Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw

Repositório institucional da UFSC

A- A A+

Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw

Mostrar registro completo

Título: Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw
Autor: Jacques, Hector Andrew Lisbôa
Resumo: A engenharia naval engloba diversas áreas que apresentam problemas complexos ainda nas fases preliminares de projeto. Desta maneira, buscam-se soluções alternativas ou inovadoras para a obtenção de resultados confiáves para a estimativa de desempenho de uma embarcação ainda nas fases iniciais do projeto. Entre os tipos de navios existentes, os rebocadores apresentam-se como uma exceção dentre os demais por serem construídos com uma finalidade específica, a de rebocar outras embarcações durante a realização de manobras. Este reboque, em geral, é realizado com o auxílio de um cabo fixado entre o rebocador e a embarcação a ser rebocada, sendo que a tração atuante neste cabo pode ser definida como a força de reboque (Bollard Pull) provocada pelo rebocador. Neste trabalho é apresentado um modelo empirico baseado em Redes Neurais Artificais para estimar a capacidade de um rebocador durante as fases iniciais do projeto. Entre os diversos tipos de rebocadores e suas classificações, foram coletados dados de rebocadores com sistema propulsivo twin screw e utilizados no treinamento de uma rede neural destinada a estimativa do Bollard Pull. O trabalho inicia-se com uma revisão bibliográfica a cerca dos temas: redes neurais artificais e Bollard Pull. A partir do conceito fundamentado é proposta uma metodologia para o desenvolvimento do trabalho que consiste na implementação de um método de referência já existente para estimar o Bollard Pull e de um modelo criado com base em redes neurais artificiais. O modelo criado com base nas redes neurais mostrou mais preciso que o método de estimativa já existente, apresentando erro médio e erro máximo de aproximadamente 2% e 4%, enquanto o método existente apresentou os valores de 6% e 14%, respectivamente.Naval engineering embraces several areas that present complex problems still in the preliminary stages of design. In this way, alternative or innovative solutions are sought to obtain reliable results for the estimation of the performance of a vessel during the initial phases of the project. Among the types of existing vessels, tugboats are an exception among the others because they are constructed with a specific purpose, to tow other vessels during the accomplishment of maneuvers. This tow is generally made with the aid of a cable fixed between the tugboat and the vessel to be towed, the traction acting on this cable is defined as the towing force (Bollard Pull) caused by the tugboat. This paper presents an empirical model based on Artificial Neural Networks to estimate the capacity of a tugboat during the initial phases of the project. Among the different types of tugboats and their classifications, data were collected from twin screw propellers system that were used in the training of a neural network for the estimation of Bollard Pull. The work begins with a bibliographical review about the themes: Artificial neural networks and Bollard Pull. Based on the concept, a methodology is proposed for the development of the work, which consists in the implementation of an existing reference method to estimate Bollard Pull and a model created based on artificial neural networks. The model based on neural networks was more accurate for the existing estimation method, presenting mean error and maximum error of approximately 2% and 4%, whereas the method presented values of 6% and 14%.
Descrição: TCC (graduação) - Universidade Federal de Santa Catarina. Campus Joinville. Engenharia Naval.
URI: https://repositorio.ufsc.br/xmlui/handle/123456789/181823
Data: 2017-12-07


Arquivos deste item

Arquivos Tamanho Formato Visualização Descrição
Trabalho de Con ... o - Hector A L Jacques.pdf 2.766Mb PDF Visualizar/Abrir PDF/A

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro completo

Buscar DSpace


Navegar

Minha conta

Estatística

Compartilhar