Knowledge of vessel responses to waves is of the utmost importance for vessel operations.The responses affect which routes a vessel can take, what cargo it can carry, theconditions it’s crew will experience and much more. This can pose a problem for performanceoptimisation companies such as GreenSteam, partners in this project, for whomthe vessel transfer functions are generally not available.This project aims to use bayesian machine learning methods to infer transfer functionsand predict vessel responses. Publically available directional wave spectra are combinedwith highfrequencymotion measurements from a vessel to train a model to create thetransfer functions, which can be integrated to get the motions. If successful, this would bea relatively inexpensive method for computing transfer functions on any vessel for whichthe required measurements are available. Though not many vessels measure this datacurrently, the industry is moving towards more data collection, so that number is likely torise.The results identify a number of issues in the available data which must be overcome toproduce usable results from these methods. Though results are not optimal, they show apromising start and a route is proposed for future research in this area. / Kunskap om fartygens gensvar i vågor är av yttersta vikt för alla fartygsoperationer. Gensvarenpåverkar vilka rutter ett fartyg kan ta, vilken last det kan bära, vilka förhållanden besättningenkommer att utsättas för och mycket mer. Vanligen är transferfunktionerna för fartygsrörelserinte tillgängliga vilket utgör ett problem vid prestandaoptimering vilket företagsom GreenSteam, partner i detta projekt, arbetar med.Projektet syftar till att använda Bayesianska maskininlärningsmetoder för att bestämmaöverföringsfunktionerna och förutsäga fartygsgensvar. Offentligt tillgängliga riktningsvågspektrakombineras med högfrekventa rörelsemätningar från fartyg för att träna en modellatt skapa överföringsfunktioner. Funktioner som sen kan användas för att bestämmarörelserna under andra vågförhållanden. Om det lyckas skulle det vara en relativt billigmetod för att beräkna överföringsfunktioner till vilket fartyg som helst där erforderligmätdata finns tillgänglig. Även om de flesta fartyg för närvarande inte mäter rörelser,går branschen mot ökad datainsamling, så antalet fartyg med rörelseinformation kommersannolikt att öka.Resultaten identifierar ett antal krav på tillgänglig data som måste övervinnas för att maskininlärningsmetodernaska ge användbara resultat. Studiens resultat är inte optimala menär en lovande start och en väg framåt föreslås för vidare forskning inom detta område.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-290169 |
| Date | January 2020 |
| Creators | Conall Harrington, John |
| Publisher | KTH, Marina system |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-SCI-GRU ; 2020:269 |
Page generated in 0.0018 seconds