KR20230041514A - 기계학습을 이용한 실 해역 로터 세일 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체 - Google Patents
기계학습을 이용한 실 해역 로터 세일 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체 Download PDFInfo
- Publication number
- KR20230041514A KR20230041514A KR1020210125239A KR20210125239A KR20230041514A KR 20230041514 A KR20230041514 A KR 20230041514A KR 1020210125239 A KR1020210125239 A KR 1020210125239A KR 20210125239 A KR20210125239 A KR 20210125239A KR 20230041514 A KR20230041514 A KR 20230041514A
- Authority
- KR
- South Korea
- Prior art keywords
- machine learning
- rotor sail
- ship
- rotor
- sail
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims description 37
- 238000003066 decision tree Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000011017 operating method Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 230000001141 propulsive effect Effects 0.000 claims description 2
- 230000004308 accommodation Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 description 5
- 239000000446 fuel Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63H—MARINE PROPULSION OR STEERING
- B63H9/00—Marine propulsion provided directly by wind power
- B63H9/02—Marine propulsion provided directly by wind power using Magnus effect
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B35/00—Vessels or similar floating structures specially adapted for specific purposes and not otherwise provided for
- B63B2035/009—Wind propelled vessels comprising arrangements, installations or devices specially adapted therefor, other than wind propulsion arrangements, installations, or devices, such as sails, running rigging, or the like, and other than sailboards or the like or related equipment
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T70/00—Maritime or waterways transport
- Y02T70/50—Measures to reduce greenhouse gas emissions related to the propulsion system
- Y02T70/5218—Less carbon-intensive fuels, e.g. natural gas, biofuels
- Y02T70/5236—Renewable or hybrid-electric solutions
Landscapes
- Engineering & Computer Science (AREA)
- Ocean & Marine Engineering (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Sustainable Energy (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Feedback Control In General (AREA)
Abstract
본 발명은, 선박 제원과 운항 조건과 해상환경 조건에 대한 로터 세일(141)의 회전속도와 회전방향의 학습데이터를 수집하여 저장하는, 학습데이터 DB(110), 수집된 학습데이터 DB(110)의 학습데이터를 기계학습하여, 선박 제원별, 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 로터 세일(141)의 회전속도와 회전방향을 도출하는 기계학습 알고리즘으로 모델링된, 기계학습부(120), 로터 세일(141)을 구비한 선박의 실 운항 중의 운항 조건과 해상환경 조건을 실시간 모니터링하는 모니터링부(130), 로터 세일(141)과, 로터 세일(141)을 회전시키는 구동부(142)와, 구동부(142)를 제어하는 제어부(143)로 이루어진, 로터 세일부(140), 및 기계학습부(120)를 통해, 실 운항 중, 모니터링부(130)로부터의 운항 조건 및 해상환경 조건에 따라 실시간으로 도출된 구동부(142)의 최적의 회전속도와 회전방향을 로터 세일부(140)에 실시간으로 적용하는, 제어패널부(150)를 포함하여서, 최적의 로터 세일 회전속도를 예측하여 최적 선박 추진성능 및 최적 로터 세일 추진성능을 개선할 수 있는, 기계학습을 이용한 실 해역 로터 세일 운영 시스템을 개시한다.
Description
본 발명은, 기계학습을 통해, 다양한 선박 제원에 따른 다양한 운항 조건 및 해상환경 조건에서, 최적의 로터 세일 회전속도를 예측할 수 있는, 기계학습을 이용한 실 해역 로터 세일 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체에 관한 것이다.
세일 로터(sail rotor)로서, 매그너스 로터가 화물선용 구동장치 또는 보조 구동장치로 주로 활용되고 있다.
예컨대, 매그너스 효과(magnus effect)란 자신의 축을 중심으로 회전하고 그 축에 수직하게 유입 유동을 받는 실린더에서 그 축과 유입 유동 방향에 수직한 횡력(transverse force)이 발생하는 효과로서, 전체 유동의 불균일한 분포로 인해, 실린더 둘레에 비대칭적 압력 분포가 생기게 되어, 로터는 바람의 유동 중에서 유효 풍향에 수직한 힘을 통해 선박을 추진하는 데 사용될 수 있다.
한편, 이와 관련된 선행기술로서, 한국 공개특허공보 제10-2016-0026893호가 개시되어 있으며, 종래기술에 의한 매그너스형 로터를 구비한 추진 시스템은, 도 1에 예시된 바와 같이, 복수의 매그너스형 로터(102a` 내지 102d`)와, 구동 구성부(104`)와, 제어 구성부(106`)와, 하나 이상의 센서(108`)와, 제어 패널(110`)과, 통신 인터페이스(112`)와, 방향타(114`)와, 프로펠러(116a`)와, 프로펠러(116b`)를 포함하고, 제어 구성부(106`)는 매그너스형 로터(102`)를 위한 미리 연산된 테이블 및/또는 곡선을 사용하도록 동작 가능할 수 있다. 이러한 미리 연산된 테이블 및/또는 곡선은 다양한 겉보기 바람 조건들 및 매그너스형 로터(102`)로부터의 총 추진 동력 요구에 대응하는 효율적인 회전 속도를 제공하여서, 선박에서 계측된 겉보기 풍속을 통해 속도비를 계산하여 로터의 회전속도를 변화시켜 선박의 운항효율을 향상시키고자 한다.
하지만, 단순 겉보기 속도에 의해 로터 세일을 운용하기 때문에 다양한 환경에 대해 최적의 추진 성능을 발휘하는 데 한계가 있다.
