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

Detalhes bibliográficos
Autor(a) principal: Jacques, Hector Andrew Lisbôa
Data de Publicação: 2017
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/xmlui/handle/123456789/181823
Resumo: TCC (graduação) - Universidade Federal de Santa Catarina. Campus Joinville. Engenharia Naval.
id UFSC_c83e682a6253d28c7add9e225faf8773
oai_identifier_str oai:repositorio.ufsc.br:123456789/181823
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Universidade Federal de Santa CatarinaJacques, Hector Andrew LisbôaTancredi, Thiago Pontin2017-12-07T11:17:23Z2017-12-07T11:17:23Z2017-12-07https://repositorio.ufsc.br/xmlui/handle/123456789/181823TCC (graduação) - Universidade Federal de Santa Catarina. Campus Joinville. Engenharia Naval.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%.83 p.Bollard PullRedes neurais artificiaisRebocadorCapacidade de reboqueModelo de estimativaRedes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screwinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALTrabalho de Conclusão de Curso - Hector A L Jacques.pdfTrabalho de Conclusão de Curso - Hector A L Jacques.pdfPDF/Aapplication/pdf2900657https://repositorio.ufsc.br/bitstream/123456789/181823/1/Trabalho%20de%20Conclus%c3%a3o%20de%20Curso%20-%20Hector%20A%20L%20Jacques.pdf7bb58c34fcd1f7381a9d5d7a671c7adbMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81383https://repositorio.ufsc.br/bitstream/123456789/181823/2/license.txt11ee89cd31d893362820eab7c4d46734MD52123456789/1818232017-12-07 09:17:23.637oai:repositorio.ufsc.br:123456789/181823Vm9jw6ogdGVtIGEgbGliZXJkYWRlIGRlOiBDb21wYXJ0aWxoYXIg4oCUIGNvcGlhciwgZGlzdHJpYnVpciBlIHRyYW5zbWl0aXIgYSBvYnJhLiBSZW1peGFyIOKAlCBjcmlhciBvYnJhcyBkZXJpdmFkYXMuClNvYiBhcyBzZWd1aW50ZXMgY29uZGnDp8O1ZXM6IEF0cmlidWnDp8OjbyDigJQgVm9jw6ogZGV2ZSBjcmVkaXRhciBhIG9icmEgZGEgZm9ybWEgZXNwZWNpZmljYWRhIHBlbG8gYXV0b3Igb3UgbGljZW5jaWFudGUgKG1hcyBuw6NvIGRlIG1hbmVpcmEgcXVlIHN1Z2lyYSBxdWUgZXN0ZXMgY29uY2VkZW0gcXVhbHF1ZXIgYXZhbCBhIHZvY8OqIG91IGFvIHNldSB1c28gZGEgb2JyYSkuIFVzbyBuw6NvLWNvbWVyY2lhbCDigJQgVm9jw6ogbsOjbyBwb2RlIHVzYXIgZXN0YSBvYnJhIHBhcmEgZmlucyBjb21lcmNpYWlzLgpGaWNhbmRvIGNsYXJvIHF1ZTogUmVuw7puY2lhIOKAlCBRdWFscXVlciBkYXMgY29uZGnDp8O1ZXMgYWNpbWEgcG9kZSBzZXIgcmVudW5jaWFkYSBzZSB2b2PDqiBvYnRpdmVyIHBlcm1pc3PDo28gZG8gdGl0dWxhciBkb3MgZGlyZWl0b3MgYXV0b3JhaXMuIERvbcOtbmlvIFDDumJsaWNvIOKAlCBPbmRlIGEgb2JyYSBvdSBxdWFscXVlciBkZSBzZXVzIGVsZW1lbnRvcyBlc3RpdmVyIGVtIGRvbcOtbmlvIHDDumJsaWNvIHNvYiBvIGRpcmVpdG8gYXBsaWPDoXZlbCwgZXN0YSBjb25kacOnw6NvIG7Do28gw6ksIGRlIG1hbmVpcmEgYWxndW1hLCBhZmV0YWRhIHBlbGEgbGljZW7Dp2EuIE91dHJvcyBEaXJlaXRvcyDigJQgT3Mgc2VndWludGVzIGRpcmVpdG9zIG7Do28gc8OjbywgZGUgbWFuZWlyYSBhbGd1bWEsIGFmZXRhZG9zIHBlbGEgbGljZW7Dp2E6IExpbWl0YcOnw7VlcyBlIGV4Y2XDp8O1ZXMgYW9zIGRpcmVpdG9zIGF1dG9yYWlzIG91IHF1YWlzcXVlciB1c29zIGxpdnJlcyBhcGxpY8OhdmVpczsgT3MgZGlyZWl0b3MgbW9yYWlzIGRvIGF1dG9yOyBEaXJlaXRvcyBxdWUgb3V0cmFzIHBlc3NvYXMgcG9kZW0gdGVyIHNvYnJlIGEgb2JyYSBvdSBzb2JyZSBhIHV0aWxpemHDp8OjbyBkYSBvYnJhLCB0YWlzIGNvbW8gZGlyZWl0b3MgZGUgaW1hZ2VtIG91IHByaXZhY2lkYWRlLiBBdmlzbyDigJQgUGFyYSBxdWFscXVlciByZXV0aWxpemHDp8OjbyBvdSBkaXN0cmlidWnDp8Ojbywgdm9jw6ogZGV2ZSBkZWl4YXIgY2xhcm8gYSB0ZXJjZWlyb3Mgb3MgdGVybW9zIGRhIGxpY2Vuw6dhIGEgcXVlIHNlIGVuY29udHJhIHN1Ym1ldGlkYSBlc3RhIG9icmEuIEEgbWVsaG9yIG1hbmVpcmEgZGUgZmF6ZXIgaXNzbyDDqSBjb20gdW0gbGluayBwYXJhIGVzdGEgcMOhZ2luYS4KTGljZW7Dp2EgQ3JlYXRpdmUgQ29tbW9ucyAtIGh0dHA6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLzMuMC9ici8KRepositório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732017-12-07T11:17:23Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.pt_BR.fl_str_mv Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw
title Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw
spellingShingle Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw
Jacques, Hector Andrew Lisbôa
Bollard Pull
Redes neurais artificiais
Rebocador
Capacidade de reboque
Modelo de estimativa
title_short Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw
title_full Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw
title_fullStr Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw
title_full_unstemmed Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw
title_sort Redes Neurais Artificiais: Um Modelo para Estimativa de Bollard Pull de Rebocadores Twin Screw
author Jacques, Hector Andrew Lisbôa
author_facet Jacques, Hector Andrew Lisbôa
author_role author
dc.contributor.pt_BR.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Jacques, Hector Andrew Lisbôa
dc.contributor.advisor1.fl_str_mv Tancredi, Thiago Pontin
contributor_str_mv Tancredi, Thiago Pontin
dc.subject.por.fl_str_mv Bollard Pull
Redes neurais artificiais
Rebocador
Capacidade de reboque
Modelo de estimativa
topic Bollard Pull
Redes neurais artificiais
Rebocador
Capacidade de reboque
Modelo de estimativa
description TCC (graduação) - Universidade Federal de Santa Catarina. Campus Joinville. Engenharia Naval.
publishDate 2017
dc.date.accessioned.fl_str_mv 2017-12-07T11:17:23Z
dc.date.available.fl_str_mv 2017-12-07T11:17:23Z
dc.date.issued.fl_str_mv 2017-12-07
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/xmlui/handle/123456789/181823
url https://repositorio.ufsc.br/xmlui/handle/123456789/181823
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 83 p.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/181823/1/Trabalho%20de%20Conclus%c3%a3o%20de%20Curso%20-%20Hector%20A%20L%20Jacques.pdf
https://repositorio.ufsc.br/bitstream/123456789/181823/2/license.txt
bitstream.checksum.fl_str_mv 7bb58c34fcd1f7381a9d5d7a671c7adb
11ee89cd31d893362820eab7c4d46734
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1766805076206157824

Registros relacionados