{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5311002"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5311002","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Έξυπνα Πλοία: Εφαρμογές Τεχνητής Νοημοσύνης για Προβλεπτική Συντήρηση στη Σύγχρονη Ναυτιλία","abstract":"Η ναυτιλιακή βιομηχανία αποτελεί το μεγαλύτερο θεμέλιο του παγκόσμιου εμπορίου, καθώς μέσω αυτής διακινείται μεγαλύτερο από το 80% των διεθνών εμπορευμάτων. Εντούτοις, η συντήρηση των πλοίων παραμένει μία από τις πιο δαπανηρές και ευάλωτες πτυχές της λειτουργίας τους, αντιπροσωπεύοντας έως και το 30 – 40% των συνολικών λειτουργικών εξόδων. Η ναυτιλία, λοιπόν, εξαρτάται από πολύπλοκα και σημαντικά συστήματα, στα οποία τυχόν αστοχίες οδηγούν σε σημαντικά κόστη, καθυστερήσεις δρομολογίων και κινδύνους για την ασφάλεια του πλοίου αλλά και του πληρώματος. Στο πλαίσιο αυτό πραγματοποιείται μελέτη για την Μηχανική Μάθηση αλλά και για τους αλγορίθμους αυτής, οι οποίοι θα μπορούσαν να βοηθήσουν στη διαδικασία της προβλεπτικής συντήρησης στην ναυτιλία. Πιο συγκεκριμένα, με την αξιοποίηση ενός συνόλου δεδομένων προσομοίωσης λειτουργίας πλοίων και την εφαρμογή αλγορίθμων Μηχανικής Μάθησης, αναπτύσσεται ένα αξιόπιστο και ερμηνεύσιμο σύστημα προβλεπτικής συντήρησης. Για την επιλογή του καταλληλότερου μοντέλου, στη συνέχεια, ακολουθεί ανάλυση των αποτελεσμάτων των μοντέλων Μηχανικής Μάθησης, μέσω των μεθόδων αξιολόγησης, οι οποίες αναφέρονται και παρέχεται ερμηνεία για κάθε ένα από αυτά.","abstract_html":"Η ναυτιλιακή βιομηχανία αποτελεί το μεγαλύτερο θεμέλιο του παγκόσμιου εμπορίου, καθώς μέσω αυτής διακινείται μεγαλύτερο από το 80% των διεθνών εμπορευμάτων. Εντούτοις, η συντήρηση των πλοίων παραμένει μία από τις πιο δαπανηρές και ευάλωτες πτυχές της λειτουργίας τους, αντιπροσωπεύοντας έως και το 30 – 40% των συνολικών λειτουργικών εξόδων. Η ναυτιλία, λοιπόν, εξαρτάται από πολύπλοκα και σημαντικά συστήματα, στα οποία τυχόν αστοχίες οδηγούν σε σημαντικά κόστη, καθυστερήσεις δρομολογίων και κινδύνους για την ασφάλεια του πλοίου αλλά και του πληρώματος. Στο πλαίσιο αυτό πραγματοποιείται μελέτη για την Μηχανική Μάθηση αλλά και για τους αλγορίθμους αυτής, οι οποίοι θα μπορούσαν να βοηθήσουν στη διαδικασία της προβλεπτικής συντήρησης στην ναυτιλία. Πιο συγκεκριμένα, με την αξιοποίηση ενός συνόλου δεδομένων προσομοίωσης λειτουργίας πλοίων και την εφαρμογή αλγορίθμων Μηχανικής Μάθησης, αναπτύσσεται ένα αξιόπιστο και ερμηνεύσιμο σύστημα προβλεπτικής συντήρησης. Για την επιλογή του καταλληλότερου μοντέλου, στη συνέχεια, ακολουθεί ανάλυση των αποτελεσμάτων των μοντέλων Μηχανικής Μάθησης, μέσω των μεθόδων αξιολόγησης, οι οποίες αναφέρονται και παρέχεται ερμηνεία για κάθε ένα από αυτά.","abstract_has_math":false,"creators":["Κορωναίος Ιορδάνης Ραφαήλ","Koronaios Iordanis Rafail"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:45Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311002"],"render_values":[{"text":"uoadl:5311002","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311002","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311002","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5311002","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κορωναίος Ιορδάνης Ραφαήλ","Koronaios Iordanis Rafail"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311002","https://pergamos.lib.uoa.gr/uoa/dl/object/5311002"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ναυτιλιακή βιομηχανία αποτελεί το μεγαλύτερο θεμέλιο του παγκόσμιου εμπορίου, καθώς μέσω αυτής διακινείται μεγαλύτερο από το 80% των διεθνών εμπορευμάτων. Εντούτοις, η συντήρηση των πλοίων παραμένει μία από τις πιο δαπανηρές και ευάλωτες πτυχές της λειτουργίας τους, αντιπροσωπεύοντας έως και το 30 – 40% των συνολικών λειτουργικών εξόδων. Η ναυτιλία, λοιπόν, εξαρτάται από πολύπλοκα και σημαντικά συστήματα, στα οποία τυχόν αστοχίες οδηγούν σε σημαντικά κόστη, καθυστερήσεις δρομολογίων και κινδύνους για την ασφάλεια του πλοίου αλλά και του πληρώματος. Στο πλαίσιο αυτό πραγματοποιείται μελέτη για την Μηχανική Μάθηση αλλά και για τους αλγορίθμους αυτής, οι οποίοι θα μπορούσαν να βοηθήσουν στη διαδικασία της προβλεπτικής συντήρησης στην ναυτιλία. Πιο συγκεκριμένα, με την αξιοποίηση ενός συνόλου