×
Bal Bešikçi，E。;O.阿尔斯兰。;O.图兰。;厄勒瑟，A.I。

基于人工神经网络的船舶节能操作决策支持系统。 （英语） Zbl 1349.90886号

计算。操作。物件。 66, 393-401 (2016).
小结：针对国际航运引起的燃油价格波动和温室气体排放，减少船舶燃料消耗是该行业今天面临的挑战。通过提高能效措施，新建船舶和现有船舶都有可能节省燃料；技术和操作。实施技术措施的局限性增加了操作措施在船舶节能操作方面的潜力。船东和运营商需要合理使用能源，并制定节能解决方案。就燃油经济性和环境影响而言，降低船舶速度是最有效的方法。本文的目的是双重的：（i）通过一种不精确的方法，即人工神经网络ANN，预测船舶在各种操作条件下的油耗；（ii）开发一个决策支持系统（DSS），该系统采用基于ANN的燃油预测模型，用于实时船上的节能船舶操作。燃料预测模型使用运行数据——“正午数据”——提供船舶每日燃料消耗的信息。燃油预测所考虑的参数包括船速、每分钟转数（RPM）、平均吃水深度、纵倾、船载货物量、风力和海浪影响，其中ANN的输出数据是燃油消耗量。将神经网络的性能与常用的曲面拟合方法多元回归分析（MR）进行了比较，证实了其优越性。所开发的决策支持系统以两种场景为例，可以得出结论，当船舶运营商必须在运营层面考虑经济和环境方面作出决策时，它具有提供战略方法的潜力。

引用于三文件

MSC公司：

90 C90 数学规划的应用
90 C59 数学规划中的近似方法和启发式
68T05年 人工智能中的学习和自适应系统
90立方厘米 马尔可夫和半马尔可夫决策过程

关键词：

船舶能效;操作措施;决策支持系统;人工神经网络
PDF格式BibTeX公司 XML格式引用
\textit｛E.Bal Beşikçi｝等人，计算机。操作。第66号决议，第393--401号决议（2016年；Zbl 1349.90886）
全文： 内政部 链接

