ІНТЕЛЕКТУАЛЬНА СИСТЕМА ПРОГНОЗУВАННЯ ПАРАМЕТРІВ ПАЛИВНО-МАСТИЛЬНИХ МАТЕРІАЛІВ

І.О.  Калініна; О.П.  Гожий; С.І.  Шиян; В.О.  Гожий; Л.Ю.  Пастернак

doi:10.34185/1562-9945-5-162-2026-01

Автор(и)

І.О. Калініна https://orcid.org/0000-0001-8359-2045
О.П. Гожий https://orcid.org/0000-0002-3517-580X
С.І. Шиян https://orcid.org/0000-0001-9255-9511
В.О. Гожий https://orcid.org/0000-0002-5341-0973
Л.Ю. Пастернак https://orcid.org/0009-0008-2172-0388

DOI:

https://doi.org/10.34185/1562-9945-5-162-2026-01

Ключові слова:

інтелектуальна система прогнозування, методи машинного навчання, моніторинг палива, комбінування прогнозних значень

Анотація

У статті розглядається інтелектуальна система прогнозування для моніторингу об’ємів палива на судні. Система вирішує такі завдання моніторингу: аналіз та оцінка даних, побудова моделей та прогнозування значень для прийняття рішень. Інформаційна система складається з таких підсистем: підсистема збору та зберігання інформації, підсистема підготовки даних, підсистема аналізу та попередньої обробки даних, підсистема моделювання та підсистема прогнозування. У підсистемі прогнозування передбачено модуль комбінування прогнозних значень, який реалізує сім різних методів комбінування прогнозних значень. У більшості випадків комбінування допомагає покращити якість прогнозів. В експериментальній частині дослідження розглядається проблема прогнозування обсягів можливого заповнення систем зберігання паливом на основі звіту про регулярний збір даних про рівень та кількість палива в резервуарах на судні. Для прогнозування використовувалися такі методи машинного навчання: моделі ARIMA/SARIMA, експоненціальне згладжування, регресійні нейромережеві моделі та BSTS-моделі. Оцінка якості отриманих прогнозних значень проводилася за допомогою наступних метрик якості: MAE, MSE, RMSE. Інформаційна система дозволяє отримувати високоякісні прогнози кількості палива для резервуарів різних типів, а також узагальнені показники

Посилання

Kalsi P., and Singh H., “Sensors Based Automotive vehicle for the detection of fuel level”.International Journal of Innovative Technology and Exploring Engineering, vol. 8(11), (2019): 1001-1004, doi:10.35940/ijitee.I7624.0981119.

Hüffmeier J., and Johanson M.,“State-of-the-Art Methods to Improve Energy Efficiency of Ships”. MDPI, J. Mar. Sci. Eng. Vol. 9(4), 447 (2021) https://doi.org/10.3390/jmse9040447.

Sondkar Sh., Patil O., Bhosale P., and Nyahalde P., “Diesel Level Monitoring System”, International Journal of Research in Applied Science and Engineering Technology (IJRASET). Vol.12, issue 5, (2024) 4301-4306, doi.org/10.22214/ijraset.2024.62590.

Pradana M. F., “Enhancing Ship Fuel Efficiency in the Archipelago Area through a Combination of Speed Optimization and Flettner Rotor Implementation”. Thesis for: Doktor IngenieurAdvisor: Prof. Dr.-Ing. Bernd Noche. (2024), doi:10.17185/duepublico/82503.

Krishnasamy R., Aathi R., Jayapalan B., Karthikeyen K., and Nowfal M., “Automatic fuel monitoring system”, Int. J. Recent Technol. Eng., vol. 8, issue 8 (2019) 348–352. doi:10.35940/ijrte.D1078.1284S219.

Obikoya G.D. “Design, construction, and implementation of a remote fuel-level monitoring system”, EURASIP Journal on Wireless Communications and Networking, (2014): 76. doi:10.1186/1687-1499-2014-76.

Patel R., Pungalia H., and Mahajan S., “Flow Meter and Arduino Based Fuel Gauge for Automotive Vehicles”, IOSR Journal of Mechanical and Civil Engineering (IOSR-JMCE) eISSN: 2278-1684, volume 13, issue 5, Ver. VII (2016) 85-92.

Safaei A.A., Ghassemi H., and Ghiasi M., “VLCC’s fuel consumption prediction modeling based on noon report and automatic identification system”. Cogent engineering (2019), 6: 1595292 https://doi.org/10.1080/23311916.2019.1595292.

Bialystocki N., and Konovessis D., “On the estimation of ship's fuel consumption and speed curve: A statistical approach”. Journal of Ocean Engineering and Science. Vol. 1 (2), (2016) 157-166.

Young-Rong K., Min J., and Jun-Bum P., “Development of a Fuel Consumption Prediction Model Based on Machine Learning Using Ship In-Service Data”. MDPI, Journal of Marine Scienceand Engineering, vol. 9(2), (2021) 137; https://doi.org/10.3390/jmse9020137.

Sheng-Long K., Wu-Hsun C., and Chao-Wei C., “AIS-Based Scenario Simulation for the Control and Improvement of Ship Emissions in Ports”. J. Mar. Sci. Eng. vol. 10(2), (2022) 129. https://doi.org/10.3390/jmse10020129.

Sun X., Ouyang Z., and Yue D., “Short-term load forecasting based on multivariate linear regression”. Proceedings of the 2017 IEEE Conference on Energy Internet and Energy System Integration (EI2), Beijing, China. (2017) 26-28. doi: 10.1109/EI2.2017.8245401.

Bidyuk P., Kalinina I., Gozhyj A., Pikh I., Chorna V., and Gozhyi V., “A Systematic Approach to Modeling and Forecasting based on Real Data in Machine Learning Tasks”. Springer Nature Link. System Analysis and Data Mining Part of the book series: Studies in Systems, Decision and Control (SSDC, vol. 609) (2025) 71-87, doi:10.1007/978-3-031-97529-5_5.

Kalinina I., and Gozhyj A., “Forecasting electricity demand in Ukraine using machine learning methods”. CIAW-24: Computational Intelligence Application Workshop, October 10-12, 2024, Lviv, Ukraine. (2024) CEUR-WS.org/Vol-3861/paper4.pdf.

Bidyuk P., Kalinina I., Gozhyj A., Gozhyi V., and Shiyan S., “An approach to combining forecasts when solving machine learning problems”. MoMLeT-2025: 7th International Workshop on Modern Machine Learning Technologies, June, 14, 2025, Lviv-Shatsk, Ukraine. CEUR-WS.org/Vol-4004/paper2.pdf