haku: @supervisor Simula, Olli / yhteensä: 292
viite: 3 / 292
| Tekijä: | Åvist, Pyry |
| Työn nimi: | Inverse reconstruction of ocean wave fields using sensor network |
| Aaltokentän ennustaminen anturiverkon avulla | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2013 |
| Sivut: | 56 Kieli: eng |
| Koulu/Laitos/Osasto: | Perustieteiden korkeakoulu |
| Oppiaine: | Informaatiotekniikka (T-115) |
| Valvoja: | Simula, Olli |
| Ohjaaja: | Heikkinen, Aatos |
| OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
| Sijainti: | P1 Ark Aalto 8664 | Arkisto |
| Avainsanat: | inverse problem sensor-array wave field ship motions ship resistance random forest ship speed optimization wave forecasts anturiverkko käänteisongelma aaltokenttä laivan liikkeet laivan kulkuvastus laivan nopeusoptimointi aaltoennusteet |
| Tiivistelmä (fin): | Noin 90 % kaikesta maailman tavarakaupasta liikkuu merien ylitse. Kansainvälinen merenkulku mahdollistaa kustannustehokkaan tavan siirtää ruokaa, hyödykkeitä ja energiaa. Alati kiristyvät ympäristömääräykset sekä polttoainekustannukset pakottavat laivojen omistajat sijoittamaan älykkäisiin aluksiin, jotka kykenevät liikkumaan merillä turvallisesti ja tehokkaasti. Muutos, joka tapahtui vuosikymmeniä sitten lentokoneteollisuudessa, on alkanut myös meriteollisuudessa. Yhtenä ongelmakentän palasena on kehittää ja parantaa menetelmiä energiatehokkaiden reittien ja nopeusprofiilien valintaan. Tässä tärkeimpänä tekijänä on ymmärtää ja mitata ulko-olosuhteiden vaikutus laivan kulkuvastukseen. Erityisesti aaltokentän ja sen vaikutusten mallintaminen on tärkeää. Mikäli löytyisi erityisen kustannustehokas menetelmä mitata aaltokentän vaikutuksia, mahdollistaisi se optimaalisen reitityksen käytön kaikilla maailman rahti- ja tavaraliikennealuksilla. Tässä työssä keskitytään luomaan menetelmä, jolla voidaan mallintaa aalto-olosuhteita ja niiden vaikutuksia laivaan käyttäen älykästä sensoriverkkoa. Sensoriverkon avulla ei voida mitata suoraan ulko-olosuhteita vaan niiden vaikutuksia laivaan. Tästä syntyy käänteisongelma, jota tässä työssä tutkitaan; kuinka tarkasti laivan liikkeitä voi ennustaa käyttäen tietoa ulko-olosuhteista, ja pystymmekö laivan mitatuista liikkeistä päättelemään aaltokentän laivan ulkopuolella. Osoitamme, että käyttäen kone-oppimisen viimeisempiä menetelmiä on mahdollista ennustaa aaltokentän muoto käyttäen anturiverkkoa, ja että aaltokentän avulla on mahdollista ennustaa laivaan syntyvät liikkeet tarkkuudella, joka vastaa käytössä olevien parhaiden aaltoparametrien tarkkuutta. Tässä työssä kehitetyillä menetelmillä voidaan parantaa merkittävästi reitti- sekä nopeusoptimoinnin tarkkuutta, mikä mahdollistaa vielä turvallisemman ja polttoainetta säästävämmän tavan operoida erikokoisia aluksia maailman merillä. |
| Tiivistelmä (eng): | Approximately 90% of all global trade is conducted on seas. International shipping enables affordable transportation of food, goods and energy. Rising environmental pressure and fuel prices are forcing ship owners to build fleets of intelligent vessels capable of executing safe and optimized voyages. A transformation which begun decades ago in the airline industry is now sweeping the shipping industry. In this setting one key aspect is finding the most safe and economical routes in various sea conditions. Today direct quantifiable measurement of sea conditions on-board, especially wave height and direction require expensive specialized radar technology. Finding a low-cost solution would allow safer and more economical routing to be accessible for all vessels operating around the world. In this thesis, focus is in creating a model which allows ship operators to use low-cost silicon based sensor network to predict and measure impact of various sea conditions. Using on-board attitude sensors it is possible to measure the response of the ship to specific conditions outside the vessel, but not directly those conditions. This gives a rise to an inverse problem where one needs to learn the vessel's transfer function for different wave fields it encounters. To learn this transfer function we use novel regression methods to match outside conditions predicted by weather forecasts and data collected from on-board sensors. To test implementation high-frequency data is used, which was collected on-board a vessel operating different sea areas by a sensor network. Corresponding forecasts are collected from a global weather forecast provider. Data is processed both in spatial and temporal domains to extract key variables indicating latently the outside conditions. Finally novel semi-supervised learning techniques are used to match these latent variables and global weather forecasts. Using the method described in this thesis it is possible to predict impact of different weather conditions to ships safety and performance. First, an empirical method of extracting latent variables such as wave height, direction and length is shown. These variables are shown to describe impact of different wave fields. Secondly, a method of using weather forecasts to calibrate variables to match absolute wave height, direction and length is presented. Using this modelling framework it is possible to predict impact of sea conditions to the vessel by using the data collected on-board, and to quantify the actual sea conditions outside the vessel. |
| ED: | 2013-08-06 |
INSSI tietueen numero: 47020
+ lisää koriin
INSSI