이에, 선박의 겉보기 속도뿐만 아니라, 선속, 풍속, 풍향, 흘수, 타각 및 해양환경 정보와 같은 다양한 변수들을 통해 로터 세일이 생성하는 추력을 극대화시킬 수 있는 기술이 요구된다.
본 발명의 사상이 이루고자 하는 기술적 과제는, 기계학습을 통해, 다양한 선박 제원에 따른 다양한 운항 조건 및 해상환경 조건에서, 최적의 로터 세일 회전속도를 예측하고 적용하여, 급격히 변화하는 해상 조건에서 최적 선박 추진성능 및 최적 로터 세일 추진성능을 구현하여서, 연비를 개선하고 운항 효율을 향상시킬 수 있는, 기계학습을 이용한 실 해역 로터 세일 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체를 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명의 일 실시예는, 선박 제원과 운항 조건과 해상환경 조건에 대한 로터 세일의 회전속도와 회전방향의 학습데이터를 수집하여 저장하는, 학습데이터 DB; 수집된 상기 학습데이터 DB의 학습데이터를 기계학습하여, 상기 선박 제원별, 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 상기 로터 세일의 회전속도와 회전방향을 도출하는 기계학습 알고리즘으로 모델링된, 기계학습부; 상기 로터 세일을 구비한 선박의 상기 실 운항 중의 운항 조건과 해상환경 조건을 실시간 모니터링하는 모니터링부; 상기 로터 세일과, 상기 로터 세일을 회전시키는 구동부와, 상기 구동부를 제어하는 제어부로 이루어진, 로터 세일부; 및 상기 기계학습부를 통해, 실 운항 중, 상기 모니터링부로부터의 상기 실 운항 중의 운항 조건 및 해상환경 조건에 따라 실시간으로 도출된 상기 구동부의 최적의 회전속도와 회전방향을 상기 로터 세일부에 실시간으로 적용하는, 제어패널부;를 포함하는, 기계학습을 이용한 실 해역 로터 세일 운영 시스템을 제공한다.
또한, 상기 선박 제원은, 흘수, 트림, 리스트, 타각, 주기엔진 마력, 주기엔진 회전수, 프로펠러 추력, 보조엔진 마력 및 상기 로터 세일의 상기 구동부의 구동력 중 어느 하나 이상을 포함하고, 상기 운항 조건 및 상기 해상환경 조건은 운항정보 통합시스템으로부터 제공받으며, 상기 운항 조건은, 선속, 전향각, 운항 중의 흘수, 및 운항 중의 타각 중 어느 하나 이상을 포함하고, 상기 해상환경 조건은 풍속, 풍향, 파고, 파속, 조류, 온도, 습도 및 선박위치 중 어느 하나 이상을 포함할 수 있다.
또한, 상기 기계학습 알고리즘은, 단순/다중 선형회귀, 의사결정트리, 베이지안 망, 서포트 벡터 머신, KNN, 의사결정 트리, 랜덤 포레스트, 인공 신경망, 차원 감소 알고리즘, 그래디언트 부스팅 알고리즘, 에이다부스트, 퍼셉트론 및 딥러닝 중 어느 하나에 의해 수행될 수 있다.
또한, 상기 학습데이터는 시뮬레이션, 모형선박 실험, 실 운항, 및 추정식 중 어느 하나 또는 이들의 조합을 통해서 수집될 수 있다.
또한, 상기 기계학습부는, 상기 실 운항을 통해 획득한 운항 조건과 해상환경 조건에 대한 최적의 선속의 프로파일로 상기 기계학습 알고리즘을 자가 학습시켜 업그레이드할 수 있다.
또한, 상기 학습데이터 DB는 상기 선박 제원과 상기 운항 조건과 상기 해상환경 조건에 대한 상기 선박의 주기엔진의 추진력의 학습데이터를 수집하여 저장하고, 상기 기계학습부는 상기 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 상기 주기엔진의 추진력을 도출하는 상기 기계학습 알고리즘으로 모델링 될 수 있다.
또한, 상기 로터 세일은 매그너스형 로터 세일이고, 상기 매그너스형 로터 세일은, 선박의 갑판 상에서 전장방향으로 일렬로 배열된 하나 이상의 기초 플렌지와, 상기 기초 플렌지에 직립 형성된 지지부와, 상기 지지부의 외주면을 감싸는 원통형으로 형성되어 상기 구동부에 의해 회전하는 로터 본체와, 상기 로터 본체의 상부에 형성된 원판 형상의 단부 플레이트로 구성되고, 상기 지지부는 상기 기초 플렌지에 고정형으로 직립 설치되거나, 혹은 상기 지지부의 하단은 상기 기초 플렌지로부터 폭방향 또는 전장방향으로 힌지 회전하도록 결합되거나, 혹은 상기 기초 플렌지는 상기 갑판의 상부에 전장방향으로 배치된 레일을 따라 전후 슬라이딩 이동하도록 결합되거나, 혹은 상기 기초 플렌지는 상기 갑판의 하부의 수용 챔버에 수직방향으로 상하 슬라이딩 이동하도록 결합되거나, 혹은 상기 지지부는 상기 기초 플렌지로부터 절첩가능하도록 다단으로 구성되어 높이가 가변되도록 결합되고,
상기 제어패널부는 상기 지지부의 힌지 회전 및 높이 가변과, 상기 기초 플렌지의 슬라이딩 이동을 제어할 수 있다.
