Global ETD Search

1	Maskininlärning för Prediktion av Fartygsvibrationer : En jämförelsestudie av Random forest,Gradient boosting och Neurala nätverk Tvinghagen, Fredrik, Queckfeldt, Jonathan January 2024 (has links) Syftet med detta projekt är att utveckla en prediktiv modell för att förutsäga fartygsvibrationer baserat på historisk mätdata från lastfartyg. Projektet fokuserar på att använda maskininlärningsmetoder för att förutspå amplituden av vibrationer och identifiera de mest relevanta variablerna för modellens prediktiva förmåga. De undersökta metoderna inkluderar random forest, gradient boosting och neurala nätverk. Resultaten visar att random forest-modellen presterar bäst utifrån prestandamåtten: medelkvadratfelet (MSE), genomsnittliga absoluta felet (MAE) och genomsnittliga procentuella felet (MAPE). Projektet bidrar till en djupare förståelse av maskininlärningens användningsområden för en mer hållbar sjöfart. Syftet är att ge ett underlag till att potentiellt reducera vibrationer som påverkar fartygens komfort och strukturella integritet. machine learning regression gradient boosting neural network random forest Maskininlärning vibrationer fartyg fartygsvibrationer beräkningsvetenskap prediktion Vehicle Engineering Farkostteknik Computer Sciences Datavetenskap (datalogi) Computer Engineering Datorteknik