Geri Dön

Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi

Analysis of container port operations using machine learning methods

PDF İndir

  1. Tez No: 721475
  2. Yazar: ÜSTÜN ATAK
  3. Danışmanlar: PROF. DR. YASİN ARSLANOĞLU, PROF. DR. TOLGA KAYA
  4. Tez Türü: Doktora
  5. Konular: Deniz Bilimleri, Denizcilik, Kazalar, Marine Science, Marine, Accidents
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Deniz Ulaştırma Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Deniz Ulaştırma Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 102

Özet

Deniz taşımacılığında seyir planlaması ve operasyon ile ilgili tahmin yürütebilmek için farklı türde veri kullanılabilmektedir. Hava durumu, yük bilgileri ve gemi özellikleri gibi verilerin uygun sistemler ile toplanıp analiz edilmesi enerji verimliliği sağlanması açısından değerli çıkarımlar yapılabilmesine olanak sağlayabilmektedir. Tıpkı elektronik seyir sistemleri ve yardımcılarında olduğu gibi elde edilecek verinin yenilikçi yöntemler ile operasyon sürecine dahil edilmesiyle birlikte deniz taşımacılığının güvenli, emniyetli ve uygun maliyetli bir şekilde tamamlamasına katkı sağlanabilmektedir. Öte yandan, veri bilimi uygulamaları farklı sektör uygulamaları ile son yıllarda yaygınlığını artırmaya başlamıştır. Uzman ya da analiz yapan kişiler yeterli ve doğru veri ile hesaplamalar yapabilmek için farklı yöntemleri kullanabilmektedir. Bu doğrultuda, ekipman ya da insan tarafından üretilen veri ile sistem davranış modellemesi yapılabilmektedir. Büyük veri, müşteri deneyimi analizlerinden veri madenciliği araçlarına kadar paydaşlara çeşitli çözümler sunabilmektedir. Operasyon verimliliği, sürücü destek sistemleri, tahminleyici bakım ve makine öğrenmesi uygulamaları ile çeşitli uygulama alanlarında çalışmalar bulunmaktadır. Benzer şekilde denizcilik sektörü uygulamaları sayesinde akıllı çözümler paydaşlara enerji tasarrufu ile birlikte uygun maliyetli seçenekler sunabilmektedir. Ayrıca, veri madenciliği çözümleri sayesinde daha büyük miktarda verinin üretildiği liman operasyonları için değerli analizler ve geliştirme hedefleri sağlanabilmektedir. Limana varış ve bekleme süresi tahmini yanı sıra yakıt tüketim hesabı ile hava kirliliğini azaltmak için gerçek zamanlı veri uygulamaları konteyner terminallerinde etkin makine öğrenmesi çözümlerinin ana başlıkları olarak değerlendirilebilir. Konteyner terminal operasyonları sayesinde toplanan veriler ve diğer kaynaklar kullanılarak değişik etkiye sahip kazalar ile beklenmeyen olayları tahmin etmek için uygulanan farklı makine öğrenmesi yöntemleri bulunmaktadır. Veri madenciliği ya da makine öğrenmesi yöntemleriyle kaza tahmini konusunda geçmiş operasyon verisi ile çeşitli uygulamalar bulunmaktadır. Veri kullanan modellerin uygulanmasına örnek olarak güvenlik ile ilgili senaryolarda karar desteği sağlamak için sondaj platformundaki makine öğrenmesi tekniklerine dayalı bir risk değerlendirmesi yaklaşımı önerilmiştir. Bununla beraber, Deniz İpek Yolu ile ilgili meydana gelen deniz kazalarını değerlendirmek için kaza raporlarından elde edilen verilerle Bayes merkezli bir risk analizi yaklaşımı kullanılmıştır. Ayrıca, Bulanık Bilişsel Harita tabanlı teknik kullanarak deniz kazalarında unsurlar arasındaki ilişkileri araştırmak için geçmiş veriler incelenmiştir. Bu kapsamda, geçmiş konteyner operasyon verisi ve kaza raporları analiz edilerek makine öğrenmesi yöntemleri ile konteyner terminalinde kaza olarak sınıflandırılan olayları tahmin etme hedeflenmiştir. Destek Vektör Makinesı, Kernel Destek Vektör Makinesı, En