Nicel araştırma makalesi incelemesi
DOI: 10.1016/j.oceaneng.2023.115271Makine Öğrenimi ve Seyir Verileri Kullanılarak Bir Yölçu Feribotunun Yakıt Tüketiminin Tahmini: Karşılaştırmalı Bir Çalışma
Küresel ticaretin %80'inden fazlasının deniz yoluyla taşınması, denizcilik sektörünü küresel ekonominin temel taşlarından biri haline getirirken, gemilerden kaynaklanan karbondioksit emisyonları da küresel seragazı salınımının önemli bir bölümünü oluşturmaktadır.
Makalenin anahtar kelimeleri
- Yazar
- Pedram Agand et al.
- Yayın
- Ocean Engineering
- Tarih
- 2023-07-07
Makalenin Kapsamı ve Akademik İçeriği
Deniz taşımacılığı küresel ticaretin merkezinde yer alırken, gemi emisyonlarının azaltılması ve artan operasyonel yakıt maliyetlerinin yönetilmesi denizcilik sektörünün en kritik önceliklerinden biri haline gelmiştir. Uluslararası Denizcilik Örgütünün (IMO) küresel sera gazı emisyonlarını düşürme hedefleri doğrultusunda yürürlüğe koyduğu düzenlemeler, gemi enerji verimliliğinin gerçek zamanlı ve yüksek hassasiyetle izlenmesini zorunlu kılmaktadır. Geleneksel literatürde sıklıkla kullanılan seyir defteri kayıtları düşük örnekleme frekansı nedeniyle anlık değişimleri yakalamada yetersiz kalırken, sensör tabanlı veri akışları ise gürültü, çoklu doğrusal bağlantı ve durağan olmayan veri dağılımları gibi teknik engeller barındırmaktadır. Bu alandaki temel eksiklik, gemi tasarım aşamasındaki optimizasyonlar ile kaptanların operasyonel kararları arasındaki kopukluk ve fiziksel modeller ile veri odaklı algoritmaların sistematik biçimde birleştirilemeyişidir. Dolayısıyla, gerçek zamanlı seyir şartlarını ve çevresel faktörleri içeren esnek tahmin modellerine ihtiyaç duyulmaktadır.
Bu eksikliği gidermek amacıyla gerçekleştirilen araştırmada, Kanada batı kıyısında Horseshoe Bay ile Nanaimo arasında sefer yapan çift yönlü bir yölçu feribotundan Eylül 2019 ile Kasım 2021 tarihleri arasında 1 dakikalık frekansla toplanan yaklaşık 1 milyon veri noktası incelenmiştir. Araştırma tasarımı, fiziksel sevk ilkelerini veri odaklı yöntemlerle harmanlayan gri-kutu (gray-box) yaklaşımına dayanmaktadır. Veri ön işleme sürecinde Temel Bileşen Analizi (PCA) ve K-means kümeleme yöntemleri kullanılarak geminin otopilot seyir modu (Mode 1) ile liman yanaşma modu (Mode 2) sistematik olarak ayrıştırılmış, böylece durağan olmayan veri yapısı temizlenmiştir. Özellik mühendisliği kapsamında hedef değişken anlık yakıt tüketiminden katedilen mesafe başına yakıt verimliliğine (SFE) dönüştürülmüş ve korelasyon matrisi ile kritik değişkenler seçilmiştir. Modelleme aşamasında çoklu doğrusal regresyon, Lasso, Ridge, polinom regresyonu, yapay sınır ağları (MLP), karar ağaçları ve topluluk öğrenme yöntemleri (Random Forest, AdaBoost, Gradient Boosting, XGBoost) karşılaştırılmıştır.
