A neural network surrogate modeling routine for simulation-based analysis of ship energy systems
No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Author
Date
2023-08-22
Department
Major/Subject
Systems and Operations Research
Mcode
SCI3055
Degree programme
Master’s Programme in Mathematics and Operations Research
Language
en
Pages
44 + 4
Series
Abstract
Simulation can be used as a tool in the design of ship energy systems, but the computational cost of evaluating simulation models can be high, rendering the analysis and optimization of simulation-based designs challenging. In this thesis, a neural network surrogate modeling routine is developed to facilitate the analysis of ship energy systems simulation models. The routine employs active learning and space-filling sampling algorithms to decrease the number of required simulation model evaluations. The routine is designed to be generalizable and scalable, to enable its use in various settings. The use of active learning is seen to decrease the number of simulation model evaluations required to train a robust surrogate model, in comparison to a setting, where the model is trained using a single batch. Sampling routine selection is also seen to have an effect on the performance of the surrogate model.Simulointimallinnusta voidaan hyödyntää laivojen energiajärjestelmien suunnittelussa, mutta simulointimallien evaluointi voi vaatia merkittäviä laskennallisia resursseja, mikä tekee simulointipohjaisesta analyysista ja optimoinnista haasteellista. Tässä diplomityössä kehitetään neuroverkkovastepintamalli laivan energiajärjestelmien analysoimisen tueksi. Mallin kehittämisessä hyödynnetään aktiivista oppimista ja tilaa täyttäviä otanta-algoritmeja simulointimallin evaluointikertojen minimoimiseksi. Vastepintamallista pyritään tekemään yleistetty ja skaalautuva, jotta sitä voitaisiin hyödyntää mahdollisimman monessa asetelmassa. Aktiivisen oppimisen havaitaan laskevan robustin vastepintamallin kouluttamiseen vaadittavaa aineistomäärää verrattuna tilanteeseen, jossa malli koulutetaan käyttäen yksittäistä otantaa. Myös otanta-algoritmin valinnalla todetaan olevan vaikutusta mallin suorituskykyyn.Description
Supervisor
Oliveira, FabricioThesis advisor
Vuorinen, MikaKeywords
ship energy systems, simulation-based analysis, surrogate modeling, active learning