Yakın K Komşu, Hafif Gradyan Artırma Makineleri, Aşırı Gradyan Artırma, Lojistik ve Naive Bayes sınıflandırma yöntemlerinden oluşan makine öğrenmesi teknikleri, kazaya yol açabilecek operasyonları tahmin etme amacıyla kullanılmıştır. Kazalara bağlı operasyon faaliyetlerinin sınıflandırması, terminal operasyon sisteminden alınan veri ve kaza raporları ile belirlenmiştir. Veri seti her biri ekipman kapasitesi, hava durumu verileri ve konteyner elleçleme sürelerine kapsayan 32 ayrı liman seferini içermektedir. Değişken olarak 16 kaza durumu ve 16 normal operasyon arasından 16.651 satır veri kullanılmıştır. Sonuçlar KNN, LightGBM ve XGBoost'un kaza tahmini için 0,97'nin üzerinde uygun bir sınıflandırma doğruluğuna sahip olduğunu göstermiştir. Ayrıca LightGBM, terminalde“1”olarak mükemmel kesinlik performansı sergilemiştir. Bu sonuç kaza tahmini çalışması için mükemmel bir sınıflandırma olarak adlandırılabilir. Tez çalışmasının ikinci uygulaması olan kargo elleçleme zamanının makine öğrenmesi yöntemleri ile tahmin edilmesi enerji verimliliği ve konteyner iş hacminin artmasına olanak sağlayabileceği düşünülmektedir. Ayrıca, kargo elleçleme süresi tahmini gemilere ve liman işletmecilerine bir sonraki sefer planlamasını öngörmede yardımcı olabilmektedir. Çalışma veri seti mobil ve gemiden kıyıya vinçlerin konteyner hareketleri, gemi özellikleri, sıcaklık, rüzgar hızı ve kargo ağırlıklarını içermektedir. Aşırı Gradyan Artırma, Bayes Ridge, Ridge Regresyon, Gradyan Artırma, Hafif Gradyan Artırma Makineleri, Rastgele Orman, AdaBoost, Huber ve Çoklu Doğrusal Regresyon teknikleri beş yıllık kargo operasyonu kapsayan 869 adet liman seferinden oluşan operasyon verilerinin analiz edilmesinde kullanılmıştır. Model tahminlerini doğrulamak için eğitim ve test veri setlerinin yanı sıra literatürde sıklıkla kullanılan hata ölçümleri kullanılmıştır. Bulgular AdaBoost dışındaki makine öğrenmesi modellerinin 0,87-0,88 R-kare, 0,03-0,06 aralığındaki ortalama mutlak hata ve 0,05-0,08 arası kök ortalama kare hata ile tahmin hesaplamasını gerçekleştirmiştir. Konteyner taşımacılığı yük elleçleme işlemleri ve kapasite planlamasının optimize edilmesi doğrultusunda liman otomasyon teknolojilerinden faydalanmak yarar sağlayabilmektedir. Operasyon verilerini analiz eden geleneksel yöntemlerin farklı tipte konteyner taşıyan gemilerin karmaşık operasyonları için istenilen sonuçları elde etmekte yeterli olamadığı durumlar ortaya çıkabilmektedir. Terminal operasyon sistemi çözümleriyle işçilik maliyetleri, güvenlik ve elleçleme süreçleri ile gelişmiş planlamalarda verimli ve ucuz yük operasyonları elde edilebileceği düşünülmektedir. Bu kapsamda, konteyner gemisi kargo operasyon süresi liman yönetimi açısından büyük önem taşımaktadır. Yenilikçi makine öğrenmesi yöntemleri ve geçmiş operasyon veri seti kullanılarak doğruluğu yüksek modeller tez çalışması kapsamında ortaya çıkarılmıştır. Elde edilen sonuçlar ve modeller çerçevesinde, terminal operasyon sistemi ile bütünleşmiş veri işleme çözümleri analitik yaklaşım sayesinde insan hatasının önlenmesi, enerji tüketimi tahmini ve riskle ilgili durumların analiz edilmesi sağlanabilir. Özellikle artan iş hacmi ve ekipman kapasitesi sebebi ile yoğunluğu artan konteyner terminallerinde kazaların önceden tahmin edilmesi büyük önem taşımaktadır. Bu kapsamda, insan davranışları üzerinde etkisi olabilecek hava durumu ile alakalı faydalı çıkarımlar sağlamıştır. Ayrıca mevsimsel değişen yük taleplerini makine öğrenmesi yöntemlerine entegre ederek yüksek tahmin başarısına sahip modeller sunulmuştur.

