위한 예측 모델(T-model) 및 저장 탱크에 저장된 LNG의 부피를 예측하기 위한 예측 모델(V-model)로 개별 구현될 수 있다.
또한, 예측 모델은 LNG 연료 추진선의 운전 모드들, 즉 일반적인 항해 모드인 '운항 모드'와 LNG 연료 탱크에 LNG 연료를 주입하는 '벙커링 모드'에 대해 개별 구현될 수 있다.
운항 모드인 경우, LNG 연료와 증발 가스의 유출입 유량이 상대적으로 적으므로 LNG 연료 탱크 내의 압력, 온도 및 부피의 변화 속도가 상대적으로 느린 특징이 있다. 이에 비해, 벙커링 모드인 경우에는, LNG 연료와 증발 가스의 유출입 유량이 상대적으로 큰 특징이 있다. 따라서, LNG 연료 탱크의 상태 예측을 위한 예측 모델은 운항 모드와 벙커링 모드에 대해 개별 구현될 수 있다.
또한, 운항 모드와 벙커링 모드 각각의 예측 모델을 기계 학습하고 또한 예측 모델을 이용하여 예측 정보를 생성하기 위해 계측 데이터를 누적 적용하는 단위 시점의 시간 간격도 상이하게 미리 설정될 수 있다.
구체적으로, 변화 속도가 상대적으로 느린 운항 모드에서 각 단위 시점의 시간 간격은 예를 들어 1시간으로 지정되고, 1시간 동안의 운항 이력 정보의 평균값을 이용하여 예측 모델의 학습 및 예측 정보의 생성이 이루어지도록 설정될 수 있다. 이에 비해, 변화 속도가 상대적으로 빠른 벙커링 모드에서는 각 단위 시점의 시간 간격이 예를 들어 5분으로 지정되어 5분 동안의 운항 이력 정보의 평균값을 이용하여 예측 모델의 학습 및 예측 정보의 생성이 이루어지도록 설정될 수 있다.
LNG 연료 추진선에 대한 운항 조건(예를 들어, 운항 계획, 기상 정보 및 연료 사용 계획 등)이 설정되면, 학습부(220)에서 기계 학습된 예측 모델을 이용하여 해당 LNG 연료 추진선이 이후 운항하게될 과정의 각 단위 시점별로 LNG 연료 탱크 내의 온도, 압력 및 부피에 대한 예측 정보가 생성될 수 있다.
즉, 도 5의 (a)에 도시된 바와 같이, LNG 연료 추진선의 출항 이전에 출발지(S)로부터 목적지(F)까지의 운항 조건이 설정되면, 예측부(230)는 출발지부터 목적지까지의 운항 경로에서 미리 지정된 각 단위 시점(즉, 도 5의 (a)에 1, 2 등으로 예시된 각 시점)에서의 LNG 연료 탱크에 대한 예측 정보를 생성할 수 있다.
이때, 각 단위 시점에서 LNG 연료 추진선이 운항하는 상태인지 벙커링 상태인지에 따라 상응하는 예측 모델이 선택될 수 있으며, 상응하는 예측 모델을 이용하여 예측 정보가 생성되는 단위 시점들의 시간 간격은 운항 상태와 벙커링 상태에서 서로 상이하게 설정될 수 있다.
또한, 예측부(230)는 각 단위 시점에서의 LNG 연료 탱크에 대한 예측 정보를 생성함에 있어, 예를 들어, LNG 연료 탱크 내의 온도, 압력 및 부피의 각 값에 대한 변화량을 예측하여 예측 정보를 생성하도록 구현될 수 있다. 예측부(230)가 각 단위 시점에 대해 생성한 예측 정보는 데이터베이스(120)에 저장될 수 있다.
