Show simple item record

dc.contributor.advisorOlsø, Atle
dc.contributor.authorSnarud, Brage Halse
dc.contributor.authorSolheim, Joakim Benedict Winther Solheim
dc.contributor.authorSælthun, Hallvard
dc.date.accessioned2019-08-21T14:00:55Z
dc.date.available2019-08-21T14:00:55Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/11250/2609623
dc.description.abstract20 prosent av alle maritime ulykker er laste- og cruiseskip som går på grunn. Kystverket ønsker å redusere antall grunnstøtinger fordi de utgjør en miljø-, og helsemessig risiko. I dag er det VTS-operatører som står for overvåking av sjøtrafikk i Norge. De følger med på trafikken, og ser stort sett etter avvik manuelt. Dette er en prosess som er ressurskrevende, og som ikke er god nok til at alle mulige grunnstøtingssituasjoner blir oppdaget og avverget. Det er flere som har foreslått løsninger på problemet, men det er per dags dato ingen som har laget noe som kan tas i bruk. Norconsult Informasjonssystemer (NoIS) utviklet en maskinlæringsmodell som baserer seg på tidligere seilingsdata. Den kan detektere avvik i sjøtrafikken, og varsle om mulige grunnstøtinger. Vi har gjennom vårt arbeid laget en produkt som operasjonaliserer NoIS sin maskinlæringsmodell. Vi har brukt produktet til å teste maskinlæringsmodellen i et realistisk miljø, og simulert tidligere grunnstøtinger. For å teste maskinlæringsmodellen har vi lyttet på Kystverket sin åpne AIS-strøm. AIS-meldinger fra strømmen er prosessert av produktet i sanntid, og med forskjellige frekvenser. Simuleringer av tidligere grunnstøtinger er gjort ved å prosessere historiske AIS-data fra fartøy som har gått på grunn. Våre resultater viser at maskinlæringsmodellen fungerer godt i et realistisk miljø, og håndterer alle meldingene fra Kystverket sin åpne AIS-strøm med god margin. Resultatene fra simuleringene viser at maskinlæringsmodellen klarer å oppdage og varsle om grunnstøtinger i ni av 13 simuleringer, og at varslingen om grunnstøtingen kom tidsnok til at grunnstøtingen kunne vært avverget.
dc.description.abstract20 percent of all maritime accidents are caused by cargo and cruise ships running aground.The Norwegian Coastal Administration (NCA) wants to reduce the number of ship groundings as they pose a risk to health and the environment. Today VTS operators monitor maritime traffic, usually by looking for deviations manually. This is a process that requires a lot of resources, and is not sufficient enough to detect and avert all potential ship groundings. There has been multiple proposed solutions to the problem. However as of today there does not exist a usable solution. Norconsult Informasjonssystemer (NoIS) has developed a machine learning model that can detect anomalies based off of previous maritime traffic patterns. The model can alert users to potential groundings. Through our work, we have made a product that operationalizes NoIS’ machine learning model. We have used the product to test the model in a realistic environment, and simulated previous ship groundings. In order to test the machine learning model, we listened to NCA’s open AIS stream. AIS messages from the stream were processed in real time, and with different frequencies. Simulations of previous ship groundings, were performed by processing historical AIS data from vessels that have previously grounded. Our results show that the machine learning model operates well in a realistic environment, and handles all messages from the NCA’s open AIS stream with a good margin. The results from the simulations demonstrate that the machine learning model is able to detect potential grounding situations in nine of 13 cases, and warn users. The warnings occurred early enough to avert the groundings.
dc.languagenob
dc.publisherNTNU
dc.titleOperasjonalisering av en maskinlæringsmodell for å detektere avvik og farer for grunnstøtinger i sanntid
dc.typeBachelor thesis


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record