Elde edilen deneysel bulgular, parametrik olmayan topluluk öğrenme yöntemlerinin parametrik klasik modellerden ve yapay sınır ağlarından belirgin şekilde üstün performans sergilediğini göstermektedir. Test veri seti üzerinde gerçekleştirilen değerlendirmelerde XGBoost algoritması, en düşük kök ortalama kare hatası (RMSE = 11.95) ve en yüksek açıklayıcılık katsayısı (R2 = 0.9881) ile en başarılı tahmin modeli olarak öne çıkmıştır. Ayrıca XGBoost, 283.49 saniyelik eğitim süresiyle diğer topluluk yöntemlerine (AdaBoost: 676.59s, Gradient Boosting: 417.85s) kıyasla işlem süresi bakımından da büyük bir avantaj sağlamıştır. Karar ağacı ve AdaBoost yöntemleri çoğunlukla tork ve deplasman değişkenlerine bağımlı kalırken, XGBoost tüm girdileri fiziksel beyaz-kutu modeline en uygun biçimde dengeli ağırlıklandırmıştır. Gelecek adımların tahmininde (5-step ahead prediction) tüm modellerde performans düşüşü gözlense de XGBoost ve topluluk yöntemleri en kararlı tahmini üretmeye devam etmiştir.
Sonuç olarak bu araştırma, yüksek boyutlu ve gürültülü sensör verilerinden alan bilgisi destekli özellik mühendisliği ile güvenilir yakıt verimliliği tahmin modelleri oluşturulabileceğini kanıtlamaktadır. Makalenin literatüre temel katkısı, yalnızca anlık yakıt tüketimini değil, operasyonel mod ayrımı ve n-adım sonrası gelecek tahminlerini de kapsayan bütüncül bir gri-kutu metodolojisi sunmasıdır. Türk araştırmacılar için bu çalışma, deniz ulaşımında enerji optimizasyonu, gerçek zamanlı rotalama ve karar destek sistemleri tasarlayan tez veya makale çalışmalarında metodolojik bir rehber niteliğindedir. Sensör verisi ön işleme, PCA tabanlı veri kümeleme ve XGBoost modellemesi adımları, benzer tipteki ticari veya askeri gemilerin yakıt tüketim optimizasyonu araştırmalarına doğrudan uyarlanabilir somut bir altyapı sağlamaktadır.
Araştırmanın amacı
Bu çalışmanın temel amacı, Kanada batı kıyısında çalışan bir çift yönlü yölçu feribotundan toplanan iki yılı aşkın gerçek seyir verilerini kullanarak gemi yakıt verimliliğini (SFE) yüksek doğrulukla tahmin eden makine öğrenimi modellerini geliştirmek ve bu modellerin performanslarını karşılaştırmalı olarak değerlendirmektir(Agand et al., 2023, s. 1).
İnceleme ve modelleme yöntemi
Çalışmada, Kanada'nın batı kıyısında çalışan çift yönlü bir yölçu feribotunun seyir verileri kullanılarak yakıt verimliliğini tahmin etmek amacıyla fiziksel alan bilgisi ile veriye dayalı makine öğrenimi yöntemlerini birleştiren gri kutu (gray-box) yaklaşımı uygulanmıştır(Agand et al., 2023, s. 1).
Kuramsal ve kavramsal çerçeve
Çalışma, gemi hidrodinamiği ve sevk fiziğini temel alan beyaz-kutu (white-box) fiziksel modeller ile veriye dayalı kararsız dinamikleri modelleyen siyah-kutu (black-box) makine öğrenimi yaklaşımlarını birleştiren gri-kutu (gray-box) kuramsal çerçevesine dayanmaktadır. Fiziksel teoride gemi direnci ve güç gereksinimi hızın küpü ile orantılıyken, bu ilişkiler alan bilgisi rehberliğinde özellik mühendisliği (SFE hesabı, efektif rüzgar, akıntı etkisi) ile zenginleştirilmiştir.
