인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
With growing pressure from the International Maritime Organization (IMO) to reach net-zero emissions by 2050, accurate prediction of ship Fuel Oil Consumption (FOC) has become increasingly important. Although numerous deep learning-based FOC prediction models have been proposed, studies targeting twin-screw ships remain scarce. In this paper, we propose a dual-branch deep learning architecture for multi-step FOC prediction of twin-screw ships, designed to capture the distinct operational characteristics of the port and starboard propulsion shafts. Each branch independently encodes feature-axis relationships using a Multi-Layer Perceptron (MLP) encoder and temporal patterns using a Gated Recurrent Unit (GRU) encoder. A Squeeze-and-Excitation (SE) block is employed to adaptively fuse the encoded representations, and an autoregressive GRU decoder then generates multi-step FOC predictions. The model is trained on five months of operational data from a RO-RO passenger ship navigating the Gunsan–Shidao route, supplemented with wave data from the Copernicus Marine Environment Monitoring Service (CMEMS). Experiments under various prediction conditions demonstrate that the proposed model consistently outperforms nine baseline models, including LSTM, GRU, transformer variants, and recent hybrid architectures, across the RMSE, MAE, and MAPE metrics.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
