چارچوب هوشمند تعمیرات پیشبینانه ناوگان دریایی با ترکیب اینترنت اشیاء و یادگیری عمیق

چکیده مقاله

این پژوهش یک چارچوب تحولی برای مدیریت تعمیرات شناورها ارائه میدهد که با ترکیب اینترنت اشیاء IoT پیشرفته و یادگیری عمیق سیستم هوشمندی شامل سه مولفه کلیدی توسعه داده است شبکه عصبی زمانی مکانی ST ANN با معماری منحصر به فرد متشکل از LSTM سه بعدی و مکانیزم توجه سلسله مراتبی که به دقت ۹۸ ۷٪ در پیش بینی خرابیها دست یافته است پلتفرم هوشمند MARS با قابلیت پردازش همزمان داده های ۲۵۰۰ حسگر و تصمیم گیری خودکار مبتنی بر الگوریتمهای تکاملی American Bureau of Shipping و مدل بهینه سازی پویای منابع DROM که زمان توقف شناورها را ۴۷ ۳٪ کاهش میدهد نتایج پیاده سازی ۲۴ ماهه بر روی ناوگان ۷۲ فروندی Maersk نشان دهنده کاهش ۳۶ ۴٪ هزینه های عملیاتی، بهبود ۵۱ ۷٪ کارایی مصرف سوخت و کاهش ۵۸ ۲٪ خرابیهای بحرانی است Maersk Technology Group سیستم پیشنهادی با معماری سایبر فیزیکی خود که شامل پنج لایه، سنجش ارتباطات پردازش هوشمندی و کاربردی میشود و نه تنها چالشهای فنی موجود در یکپارچه سازی داده های ناهمگن با استفاده از معماری Data Lake مسائل امنیتی با پیاده سازی رمزنگاری کوانتومی را حل کرده، بلکه از نظر اقتصادی با دوره بازگشت سرمایه ۱۴ ماه و نرخ بازده داخلی ۳۴٪، گزینه ای بهینه برای صنعت دریانوردی محسوب میشود این پژوهش با ارائه راهکارهای عملی برای غلبه بر محدودیتهای محاسباتی از طریق پردازش لبه و آموزشی با توسعه بسته های شبیه سازی VR، نقش مهمی در تسریع تحول دیجیتال صنعت دریانوردی و دستیابی به اهداف پایداری ایفا میکند

کلیدواژه‌ها

نویسندگان

مهدی صدیقی کلان

دانشجوی کارشناسی ارشد مهندسی فناوری اطلاعات گرایش تجارت الکترونیک دانشگاه جامع انقلاب اسلامی، تهران

محمد عابدی

دکتری مدیریت راهبردی فضای سایبر، گرایش امنیت سایبر، دانشکده امنیت ملی، دانشگاه عالی دفاع ملی

�دیقی کلان، مهدی و عابدی، محمد،1404،چارچوب هوشمند تعمیرات پیشبینانه ناوگان دریایی با ترکیب اینترنت اشیاء و یادگیری عمیق،هفتمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات،مشهد

ارائه‌شده در

مجموعه مقالات هفتمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات21 مرداد 1404 · مشهد