Makalenin ele aldığı literatür
Çalışma, gemi yakıt tüketimi tahmininde kayıt tabanlı (log-based) ve sensör tabanlı (sensor-based) veri kullanımını ele alan geniş bir literatürü incelemektedir. Literatürde öne çıkan doğrusal regresyon, Lasso, Ridge, polinom regresyonu, yapay sınır ağları (ANN), karar ağaçları (DT) ve rastgele orman (RFR) gibi tekniklerin sınırlılıklarına odaklanmaktadır. Özellikle literatürdeki operasyonel mod ayrımı yapılmaması, çoklu doğrusal bağlantı ve n-adım sonrasının tahminindeki karşılaştırma eksiklikleri doğrudan hedef alınmaktadır.
Araştırma Tasarımı
- Evren veya inceleme alanı
- Kanada'nın batı kıyısında Horseshoe Bay ile Nanaimo rotasında düzenli olarak sefer yapan ticari yölçu feribotlarının operasyonel seyir verileri evrenini oluşturmaktadır.
- Örneklem veya araştırma materyali
- Eylül 2019 ile Kasım 2021 tarihleri arasında çift yönlü bir yölçu feribotundaki sensörlerden 1 dakikalık frekansla toplanan, 34 işlenmiş değişkeni ve yaklaşık 1 milyon veri noktasını içeren iki yılı aşkın gerçek seyir veri seti.
- Veri toplama süreci
- Gemi üzerindeki GPS, cayro pusula, anemometre, makine tork ve devir sensörleri ile otomasyon sistemlerinden 1 dakikalık aralıklarla veri kaydedilmiş; 41 özgün değişkenden gereksiz ve tekrarlanan 7 sütun alan bilgisiyle çıkarılarak 34 değişkene düşürülmüştür.
- Veri analiz yöntemi
- Veri ön işleme aşamasında durağan olmama durumunu gidermek için Temel Bileşenler Analizi (PCA) ve K-means kümeleme ile operasyonel mod ayrıştırması yapılmış; korelasyon matrisi ve alan bilgisiyle özellik mühendisliği uygulanmış; 1.5 IQR kuralı ile aykırı değerler temizlenmiş ve MLR, PR, ANN ile topluluk yöntemleri (RF, AdaBoost, Gradient Boosting, XGBoost) karşılaştırılmıştır.
Araştırmanın Bulguları
Veri seti üzerinde uygulanan makine öğrenimi modelleri arasında topluluk öğrenme teknikleri en yüksek tahmin performansını gösterirken, XGBoost yöntemi 0.9881 test R2 değeri ve 11.95 test RMSE değeri ile en düşük hata oranını ve en kısa eğitim süresini elde etmiştir(Agand et al., 2023, s. 15).
Değişken seçim sürecinde korelasyon matrisi ve fiziksel alan bilgisi entegre edilerek yapılan analizlerde, makine torku, karaya göre hız (SOG), suya göre hız (STW) ve makine devri yakıt tüketimi tahmininde en yüksek önem derecesine sahip ilk dört değişken olarak belirlenmiştir(Agand et al., 2023, s. 10).
Modellerin gelecek zaman adımlarındaki (n-step ahead) tahmin performansları incelendiğinde, 5 adım sonrasına ilişkin tahminlerde tüm modellerin hata oranlarında artış görülmesine rağmen XGBoost yöntemi diğer tüm yaklaşımlara kıyasla en kararlı ve yüksek doğruluklu tahmini sunmaya devam etmiştir(Agand et al., 2023, s. 15).
Çok katmanlı algılayıcı (MLP) yapısındaki yapay sınır ağları karmaşık dinamik ilişkileri modellemede parametrik modellere göre üstün performans gösterse de, sistemin zamansal dinamik davranışlarını tam olarak yakalayamadığı için gelecek adım tahminlerinde performansı belirgin şekilde düşmüştür(Agand et al., 2023, s. 16).
Bulguların Tartışılması ve Araştırmanın Sonucu
Bulguların Yazarlar Tarafından Yorumlanışı
Elde edilen bulgular, gemi seyir verilerindeki karmaşık ve doğrusal olmayan ilişkilerin modellenmesinde topluluk öğrenme tekniklerinin, özellikle de XGBoost metodunun, geleneksel çoklu doğrusal regresyon ve yapay sınır ağlarına kıyasla belirgin şekilde daha düşük test hatası ve yüksek açıklayıcılık oranı sunduğunu göstermektedir.