한편, 본 발명의 다른 실시예는, 선박 제원과 운항 조건과 해상환경 조건에 대한 로터 세일의 회전속도와 회전방향의 학습데이터를 수집하여 학습데이터 DB에 저장하는 단계; 수집된 상기 학습데이터 DB의 학습데이터를 기계학습하여, 상기 선박 제원별, 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 상기 로터 세일의 회전속도와 회전방향을 도출하는 기계학습 알고리즘으로 모델링하는 단계; 상기 로터 세일을 구비한 선박의 상기 실 운항 중의 운항 조건과 해상환경 조건을 실시간 모니터링하는 단계; 및 상기 기계학습 알고리즘을 통해, 실 운항 중, 상기 모니터링된 상기 실 운항 중의 운항 조건 및 해상환경 조건에 따라 실시간으로 도출된 상기 로터 세일의 최적의 회전속도와 회전방향을 실시간으로 적용하는 단계;를 포함하는, 기계학습을 이용한 실 해역 로터 세일 운영 방법을 제공한다.
또한, 상기 선박 제원은, 흘수, 트림, 리스트, 타각, 주기엔진 마력, 주기엔진 회전수, 프로펠러 추력, 보조엔진 마력 및 상기 로터 세일의 구동부의 구동력 중 어느 하나 이상을 포함하고, 상기 운항 조건 및 상기 해상환경 조건은 운항정보 통합시스템으로부터 제공받으며, 상기 운항 조건은, 선속, 전향각, 운항 중의 흘수, 및 운항 중의 타각 중 어느 하나 이상을 포함하고, 상기 해상환경 조건은 풍속, 풍향, 파고, 파속, 조류, 온도, 습도 및 선박위치 중 어느 하나 이상을 포함할 수 있다.
또한, 상기 기계학습 알고리즘은, 단순/다중 선형회귀, 의사결정트리, 베이지안 망, 서포트 벡터 머신, KNN, 의사결정 트리, 랜덤 포레스트, 인공 신경망, 차원 감소 알고리즘, 그래디언트 부스팅 알고리즘, 에이다부스트, 퍼셉트론 및 딥러닝 중 어느 하나에 의해 수행될 수 있다.
또한, 상기 학습데이터는 시뮬레이션, 모형선박 실험, 실 운항, 및 추정식 중 어느 하나 또는 이들의 조합을 통해서 수집될 수 있다.
또한, 실 운항을 통해 획득한 운항 조건과 해상환경 조건에 대한 최적의 선속의 프로파일로 상기 기계학습 알고리즘을 자가 학습시켜 업그레이드할 수 있다.
또한, 상기 학습데이터 DB는 상기 선박 제원과 상기 운항 조건과 상기 해상환경 조건에 대한 상기 선박의 주기엔진의 추진력의 학습데이터를 수집하여 저장하고, 상기 기계학습부는 상기 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 상기 주기엔진의 추진력을 도출하는 기계학습 알고리즘으로 모델링 될 수 있다.
본 발명의 또 다른 실시예는, 앞서 기재된 기계학습을 이용한 실 해역 로터 세일 운영 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체를 제공한다.
본 발명에 의하면, 기계학습을 통해, 다양한 선박 제원에 따른 다양한 운항 조건 및 해상환경 조건에서, 최적의 로터 세일 회전속도를 예측하고 적용하여, 급격히 변화하는 해상 조건에서 최적 선박 추진성능 및 최적 로터 세일 추진성능을 구현하여서, 연비를 개선하고 운항 효율을 향상시킬 수 있는 효과가 있다.
또한, 새로 건조된 선박, 새로운 항로, 전지구적 환경변화에 따른 해상기후변화 상에서의 실 운항을 통해 획득한 운항 조건과 해상환경 조건에 대한 최적의 선속의 프로파일로 기계학습 알고리즘을 자가 학습시켜서, 기계학습모델을 지속적으로 업그레이드하도록 하여서, 새롭거나 예측되는 조건 및 환경에서도 로터 세일의 최적 운영을 구현하도록 할 수도 있는 효과 있다.
도 1은 종래기술에 의한 매그너스형 로터를 구비한 추진 시스템용 사용자-조작가능 제어부를 예시한 것이다.
도 2는 본 발명의 일 실시예에 의한 기계학습을 이용한 실 해역 로터 세일 운영 시스템의 개략적인 구성도를 도시한 것이다.
도 3은 도 2의 기계학습을 이용한 실 해역 로터 세일 운영 시스템을 구비한 선박을 예시한 것이다.
도 4는 본 발명의 다른 실시예에 의한 기계학습을 이용한 실 해역 로터 세일 운영 방법의 개략적인 순서도를 도시한 것이다.
도 5는 도 3의 선박의 로터 세일부의 구동 동작을 각각 예시한 것이다.
도 2는 본 발명의 일 실시예에 의한 기계학습을 이용한 실 해역 로터 세일 운영 시스템의 개략적인 구성도를 도시한 것이다.
도 3은 도 2의 기계학습을 이용한 실 해역 로터 세일 운영 시스템을 구비한 선박을 예시한 것이다.
도 4는 본 발명의 다른 실시예에 의한 기계학습을 이용한 실 해역 로터 세일 운영 방법의 개략적인 순서도를 도시한 것이다.
도 5는 도 3의 선박의 로터 세일부의 구동 동작을 각각 예시한 것이다.
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.