δεδομένων προσομοίωσης λειτουργίας πλοίων και την εφαρμογή αλγορίθμων Μηχανικής Μάθησης, αναπτύσσεται ένα αξιόπιστο και ερμηνεύσιμο σύστημα προβλεπτικής συντήρησης. Για την επιλογή του καταλληλότερου μοντέλου, στη συνέχεια, ακολουθεί ανάλυση των αποτελεσμάτων των μοντέλων Μηχανικής Μάθησης, μέσω των μεθόδων αξιολόγησης, οι οποίες αναφέρονται και παρέχεται ερμηνεία για κάθε ένα από αυτά.","The shipping industry is the largest foundation of global trade, as more than 80% of international goods are transported through it. However, ship maintenance remains one of the most expensive and vulnerable aspects of their operation, representing up to 30 – 40% of total operating costs. Shipping, therefore, depends on complex and important systems, in which any failures lead to significant costs, delays in routes and risks to the safety of the ship and the crew. In this context, a study is being carried out on Machine Learning and its algorithms, which could help in the process of predictive maintenance in shipping. More specifically, by utilizing a set of ship operation simulation data and applying Machine Learning algorithms, a reliable and interpretable predictive maintenance system is being developed. To select the most appropriate model, an analysis of the results of the Machine Learning models follows, through the evaluation methods, which are mentioned and an interpretation is provided for each of them."]},{"key":"dc:title","label":"Title","values":["Έξυπνα Πλοία: Εφαρμογές Τεχνητής Νοημοσύνης για Προβλεπτική Συντήρηση στη Σύγχρονη Ναυτιλία"]}]}],"canonical_facts":{"dc:creator":["Κορωναίος Ιορδάνης Ραφαήλ","Koronaios Iordanis Rafail"],"dc:date":["2025"],"dc:description":["Η ναυτιλιακή βιομηχανία αποτελεί το μεγαλύτερο θεμέλιο του παγκόσμιου εμπορίου, καθώς μέσω αυτής διακινείται μεγαλύτερο από το 80% των διεθνών εμπορευμάτων. Εντούτοις, η συντήρηση των πλοίων παραμένει μία από τις πιο δαπανηρές και ευάλωτες πτυχές της λειτουργίας τους, αντιπροσωπεύοντας έως και το 30 – 40% των συνολικών λειτουργικών εξόδων. Η ναυτιλία, λοιπόν, εξαρτάται από πολύπλοκα και σημαντικά συστήματα, στα οποία τυχόν αστοχίες οδηγούν σε σημαντικά κόστη, καθυστερήσεις δρομολογίων και κινδύνους για την ασφάλεια του πλοίου αλλά και του πληρώματος. Στο πλαίσιο αυτό πραγματοποιείται μελέτη για την Μηχανική Μάθηση αλλά και για τους αλγορίθμους αυτής, οι οποίοι θα μπορούσαν να βοηθήσουν στη διαδικασία της προβλεπτικής συντήρησης στην ναυτιλία. Πιο συγκεκριμένα, με την αξιοποίηση ενός συνόλου δεδομένων προσομοίωσης λειτουργίας πλοίων και την εφαρμογή αλγορίθμων Μηχανικής Μάθησης, αναπτύσσεται ένα αξιόπιστο και ερμηνεύσιμο σύστημα προβλεπτικής συντήρησης. Για την επιλογή του καταλληλότερου μοντέλου, στη συνέχεια, ακολουθεί ανάλυση των αποτελεσμάτων των μοντέλων Μηχανικής Μάθησης, μέσω των μεθόδων αξιολόγησης, οι οποίες αναφέρονται και παρέχεται ερμηνεία για κάθε ένα από αυτά.","The shipping industry is the largest foundation of global trade, as more than 80% of international goods are transported through it. However, ship maintenance remains one of the most expensive and vulnerable aspects of their operation, representing up to 30 – 40% of total operating costs. Shipping, therefore, depends on complex and important systems, in which any failures lead to significant costs, delays in routes and risks to the safety of the ship and the crew. In this context, a study is being carried out on Machine Learning and its algorithms, which could help in the process of predictive maintenance in shipping. More specifically, by utilizing a set of ship operation simulation data and applying Machine Learning algorithms, a reliable and interpretable predictive maintenance system is being developed. To select the most appropriate model, an analysis of the results of the Machine Learning models follows, through the evaluation methods, which are mentioned and an interpretation is provided for each of them."],"dc:identifier":["uoadl:5311002","https://pergamos.lib.uoa.gr/uoa/dl/object/5311002"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Έξυπνα Πλοία: Εφαρμογές Τεχνητής Νοημοσύνης για Προβλεπτική Συντήρηση στη Σύγχρονη Ναυτιλία"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:45Z"}