Gemilerde enerji verimliliğinde yapay sinir ağları uygulamaları
Artificial neural networks applications in energy efficiency on ships
- Tez No: 741176
- Danışmanlar: PROF. DR. CENGİZ DENİZ
- Tez Türü: Yüksek Lisans
- Konular: Denizcilik, Marine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Deniz Ulaştırma Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Deniz Ulaştırma Mühendisliği Bilim Dalı
- Sayfa Sayısı: 178
Özet
Enerjiye duyulan ihtiyaçtan dolayı fosil yakıt tüketimi her geçen gün artmaktadır. Bu artış doğal olarak 〖CO〗_2 gazı salınım miktarını da arttırmakta ve doğayı ve insan sağlığını her geçen gün daha fazla tehdit etmektedir. Birleşmiş Milletler 〖CO〗_2 gazı salınımını azaltıcı bir takım önleyici adımlar atmaktadır. Bu bağlamda Birleşmiş Milletler çatısı altında çalışan Uluslararası Denizcilik Örgütü gemilerden kaynaklı 〖CO〗_2 emisyonunu azaltmaya çalışmaktadır. Dünya üzerinde seyir yapan değişik tonajlı 95 bin 402 adet gemi bulunmaktadır. Deniz ticaret hacmi 2018 yılında %2.7, 2019 yılında ise % 2.6 artmıştır. 2019-2024 yılları arasında %3.4 artması beklenmektedir. Her yıl artan gemi sayısı tüketilen yakıt miktarını da yükseltmektedir. 2012 yılında gemilerden salınan 〖CO〗_2 emisyonu 962 milyon ton iken, 2018'de bu miktar %9,3 artarak 1.056 milyon ton 〖CO〗_2 emisyonuna ulaştı. Uluslararası Denizcilik Örgütü tüketilen yakıt miktarını azaltmak için Enerji Verimliliği Dizayn İndeksi(EEDI), Gemi Enerji Verimliliği Yönetim Planı (SEEMP), Enerji Verimliliği İşletim Göstergesi (EEOI), Karbon yoğunluğu İndeksi(CII) ve Enerji Verimliliği Mevcut Gemi İndeksi (EEXI) yürürlüğe geçirdi. Her bir indeks ve yönetim planı geminin dizayn aşamasından sefer sırasında atılacak adımlara kadar bir dizi farklı önlem almaktadır. Ancak gemi ana makinesinin işletimi sırasında yaşanan enerji kayıplarının tespiti ve bu kayıpları önleyici herhangi bir önlem ve uygulama bulunmamaktadır. Tezde, gemi ana makinesinde yaşanan arızalardan kaynaklı enerji kayıpların tespiti için İstanbul Teknik Üniversitesi Denizcilik Fakültesi Simülatör merkezindeki Kongsberg ERS-RTA-II makine simülatöründe bulunan konteyner gemisine ait Sulzer 12RTA84C ana makinesi verilerinden faydalanıldı. Makine simülatöründe bulunan gemi baz alınarak, gemide hiçbir arızanın olmadığı durumda ana makinenin yaktığı yakıt yaklaşık 189,3 tondur. Arıza oranına ve çeşidine bağlı olarak aynı gücü elde etmek için yakılan yakıt miktarı günlük 235 ton seviyelerine kadar gelmektedir. Bu da günlük fazladan 45,7 ton fazla yakıt yakılması anlamına gelmektedir. Bu değer bir yıllık hesaplandığında 16 bin 680 ton yakıt fazladan yakılmakta diğer bir ifadeyle gemi ana makinesi verimli bir şekilde işletilememesi durumunda yıllık 16 bin tondan fazla yakıt 〖CO〗_2 emisyonu olarak atmosfere salınmaktadır. Dünya üzerinde bulunan 95 bin'den fazla gemideki benzer enerji kayıplarının ve emisyon miktarlarındaki artış göz önünde bulundurulduğunda bu enerji kayıplarını minimize etmenin önemi daha iyi anlaşılacaktır. Bölüm 9'da her arıza için ayrı ayrı senaryolar oluşturularak arızalardan kaynaklı enerji kayıpları gösterildi. Şu an işletilen gemilerde arızanın başladığı andan arıza alarmı çalana kadar geçen sürede ki enerji kayıplarının ve arızaların tespiti mümkün değildir. Çalışmada, bu enerji kayıpların önüne geçmek için arızayı ilk başladığı andan itibaren tespit eden