본 발명의 일 실시예에 의한 기계학습을 이용한 실 해역 로터 세일 운영 시스템은, 선박 제원과 운항 조건과 해상환경 조건에 대한 로터 세일(141)의 회전속도와 회전방향의 학습데이터를 수집하여 저장하는, 학습데이터 DB(110), 수집된 학습데이터 DB(110)의 학습데이터를 기계학습하여, 선박 제원별, 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 로터 세일(141)의 회전속도와 회전방향을 도출하는 기계학습 알고리즘으로 모델링된, 기계학습부(120), 로터 세일(141)을 구비한 선박의 실 운항 중의 운항 조건과 해상환경 조건을 실시간 모니터링하는 모니터링부(130), 로터 세일(141)과, 로터 세일(141)을 회전시키는 구동부(142)와, 구동부(142)를 제어하는 제어부(143)로 이루어진, 로터 세일부(140), 및 기계학습부(120)를 통해, 실 운항 중, 모니터링부(130)로부터의 운항 조건 및 해상환경 조건에 따라 실시간으로 도출된 구동부(142)의 최적의 회전속도와 회전방향을 로터 세일부(140)에 실시간으로 적용하는, 제어패널부(150)를 포함하여서, 최적의 로터 세일 회전속도를 예측하여 최적 선박 추진성능 및 최적 로터 세일 추진성능을 개선하는 것을 요지로 한다.
이하, 도 2, 도 3 및 도 5를 참조하여, 전술한 구성의 기계학습을 이용한 실 해역 로터 세일 운영 시스템을 구체적으로 상술하면 다음과 같다.
우선, 학습데이터 DB(110)는 기계학습용 데이터 저장장치로서, 기계학습부(120)의 입력값에 해당하는 선박 제원과 운항 조건과 해상환경 조건에 대한, 기계학습부(120)의 출력값에 해당하는 로터 세일(rotor sail)(141)의 회전속도와 회전방향의 학습데이터를 수집하여 저장한다.
구체적으로, 선박 제원은, 흘수, 트림(trim; 피치 모션에 의한 선수 선미 잠김 수준차이), 리스트(wrist; 롤 모션에 의한 좌현 우현 치우침), 타각, 주기엔진 마력, 주기엔진 회전수, 프로펠러 추력, 보조엔진 마력 및 로터 세일(141)의 구동부(142)의 구동력 중 어느 하나 이상을 포함할 수 있다.
또한, 운항 조건 및 해상환경 조건은 선박에 구비된 운항정보 통합시스템(160)으로부터 제공받을 수 있으며, 운항 조건은, GPS 스피드 또는 스피드 로그(speed log)에 의한 선속, 전향각(HDG;Heading) 및 운항 중의 흘수나 타각 중 어느 하나 이상을 포함하고, 해상환경 조건은 풍속, 풍향, 파고, 파속, 조류, 온도, 습도 및 선박위치 중 어느 하나 이상을 포함할 수 있다.
또한, 앞서 언급한 학습데이터는 운항 컴퓨터 시뮬레이션, 수조내의 모형선박 실험, 실 운항, 및 통계학적 추정식 중 어느 하나 또는 이들의 조합을 통해서 수집될 수 있다.
다음, 기계학습부(120)는, 특히 선내에 구비된 기계학습용 컴퓨터로서, 학습데이터 DB(110)의 학습데이터를 기계학습하여, 선박 제원별, 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 로터 세일(141)의 최적 회전속도와 최적 회전방향을 예측하도록 도출하는 기계학습 알고리즘으로 모델링된 기계학습모델로 이루질 수 있다.
한편, 기계학습 알고리즘은, 단순/다중 선형회귀, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), KNN(K-Nearst Neighbors), 의사결정 트리(Decision Tree), 랜덤 포레스트(Random Forest), 인공 신경망(Artificial Neural Network), 차원 감소 알고리즘(Dimensional Reduction Algorithrm), 그래디언트 부스팅 알고리즘(Gradient Boosting Algorithrm), 에이다부스트(Adaboost), 퍼셉트론(Perceptron) 및 딥러닝(Deep learning) 중 어느 하나에 의해 수행될 수 있다.
또한, 기계학습부(120)는, 학습데이터 DB(110)의 과거 데이터 이외에, 새로 건조된 선박, 새로운 항로, 전지구적 환경변화에 따른 해상기후변화 상에서의 실 운항을 통해 획득한 운항 조건과 해상환경 조건에 대한 최적의 선속의 프로파일로 기계학습 알고리즘을 자가 학습시켜서, 기계학습모델을 지속적으로 업그레이드하도록 하여서, 새롭거나 예측되는 조건 및 환경에서도 로터 세일(141)의 최적 운영을 구현하도록 할 수도 있다.
한편, 운항 조건은 ECDIS(Electronic Chart Display and Information System)로부터의 항해정보와, CAMS(Central Alert Management System)로부터의 항해경고정보로부터 수집할 수도 있다.
다음, 모니터링부(130)는, 로터 세일(141)을 구비한 선박의 실 운항 중 운항 조건과 해상환경 조건을 실시간 모니터링하여 기계학습부(120)의 입력값으로 제공한다.
여기서, 도 3에 예시된 바와 같이, 풍향과 풍속의 해상환경조건은 선미에 설치된 풍향풍속계(131)에 의해 실시간 계측되어 모니터링될 수 있고, 파고, 파속, 조류, 온도 또는 습도의 정보는 해당 계측기 또는 해당 센서를 통해 실시간 계측되어 모니터링될 수 있고, 이외 해상환경 조건은, 통신장비를 통해, 유럽기상청(ECMWF) 또는 운항경로 각국 기상청으로부터의 예보 기상데이터 또는 동일 운항경로를 선행하여 항해하는 타선박의 풍향/풍속/기압/너울의 실제 기상데이터의 기상정보를 통해 전송받을 수도 있다.