즉, 항해 개시 이전에서 LNG 연료 탱크 내의 초기 온도값, 초기 압력값 및 초기 LNG 부피값에 대한 정보와, 출발지(S)로부터 첫번째 단위 시점까지 설정된 운항 조건을 기반으로, 예측부(230)는 예측 모델을 이용하여 첫번째 단위 시점까지 운항했을 때의 LNG 연료 탱크 내의 온도, 압력 및 LNG 부피에 대한 변화량을 예측할 수 있다. 여기서, LNG 연료 탱크 내의 초기 온도값, 초기 압력값 및 초기 LNG 부피값에 대한 정보는 센서 유닛(130)에 포함된 각 센서에서 센싱되어 수집될 수 있다.
예측부(230)는 LNG 연료 탱크 내의 초기 온도값, 초기 압력값 및 초기 LNG 부피값과 첫번째 단위 시점까지의 운항했을 때의 LNG 연료 탱크 내의 온도, 압력 및 LNG 부피에 대해 예측된 변화량을 이용하여, 첫번째 단위 시점에 대한 LNG 연료 탱크의 온도값, 압력값 및 LNG 부피값이 예측될 수 있다.
이와 같이, 예측된 첫번째 단위 시점에 대한 LNG 연료 탱크의 온도값, 압력값 및 LNG 부피값은 첫번째 단위 시점부터 두번째 단위 시점까지의 운항에 고려될 LNG 연료 탱크 내의 초기 온도값, 초기 압력값 및 초기 LNG 부피값으로 이용될 수 있다. 즉, 예측된 첫번째 단위 시점에 대한 LNG 연료 탱크의 온도값, 압력값 및 LNG 부피값과, 첫번째 단위 시점부터 두번째 단위 시점까지 설정된 운항 조건을 기반으로, 예측부(230)는 예측 모델을 이용하여 두번째 단위 시점까지의 항해시 LNG 연료 탱크 내의 온도, 압력 및 LNG 부피에 대한 변화량을 예측할 수 있고, 이를 이용하여 두번째 단위 시점에 대한 LNG 연료 탱크의 온도값, 압력값 및 LNG 부피값을 예측할 수 있다.
각 단위 시점들에 대해 전술한 과정을 반복함으로써, 예측부(230)는 출발지(S)로부터 목적지(F)까지 각 단위 시점에서의 LNG 연료 탱크에 대한 예측 정보를 생성할 수 있다. 이와 같은 LNG 연료 탱크의 각 단위 시점별 상태 변화량 및 각 단위 시점에서의 예측 정보를 생성하는 기법은 하기 수학식 1과 같이 간략 표현될 수 있다.
Figure pat00001
여기서, ΔSt는 t번째 단위 시점부터 t+1번째 단위 시점까지의 LNG 연료 추진선의 운항에 따른 LNG 연료 탱크의 상태 변화량(즉, 압력, 온도 및 부피 각각의 변화량)이고, f는 기계 학습된 예측 모델의 변화량 예측 함수이며, Pt는 t번째 단위 시점에서 LNG 연료 탱크의 압력값이다. Tt는 t번째 단위 시점에서 LNG 연료 탱크의 온도값이고, Ft는 t번째 단위 시점에서 LNG 연료 탱크의 부피값이며, Ot는 t번째 단위 시점부터 t+1번째 단위 시점까지의 LNG 연료 추진선의 운항 조건에 따른 LNG 연료 탱크의 LNG 연료 및 증발 가스의 유출입량이며, St은 t번째 단위 시점에서 LNG 연료 탱크의 초기 상태값으로서, ΔSt과 합산되어 St은 t+1번째 단위 시점에서 LNG 연료 탱크의 압력/온도/부피에 대한 상태값(St+1)이 산출될 수 있다.
결과 생성부(105)는 설정된 운항 조건에 상응하도록 예측 유닛(103)에서 예측된 LNG 연료 탱크의 상태를 표시하는 예측 화면(310, 도 3 참조)을 생성한다.
예측 화면(310)은 예를 들어 LNG 연료의 성분 조성, LNG 연료 탱크의 제원 정보. 운항 개시 이전에 센싱된 LNG 연료 탱크의 초기 상태값과 설정된 운항 조건 등이 표시되는 입력 영역(312)와, 예측 유닛(103)에 의해 예측된 예측 정보 등이 표시되는 출력 영역(314)을 포함하도록 구성될 수 있다.