Yazarlar bu durumu, çoklu doğrusal bağlantı (multicollinearity) ve durağan olmayan veri yapısının PCA destekli K-means kümeleme ve alan bilgisine dayalı özellik mühendisliği ile başarıyla arındırılmasına bağlamaktadır. Verinin operasyonel modlara göre sistematik olarak kümelenmesi, modelin gürültü yerine gerçek seyir dinamiklerine odaklanmasını sağlamıştır.
Tartışma bölümünde bu sonuçlar literatürle ilişkilendirilerek, Gkerekos vd. (2019) gibi çalışmaların vurguladığı yapay sınır ağı üstünlüğünün, kapsamlı bir özellik mühendisliği ve topluluk öğrenme mimarisi kullanıldığında XGBoost lehine değiştiği gösterilmiştir. Ayrıca Tsitsilonis ve Theotokatos (2018) tarafından önerilen veri filtreleme kurallarının aksine, sunulan veri odaklı kümeleme yaklaşımının çevre şartlarına daha dayanıklı olduğu vurgulanmıştır.
Sonuç olarak, makine öğrenimi modellerinin başarısının yalnızca algoritma seçimine değil, fiziksel alan bilgisiyle desteklenmiş veri ön işleme adımlarına bağlı olduğu açıkça ortaya konmuştur. Bu durum, gelecekteki gerçek zamanlı seyir karar destek sistemleri ve otomatik rota optimizasyonu uygulamaları için sağlam bir metodolojik zemin oluşturmaktadır.
Bulguların Önceki Araştırmalarla Karşılaştırılması
Tsitsilonis ve Theotokatos (2018) çalışmalarında geçici verileri ayıklamak için makine gücünün saatlik yüzde beşten fazla dalgalanmasını esas alan bir yöntem kullanırken, bu çalışmada PCA ve K-means kümeleme tabanlı durağan durum tespiti uygulanarak hava koşullarındaki değişimlere karşı daha dirençli bir aykırı değer temizleme yaklaşımı geliştirilmiştir(Agand et al., 2023, s. 9).
Gkerekos ve arkadaşları (2019) tarafından yapılan karşılaştırmalı çalışmada yapay sınır ağlarının SVR ve ETR yöntemlerinden daha iyi sonuç verdiği gösterilmişken, bu çalışmada geliştirilen XGBoost tabanlı topluluk modeli hem yapay sınır ağlarından hem de geleneksel parametrik modellerden daha yüksek tahmin doğruluğu ve daha düşük test hatası sağlamıştır(Agand et al., 2023, s. 4).
Sonuç Bölümünün Sunduğu Çıkarımlar
Yazarlar, parametrik olmayan modellerin ve özellikle XGBoost gibi topluluk öğrenme tekniklerinin karmaşık ve bilinmeyen gemi operasyon dinamiklerini tahmin etmede son derece etkili olduğunu, ancak bu modellerin gerçek zamanlı seyir optimizasyonu için verimli kullanılabilmesinde ön işleme aşamasında fiziksel alan bilgisi ile veri odaklı kümeleme ve boyut indirgeme tekniklerinin birlikte uygulanmasının kritik önem taşıdığını sonuçuna varmışlardır(Agand et al., 2023, s. 16).
