Novel Process of Data-Analysis for Conceptual Ship Design, Method for Estimation of Lightweight

Abstract

Kunnskap om tidlige designbeslutninger innen skipsdesign er avgjørende både for en god endelig løsning og effektivitet i hele designprosessen. Denne oppgaven undersøker hvordan moderne dataanalysealgoritmer både kan hjelpe beslutninger og øke kunnskapen i den konseptuelle fasen. Med fokus på største usikkerhet i skipsdesign estimering av vekten av nye fartøy. Det er en komplisert faktor siden den består av omtrent 300 000 komponenter, som er svært tilpasset individuelt for hvert prosjekt. Ved bruk av parametriske modeller er det nyttig å ha en universell prediksjonsmodell mellom flere skip med så få parametere som mulig. For å oppnå forståelse for hva man skal gjøre, ble en eksplorativ dataanalysemetode implementert. Et nevralt nettverk er i stand til å utlede en anstendig nøyaktighet basert på et stort datasett, ytterligere økende nøyaktighet kan oppnås med mindre datasett. Fortsatt er det mange faktorer som forandrer vekt, så ingen sikker prediksjon kan gjøres uten ekspertgjetting eller faktorer. I tillegg bør innsamling av data effektivt være basert på ekspertise om utprøving og feiling, for å forenkle mengden. I tillegg vil et mer rådataformat med refereansepunker hjelpe til med modularitet av algoritmer og bruk av eldre data.

Knowledge about early design decisions in ship design is a crucial both for a good final solution and efficiency of the entire design process. This thesis investigates how state of the art data analysis algorithms can both assist decisions and increase knowledge in the conceptual phase. With a focus on biggest uncertainty in new early designs the weight of the vessel. It is a complicated factor since it consist roughly of 300 000 components, that are highly customized individually for each project. With the use of parametric models it is important to have an universal prediction model between multiple ships with as few parameters as possible. In order to derive understanding of what to do an explorative data analysis method where implemented. A neural network is able to derive a decent accuracy based on a big dataset, further increasing accuracy smaller datasets should be utilized. Still there is a lot of factors that implement weight, so no certain prediction can be done without expert guessing or factors. Additionally gathering the data efficiently should be based on expertise of trial and failure, to simplify the amount. Additionally a more raw data format will assist modularity of algorithms and use of older data.