사용자는 입력 영역(312)을 이용하여, 운항 조건인 연료 사용 계획을 지정할 수 있다. 즉, 사용자는 도 4에 예시된 바와 같이, 연료 사용 계획은 각 단위 시점에 대응하여 LNG 연료만의 단독 사용, LNG 연료와 증발 가스의 병행 사용, 일부 구간에서의 디젤 연료 사용 등으로 다양하게 설정할 수 있으며, 각각의 연료 사용 계획에 상응하도록 출력 영역(314)에 표시되는 예측 정보를 참조하여 최적의 연료 사용 계획을 선택할 수 있다.
출력 영역(314)은 예측 유닛(103)에 의해 예측된 예측 정보가 LNG 연료 추진선이 항해하는 전체 경로에 상응하는 예측 정보가 그래프와 텍스트 형태로 종합 정리되어 표시되도록 구성될 수 있으며, 사용자가 특정 시점에서의 LNG 연료 탱크에 대한 예측 정보를 상세히 열람할 수 있도록 특정 일자나 단위 시점을 선택할 수 있도록 구성될 수도 있다.
이외에도, LNG 연료 추진선에 대한 운항 조건을 설정하고, 설정된 운항 조건에 상응하는 예측 정보가 표시되도록 하는 예측 화면의 구성 방식은 다양할 수 있다.
비교부(107)는 LNG 연료 추진선의 항해 개시 이전에 예측 유닛(103)에 의해 각 단위 시점에 대해 예측된 LNG 연료 탱크의 상태에 관한 예측 정보와 LNG 연료 추진선이 항해 개시되어 현재의 단위 시점에서 센서 유닛(130)에 의해 측정된 LNG 연료 탱크에 관한 실측 정보를 비교하여, 예측 정보와 실측 정보 사이의 차이값의 크기 정도에 상응하여 예측 정보가 보정되도록 한다(도 5 참조).
비교부(107)는 예측 정보와 실측 정보간이 차이가 미리 지정된 기준값 이하인지 여부에 따라 예측 정보에 대한 보정 방식을 상이하게 적용할 수 있다.
예를 들어, 직전의 단위 시점에서 LNG 연료 탱크의 압력값이 2.0[barg]이고, 1시간이 경과된 현재의 단위 시점에 대해 예측 정보에 포함된 압력값은 2.12[barg]이며, 차이에 대한 기준값이 10%로 지정된 경우, 현재의 단위 시점에서 센서 유닛(130)에 의해 측정된 실측 정보에 포함된 압력값이 2.1[barg]라면 비교부(107)는 기준값 이내의 오차값이 발생된 것으로 판단할 수 있다.
이 경우, 비교부(107)는 예측 유닛(103)이 현재의 단위 시점에 대한 초기 압력값을 예측 정보에 포함된 2.12[barg]가 아닌 실측 정보인 2.1[barg]로 설정하고 미리 설정된 운항 조건에 따라, 후속하는 단위 시점들 각각에 대한 예측 정보를 다시 생성하도록 지시한다.
다른 예로서, 직전의 단위 시점에서 LNG 연료 탱크의 압력값이 2.0[barg]이고, 1시간이 경과된 현재의 단위 시점에 대해 예측 정보에 포함된 압력값은 2.12[barg]이며, 차이에 대한 기준값이 10%로 지정된 경우, 현재의 단위 시점에서 센서 유닛(130)에 의해 측정된 실측 정보에 포함된 압력값이 2.4[barg]라면, 비교부(107)는 기준값을 초과하는 오차값이 발생된 것으로 판단할 수 있다.