Literatür Taraması İçin Sunduğu Çerçeve
Bu makale, deniz taşımacılığında enerji verimliliği ve emisyon azaltımı hedefleri doğrultusunda, gerçek zamanlı sensör verileri ve makine öğrenimi tekniklerini kullanarak gemi yakıt tüketimini yüksek doğrulukla tahmin eden metodolojik bir çerçeve sunmaktadır. Literatürde sıklıkla karşılaşılan durağan olmayan veri yapısı, çoklu doğrusal bağlantı ve operasyonel mod değişiklikleri gibi sorunlara karşı alan bilgisi ile veri odaklı teknikleri birleştiren gri-kutu bir yaklaşım getirmektedir. Parametrik ve parametrik olmayan modelleri geniş bir yelpazede karşılaştırarak en yüksek başarımı topluluk öğrenme algoritması olan XGBoost ile elde etmiş ve gelecekteki seyir kararlarının iyileştirilmesi için adım ötesi tahmin yeteneklerini değerlendirmiştir.
Çalışma, gemi tasarım aşamasındaki teorik hesaplamalara odaklanan veya yalnızca gemi personelinin tecrübesine dayalı log verilerini kullanan önceki literatürden ayrılmaktadır. Log verilerinin düşük örnekleme frekansı nedeniyle anlık değişimleri yansıtamama eksikliğini sensör tabanlı yüksek frekanslı verilerle aşmaktadır. Literatürde tekil makine öğrenimi modellerinin veya kısıtlı parametrik regresyonların sıklıkla tercih edilmesine karşılık, bu araştırma Temel Bileşen Analizi (PCA) ve K-means kümeleme ile veri ön işleme aşamasını sistemleştirmiştir. Gkerekos vd. (2019) ve Bialystocki ve Konovessis (2016) gibi çalışmaların bıraktığı yöntemsel boşlukları doldurarak özellik mühendisliğinde fiziksel formülleri veri odaklı yaklaşımlarla sentezlemiştir.
Literatür taramaları açısından bu eser, denizcilikte yakıt verimliliği optimizasyonu üzerine yapılacak araştırmalara metodolojik bir standart sunmaktadır. Ham sensör verisinin aykırı değer arındırma, eksik veri tamamlama, durağanlaştırma ve veri ölçekleme adımlarından nasıl geçirilmesi gerektiğini adım adım göstermektedir. Ayrıca, modellerin yalnızca anlık tahmin başarısını değil, seyir optimizasyonu için hayati önem taşıyan gelecek adımlardaki tahmin performansını da karşılaştırmalı olarak analiz ederek literatüre özgün bir değerlendirme boyutu kazandırmaktadır.
Kaynakça
- Tsitsilonis, K. M., & Theotokatos, G. (2018). A novel systematic methodology for ship propulsion engines energy management. Journal of Cleaner Production, 204, 212-236. https://doi.org/10.1016/j.jclepro.2018.08.318
- Gkerekos, C., Lazakis, I., & Theotokatos, G. (2019). Machine learning models for predicting ship main engine fuel oil consumption: A comparative study. Ocean Engineering, 188, 106282. https://doi.org/10.1016/j.oceaneng.2019.106282
Tez ve Makale Araştırmalarında Kullanım
Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.
Tez veya makalede kullanım · literatüre-review
Deniz taşımacılığında gemi yakıt tüketimi tahmininde topluluk öğrenme algoritmaları karmaşık doğrusal olmayan ilişkileri yakalamada geleneksel parametrik regresyon modellerinden daha yüksek doğruluk sağlamaktadır.
Bu çalışma, feribot verileri üzerinde yapılan karşılaştırmalı analizde XGBoost yönteminin 0.9881 test R2 değeri elde ederek regresyon ve YSA modellerini geride bıraktığını göstermesi sebebiyle literatür taramasında temel kanıt olarak kullanılabilir(Agand et al., 2023, s. 1).
Farklı Gemi Tiplerinde Gri-Kutu Makine Öğrenimi Modellerinin Yakıt Tahmin Performansının Karşılaştırılması
- Araştırma sorusu
- Kuru yük gemileri ve konteyner gemilerinden toplanan yüksek frekanslı sensör verilerinde XGBoost ve yapay sınır ağlarının yakıt tüketimi tahmin kararlılığı operasyonel koşullara göre nasıl değişmektedir?
