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
Sung Boo Park (Pusan National University) Seong Yun Shin (Pusan National University) Kwang Hyo Jung (Pusan National University) Byung Gook Lee (Dongseo University)
저널정보
한국해양공학회 한국해양공학회지 한국해양공학회지 제35권 제5호(통권 제162호)
발행연도
2021.10
수록면
336 - 346 (11page)

이용수

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

초록· 키워드

오류제보하기
The prediction of wave conditions is crucial in the field of marine and ocean engineering. Hence, this study aims to predict the significant wave height through machine learning (ML), a soft computing method. The adopted metocean data, collected from 2012 to 2020, were obtained from the Korea Institute of Ocean Science and Technology. We adopted the feedforward neural network (FNN) and long-short term memory (LSTM) models to predict significant wave height. Input parameters for the input layer were selected by Pearson correlation coefficients. To obtain the optimized hyperparameter, we conducted a sensitivity study on the window size, node, layer, and activation function. Finally, the significant wave height was predicted using the FNN and LSTM models, by varying the three input parameters and three window sizes. Accordingly, FNN (W48) (i.e., FNN with window size 48) and LSTM (W48) (i.e., LSTM with window size 48) were superior outcomes. The most suitable model for predicting the significant wave height was FNN(W48) owing to its accuracy and calculation time. If the metocean data were further accumulated, the accuracy of the ML model would have improved, and it will be beneficial to predict added resistance by waves when conducting a sea trial test.
#Machine learning #Significant wave height #Korea Strait #Feedforward neural network #Long short-term memory #Pearson correlation coefficient

목차

ABSTRACT
1. Introduction
2. Collection of Metocean Data andStatistical Analysis
3. Machine Learning (ML) Methodology
4. Results of Significant Wave Height Predictions Using the ML Model
5. Conclusion
References

참고문헌 (26)

참고문헌 신청
Ahn, S. (2016). Deep Learning Architectures and Applications. Journal of Intelligence and Information Systems, 22 (2), 127‒142. google schola Cho, T. (2020). Deep Searning for Everyone (2nd ed.). Gibut, ISBN 979-11-6521-039-7, 368. google schola Deo, M.C., Jha, A., Chaphekar, A.S., & Ravikant, K. (2001). Neural Networks for Wave Forecasting. Ocean Engineering, 28(7), 889‒898. google schola Deo, M.C., & Naidu, C.S. (1998). Real Time Wave Forecasting Using Neural Networks. Ocean Engineering, 26(3), 191‒203. google schola Gers, F.A., Schmidhuber, J., & Cummins, F. (1999). Learning to Forget: Continual Prediction with LSTM. google schola

함께 읽어보면 좋을 논문

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

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0