이 경우, 비교부(107)는 예측 유닛(103)이 해당 LNG 연료 추진선의 운항 과정에서 발생된 운항 이력 정보까지 포함하여 예측 모델이 다시 기계 학습되도록 한 후, 다시 기계 학습된 예측 모델에 현재의 단위 시점에 대한 초기 압력값을 실측 정보인 2.4[barg]로 설정하고 미리 설정된 운항 조건에 따라, 후속하는 단위 시점들 각각에 대한 예측 정보를 다시 생성하도록 지시한다.
이를 통해, LNG 연료 추진선의 항해 개시 이전에 예측된 예측 정보와 항해 개시 이후 실측되는 실측 정보를 비교하여 예측 정보 및/또는 예측 모델을 갱신함으로써, LNG 연료 추진선의 실제 항해 상황에 맞춰 LNG 연료 탱크의 상태가 정확히 예측될 수 있다.
도 6은 본 발명의 일 실시예에 따른 LNG 연료 탱크의 상태 예측 방법을 나타낸 순서도이다.
도 6을 참조하면, 단계 610에서, LNG 연료 탱크의 상태 예측 시스템(100)은 미래 각 단위 시점의 LNG 연료 탱크의 상태가 예측될 LNG 연료 추진선과 유사하거나 동종인 관련 선박들의 운항 이력 정보를 이용하여 미리 규정된 예측 모델을 기계 학습한다.
관련 선박들의 과거 운항시 생성한 정보인 운항 이력 정보에는 예를 들어 외부 환경 정보, 운전 상황 정보, 연료 탱크 정보 및 선체 움직임 정보 등이 포함될 수 있다.
예측 모델은 관련 선박들의 운항 이력 정보를 이용하여 기계 학습되고, 미리 지정된 단위 시점별 LNG 연료 탱크 내의 온도, 증발 가스 압력 및 축적된 LNG 연료의 부피에 대한 예측값을 LNG 연료 추진선에 대해 설정된 운항 조건에 따라 산출하도록 미리 규정될 수 있다.
또한, 예측 모델은 LNG 연료 추진선의 운전 모드들인 운항 모드와 벙커링 모드 각각에 대해 개별적으로 구현되어 기계 학습될 수 있으며, 운항 모드와 벙커링 모드에서 예측 정보를 생성하기 위한 단위 시점의 시간 간격은 서로 상이하게 설정되어 학습될 수 있다.
단계 615에서, 상태 예측 시스템(100)은 사용자 장치(140)로부터 운항 계획 및 연료 사용 계획에 관한 정보를 입력받아 운항 조건을 설정한다.
여기서, 운항 계획은 예를 들어, 운항할 기간, 운항할 거리, 운항할 항로, 운항 속도 등을 포함할 수 있다. 또한, 연료 사용 계획은 예를 들어 각각의 단위 운항 구간에서 연료로 소모할 LNG 및 BOG(증발 가스)의 양을 규정한 정보일 수 있다(도 4 참조).
상태 예측 시스템(100)은 운항 조건을 설정함에 있어, 운항 계획에서 지정된 운항 기간과 항로를 토대로 수집한 기상 정보를 더 포함하도록 할 수 있다.
단계 620에서, 상태 예측 시스템(100)은 관련 선박들의 운항 이력 정보를 이용하여 기계 학습된 예측 모델을 이용하여, LNG 연료 추진선이 운항하는 과정에서의 미리 지정된 지정된 단위 시점별 LNG 연료 탱크 내의 온도, 증발 가스 압력 및 축적된 LNG 연료의 부피에 대한 예측 정보를 운항 조건에 상응하도록 생성한다.
단계 625에서, 상태 예측 시스템(100)은 예측 정보를 생성하기 위해 설정된 운항 조건의 연료 사용 계획이 조정되는지 여부를 판단한다.
만일 사용자가 연료 사용 계획을 조정하기를 희망하는 경우, 상태 예측 시스템(100)은 단계 630에서 조정된 연료 사용 계획을 입력받아, 단계 620에서 조정된 연료 사용 계획에 상응하는 운항 조건을 적용하여 미리 지정된 지정된 단위 시점별 LNG 연료 탱크 내의 온도, 증발 가스 압력 및 축적된 LNG 연료의 부피에 대한 예측 정보를 생성한다.