- Yöntem taslağı
- En az iki farklı tipteki ticari gemiden toplanan iki yıllık yüksek frekanslı sensör verileri materyal olarak kullanılacaktır. Veriler PCA ve K-means ile kümelenecek, XGBoost ve YSA modelleri eğitilerek test RMSE ve R2 değerleri karşılaştırılacaktır. Örneklem büyüklüğü istatistiksel güç analizi ile belirlenecektir.
Makaleyle bağlantısı: Makalede feribot verisi üzerinde XGBoost en iyi sonuçu vermiştir. Ancak yazarlar yöntemin genel gemi tiplerine uygulanabilir olduğunu ancak spesifik modelin farklılaşabileceğini belirtmiştir(Agand et al., 2023, s. 1).
Tez veya makalede kullanım · method
Gemi operasyonel verilerindeki durağan olmayan yapıyı ve çoklu doğrusal bağlantıyı gidermek için Temel Bileşen Analizi (PCA) ile K-means kümeleme metodolojisi veriyi operasyonel modlara bölmede etkilidir.
Tezin yöntem bölümünde, ham sensör verilerinin işlenmesi, geçici rejimlerin temizlenmesi ve seyir modlarının otomatik tespiti için önerilen PCA ve K-means tabanlı ön işleme algoritması referans alınarak metodoloji kurgulanabilir(Agand et al., 2023, s. 2).
Rüzgar ve Akıntı Değişkenlerinin Gemi Yakıt Verimliliği Üzerindeki Etkisinin Makine Öğrenimi Modelleri ile Nicellenmesi
- Araştırma sorusu
- Fiziksel alan bilgisi ile türetilen etkili baş rüzgarı ve akıntı bileşenleri makine öğrenimi modellerinin tahmin doğruluğunu istatistiksel olarak anlamlı düzeyde artırmakta mıdır?
- Yöntem taslağı
- Geminin GPS ve anemometre verileri kullanılarak alan bilgisi formülleriyle rüzgar ve akıntı vektörleri türetilecektir. Bu özelliklerin eklendiği ve eklenmediği XGBoost modellerinin hata oranları cross-validation ile kıyaslanacaktır.
Makaleyle bağlantısı: Yazarlar makalede rüzgar açısı ve hızından etkili rüzgar bileşeni türetmenin model üzerindeki önemini ve korelasyonunu göstermişlerdir(Agand et al., 2023, s. 4).
Tez veya makalede kullanım · Tartışma
Topluluk öğrenme teknikleri anlık yakıt tahmininde yüksek başarım gösterse de, gelecek adımlardaki (n-step ahead) tahmin uzadıkça dinamik sistem davranışlarının yakalanmasındaki zorluklar nedeniyle hata oranları artmaktadır.
Tartışma bölümünde, geliştirilen makine öğrenimi modellerinin optimizasyon süreçlerindeki zaman ufku sınırlılıkları açıklanırken çalışmanın bulgularına atıf yapılabilir(Agand et al., 2023, s. 15).
Zaman Serisi Tabanlı Derin Öğrenme Modelleri ile Gemi Seyir Optimizasyonu için Adım Ötesi Tahmin
- Araştırma sorusu
- LSTM ve GRU gibi zaman serisi tabanlı derin öğrenme modelleri, statik XGBoost modeline kıyasla n-step ahead geleceğe dönük yakıt tahmininde daha düşük hata oranına ulaşabilir mi?
- Yöntem taslağı
- Ardışık dakika bazlı seyir verileri kullanılacak, LSTM mimarisi t+1'den t+10'a kadar gelecekteki zaman adımlarını tahmin edecek şekilde eğitilecek ve sonuçlar makaledeki statik XGBoost n-step performansı ile kıyaslanacaktır.
Makaleyle bağlantısı: Yazarlar sonuç bölümünde statik modellerin gelecekteki adımları tahmindeki performans kaybını vurgulamış ve geleceğe dönük araştırma alanı olarak LSTM gibi zaman serisi modellerini önermişlerdir(Agand et al., 2023, s. 16).