Dynamic Failure Analysis of Ship Energy Systems Using an Adaptive Machine Learning Formalism
Notice bibliographique
Résumé
The criticality of shipping operations in global trade requires a comprehensive understanding of its sustainability. This depends onthe integrity/performance of the ship structure and vital systems, such as the ship propulsion engine. The current research paper presents the application of an adaptive machine learning formalism, the Bayesian network, for failure assessment of a ship propulsion engine considering nonlinear and nonsequential failure interactions. The model captures critical failure influencing factors and their complex interactions to predict the failure probability of the ship energy system. Sensitivity and uncertainty analysis was carried out to establish the degree of influence of vital failure influencing factors as they affect the ship propulsion engine’s reliability and the associated uncertainty in the prior data processing. The model is tested on the propulsion engine of an ocean going vessel to forecast the likelihood of failure based on the logical dependencies among failure causative factors. Two scenarios were analyzed based on canonical probabilistic algorithms, and the results show that upon evidence on the three critical failure modes, the ship propulsion engine failure likelihood increased by 11.8%, 8.2%, and 9.4%, respectively. The model shows an adaptive/dynamic capability to capture new failure information and update the system’s failure probability. The proposed approach provides a condition monitoring tool and early warning guide for integrity management of critical ship energy systems. Received: 31 October 2022 | Revised: 19 January 2023 | Accepted: 20 February 2023 Conflicts of Interest The authors declare that they have no conflicts of interest to this work.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».