이와 같이, 단계 620 내지 630이 반복적으로 수행될 수 있으므로, 사용자는 다양한 연료 사용 계획에 대해 예측 모델에 의해 미래 각 시점의 LNG 연료 탱크의 상태가 예측되도록 할 수 있다. 이를 통해, 사용자는 다양한 연료 사용 계획에 의해 각각 예측된 LNG 연료 탱크의 상태를 참조하여 최적의 연료 사용 계획을 선택함으로써 LNG 연료 추진선의 경제성있는 운항이 가능하도록 할 수 있다.
이때, 사용자는 LNG 연료 추진선이 목적지(F)에 도착했을 때, LNG 연료 탱크 내에 축적된 LNG 연료의 양과 증발 가스에 의한 LNG 연료 탱크 내부의 압력이 미리 지정된 허용 범위에 존재하도록 예측 모델에 의해 예측되는 전제 조건하에서, LNG 연료와 증발 가스를 연료로 하는 연료 사용 계획을 선택할 수 있을 것이다.
그러나 만일 연료 사용 계획 조정이 없으면, 단계 635로 진행한다.
단계 635에서, 상태 예측 시스템(100)은 센서 유닛(130)에서 수신되는 센싱 정보를 이용하여 LNG 연료 추진선이 운항 개시하였는지 여부를 판단한다.
센서 유닛(130)에는 예를 들어 LNG 연료 탱크 내부의 온도, 증발 가스의 압력 및 LNG 연료의 부피를 각각 측정하기 위한 센서뿐 아니라, 메인 엔진의 구동 여부 등을 센싱하여 LNG 연료 추진선의 운항 여부를 인식하기 위한 센서가 더 포함될 수 있다.
LNG 연료 추진선의 운항이 개시되지 않았다면 단계 625로 다시 진행한다. 그러나, LNG 연료 추진선의 운항이 개시되었다면 단계 640으로 진행한다.
단계 640에서, 상태 예측 시스템(100)은 항해가 진행 중인 현재 단위 시점에서 센서 유닛(130)에서 측정된 LNG 연료 추진선의 LNG 연료 탱크 내의 온도, 증발 가스 압력 및 LNG 연료 부피에 대한 실측 정보와, LNG 연료 추진선의 항해 개시 이전에 항해 과정의 각 단위 시점에 대해 예측된 LNG 연료 탱크의 상태에 관한 예측 정보를 비교하여, 예측 정보와 실측 정보 사이의 차이값의 크기가 미리 지정된 기준값을 초과하는지 여부를 판단한다.
만일 기준값 이상의 차이가 존재하면, 단계 645에서, 상태 예측 시스템(100)은 해당 LNG 연료 추진선의 운항 과정에서 발생된 운항 이력 정보까지 포함하여 예측 모델이 다시 기계 학습되도록 한다. 이후, 상태 예측 시스템(100)은 다시 기계 학습된 예측 모델에 현재의 단위 시점에 대한 LNG 연료 탱크의 초기 상태값(즉, 온도값, 압력값 및 부피값)을 실측 정보로 각각 설정하고 단계 615에서 설정된 운항 조건에 따라, 후속하는 단위 시점들 각각에 대한 예측 정보를 다시 생성한다.
그러나 만일, 기준값 이하의 차이가 존재하면, 단계 650에서, 상태 예측 시스템(100)은 현재 단위 시점에 대한 초기 상태값을 실측 정보로 각각 설정하고 단계 615에서 설정된 운항 조건에 따라, 후속하는 단위 시점들 각각에 대한 예측 정보를 다시 생성한다.
사용자는 LNG 연료 추진선의 운항 과정에서 다시 생성되는 LNG 연료 탱크에 대한 예측 정보를 참조하여, 단계 615에서 설정한 연료 사용 계획을 다시 조정할 수도 있으며, 이를 통해 경제성있는 LNG 연료 추진선의 운항이 가능하도록 할 수 있다.