다음, 로터 세일부(140)는 일종의 보조 추진 시스템으로서, 선체 갑판에 직립 형성된 하나 이상의 로터 세일(141)과, 로터 세일(141)을 각각 회전시키는 구동부(142)와, 구동부(142)를 통합 제어하는 제어부(143)로 이루어진다.
예컨대, 도 3을 참고하면, 로터 세일(141)은 매그너스 효과(magnus effect)를 생성하여 추진시키는 매그너스형 로터 세일(141)이고, 매그너스형 로터 세일(141)은, 구체적으로, 선박의 갑판 상에서 전장방향으로 일렬로 배열된 하나 이상의 기초 플렌지(141a)와, 기초 플렌지(141a)에 직립 형성된 지지부(141b)와, 지지부(141b)의 외주면을 감싸는 원통형으로 형성되어 구동부(142)에 의해 회전하는 로터 본체(141c)와, 로터 본체(141c)의 상부에 형성된 원판 형상의 단부 플레이트(end plate)(141d)로 구성될 수 있고, 구동부(142)는 지지부(141b)의 상단에 형성될 수 있다.
한편, 도 5를 참고하면, 지지부(141b)는 기초 플렌지(141a)에 고정형으로 직립 설치되거나(a), 혹은 지지부(141b)의 하단은 기초 플렌지(141a)로부터 폭방향 또는 전장방향으로 힌지 회전하여 교각 통과시 접히도록 결합되거나(b), 혹은 기초 플렌지(141a)는 갑판 상부에 전장방향으로 배치된 레일(144)을 따라 전후 슬라이딩 이동하여 로터 세일(141) 사이의 간격을 조절하도록 결합되거나(c) 또는 갑판 상부에 선폭방향으로 배치된 레일을 따라 좌우 슬라이딩 이동하여 로터 세일의 좌우 방향의 위치를 조절하도록 결합되거나(미도시), 혹은 기초 플렌지(141a)는 갑판 하부의 수용 챔버에 수직방향으로 상하 슬라이딩 이동하여 수직높이가 조절되도록 결합되거나(d), 혹은 지지부(141b)는 기초 플렌지(141a)로부터 절첩가능하도록 다단으로 구성되어 높이가 가변되도록 결합되어서(e), 제어패널부(150)는 앞서 열거한 지지부(141b)의 힌지 회전 및 높이 가변과, 기초 플렌지(141a)의 슬라이딩 이동을 각각 제어하도록 할 수 있다.
여기서, 제어패널부(150)에 의한 지지부(141b)의 힌지 회전 각도 및 가변 높이와, 기초 플렌지(141a)의 슬라이딩 이동 거리 제어를, 앞서 상술한 로터 세일의 최적 운영과 동일하게, 기계학습부(120)를 통해 선박 제원과 운항 조건과 해상환경 조건에 따라 최적의 추력을 제공할 수 있는 최적의 각도와 높이와 이동 거리를 도출할 수도 있다.
다음, 제어패널부(150)는, 기계학습부(120)를 통해, 실 운항 중, 모니터링부(130)로부터의 운항 조건 및 해상환경 조건에 따라 실시간으로 도출된 구동부(142)의 최적의 회전속도와 회전방향을 로터 세일부(140)에 실시간으로 적용하여서, 로터 세일(141)이 발생시키는 추력을 극대화하도록 할 수 있다.
한편, 학습데이터 DB(110)는 선박 제원과 운항 조건과 해상환경 조건에 대한 주기엔진의 추진력의 학습데이터를 수집하여 저장하고, 기계학습부(120)는 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 선박의 주기엔진의 추진력을 예측하도록 도출하는 기계학습 알고리즘으로 모델링되어서, 앞서 언급한 기계학습을 통한 로터 세일 최적 운영 이외에, 엔진 또는 화물 관리에 활용하도록 할 수도 있다.
도 4는 본 발명의 다른 실시예에 의한 기계학습을 이용한 실 해역 로터 세일 운영 방법의 개략적인 순서도를 도시한 것으로, 이를 참조하여, 본 발명의 다른 실시예에 의한 기계학습을 이용한 실 해역 로터 세일 운영 방법을 간략히 상술하면 다음과 같다. 여기서, 운영 방법은 앞서 언급한 운영 시스템을 운영하기 위한 순서로서 일 실시예와 중복되는 설명은 이하 생략하고자 한다.
우선, 학습데이터 DB 저장 단계(S110)에서는, 선박 제원과 운항 조건과 해상환경 조건에 대한 로터 세일(141)의 회전속도와 회전방향의 학습데이터를 수집하여 학습데이터 DB(110)에 저장한다.
여기서, 선박 제원은, 흘수, 트림, 리스트, 타각, 주기엔진 마력, 주기엔진 회전수, 프로펠러 추력, 보조엔진 마력 및 로터 세일(141)의 구동부(142)의 구동력 중 어느 하나 이상을 포함하고, 운항 조건 및 해상환경 조건은 운항정보 통합시스템(160)으로부터 제공받으며, 운항 조건은, 선속, 전향각 및 운항 중의 흘수나 타각 중 어느 하나 이상을 포함하고, 해상환경 조건은 풍속, 풍향, 파고, 파속, 조류, 온도, 습도 및 선박위치 중 어느 하나 이상을 포함할 수 있다.
또한, 학습데이터는 시뮬레이션, 모형선박 실험, 실 운항, 및 추정식 중 어느 하나 또는 이들의 조합을 통해서 수집될 수 있다.
이후, 기계학습모델 생성 단계(S120)에서는, 학습데이터 DB(110)의 학습데이터를 기계학습하여, 선박 제원별, 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 로터 세일(141)의 회전속도와 회전방향을 도출하는 기계학습 알고리즘으로 모델링한다.
