Yazar
Oruç, Muhammet Furkan
Basım Tarihi
2024-08-30T14:56:48Z
Konu
Nakliye, Veri işleme, Teknolojik yenilikler, Navigasyon, Makine öğrenimi, Derin öğrenme (Makine öğrenimi), İnşaat mühendisliği
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
00983221-59f7-46f8-b050-90c754d87d1e
Lokasyon
İnşaat Mühendisliği Bölümü
Tarih
2024-08-30T14:56:48Z
Örnek Metin
Bu tez, gemiler dar ve sıkışık su yollarında görsel temas kurmadan önce gemiler arasındaki riskli karşılaşmaları tahmin etmek için bir makine öğrenimi çerçevesi sağlar. Bu tezde üç bölüm bulunmaktadır. Bunlardan ilki, karşılaşmaların araştırılması için kümeleme, ikincisi, karar faktörü olarak mesafe olmadan riskli karşılaşmaları tahmin etmek için toplu makine öğrenimi uygulaması ve üçüncüsü, riskli karşılaşmaların sıralı derin öğrenme tabanlı tahminidir. İstanbul Boğazı (SOI) bir örnek çalışma olarak hizmet vermektedir. Gemi-gemi etkileşim veri tabanı, geçmiş Otomatik Tanımlama Sistemi (AIS) mesajları kullanılarak oluşturulmuştur. Etkileşimler, gemi alanı ihlalinin derecesi kullanılarak riskli karşılaşmaları keşfetmek için kümeleme yoluyla analiz edilir. Bulgular, gemi uzunluğunun ve gemi hızının, riskli karşılaşmalardaki kalıpları anlamak için güvenilir göstergeler olarak kullanılabileceğini doğrulamaktadır. Sonuçlar, gemi etki alanı ihlalinin incelikli bir gri bölge içinde bulunduğunu ve katı bir kategorizasyon yerine dikkatli bir değerlendirme gerektirdiğini göstermektedir. Bu temelde, yakın karşılaşmaları tahmin etmek ve sınıf dengesizliğinin üstesinden gelmek için kümeleme tabanlı topluluk makine öğrenmesi çerçevesi geliştirilmiştir. Model, iki gemi arasındaki mesafe bilgisi olmadan 5 riskli karşılaşmanın 4'ünü başarıyla tahmin etmektedir. Riskli karşılaşma tahmininin gerçek zamanlı olarak uygulanabilirliğini göstermek için son adım olarak pratik bir sıralı tahmin çerçevesi tanıtılmıştır. Uzun Kısa Süreli Bellek (LSTM) ağları, sıralı navigasyon verilerine dayanarak riskli karşılaşmaları tahmin etmek için kullanılır. Metodoloji, gemiler arası etkileşimleri tanımlamak ve bunları gemi alanı ihlallerine dayalı olarak riskli, gri bölge veya risksiz karşılaşmalar olarak sınıflandırmak için geliştirilmiş bir karşılaşma modeli sunar. Geliştirilen yaklaşım, deniz güvenliğini artırmak için bir karar destek aracı olarak dar ve sıkışık su yollarına entegre edilebilmekte ve otonom gemilere güvenli seyrüsefer için bir rehber olabilmektedir. Bu tez üç bölümden oluşmaktadır. İlk bölüm, karşılaşmaların detaylandırılması için kümelenmedir; ikinci bölüm, mesafe faktörünü kullanmadan karşılaşmaları tahmin etmek için yapay öğrenme uygulamasıdır; Üçüncü bölümde ise karşılaşmaların ardışık derin dağılıma dayalı tahmindir. İstanbul Boğazı (İB) bir vaka çalışması olarak kullanılmaktadır. Gemi-gemi karşılaşma verisi, geçmiş Otomatik Tanımlama Sistemi (AIS) bilgilerinin içeriği. Karşılaşmalar, gemi alan genişleme miktarını kullanarak karşılaşmaları ayrılmak için kümelenme yoluyla analiz edilmiştir. Bulgular, gemi uzunluğu ve gemi hızının gösterilebilmesi için güvenilir göstergeler olarak kullanılabileceğini doğrulamaktadır. Sonuçlar, gemi alanının nüanslı gri bir bölgede var olduğunu, katı kategorizasyon yerine dikkatli bir düşünce gelişimini göstermektedir. Bu bileşim, kümeleme tabanlı bir yapay öğrenme güncelleme geliştirilerek yakın karşılaşmaları tahmin etmek ve sınıf dengesizliğinin aşılması için kullanıldı. Model, iki gemi arasındaki mesafeyi bilmeden karşılaşmaların 5'te 4'ünü başarıyla tahmin etmektedir. Riskli karşılaşma tahmininin gerçek zamanlı uygulanabilirliğini göstermek için son adım olarak pratik bir ardışık tahmin uygulaması tanıtılmıştır. Uzun Kısa Dönemli Hafıza (LSTM) ağları, ardışık navigasyona dayanılarak karşılaşmaları tahmin etmek için kullanılmaktadır. Yöntem, karşılaşmaları, gri bölge veya yaşanmayan karşılaşmalar olarak sınıflandırır. Geliştirme planı, deniz maliyetleri için dar ve yoğun suyollarında bir karar destek aracı olarak entegre edilebilir ve güvenli seyir için otonom gemilere bir rehber olabilir.