이와 같이, 본 실시예에 따른 LNG 연료 탱크의 상태 예측 시스템 및 방법은 LNG 연료 추진선의 운항 개시 이전에 다양한 연료 사용 계획을 적용하여 LNG 연료 추진선의 운항 과정의 각 단위 시점에서의 LNG 연료 탱크의 상태를 예측함으로써 최적의 연료 사용 계획의 선택이 가능하도록 하는 장점이 있다.
또한, LNG 연료 추진선이 목적지까지 실제로 운항하는 도중에 LNG 연료 탱크에 대해 계측된 실측 정보와 LNG 연료 추진선의 운항 개시 이전에 예측된 예측 정보와 비교하여 예측 모델 및/또는 예측 정보를 지속적으로 재생성함으로써, LNG 연료 추진선이 운행하는 동안에도 연료 사용 계획을 조정할 수 있도록 하여 경제성있는 LNG 연료 추진선의 운항이 가능해지도록 하는 장점도 있다.
상기에서는 본 발명의 실시예를 참조하여 설명하였지만, 해당 기술 분야에서 통상의 지식을 가진 자라면 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100 : 상태 예측 시스템 101 : 운항조건 설정부
103 : 예측 유닛 105 : 결과 생성부
107 : 비교부 120 : 데이터베이스
130 : 센서 유닛 140 : 사용자 장치
210 : 수집부 220 : 학습부
230 : 예측부 310 : 예측 화면
312 : 입력 영역 314 : 출력 영역

Claims (5)

  1. LNG 연료 추진선에 구비된 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 축적된 LNG 연료의 부피에 대한 예측값을 산출하도록 규정된 예측 모델이 상기 LNG 연료 추진선에 상응하는 관련 선박들의 운항 이력 정보를 이용하여 기계 학습되도록 하는 학습부; 및
    기계 학습된 상기 예측 모델을 이용하여, 상기 LNG 연료 추진선의 운항 개시 이전에, 상기 LNG 연료 추진선의 운항 계획, 기상 정보 및 연료 사용 계획에 관한 정보에 상응하도록 설정된 운항 조건에 기반하여, 상기 LNG 연료 추진선의 운항 과정 중 미리 지정된 각 단위 시점별 상기 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 LNG 연료의 부피에 대한 예측 정보를 생성하는 예측부를 포함하되,
    상기 연료 사용 계획은 각 단위 시점별로 LNG 연료, 증발 가스 및 디젤 연료 중 하나 이상에 대한 사용량을 규정한 정보인, LNG 연료 탱크의 상태 예측 시스템.
  2. 제1항에 있어서,
    상기 예측 모델은 운항 모드와 벙커링 모드 각각에 대해 개별적으로 규정되고, 상기 LNG 연료 추진선의 상기 운항 계획에 기반한 운항 구간과 벙커링 구간을 반영하여 상기 예측 정보가 생성되는, LNG 연료 탱크의 상태 예측 시스템.
  3. 제1항에 있어서,
    상기 LNG 연료 추진선이 운항하는 동안 상기 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 축적된 LNG 연료의 부피에 대한 실측 정보를 생성하는 센서 유닛; 및
    현재 단위 시점에 대한 LNG 연료 탱크에 대한 실측 정보와 예측 정보를 비교하는 비교부를 더 포함하되,
    상기 비교부는,
    현재 단위 시점에 대한 LNG 연료 탱크에 대한 실측 정보와 예측 정보간의 차이가 미리 지정된 기준값 이하이면, 상기 예측부가 현재 단위 시점에 대한 실측 정보를 상기 LNG 연료 탱크의 초기 상태값으로 설정하고, 상기 예측 모델을 이용하여 후속하는 각 단위 시점들에 대해 상기 운항 조건에 기반하는 예측 정보를 다시 생성하도록 하는, LNG 연료 탱크의 상태 예측 시스템.