Özet (Çeviri)

In maritime transportation, data is used to plan navigation and optimise cargo operation variously. Essential data might be collected through novel data acquisition methods to contribute to the safe, secure, and cost-effective completion of maritime transportation. For example, energy efficiency calculation could be completed relevant data such as weather, navigation, and cargo information. Furthermore, data from current or previous operations can be used to help understand and plan cargo operations. Estimation of berthing time, container allocation, cargo handling time forecast, accident prediction, and volume/storage estimation are some of examples of machine learning applications in port operations. In this scope, forecasting or predictive modeling could be used to provide a decision support and risk management system. The prediction of arrival times of vessels plays a vital role in berthing allocation and cargo operation planning. In this manner, the estimated time of arrivals and its effects on container terminal operation were calculated with a data mining approach. The results showed that the Random Forest model had higher prediction accuracy and was beneficial to increase the performance of the cargo planning. The optimizing problem of a vessel schedule was studied to minimize total emission and turnaround time. The scheduling problem was formulated with stochastic methods by a simulation-based approach. The result proved that the optimal scheduling plan could be achieved by a non-linear programming approach. Another application of the machine learning method on energy consumption prediction was conducted for Jingtang Port in China. Five different machine learning techniques with 15 variables were used to predict the energy consumption of vessels in port. The model improved the efficiency of the vessels by reducing energy consumption by 34.17% at berth and 8.41% at the port. The idea of accident prediction with a novel data mining technique relies on historical operation data. A risk assessment approach based on machine learning techniques in an Oil & Gas drilling rig was proposed to achieve decision-making support for safety-related situations as an example of the implementation of data-driven models. The authors used a Bayesian network (BN) based risk analysis approach with data collected manually from accident reports to evaluate Marine Silk Road (MSR) relevant maritime accidents. A historic accident dataset with expert opinion was used to investigate the relationships between accident contributors in marine accidents using a new Fuzzy Cognitive Map (FCM). Using a variety of data generated by container terminal operations, several machine learning algorithms can predict abnormal events in terms of minor or major accidents. A data-driven approach to finding the most influential human factors in maritime accidents is another example of a data-driven approach to accident prediction studies in maritime transportation. The results show that the suggested method, which incorporates Random Forest (RF) and Multiclass Support Vector Machines with Boolean Kernels (MSVM-BK), can accurately identify the type of accident based on the contributing factors. Through maritime accident analysis, a data-driven Bayesian network (BN) was employed to identify the effect of human factors. To simulate the interdependency among the risk affecting elements, the authors developed a Tree Augmented Network (TAN) model. The model was validated using sensitivity analysis and past accident data. The studies revealed that vessel age, operation, voyage segment, information, and vessel condition are all important risk variables for different types of accidents. A data mining approach was implemented to examine tugboat incidents. There are 496 accident records in the dataset, which were analyzed using logistic regression and decision tree techniques. With a prediction accuracy of 71-73 percent, tugboat propulsion types were found to be the most essential and influential elements. To analyze navigation-related accidents, maritime accidents and AIS data from Norwegian waters were investigated. To evaluate the dataset, the authors' utilized correspondence analysis, F-test, and multivariate logistic regression. The findings revealed that vessel types, lengths, visibility conditions, and the vessel's flag state all enhanced the likelihood of this occurrence. The final model of the study explains 38.4% of the variance in the dependent variable. A data-driven approach was proposed to accident reports to investigate a database of oil tanker non-conformities that could potentially cause to accidents in Turkey from 2006 to 2019. The study aimed to predict and rank non-conformities in the oil tanker database using WAKE software and classification trees, decision rules, Bayesian networks, and logistic regression methods. Furthermore, the authors claimed that Logistic, Rule (OneR), and Tree-J48 approaches outperformed Naive Bayes in terms of predicting the ordering of non-conformities. Using machine learning classification approaches, data-driven models were developed to predict container terminal accidents using historical operation dataset in this study. The classification of accident-related cargo activities was determined using data received from the terminal operating system and accident reports from a sample container terminal. The dataset includes 32 separate port-of-calls, each with vessel capacity, weather data, and container handling times. The features were chosen from 16 accident cases and 16 normal operations, representing 16,651 rows, to avoid an unbalanced classification dataset. The results show that three different methods that KNN, LightGBM, and XGBoost have remarkable classification accuracy of 97% for prediction. Moreover, LightGBM performed perfect precision as“1”which would be called a perfect classification for accident prediction tasks. Precision and accuracy metrics, as well as AUC values, are utilized to compare the findings to previous accident prediction studies. The machine learning-based accident prediction study conducted in a container terminal has an accuracy of 98.3 percent for one-hour intervals and 76.5 percent for one-day intervals. The XGBoost model which achieved an AUC of 89 percent for accident type prediction in railroads was achieved. The authors compared machine learning and deep learning models to analyze real-time crash occurrence as another example of accident prediction with machine learning. With meteorological and real-time traffic data acquired from the Attica Tollway in Greece, the final models had an accuracy of 68.95 percent and an AUC of 0.641. Compared to other published studies, more precise results were obtained in this study. For example, results with better precision metrics of 0.97 to 1 were found. Furthermore, the accuracy of the LightGBM, XGBoost, and KNN models is more than 97 percent compared to the previous studies for one-day time intervals. The suggested models also outperformed prior models in terms of metrics, having an AUC of 0.974. XGBoost model outperformed the others with an accuracy of 0.97 and a precision of 0.99. The XGBoost algorithm was found to be suitable for accident forecasting not just for railways, but also for the maritime domain in this study. The SVM model, on the other hand, performed worse in comparison to a previous study conducted. The four best models have better recall scores of 0.92 when compared to other deep learning models for traffic accidents. As the second part of the study, advanced planning of cargo handling operation is necessary to improve vessel port stay time and reduce emissions. Due to improved vessel cargo capacity and handling equipment capability, traditional decision-making processes could be replaced by intelligent applications. Due to growing cargo quantity and specifications, port authorities are usually unable to calculate cargo handling hours by dividing the entire amount of cargo by the average hourly handling amounts. Additionally, a diverse cargo demand could lead to port congestion or inefficiency. Machine learning applications could assist decision-makers in better understanding seasonal changes, vessel capacity, and service routes. In this context, the objective of the article is to use machine learning approaches to estimate cargo handling time using container operation data and weather information. Container movements of mobile and ship to shore (STS) cranes, vessel particulars, temperature, wind speed, and cargo weights are used for the prediction task. Cargo operations were analyzed using Extreme Gradient Boosting, Bayesian Ridge, Ridge, Gradient Boosting, Light Gradient Boosting Machine, Random Forest, AdaBoost, Huber, and Multiple Linear Regression techniques. The findings show that machine learning models other than AdaBoost Regressor have performed regression with 0.87 to 0.88 R-squared, 0.03 to 0.06 mean absolute errors, and 0.05 to 0.08 root mean square error for cargo handling time prediction. The final models of the study have promising results when compared to previous studies. The authors proposed a model with Long Short-Term Memory (LSTM) Recurrent Neural Networks (RNNs) using Automatic Identification System (AIS). The authors achieved average vessel service time prediction with MSE ranging from 0.01 to 0.04. In similar, the authors achieved a model that has RMSE of 28.22 for unloading and 19.99 for loading prediction of turnaround time. The proposed models of machine learning applications with sample terminals outperformed prior models in terms of metrics. The machine learning models would help to determine not only the vessel's cargo operation duration and accident prediction but also the port's energy consumption forecast. If available, port managers might integrate the model into the terminal operating system or other intelligent software to forecast energy use, CO2 emissions, and cold ironing load planning. Furthermore, accurate cargo handling time calculations could assist port efficiency in the scope of berth scheduling problems and cargo equipment dispatches, such as terminal tractors or cargo handling equipment. Given operational intelligence, enhanced cargo handling time estimation would be advantageous for port worker assignment. Machine learning algorithms could be used to predict the number of necessary port workers prior to cargo operation planning.