예컨대, 기계학습 알고리즘은, 단순/다중 선형회귀, 의사결정트리, 베이지안 망, 서포트 벡터 머신, KNN, 의사결정 트리, 랜덤 포레스트, 인공 신경망, 차원 감소 알고리즘, 그래디언트 부스팅 알고리즘, 에이다부스트, 및 퍼셉트론, 딥러닝 중 어느 하나에 의해 수행될 수 있다.
이후, 모니터링 단계(S130)에서는, 로터 세일(141)을 구비한 선박의 실 운항 중 운항 조건과 해상환경 조건을 실시간 모니터링한다.
이후, 로터 세일 최적 운영 단계(S140)에서는, 기계학습 알고리즘을 통해, 실 운항 중, 모니터링된 운항 조건 및 해상환경 조건에 따라 실시간으로 도출된 로터 세일(141)의 최적의 회전속도와 회전방향을 실시간으로 적용한다.
또한, 실 운항을 통해 획득한 운항 조건과 해상환경 조건에 대한 최적의 선속의 프로파일로 기계학습 알고리즘을 자가 학습시켜 업그레이드할 수 있다.
또한, 학습데이터 DB(110)는 선박 제원과 운항 조건과 해상환경 조건에 대한 주기엔진의 추진력의 학습데이터를 수집하여 저장하고, 기계학습부(120)는 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 주기엔진의 추진력을 도출하는 기계학습 알고리즘으로 모델링될 수 있다.
본 발명의 또 다른 실시예는, 앞서 기재된 기계학습을 이용한 실 해역 로터 세일 운영 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체를 제공한다.
따라서, 전술한 바와 실시예들의 구성에 의해서, 기계학습을 통해, 다양한 선박 제원에 따른 다양한 운항 조건 및 해상환경 조건에서, 최적의 로터 세일 회전속도를 예측하고 적용하여, 급격히 변화하는 해상 조건에서 최적 선박 추진성능 및 최적 로터 세일 추진성능을 구현하여서, 연비를 개선하고 운항 효율을 향상시킬 수 있고, 새로 건조된 선박, 새로운 항로, 전지구적 환경변화에 따른 해상기후변화 상에서의 실 운항을 통해 획득한 운항 조건과 해상환경 조건에 대한 최적의 선속의 프로파일로 기계학습 알고리즘을 자가 학습시켜서, 기계학습모델을 지속적으로 업그레이드하도록 하여서, 새롭거나 예측되는 조건 및 환경에서도 로터 세일의 최적 운영을 구현하도록 할 수도 있다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
110 : 학습데이터 DB
120 : 기계학습부
130 : 모니터링부 131 : 풍향풍속계
140 : 로터 세일부 141 : 로터 세일
141a : 기초 플렌지 141b : 지지부
141c : 로터 본체 141d : 단부 플레이트
142 : 구동부 143 : 제어부
144 : 레일 150 : 제어패널부
160 : 운항정보 통합시스템
S110 : 학습데이터 DB 저장 단계
S120 : 기계학습모델 생성 단계
S130 : 모니터링 단계
S140 : 로터 세일 최적 운영 단계
130 : 모니터링부 131 : 풍향풍속계
140 : 로터 세일부 141 : 로터 세일
141a : 기초 플렌지 141b : 지지부
141c : 로터 본체 141d : 단부 플레이트
142 : 구동부 143 : 제어부
144 : 레일 150 : 제어패널부
160 : 운항정보 통합시스템
S110 : 학습데이터 DB 저장 단계
S120 : 기계학습모델 생성 단계
S130 : 모니터링 단계
S140 : 로터 세일 최적 운영 단계
Claims (14)
- 선박 제원과 운항 조건과 해상환경 조건에 대한 로터 세일의 회전속도와 회전방향의 학습데이터를 수집하여 저장하는, 학습데이터 DB;
수집된 상기 학습데이터 DB의 학습데이터를 기계학습하여, 상기 선박 제원별, 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 상기 로터 세일의 회전속도와 회전방향을 도출하는 기계학습 알고리즘으로 모델링된, 기계학습부;
상기 로터 세일을 구비한 선박의 상기 실 운항 중의 운항 조건과 해상환경 조건을 실시간 모니터링하는 모니터링부;
상기 로터 세일과, 상기 로터 세일을 회전시키는 구동부와, 상기 구동부를 제어하는 제어부로 이루어진, 로터 세일부; 및
상기 기계학습부를 통해, 실 운항 중, 상기 모니터링부로부터의 상기 실 운항 중의 운항 조건 및 해상환경 조건에 따라 실시간으로 도출된 상기 구동부의 최적의 회전속도와 회전방향을 상기 로터 세일부에 실시간으로 적용하는, 제어패널부;를 포함하는,
기계학습을 이용한 실 해역 로터 세일 운영 시스템. - 제 1 항에 있어서,
상기 선박 제원은, 흘수, 트림, 리스트, 타각, 주기엔진 마력, 주기엔진 회전수, 프로펠러 추력, 보조엔진 마력 및 상기 로터 세일의 상기 구동부의 구동력 중 어느 하나 이상을 포함하고,
상기 운항 조건 및 상기 해상환경 조건은 운항정보 통합시스템으로부터 제공받으며, 상기 운항 조건은, 선속, 전향각, 운항 중의 흘수, 및 운항 중의 타각 중 어느 하나 이상을 포함하고, 상기 해상환경 조건은 풍속, 풍향, 파고, 파속, 조류, 온도, 습도 및 선박위치 중 어느 하나 이상을 포함하는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 시스템. - 제 1 항에 있어서,
상기 기계학습 알고리즘은, 단순/다중 선형회귀, 의사결정트리, 베이지안 망, 서포트 벡터 머신, KNN, 의사결정 트리, 랜덤 포레스트, 인공 신경망, 차원 감소 알고리즘, 그래디언트 부스팅 알고리즘, 에이다부스트, 퍼셉트론 및 딥러닝 중 어느 하나에 의해 수행되는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 시스템. - 제 1 항에 있어서,
상기 학습데이터는 시뮬레이션, 모형선박 실험, 실 운항, 및 추정식 중 어느 하나 또는 이들의 조합을 통해서 수집되는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 시스템. - 제 1 항에 있어서,
상기 기계학습부는, 상기 실 운항을 통해 획득한 운항 조건과 해상환경 조건에 대한 최적의 선속의 프로파일로 상기 기계학습 알고리즘을 자가 학습시켜 업그레이드하는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 시스템. - 제 1 항에 있어서,
상기 학습데이터 DB는 상기 선박 제원과 상기 운항 조건과 상기 해상환경 조건에 대한 상기 선박의 주기엔진의 추진력의 학습데이터를 수집하여 저장하고,