  4. 제3항에 있어서,
    상기 비교부는,
    현재 단위 시점에 대한 LNG 연료 탱크에 대한 실측 정보와 예측 정보간의 차이가 미리 지정된 기준값을 초과하면, 상기 학습부가 상기 LNG 연료 추진선이 운항하는 동안 생성된 운항 이력 정보를 더 포함하여 상기 예측 모델을 다시 기계 학습시키도록 하고, 상기 예측부가 현재 단위 시점에 대한 실측 정보를 상기 LNG 연료 탱크의 초기 상태값으로 설정하며, 다시 기계 학습된 상기 예측 모델을 이용하여 후속하는 각 단위 시점들에 대해 상기 운항 조건에 기반하는 예측 정보를 다시 생성하도록 하는, LNG 연료 탱크의 상태 예측 시스템.
  5. LNG 연료 탱크의 상태 예측 방법을 수행하도록 하기 위해 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터로 하여금 이하의 단계들을 수행하도록 하며, 상기 단계들은,
    (a) LNG 연료 추진선에 구비된 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 축적된 LNG 연료의 부피에 대한 예측값을 산출하도록 규정된 예측 모델이 상기 LNG 연료 추진선에 상응하는 관련 선박들의 운항 이력 정보를 이용하여 기계 학습되도록 하는 단계;
    (b) 기계 학습된 상기 예측 모델을 이용하여, 상기 LNG 연료 추진선의 운항 개시 이전에, 상기 LNG 연료 추진선의 운항 계획, 기상 정보 및 연료 사용 계획에 관한 정보에 상응하도록 설정된 운항 조건에 기반하여, 상기 LNG 연료 추진선의 운항 과정 중 미리 지정된 각 단위 시점별 상기 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 LNG 연료의 부피에 대한 예측 정보를 생성하는 단계;
    (c) 상기 LNG 연료 추진선이 운항하는 중에, 현재 단위 시점에 대한 상기 LNG 연료 탱크 내의 온도, 증발 가스의 압력 및 축적된 LNG 연료의 부피에 대한 실측 정보를 생성하는 단계;
    (d) 현재 단위 시점을 기준하여, LNG 연료 탱크에 대한 실측 정보와 상기 단계 (b)에서 생성된 예측 정보를 비교하는 단계;
    (e) 현재 단위 시점을 기준한 실측 정보와 예측 정보 간의 차이가 미리 지정된 기준값 이하이면, 상기 실측 정보를 상기 LNG 연료 탱크의 초기 상태값으로 설정하고, 상기 예측 모델을 이용하여 후속하는 각 단위 시점들에 대해 상기 운항 조건에 기반하는 예측 정보를 다시 생성하는 단계; 및
    (f) 현재 단위 시점을 기준한 실측 정보와 예측 정보 간의 차이가 미리 지정된 기준값을 초과하면, 상기 LNG 연료 추진선이 운항하는 동안 생성된 운항 이력 정보를 더 포함하여 상기 예측 모델이 다시 기계 학습되도록 하고, 현재 단위 시점에 대한 실측 정보를 상기 LNG 연료 탱크의 초기 상태값으로 설정하며, 다시 기계 학습된 상기 예측 모델을 이용하여 후속하는 각 단위 시점들에 대해 상기 운항 조건에 기반하는 예측 정보를 다시 생성하는 단계를 포함하는, 컴퓨터-판독 가능 매체에 저장된 컴퓨터 프로그램.
