پیشبینی برخوردهای دریایی پرخطر در آبراههای باریک و متراکم از طریق یادگیری ماشینی گروهی مبتنی بر خوشه و یادگیری عمیق متوالی
| عنوان | پیشبینی برخوردهای دریایی پرخطر در آبراههای باریک و متراکم از طریق یادگیری ماشینی گروهی مبتنی بر خوشه و یادگیری عمیق متوالی |
|---|---|
| نویسنده | اوروچ، محمد فورکان |
| تاریخ انتشار: | 2024-08-30T14:56:48Z |
| موضوع | حمل و نقل، پردازش داده ها، نوآوری های فناوری، ناوبری، یادگیری ماشینی، یادگیری عمیق (یادگیری ماشین)، مهندسی عمران |
| نوع | سند |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شماره ثبت | 00983221-59f7-46f8-b050-90c754d87d1e |
| محل کتابخانه | گروه مهندسی عمران |
| تاریخ | 2024-08-30T14:56:48Z |
| متن نمونه | این پایان نامه یک چارچوب یادگیری ماشینی برای پیش بینی برخوردهای پرخطر بین کشتی ها قبل از برقراری تماس بصری در آبراهه های باریک و متراکم ارائه می دهد. در این پایان نامه سه بخش وجود دارد. اولین مورد، خوشهبندی برای کاوش برخوردها، دومی برنامه یادگیری ماشینی گروهی برای پیشبینی برخوردهای مخاطرهآمیز بدون فاصله به عنوان یک عامل تصمیمگیری، و سومی، پیشبینی متوالی مبتنی بر یادگیری عمیق برخوردهای پرخطر است. تنگه استانبول (SOI) به عنوان مطالعه موردی عمل می کند. پایگاه داده تعامل کشتی-کشتی با استفاده از پیام های سیستم شناسایی خودکار تاریخی (AIS) ساخته شده است. تعاملات از طریق خوشه بندی تجزیه و تحلیل می شوند تا برخوردهای مخاطره آمیز را با استفاده از درجه نقض دامنه کشتی بررسی کنند. یافتهها تأیید میکنند که طول کشتی و سرعت کشتی میتوانند به عنوان شاخصهای قابل اعتماد برای درک الگوها در برخوردهای پرخطر عمل کنند. نتایج نشان میدهد که نقض دامنه کشتی در یک منطقه خاکستری ظریف وجود دارد، که به جای طبقهبندی سفت و سخت، به بررسی محتاطانه نیاز دارد. بر این اساس، چارچوب یادگیری ماشین مجموعه مبتنی بر خوشهبندی برای پیشبینی برخوردهای نزدیک و غلبه بر عدم تعادل طبقاتی ایجاد شده است. این مدل با موفقیت هر 4 مورد از 5 برخورد خطرناک را بدون اطلاع از فاصله بین دو کشتی پیش بینی می کند. برای نشان دادن کاربرد پیشبینی مواجهه پرخطر در زمان واقعی، یک چارچوب پیشبینی متوالی عملی به عنوان مرحله نهایی معرفی میشود. شبکههای حافظه کوتاهمدت بلند مدت (LSTM) برای پیشبینی برخوردهای پرخطر بر اساس دادههای ناوبری متوالی استفاده میشوند. این روش یک مدل برخورد بهبود یافته را برای شناسایی تعاملات کشتی به کشتی و طبقه بندی آنها به عنوان برخوردهای پرخطر، منطقه خاکستری یا غیرخطرناک بر اساس نقض دامنه کشتی ارائه می دهد. رویکرد توسعهیافته میتواند با آبراههای باریک و پرتراکم بهعنوان ابزاری برای حمایت از تصمیمگیری برای بهبود ایمنی دریایی ادغام شود و میتواند راهنمای کشتیهای خودمختار برای ناوبری ایمن باشد.، öğrenme modeli sunmaktadır. Bu tez üç bölümden oluşmaktadır. İlk bölüm، karşılaşmaların detaylı keşfi için kümelemedir; ikinci bölüm، mesafe faktörünü kullanmaksızın riskli karşılaşmaları tahmin etmek için yapay öğrenme uygulamasıdır; üçüncü bölüm ise riskli karşılaşmaların ardışık derin öğrenmeye dayalı tahminidir. استانبول بوغازی (İB) بیر واکا چالیشماسی اولارک کولانیلمکتادیر. Gemi-gemi karşılaşma veritabanı، geçmiş Otomatik Tanımlama Sistemi (AIS) mesajları kullanılarak oluşturulmuştur. کارشیلاشمالار، جمی آلان ایهلالی میکتارینی کولانارک ریسکلی کارشیلاشمالاری کشفتمک ایچین کوملمه یولویلا آنالیز ادیلمیشتیر. بلگولار، جمی اوزونلوغو و گمی هیزینین ریسكلی كارشیلاشمالاری آنلاماك ایچین گوونیلیر گئوسترگلر اولاراك كولانیلابیله جینی دوغرولاماكتادیر. Sonuçlar، gemi alan ihlalinin nüanslı gri bir bölgede var olduğunu، katı kategorizasyon yerine dikkatli bir düşünce gerektirdiğini göstermektedir. بو تملده، کوملمه تابانلی بیر یاپای اوغرنمه şeması geliştirilerek yakın karşılaşmaları tahmin etmek ve sınıf dengesizliğini aşmak için kullanılmıştır. مدل، iki gemi arasındaki mesafeyi bilmeden riskli karşılaşmaların 5'te 4'ünü başarıyla tahmin etmektedir. Riskli karşılaşma tahmininin gerçek zamanlı uygulanabilirliğini gostermek için son adım olarak pratik bir ardışık tahmin uygulaması tanıtılmıştır. Uzun Kısa Dönemli Hafıza (LSTM) ağları, ardışık navigasyon verilerine dayanarak riskli karşılaşmaları tahmin etmek için kullanılmaktadır. یونتم، کارشیلاشمالاری ریسکلی، گری بولگه ویا ریسکلی اولمایان کارشیلاشمالار اولاراک سینیفلاندیر. Geliştirilen yaklaşım، deniz güvenliğini iyileştirmek için dar ve yoğun suyollarında bir karar destek aracı olarak entegre edilebilir ve güvenli seyir için otonom gemilere bir rehber olabilir. |