ve hangi arıza türünün olduğunu ve yüzdelik olarak yüzde kaç arıza olduğunu tespit eden yapay sinir ağları ile oluştulmuş denetimli makine öğrenmesi modelinden faydalanılmıştır. Yapay sinir ağları, veriler ve bu veriler arasındaki bağlantıyı analiz edebilme yeteğine sahip ve kendini güncelleyebilen algortimalardır. Verilerden öğrenir ve en az hata ile en doğru kararları veren tahminler oluşturur. Yapay sinir ağları bilgisini verilerdeki kalıpları ve ilişkileri tespit ederek toplar ve programlamadan değil deneyim yoluyla eğitilerek öğrenir. Burada sözü edilen veriler ana makineye ait egzoz çıkış sıcaklığı, sıkıştırma basıncı, maksimum basınç, efektif güç, piston yağlama sıcaklığı gibi parametrelerdir. Çalışmada modelin oluşturulması aşamasında 12 farklı arıza türünün her biri için ayrı ayrı 48 parametrenin (simülatörde ana makineye ait tüm parametreler) Yüzde 0'dan (hiç hatanın olmadığı) yüzde 100'e kadar yüzde 5'er lik hata payı ile 21'er kez alınması sonucu 12096 ham (optimitize edilmemiş) veri simülatörden alınarak kaydedildi. Daha sonra verilerin denetimli öğrenme yöntemi ile modellenmesi için veri optimizasyonu yapıldı. Optimizasyondan sonra veriler her biri yapay sinir ağı modeli olan MLP Sınıflandırıcı ve MLP Regresyon modelleriyle eğitildi. Her iki model ile modellenmesinin sebebi modellerin öğrenme oranlarını tespit etmek ve karşılaştırmaktır. Eğitim süreci bittikten sonra MLP Regresyon ile modellendiğinde eğitim veri seti %96.6, test veri seti %92.4 öğrenme oranı başarısı gösterdi. MLP Sınıflandırıcı ile modellendiğinde eğitim veri seti %99, test veri seti %98 öğrenme oranı başarısı gösterdi. Sonuçlar, modelin her iki öğrenme modeli ile de yüksek oranda doğru sonuç verdiğini göstermektedir. Bölüm 8'de iki model içinde modeli oluşturken tercih edilen her bir parametrenin öğrenme oranına etkisi gösterildi ve öğrenme oranına en fazla katkıyı sağlayan parametreler kullanıldı. Eğitim süreci bittikten sonra yüksek öğrenme oranına sahip olması ve çalışmada hata oranları ile parametreler arasında doğrudan bir bağlantı olduğundan dolayı MLP Regresyon modeli ile tahmin yapılmıştır. MLP Regresyon modeline her bir arıza tipinde yeni veriler verilerek yapılan tahminler Bölüm 9'da ve Ekler bölümde bulunmaktadır. Modele geç enjeksiyon zamanı arızası yüzde 5 arıza değerleri verilerek sonucun tahmin edilmesi istenmiş ve sonucu 4,70 olarak, Yüzde 50 arıza oranına yakın değerlerle oluşturulan yeni veri yüzde 49.17 olarak tahmin etti ve gerçek olma ihtimali olmayan aykırı bir veri ile verildiğinde verilen değerlerin gerçekçi olmadığını tespit etmeyi başarmıştır. Diğer arıza tiplerinde de benzer tutarlılıkta tahminler yaptı. Bu modelin kendisine öğretilen veriler dışında ki verileri de doğru bir şekilde tespit ettiğini göstermektedir. Bu sistem denizlerde seyir yapan tüm gemilerde kullanılmaya uygun bir sistemdir. Çalışmanın birincil faydası 〖CO〗_2 emisyonunu azaltması, ikincil faydası fazladan yakılan yakıt miktarını minimize ettiği için yakıt maliyetlerini düşürmektedir. Üçüncül faydası, ana makinada yaşanan arızanın geç farkedilmesini önlediği için, ana makinenin uzun süre arızalı bir şekilde çalışmasının önüne geçmesi ve bu sebeple çalışan hareketli ve hareketsiz parçalarının daha az hasar görmesini sağlamaktadır. Bu da geminin operasyonel masraflarını azaltmakta ve çalışan parça ömrünü arttırmaktadır.