상기 기계학습부는 상기 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 상기 주기엔진의 추진력을 도출하는 상기 기계학습 알고리즘으로 모델링되는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 시스템. - 제 1 항에 있어서,
상기 로터 세일은 매그너스형 로터 세일이고,
상기 매그너스형 로터 세일은, 선박의 갑판 상에서 전장방향으로 일렬로 배열된 하나 이상의 기초 플렌지와, 상기 기초 플렌지에 직립 형성된 지지부와, 상기 지지부의 외주면을 감싸는 원통형으로 형성되어 상기 구동부에 의해 회전하는 로터 본체와, 상기 로터 본체의 상부에 형성된 원판 형상의 단부 플레이트로 구성되고,
상기 지지부는 상기 기초 플렌지에 고정형으로 직립 설치되거나, 혹은 상기 지지부의 하단은 상기 기초 플렌지로부터 폭방향 또는 전장방향으로 힌지 회전하도록 결합되거나, 혹은 상기 기초 플렌지는 상기 갑판의 상부에 전장방향으로 배치된 레일을 따라 전후 슬라이딩 이동하도록 결합되거나, 혹은 상기 기초 플렌지는 상기 갑판의 하부의 수용 챔버에 수직방향으로 상하 슬라이딩 이동하도록 결합되거나, 혹은 상기 지지부는 상기 기초 플렌지로부터 절첩가능하도록 다단으로 구성되어 높이가 가변되도록 결합되고,
상기 제어패널부는 상기 지지부의 힌지 회전 및 높이 가변과, 상기 기초 플렌지의 슬라이딩 이동을 제어하는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 시스템. - 선박 제원과 운항 조건과 해상환경 조건에 대한 로터 세일의 회전속도와 회전방향의 학습데이터를 수집하여 학습데이터 DB에 저장하는 단계;
수집된 상기 학습데이터 DB의 학습데이터를 기계학습하여, 상기 선박 제원별, 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 상기 로터 세일의 회전속도와 회전방향을 도출하는 기계학습 알고리즘으로 모델링하는 단계;
상기 로터 세일을 구비한 선박의 상기 실 운항 중의 운항 조건과 해상환경 조건을 실시간 모니터링하는 단계; 및
상기 기계학습 알고리즘을 통해, 실 운항 중, 상기 모니터링된 상기 실 운항 중의 운항 조건 및 해상환경 조건에 따라 실시간으로 도출된 상기 로터 세일의 최적의 회전속도와 회전방향을 실시간으로 적용하는 단계;를 포함하는,
기계학습을 이용한 실 해역 로터 세일 운영 방법. - 제 8 항에 있어서,
상기 선박 제원은, 흘수, 트림, 리스트, 타각, 주기엔진 마력, 주기엔진 회전수, 프로펠러 추력, 보조엔진 마력 및 상기 로터 세일의 구동부의 구동력 중 어느 하나 이상을 포함하고,
상기 운항 조건 및 상기 해상환경 조건은 운항정보 통합시스템으로부터 제공받으며, 상기 운항 조건은, 선속, 전향각, 운항 중의 흘수, 및 운항 중의 타각 중 어느 하나 이상을 포함하고, 상기 해상환경 조건은 풍속, 풍향, 파고, 파속, 조류, 온도, 습도 및 선박위치 중 어느 하나 이상을 포함하는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 방법. - 제 8 항에 있어서,
상기 기계학습 알고리즘은, 단순/다중 선형회귀, 의사결정트리, 베이지안 망, 서포트 벡터 머신, KNN, 의사결정 트리, 랜덤 포레스트, 인공 신경망, 차원 감소 알고리즘, 그래디언트 부스팅 알고리즘, 에이다부스트, 퍼셉트론 및 딥러닝 중 어느 하나에 의해 수행되는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 방법. - 제 8 항에 있어서,
상기 학습데이터는 시뮬레이션, 모형선박 실험, 실 운항, 및 추정식 중 어느 하나 또는 이들의 조합을 통해서 수집되는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 방법. - 제 8 항에 있어서,
실 운항을 통해 획득한 운항 조건과 해상환경 조건에 대한 최적의 선속의 프로파일로 상기 기계학습 알고리즘을 자가 학습시켜 업그레이드하는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 방법. - 제 8 항에 있어서,
상기 학습데이터 DB는 상기 선박 제원과 상기 운항 조건과 상기 해상환경 조건에 대한 상기 선박의 주기엔진의 추진력의 학습데이터를 수집하여 저장하고,
상기 기계학습부는 상기 실 운항 중의 운항 조건과 해상환경 조건에 대해 최적의 선속을 제공하는 상기 주기엔진의 추진력을 도출하는 기계학습 알고리즘으로 모델링되는 것을 특징으로 하는,
기계학습을 이용한 실 해역 로터 세일 운영 방법. - 제 8 항 내지 제 13 항 중 어느 한 항 따른 기계학습을 이용한 실 해역 로터 세일 운영 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210125239A KR20230041514A (ko) | 2021-09-17 | 2021-09-17 | 기계학습을 이용한 실 해역 로터 세일 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210125239A KR20230041514A (ko) | 2021-09-17 | 2021-09-17 | 기계학습을 이용한 실 해역 로터 세일 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230041514A true KR20230041514A (ko) | 2023-03-24 |
Family
ID=85872594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210125239A KR20230041514A (ko) | 2021-09-17 | 2021-09-17 | 기계학습을 이용한 실 해역 로터 세일 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230041514A (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313237A (zh) * | 2023-09-23 | 2023-12-29 | 哈尔滨工业大学 | 一种基于机器学习的特种无人机组构方案优选方法 |
| KR102631383B1 (ko) * | 2023-04-21 | 2024-01-31 | 주식회사 테렌즈 | 인공지능 기반 선박 운항 변수 예측 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101485875B1 (ko) | 2010-09-16 | 2015-01-26 | 보벤 프로퍼티즈 게엠베하 | 매그너스 로터를 구비한 화물선 |