Benzer Tezler

  1. Tez No

    905408

    Parking space optimization for efficient and effective ro-ro terminal operations

    Verimli ve etkin ro-ro terminal operasyonları için park alanı optimizasyonu

    HASAN GÖLER

    Doktora

    İngilizce

    İngilizce

    2024

    DenizcilikPiri Reis Üniversitesi

    Deniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. ERGÜN DEMİREL

  2. Tez No

    671339

    Energy efficiency oriented model based investigation of marine diesel engine and auxiliary systems

    Enerji verimliliğine yönelik gemi dizel makineleri ve yardımcı sistemlerinde modelleme tabanlı araştırma

    ÇAĞLAR DERE

    Doktora

    İngilizce

    İngilizce

    2021

    Gemi Mühendisliğiİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    PROF. DR. CENGİZ DENİZ

  3. Tez No

    671991

    Konteyner limanlarında iş sağlığı ve güvenliği uygulamalarının bulanık tabanlı yöntemlerle değerlendirilmesi

    Evaluation of occupational health and safety implementation in container ports by fuzzy based methods

    SEYHUN ÇOBAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    DenizcilikZonguldak Bülent Ecevit Üniversitesi

    Deniz İşletmeleri Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HAKAN DEMİREL

  4. Tez No

    803847

    Kuzeydoğu Marmara Bölgesi'nde konteyner yük talep tahmini ve yönetimi

    Container load demand forecast and management in the North East Marmara Region

    YUSUF BAYKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    DenizcilikKocaeli Üniversitesi

    Denizcilik İşletmeleri Yönetimi Ana Bilim Dalı

    DOÇ. DR. MURAT YORULMAZ

  5. Tez No

    875835

    Ro-Ro gemi operasyonlarında optimizasyon modeli

    Optimization model in Ro-Ro vessel operations

    BERK MERCAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Denizcilikİstanbul Teknik Üniversitesi

    Denizcilik Çalışmaları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BAYRAM BARIŞ KIZILSAÇ

    PROF. DR. DİLAY ÇELEBİ GONIDIS

Geri Dön