haku: @supervisor Kujala, Pentti / yhteensä: 84
viite: 1 / 84
« edellinen | seuraava »
| Tekijä: | Lemström, Ida |
| Työn nimi: | Selvitys jääkuorman ennustemalleista liittyen laivan operatiiviseen monitorointijärjestelmään |
| Investigation of ice load prediction models concerning operative ice load monitoring | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2016 |
| Sivut: | (4) + 81 Kieli: fin |
| Koulu/Laitos/Osasto: | Insinööritieteiden korkeakoulu |
| Oppiaine: | Meritekniikka (K3005) |
| Valvoja: | Kujala, Pentti |
| Ohjaaja: | Valtonen, Ville ; Suominen, Mikko |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201612226276 |
| Sijainti: | P1 Ark Aalto 6470 | Arkisto |
| Avainsanat: | ice load peak amplitude ice conditions operative ice load monitoring prediction model statistical modeling most probable extreme value jääkuorma operatiivinen jääkuormamonitorointi ennustemalli tilastollinen mallintaminen todennäköisin ääriarvo kuormitusamplitudi |
| Tiivistelmä (fin): | Tässä diplomityössä tutkitaan jääkuorman ennustemalleja, joiden avulla on mahdollista mitatun jääkuorma-aikahistorian perusteella ennustaa laivan runkoon kohdistuvia tulevia maksimijääkuormia. Jääkuorman ennustemalleja on tarkoitus soveltaa operatiivisessa jääkuormamonitorointijärjestelmässä, joka toimisi vaurioriskiä ennustavana työkaluna aluksen miehistölle. Jääkuormituksen ollessa stokastinen prosessi, tulevia jääkuormia tutkitaan tässä työssä tilastollisin menetelmin. Rakenteisiin kohdistuvaa todennäköisintä maksimijääkuormaan voidaan ennustaa tilastollisten jakaumien avulla, joista tässä työssä käsitellään eksponentti-, Weibull-, Gumbel I- ja Gumbel II-jakaumia sekä kolmea Mikko Lensun kehittämää skaalauskorrelaatioihin perustuvaa menetelmää, joita kutsutaan Lensun Gumbel I-, Lensun Gumbel II- ja Lensun superpositiomenetelmiksi. Työssä käytettävä mitta-aineisto on peräisin Etelämantereelle tarkoitetun tutkimus- ja huolto- aluksen S.A. Agulhas II:n maaliskuun 2012 Perämeren koematkalta. Työn päätavoite on määrittää, mikä käsitellyistä ennustemalleista soveltuu mitatun jääkuorma-aineiston perusteella lyhyen aikavälin jääkuormien ennustamiseen kaikkein parhaiten sekä kuinka pitkälle tulevaisuuteen jääkuormia on mahdollista ennustaa kohtuullisen luotettavasti. Lisäksi tutkitaan kuinka pitkä ennusteen laskentaan käytettävän ajanjakson tulisi olla, jotta ennuste olisi mahdollisimman luotettava. Laskettaessa jääkuorman ennustetta, oletetaan vallitsevien jääolosuhteiden jatkuvan yhdenmukaisina ja aluksen nopeuden pysyvän vakiona. Lyhyen aikavälin jääkuorman ennustamista tilastollisin menetelmin ei ole aikaisemmin tutkittu tämän työn laajuudella. Tilastollisten jakaumien soveltuvuutta tulevien jääkuormien lyhyen aikavälin ennustamiseen tutkitaan vertaamalla eri menetelmin arvioituja todennäköisimpiä maksimijääkuormia maksimiarvon laskentaan käytettäviin mitattuihin maksimijääkuormiin sekä eripituisten tulevien ajanjaksojen mitattuihin maksimijääkuormiin. Kaikkien Lensun menetelmien todettiin soveltuvan ennusteen laskentaan merkittävästi eksponentti-, Weibull-, Gumbel I- ja Gumbel II-jakaumia paremmin. Lensun Gumbel II- ennustemallin havaittiin soveltuvan operatiiviseen jääkuormamonitorointijärjestelmään kaikkein parhaiten visuaalisen tarkastelun sekä pienimpien virhearvojen perusteella. Luotettavin ennuste saatiin ennustettavan ajanjakson ollessa mahdollisimman lyhyt ja havaintoperiodin ollessa mahdollisimman pitkä. Ennusteiden virhearvojen ja graafisen tarkastelun perusteella todettiin, että 60, 90 ja 120 minuutin havaintoperiodeilla voidaan varsin luotettavasti ennustaa tulevia jääkuormia, jopa neljä tuntia eteenpäin. |
| Tiivistelmä (eng): | There are often two very conflicting priorities in shipping operations, safety and efficiency. In order to optimize these, an operative short term ice load monitoring system can be applied. When installed, the system provides the ship's crew with real time information on the future ice loads and on the associated damage risk. The future ice loads are estimated based on the measured ice loads and, since the nature of ice loads is stochastic, the prediction is dealt with by statistical methods. In this thesis, different statistical prediction models for short term ice load monitoring are studied. The predictions are made by estimation of the most probable maximum ice loads on the ship hull, using exponential, Weibull, Gumbel I and Gumbel II distributions. In addition, three methods based on the scaling properties of the observed ice loads developed by Mikko Lensu are studied. These are referred to as Lensu's Gumbel I, Lensu's Gumbel II and Lensu's superposition method. The analyzed data was measured onboard the Polar Supply and Research Vessel S.A. Agulhas II during its full scale trial to the Bay of Bothnia in March 2012. The main objective of this work is, based on the measured data, to find the most suitable short term prediction model for an operative ice load monitoring system. Furthermore, the objective is to establish, how far in the future it is possible to rather reliably predict future ice loads and how long the observation period should be in order to produce the most accurate ice load prediction. When calculating the ice load prediction, the ice conditions and ship speed are considered as constants. Studies in short term ice load prediction of this extent have not been conducted earlier. The suitability of the statistic distribution models for short term ice load prediction, is studied by comparison of the predicted most probable ice load maxima and the measured maxima of both the observation period and prediction periods of varying length. All three of the Lensu's methods were found more suitable for short term ice load prediction purposes than the exponential, Weibull, Gumbel I or Gumbel II distributions. Based on the graphical observations and the error measures of the calculated predictions, Lensu's Gumbel II prediction model was identified as the most appropriate measure for an operative ice load monitoring system. The most accurate prediction was obtained while the observation period was as long as possible and the prediction period as short as possible. On the basis of prediction error values and graphical analysis, it was found that using observation periods of 60, 90 and 120 minutes, fairly accurate ice load predictions can be generated for a prediction period up to four hours. |
| ED: | 2017-01-08 |
INSSI tietueen numero: 55314
+ lisää koriin
« edellinen | seuraava »
INSSI