KR 웹진 178호

선사에서는 에너지 효율을 최대화 하는 경제 운항을 하기 위해 최적 운항 경로를 찾는 노력을 하고 있다.

최적 운항 경로를 선택하기 위해서는 운항 중 해기상 상황을 고려한 선박의 소요 마력 예측이 필요한 실정이다.

즉, 해기상 상황을 고려한 소요마력 예측을 위해서는 해기상인 수온, 파고, 풍속 등 데이터 값의 예측이 선행되어야 한다. 현재 다양한 예보 데이터가 활용이 가능하지만, 데이터 송수신이 어려운 상황에서는 자체 해기상 데이터 예측이 필요하다.

따라서 KR에서는 파고, 파주기, 파향, 풍속, 풍향, 유속, 유향, 수온 등 8가지 해기상 데이터를 딥러닝 기법으로 예측하였다. 딥러닝 학습을 위한 과거 해기상 데이터는ECMWF (European Centre for Medium-Range Weather Forecasts)와 HYCOM (Global Hybrid Coordinate Ocean Model)로부터 확보하였다. 

 
확보한 해기상 데이터의 이상점(Outlier)을 제거 하여 예측 모델의 정확도를 향상시켰다. 또한 각 해기상 데이터별로 딥 러닝 모델, 입력 데이터의 종류, 입력 데이터의 기간, 출력 데이터의 기간 등을 변경하며 각 요소에 대한 모델의 정확도를 분석하였다.

해기상 예측을 위한 딥러닝 수행

상관 분석 (correlation analysis)를 통해 해기상 데이터 간의 연관성을 파악한 후 딥 러닝 모델의 입력값을

선정하였다. 해기상 데이터의 예측을 위한 딥 러닝 모델로서 DFN (Deep Neural Network)과 LSTM (Long Short-Term Memory)를 이용하였다.

DFN은 다중 레이어 퍼셉트론으로 불리며 가장 기본적인 딥러닝 구조이며, RNN(Recurrent Neural Network)의 대표적인 방법인 LSTM은 시계열 데이터 분석을 위해 주로 사용되는 딥러닝 방법이다.

<DFN(Deep Neural Network>

<LSTM (Long Short-Term Memory)>

본 연구에서는 해기상 데이터의 예측 모델을 전 세계 전 해역의 해기상 데이터를 예측하는데 활용하였으며, 적용 결과 그 효용성을 확인하였다.

해기상 예측 모델 개발 결과

 
수온, 파고, 파주기, 파향, 유속, 유향, 풍속, 풍향에 대하여 딥러닝 학습을 수행하고 예측 모델의 정확도를

분석 해 보았다.

입력 데이터의 입력 기간이 길수록, 예측시간이 짧을수록 더 정확한 결과가 나오는 경향을 보였다. DFN보다는 LSTM의 예측 정확도가 높았다. 파향과 유향의 경우 예측 모델의 오차가 매우 커, 모델 개선이나 전처리

적용이 필요하였다. 예측결과에 대해 지연예측문제가 발생하였다.

 
향후 연구 방향

현재까지 공개된 선박 소요마력 예측을 위해 과거 해기상 데이터를 딥러닝 학습을 통해 미래 해기상 상태를 예측하는 모델을 개발하였다. 해기상 예측 정확도 향상을 위해 딥러닝 모델 개선 및 데이터 처리 방법에 대한 연구 및 소요마력 예측을 위한 딥러닝 모델 개발 및 분석도 진행 될 예정이다.