KR1020210123645A 2021-09-16 2021-09-16 Lng 연료 탱크의 상태 예측 시스템 및 방법 KR20230040471A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210123645A KR20230040471A (ko) 2021-09-16 2021-09-16 Lng 연료 탱크의 상태 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210123645A KR20230040471A (ko) 2021-09-16 2021-09-16 Lng 연료 탱크의 상태 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20230040471A true KR20230040471A (ko) 2023-03-23

Family

ID=85799394

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210123645A KR20230040471A (ko) 2021-09-16 2021-09-16 Lng 연료 탱크의 상태 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20230040471A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116705184A (zh) * 2023-05-29 2023-09-05 上海海德利森科技有限公司 一种液氢蒸发损耗量预测方法、装置、设备及介质
CN117235903A (zh) * 2023-11-14 2023-12-15 中海油能源发展股份有限公司采油服务分公司 一种lng船自然蒸发bog预测方法及系统
CN117726184A (zh) * 2024-02-18 2024-03-19 交通运输部水运科学研究所 基于北斗船舶通过枢纽安全预警数据采集处理方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190032945A (ko) 2017-09-20 2019-03-28 삼성중공업 주식회사 저장탱크 모니터링 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190032945A (ko) 2017-09-20 2019-03-28 삼성중공업 주식회사 저장탱크 모니터링 장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116705184A (zh) * 2023-05-29 2023-09-05 上海海德利森科技有限公司 一种液氢蒸发损耗量预测方法、装置、设备及介质
CN116705184B (zh) * 2023-05-29 2024-04-05 上海海德利森科技有限公司 一种液氢蒸发损耗量预测方法、装置、设备及介质
CN117235903A (zh) * 2023-11-14 2023-12-15 中海油能源发展股份有限公司采油服务分公司 一种lng船自然蒸发bog预测方法及系统
CN117235903B (zh) * 2023-11-14 2024-01-26 中海油能源发展股份有限公司采油服务分公司 一种lng船自然蒸发bog预测方法及系统
CN117726184A (zh) * 2024-02-18 2024-03-19 交通运输部水运科学研究所 基于北斗船舶通过枢纽安全预警数据采集处理方法及系统

Similar Documents

Publication Publication Date Title
KR20230040471A (ko) Lng 연료 탱크의 상태 예측 시스템 및 방법
JP4487745B2 (ja) センサ応答特性検出装置
US11654915B2 (en) Method of generating vehicle control data, vehicle control device, and vehicle control system
JP5087140B2 (ja) 制御装置
US10221744B2 (en) Method for regenerating a particle filter during the operation of an internal combustion engine
Mannarini et al. VISIR-I: small vessels–least-time nautical routes using wave forecasts
CN107690550B (zh) 用于优化机动车低温压力罐重新填充的可达填充度的方法
JP2019190306A (ja) 未燃燃料量の機械学習装置
AU2020218818A1 (en) Method and system for reducing vessel fuel consumption
JP4440132B2 (ja) 燃料レベルセンサの故障診断装置
Beatrice et al. Model based optimal management of a hybrid propulsion system for leisure boats
US10352751B2 (en) Control apparatus for detecting a variation of a fluid level in a tank
CN115410419B (zh) 一种船舶系泊预警方法、系统、电子设备及存储介质
JP4840483B2 (ja) 制御目標演算装置
KR20160063593A (ko) 선박 운항 제어 방법, 이를 수행하는 선박 운항 제어 장치 및 이를 저장하는 기록매체
JP4541173B2 (ja) 燃料レベルセンサの故障診断装置
CN116222574A (zh) 基于十字象限法的自主航行方法及系统
CN113548059B (zh) 车辆控制装置、车辆控制方法及车辆控制用计算机程序
JP2004270604A (ja) バイフューエルエンジン搭載車両
KR20220023231A (ko) 액화천연가스 운반선의 에너지 손실량 예측 시스템 및 방법
Karystinos Nonlinear model predictive control of a hybrid diesel-electric marine propulsion plant
Sawulski et al. Real-time optimisation of control strategy for a low fuel consumption vehicle engine using STM32 microcontroller: preliminary results
Mahmoodi et al. A CFD investigation of the propulsion performance of a low-speed VLCC tanker at different initial trim angles
JP2016051196A (ja) プラント制御装置
Kuchly et al. Predictive energy management of a hybrid electric vehicle considering engine torque dynamic and transient-related pollutants emissions

Legal Events

Date Code Title Description
A201 Request for examination