| KR20160026893A (ko) | 2013-07-04 | 2016-03-09 | 노스파워 오와이 | 매그너스형 로터를 구비한 추진 시스템용 사용자-조작가능 제어부 |
-
2021
- 2021-09-17 KR KR1020210125239A patent/KR20230041514A/ko unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101485875B1 (ko) | 2010-09-16 | 2015-01-26 | 보벤 프로퍼티즈 게엠베하 | 매그너스 로터를 구비한 화물선 |
| KR20160026893A (ko) | 2013-07-04 | 2016-03-09 | 노스파워 오와이 | 매그너스형 로터를 구비한 추진 시스템용 사용자-조작가능 제어부 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102631383B1 (ko) * | 2023-04-21 | 2024-01-31 | 주식회사 테렌즈 | 인공지능 기반 선박 운항 변수 예측 방법 및 상기 방법이 기록된 컴퓨터 판독 가능한 기록매체 |
| CN117313237A (zh) * | 2023-09-23 | 2023-12-29 | 哈尔滨工业大学 | 一种基于机器学习的特种无人机组构方案优选方法 |
| CN117313237B (zh) * | 2023-09-23 | 2024-04-16 | 哈尔滨工业大学 | 一种基于机器学习的特种无人机组构方案优选方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Johansen et al. | Optimal constrained control allocation in marine surface vessels with rudders | |
| KR20230041514A (ko) | 기계학습을 이용한 실 해역 로터 세일 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체 | |
| JP5620586B2 (ja) | マグヌスロータを備える船舶、とりわけ貨物船 | |
| Corno et al. | Data-driven online speed optimization in autonomous sailboats | |
| Sutulo et al. | Development of a core mathematical model for arbitrary manoeuvres of a shuttle tanker | |
| Sharma et al. | An autopilot based on a local control network design for an unmanned surface vehicle | |
| WO2020025745A1 (en) | Improving voyage efficiency of a vessel | |
| Wang et al. | An integrated collaborative decision-making method for optimizing energy consumption of sail-assisted ships towards low-carbon shipping | |
| Kramer et al. | Sail-induced resistance on a wind-powered cargo ship | |
| Sauder et al. | Hydrodynamic testing of wind-assisted cargo ships using a cyber–physical method | |
| Coraddu et al. | Integration of seakeeping and powering computational techniques with meteo-marine forecasting data for in-service ship energy assessment | |
| Zaccone et al. | An optimization tool for ship route planning in real weather scenarios | |
| An et al. | Towards a general design evaluation tool: The development and validation of a VPP for autonomous sailing monohulls | |
| KR20230150207A (ko) | 정보 처리 장치, 제어 장치, 방법 및 프로그램 | |
| Gierusz et al. | Maneuvering control and trajectory tracking of very large crude carrier | |
| KR102286708B1 (ko) | 액화가스 운반선의 운항지원 시스템 | |
| Jürgens et al. | Influence of thruster response time on dp capability by time-domain simulations | |
| KR20230041516A (ko) | 기계학습을 이용한 실 해역 als 운영 시스템 및 방법, 동 방법을 컴퓨터에서 실행하기 위한 컴퓨터 프로그램이 기록된, 컴퓨터 판독가능한 기록 매체 | |
| Ghorbani et al. | A numerical investigation of a wind-assisted ship to estimate fuel savings | |
| JP4572380B2 (ja) | 帆装船用航海計画支援システム | |
| KR20230041513A (ko) | 머신러닝을 적용한 가변핀을 구비한 선박의 운용 시스템 및 방법, 및 동 방법을 컴퓨터에서 실행하기 위한 프로그램이 기록된 컴퓨터 판독가능한 기록매체 | |
| Tomera | Dynamic positioning system design for “Blue Lady”. Simulation tests | |
| Wang et al. | Simulation research on intelligent control for propulsion system of large ship | |
| Fluck et al. | Progress in Development and Design of DynaRigs for Commercial Ships | |
| JP6165697B2 (ja) | 船速算出装置及び船速算出方法 |