参考文献：

[1] 第三，IMO，温室气体研究（2014），国际海事组织（IMO）：伦敦国际海事组织
[3] 沃尔什，C。；Bows，A.，《尺寸问题：探索船舶特征对航运排放估算的重要性》，Appl Energy，98，128-137（2012）
[4] 吉尔伯特，P。；Bows，A.，《探索补充性次全球政策的范围以缓解航运造成的二氧化碳排放》，《能源政策》，第50期，第613-622页（2012年）
[5] Lindstad，H。；Asbjörnslett，B.E。；斯特罗曼，A.H.，《规模经济对减少航运温室气体排放的重要性》，《能源政策》，50，613-622（2012）
[6] 伊林，V。；Isaksen，IS；Berntsen，T。；柯林斯，WJ；JJ科贝特；Endreson，O.，《运输对大气和气候的影响：航运》，Atmos Environ，44，37，4735-4771（2009）
[9] 恩德雷森。；瑟尔古德，E。；Sundet，JK；Dalsören，SB；Isaksen，ISA；Berglen，TF，《国际海运排放与环境影响》，《地球物理研究杂志》，108，4560（2003）
[10] Delft，CE，为欧洲减少国际海运温室气体排放的行动提供技术支持（2009年），提交给欧盟委员会的报告：提交给欧盟委员会的报告荷兰，访问10.12.13。
[11] Golias，M.M。；Saharidis，G.K。；波伊，M。；Theofanis，S。；Ierapetitou，M.G.，泊位分配问题：优化船舶到达时间，Marit Econ Logist，11358-377（2009）
[13] 陈伟，《决策支持系统教程》（2004），清华大学出版社：清华大学出版社，北京，（中文）
[14] 张，G。；Patuwo，G.E。；胡敏英，《人工神经网络预测：现状》，《国际预测杂志》，1998年第4期，第1期，第35页
[15] 霍尼克，K。；Stinchocombe，M。；White，H.，多层前馈网络是通用逼近器，2，5（1989），Elsevier Science Ltd.：Elsevie Science有限公司，英国牛津·Zbl 1383.92015年
[16] Lippman，R.P.，《神经网络计算导论》，IEEE ASSP Mag，4-22（1987）
[17] 何，X。；李，C。；胡，Y。；张，R。；Yang，S.X。；Mittal，G.S.，使用神经网络进行表面拟合的3D点数据的自动序列，Comput Ind Eng，57，1408-418（2009）
[18] 多根，NK；Baysec，S.，使用人工神经网络预测汽油发动机的扭矩和比油耗，Appl Energy，87，349-355（2010）
[19] 阿吉达迪，法国；亚利桑那州吉兰德。，预测拖拉机燃油消耗量的人工神经网络和逐步多元回归方法，《测量》，442104-2111（2011）
[20] 吴，JD；刘，JC。，使用人工神经网络开发汽车油耗预测系统，Expert Syst Appl，38，4967-4971（2011）
[21] 萨法，M。；Samarasinghe，S.，使用人工神经网络模拟小麦生产中的燃料消耗，能源，49，337-343（2013）
[22] Kalogirou，SA，《人工神经网络在能源系统中的应用》，应用能源，67，17-35（2000）
[23] 南澳州卡洛吉鲁；Bojic，M.，《预测被动太阳能建筑能耗的人工神经网络》，《能源》，25，479-491（2000）
[24] Amirnekooei，K。；Ardehali，M.M。；Sadri，A.，《伊朗综合资源规划：参考能源系统开发、预测和长期能源环境计划》，《能源》，46，374-385（2012）
[25] Ozer，B。；Görgün，E。；Incecik，S.，《土耳其电力部门（CO_2）减排潜力的情景分析：2006-2030年》，能源，49，395-403（2013）
[26] Tsadiras，A.K。；帕帕佐普洛斯，C.T。；Kelly，M.E.J.O.，基于人工神经网络的决策支持系统，用于解决可靠生产线中的缓冲区分配问题，计算工业工程，661150-1162（2013）
[27] 廖，Z。；王，B。；Xia，X.夏亚。；Hannam，P.M.，基于人工神经网络的环境应急决策支持系统，安全科学，50，150-163（2012）
[28] 肯格波尔，A。；Neungrit，P.，《恐怖主义叛乱分布范围半径和消逝时间预测的风险评估决策支持方法：泰国的实证案例研究》，Compute Ind Eng，75，55-67（2014）
[29] 可以，B。；Heavy，C.，遗传编程和人工神经网络在离散事件模拟模型元建模中的比较，Comput Oper Res，39424-436（2012）
[30] Parlak，A。；伊斯兰堡，Y。；Yasar，H。；Egrisogut，A.，应用人工神经网络预测柴油发动机的比油耗和排气温度，Appl Therm Eng，26，824-828（2006），2006
[31] Ronen，D.，《油价对船舶最佳速度的影响》，《运营研究社会杂志》，33，1035-1040（1982）
[32] 布朗，GG；格雷夫斯，GW；Ronen，D.，《原油海运计划》，《管理科学》，33，3（1987），335-4
[33] 阿拉斯加州佩拉基斯；帕帕达基斯，北美，舰队部署优化模型。第1部分，马里特政策管理，14，2，127-144（1987）
[34] 宾夕法尼亚州佩拉基斯；帕帕达基斯，北美，舰队部署优化模型。第2部分。车队部署优化模型。第2部分，马里特政策管理，14，2，145-155（1987）
[35] 帕帕达基斯，北美；宾夕法尼亚州佩拉基斯，《多点、多目的地舰队部署问题的非线性方法》，Nav-Res-Logist，36，515-528（1989）·Zbl 0674.90019号
[36] 姚，Z。；Ng，S.H。；Lee，L.H.，《航运班轮服务船用燃料管理研究》，《计算运营研究》，第39期，第1160-1172页（2012年）
[37] Psaraftis，H。；Kontovas，C.，《节能海运速度模型概述：分类和调查》，《运输研究：C部分》，26，331-351（2013），2013年
[38] Wijnolst，N。；Wergeland，T.，《航运》（1997），代尔夫特大学出版社：代尔夫脱大学出版社
[39] Stopford，M.，《海洋经济学》（1999），《劳特利奇：劳特利治伦敦》