Özet (Çeviri)
Due to the need for energy, fossil fuel consumption is increasing day by day. This increase naturally increases the amount of 〖CO〗_2 gas emission and threatens nature and human health more and more every day. The United Nations is taking some preventive steps to reduce the emission of 〖CO〗_2 gas. In this context, the International Maritime Organization, working under the umbrella of the United Nations, is trying to reduce 〖CO〗_2 emissions from ships. There are 95,402 ships of different tonnages cruising around the world. Maritime trade volume increased by 2.7% in 2018 and by 2.6% in 2019. It is expected to increase by 3.4% between 2019-2024. The number of ships increasing every year also increases the amount of fuel consumed. While the 〖CO〗_2 emission from ships was 962 million tons in 2012, this amount increased by 9.3% and reached 1.056 million tons of〖 CO〗_2 emissions in 2018. The International Maritime Organization has implemented the Energy Efficiency Design Index (EEDI), Ship Energy Efficiency Management Plan (SEEMP), Energy Efficiency Operational Indicator (EEOI), Carbon intensity Index (CII) and Energy Efficiency Existing Ship Index (EEXI) to reduce the amount of fuel consumed. Each index and management plan takes a number of different measures, from the design stage of the ship to the steps to be taken during the voyage. However, there are no measures or practices to detect energy losses during the operation of the ship's main engine and to prevent these losses. In the thesis, Sulzer 12RTA84C main engine data of the container ship in the Kongsberg ERS-RTA-II machine simulator in Istanbul Technical University Maritime Faculty Simulator Center were used to determine the energy losses caused by the failures in the ship's main engine. Based on the ship in the machine simulator, the fuel burned by the main engine is approximately 189.3 tons in the absence of any malfunctions on the ship. Depending on the failure rate and type, the amount of fuel burned in order to achieve the same power reaches up to 235 tons per day. This means that an additional 45.7 tons of fuel is burned daily. When this value is calculated for a year, 16,680 tons of fuel is burned extra, in other words, if the ship's main engine cannot be operated efficiently, more than 16 thousand tons of fuel is released into the atmosphere as 〖 CO〗_2 emissions annually. The importance of minimizing these energy losses will be better understood when considering the similar energy losses and the increase in the amount of emissions in more than 95,000 ships around the world. In Chapter 9, separate scenarios were created for each fault and energy losses due to faults were shown. It is not possible to detect energy losses and malfunctions in the currently operated ships from the moment the malfunction begins until the malfunction alarm sounds. In the study, in order to prevent these energy losses, a supervised machine learning model created with artificial neural networks was used, which detects the fault from the moment it first started and determines what type of fault it is and how many percent it is. Artificial neural networks are self-updating algorithms that are capable of analyzing data and the connection between these data. It learns from data and creates predictions that make the most accurate decisions with the least error. Neural networks gather their knowledge by detecting patterns and relationships in data, and learn by training through experience, not programming. The data mentioned here are parameters such as exhaust outlet temperature, compression pressure, maximum pressure, effective power, piston lubrication temperature of the main engine. In the study, during the creation of the model, 48 parameters (all parameters of the main machine in the simulator) separately for each of the 12 different fault types, from 0 percent (no error) to 100 percent, with a margin of error of 5 percent, 21 times. The result of 12096 raw (not optimized) data was taken from the simulator and recorded. Then, data optimization was performed to model the data with supervised learning method. After optimization, the data was trained with MLP Classifier and MLP Regression models, each of which is an artificial neural network model. The reason for modeling with both models is to determine and compare the learning rates of the models. After the training process was completed, when modeled with MLP Regression, the training data set showed 96.6% and the test data set a 92.4% learning rate success. When modeled with the MLP Classifier, the training data set showed a 99% learning rate success and the test data set a 98% learning rate. The results show that the model gives highly accurate results with both learning models. In Chapter 8, the effect of each preferred parameter on the learning rate was shown while creating the model among the two models, and the parameters that contributed the most to the learning rate were used. After the training process was completed, the estimation was made with the MLP Regression model, since it has a high learning rate and there is a direct connection between the error rates and the parameters in the study. Estimates made by giving new data for each failure type to the MLP Regression model are available in Chapter 9 and Appendices. It was asked to estimate the result by giving late injection time failure 5 percent failure values to the model and the result was estimated as 4.70, the new data created with values close to 50 percent failure rate estimated 49.17 percent and it was determined that the values given were not realistic when given with an outlier data that is unlikely to be true. managed to do. He made predictions of similar consistency for other failure types. This shows that the model correctly identifies the data other than the data taught to it. This system is suitable for use in all ships sailing at sea. The primary benefit of the study is to reduce 〖CO〗_2 emissions, the secondary benefit is to reduce fuel costs as it minimizes the amount of extra fuel burned. The third benefit is that it prevents the main machine from being malfunctioned for a long time, as it prevents the failure of the main machine from being detected late, and therefore, it provides less damage to the working moving and non-moving parts. This reduces the operational costs of the ship and increases the life of the working parts.
Benzer Tezler
- Gemi makine dairesi bakım işlemlerinin verimlilik analizi
Efficiency analysis of maintenance of ship machinery systems
ÇAĞLAR KARATUĞ
Doktora
Türkçe
2023
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
- Gemi sefer yönetiminde enerji verimliliğinin optimizasyonu
The optimization of ship voyage management energy efficiency
ELİF BAL BEŞİKÇİ
Doktora
Türkçe
2015
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZCAN ARSLAN
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Theoretical application analysis of a wind assisted propulsion system (WAPS) 'rotor sails' on the bulk carrier
Rüzgar destekli tahrik sistemlerinden (WAPS) 'rotor sail''in dökme yük gemisinde teorik uygulama analizi
ALTEMUR GÜLEÇ
Yüksek Lisans
İngilizce
2024
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANZER SATIR
- Maneuvering of high speed displacement vessels in regular waves
Yüksek hızlı deplasman gemilerinin düzenli dalgalarda manevraları
DENİZ ÖZTÜRK SARIGÜL
Doktora
İngilizce
2023
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER KEMAL KINACI