메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
권혁천 (충남대학교) 유원선 (충남대학교)
저널정보
대한조선학회 대한조선학회 논문집 대한조선학회논문집 제56권 제6호(통권 제228호)
발행연도
2019.12
수록면
488 - 496 (9page)
DOI
10.3744/SNAK.2019.56.6.488

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
The estimation of block erection work time at a dock is one of the important factors when establishing or managing the total shipbuilding schedule. In order to predict the work time, it is a natural approach that the existing block erection data would be used to solve the problem. Generally the work time per unit is the product of coefficient value, quantity, and product value. Previously, the work time per unit is determined statistically by unit load data. However, we estimate the work time per unit through work time coefficient value from series ships using machine learning. In machine learning, the outcome depends mainly on how the training data is organized. Therefore, in this study, we use ‘Feature Engineering’ to determine which one should be used as features, and to check their influence on the result. In order to get the coefficient value of each block, we try to solve this problem through the Ensemble learning methods which is actively used nowadays. Among the many techniques of Ensemble learning, the final model is constructed by Stacking Ensemble techniques, consisting of the existing Ensemble models (Decision Tree, Random Forest, Gradient Boost, Square Loss Gradient Boost, XG Boost), and the accuracy is maximized by selecting three candidates among all models. Finally, the results of this study are verified by the predicted total work time for one ship among the same series.
#Ensemble learning technique(앙상블 학습 기법) #Block erection work-time(블록 탑재 시수) #Decision tree method(의사 결정 트리) #Feature engineering(특징 추출 공학)

목차

1. 서론
2. 탑재 시수 데이터 분석
3. Ensemble Learning을 통한 품셈 계수 값 예측
4. 결론
References

참고문헌 (12)

참고문헌 신청
정진욱 / 2018 / 함정 초기 설계 단계에서 레이아웃 설계 시 생존성을 고려하기 위한 간이 평가 방법과 애플리케이션 / 대한조선학회 논문집 55(1):9~21 dbpia Baek, T. H. / 1999 / A study on the application of resource leveling heuristic for ship erection scheduling / Korean Institute Of Industrial Engineers 12(3):354~361 google schola Breiman, L. / 1996 / Bagging predictors / Machine Learning 26(2):123~140 google schola Breiman, L. / 1997 / Arcing the edge google schola Breiman, L. / 2001 / Random forests / Machine Learning 45:5~32 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

Basic Design of High-Speed Riverine Craft Made of Carbon Fiber Reinforced Polymer
Zhiqiang Han ,  Jung-kyu Choi ,  Inhyuck Hwang 외 2명 대한조선학회 논문집 2020 .08
GM 및 종경사 변경에 따른 선박의 조종성능변화에 관한 실험적 연구
윤근항 ,  김동진 ,  여동진 대한조선학회 논문집 2020 .08
공기 중 폭발에 의한 함정의 손상반경 간이 계산식 개발
최완수 ,  유원선 ,  이현엽 외 3명 대한조선학회 논문집 2020 .08
심해 환경 하에서 내파 충격파를 받는 내압 선체의 동적 좌굴 평가 기법
노인식 ,  조상래 ,  조윤식 대한조선학회 논문집 2020 .08
선박 초기 설계 단계에서의 강화학습을 이용한 배관경로 설계
신동선 ,  박병철 ,  임채옥 외 3명 대한조선학회 논문집 2020 .08

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2019-538-001294255