[40] Fagerholt，K。；拉波特，G。；Norstad，I.，《通过优化航线速度减少燃料排放》，《运营研究社会杂志》，61，523-529（2010）·Zbl 1196.91044号
[41] 诺斯塔德，I。；Fagerholt，K。；Laporte，G.，《速度优化的无轨电车船舶路线和调度》，《运输研究》第C部分，第19期，第853-865页（2011年）
[42] Cariou，P.，注释和评论。慢速航行是减少集装箱运输（CO_2）排放的可持续方式吗？，运输研究D部分，16，260-264（2011）
[43] 齐，X。；宋，DP。，《在港口时间不确定的情况下，通过优化班轮运输的船期，最大限度地减少燃料排放》，《运输研究》第E部分，48，863-880（2012）
[44] 费伯，J。；Nelissen，D。；荣誉G。；Wang，H。；Tsimplis，M.，《海上运输中受管制的慢速航行：选项评估》，成本效益，7（2012），442-1
[45] Notteboom，T。；Vernimmen，B.，《集装箱运输中高燃料成本对班轮服务配置的影响》，《运输地理杂志》，17，5，325-337（2009）
[46] 科贝特，J。；Wang，H。；Winebrake，J.，《国际航运减排的效率和成本》，《运输研究D部分》，第14期，第539-598页（2009年）
[47] Chang，C.C。；Chang，C.H.，《通过船舶减速实现国际干散货船节能》，《能源政策》，第59、710-715页（2013年）
[48] Christiansen，M。；Fagerholt，K。；Ronen，D.，《船舶定线与调度：现状与展望》，《运输科学》，38，1，1-18（2004）
[49] Shintani，K。；艾迈，A。；西村，E。；Papadimitriou，S.，《集装箱运输网络设计与空箱重新定位问题》，《运输研究》第E部分，43，1，39-59（2007）
[50] Gelareh，S。；镍，S。；Pisinger，D.，《竞争环境下的班轮航运枢纽网络设计》，《运输研究》第E部分，46、6、991-1004（2010）
[51] Gelareh，S。；Pisinger，D.，班轮运输公司的船队部署、网络设计和枢纽位置，《运输研究》第E部分，第47、6、947-964页（2011年）
[52] 孟，Q。；Wang，S.，《集装箱空箱重新定位的班轮运输服务网络设计》，《运输研究》第E部分，47，695-708（2011）
[53] 孟，Q。；Wang，S.，《长途班轮服务航线的最佳运营策略》，《欧洲运营研究杂志》，215105-114（2011）·Zbl 1237.90044号
[54] 王，S。；Wang，T。；Meng，Q.，《班轮船队部署说明》，《灵活服务制造》J，23，4，422-430（2011）
[55] 王，S。；Meng，Q.，《班轮运输中的计划设计和集装箱路线》，《运输研究报告》，2222，25-33（2011）
[56] 王，S。；Meng，Q.，集装箱转运作业班轮船队部署，运输研究E部分，48，2，470-484（2012）
[57] 王，S。；Meng，Q.，班轮运输网络中集装箱船的航行速度优化，Transp Res Part E，48，701-714（2012）
[59] 英国诺伦德。；Gribkovskaia，I.，《通过供应船操作中的速度优化减少排放》，《运输研究》第D部分，23，105-113（2013）
[61] 帕迪，CP；Sen博士。；Bhaskaran，PK.，波模型在北印度洋船舶气象路由中的应用，Nat Hazard，44373-385（2008）
[62] 邵伟（Shao，W.）。；周，PL；Thong，SK.，《天气路径的新型正向动态规划方法的开发》，《科学技术杂志》，第17期，第239-251页（2012年）
[64] Maki，A。；Akimoto，Y。；永田，Y。；小林，S。；小林，E。；Shiotani，S.，基于实数编码遗传算法的新型防风雨系统，《海洋科学技术杂志》，16，311-322（2011）
[65] 科玛斯，安大略省；Vlachos，DS，最佳船舶路径的模拟退火，Comput Oper Res，39，576-581（2012）·Zbl 1458.90108号
[66] Sen博士。；Padhy，CP，开发用于北印度洋地区特定应用的船舶天气路由算法，国际海洋技术会议，21-27（2010），BUET:BUET达卡，孟加拉国
[67] Calvert，S。；Deakins，E。；莫特（Motte），《燃料优化动态系统》（A dynamic system for fuel optimization），《跨洋航行杂志》（Trans Ocean J Navig），44，233-265（1991）
[68] Dewit，C.，《低成本海洋天气航线的建议》，J Navig，43，428-439（1990）
[69] 张，LH；张，L。；彭，RC；李，GX；Zou，W.，《基于多动力元件复合影响的最短时间路线的确定》，Mar-Geod，34，108-118（2011）
[70] 伦农，RW；Marklow，AD.，通过可变流量区域导航的时间节省优化，J Navig，45384-399（1992）
[71] Armstrong，VD，Review-vessel optimization for low carbon shipping，海洋工程，73，195-207（2013）
[73] O.Eyercioglu。；Kanca，E。；帕拉，M。；Ozbay，E.，用人工神经网络预测铁基形状记忆合金的马氏体和奥氏体起始温度，《材料加工技术杂志》，200，146-152（2008）
[74] Samarasinghe，S.，《应用科学和工程的神经网络：从基础到复杂模式识别》（2007），佛罗里达州博卡拉顿：奥尔巴赫·Zbl 1119.68161号
[75] Alvarez，R.，用人工神经网络方法预测阿根廷潘帕斯地区小麦的平均区域产量和产量，《欧洲农业杂志》，30，2，70-77（2009）
[77] 恩德雷森。；瑟尔古德，E。；Behrens，H.L。；Brett，P.O。；Isaksen，I.S.A.，《船舶燃料消耗和排放的历史重建》，《地球物理研究杂志》，第112期（2007年）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。