KR20240071996A

KR20240071996A - A method and an apparatus for optimizing ship's navigation

Info

Publication number: KR20240071996A
Application number: KR1020230056136A
Authority: KR
Inventors: 고윤애; 이유진; 김성훈; 이성원; 류광년; 최낙철
Original assignee: 에이치디한국조선해양 주식회사; 에이치디현대중공업 주식회사; 에이치디현대삼호 주식회사
Priority date: 2022-11-16
Filing date: 2023-04-28
Publication date: 2024-05-23
Also published as: KR20240071993A; KR20240075736A; KR20240075737A; KR20240071994A; KR20240071995A; KR20240071997A

Abstract

본 개시는 선박의 운항을 최적화하는 방법 및 장치에 관한 것이다. 본 개시의 일 실시 예에 따른 방법은, 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성하고, 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하고, BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득할 수 있다.This disclosure relates to a method and device for optimizing the operation of a ship. A method according to an embodiment of the present disclosure generates recommended navigation information regarding the navigation route of a vessel based on navigation plan information related to the departure location and arrival location of the vessel, and based on the recommended navigation information, BOG of the vessel. It is possible to predict the generation amount and tank pressure value of the ship, and obtain optimal navigation information related to the operation control of the ship based on the BOG generation amount and tank pressure value.

Description

선박의 운항을 최적화하는 방법 및 장치 {A method and an apparatus for optimizing ship's navigation}{A method and an apparatus for optimizing ship's navigation}

본 개시는 선박의 운항을 최적화하는 방법 및 장치에 관한 것이다.This disclosure relates to a method and device for optimizing the operation of a ship.

일반적으로, 선박이 액화가스를 운반하는 데 있어서 액화가스 탱크에서 자연적으로 기화되는 가스가 발생하는데, 이것을 BOG(Boil-Off Gas)라고 한다.Generally, when ships transport liquefied gas, gas that is naturally vaporized is generated in the liquefied gas tank, which is called BOG (Boil-Off Gas).

BOG가 발생하면 탱크 내부의 압력이 상승하고, 탱크 내부의 압력이 상승하면 액화가스 탱크의 안전성이 감소하여 탱크가 폭발할 위험이 있다. 이러한 위험을 방지하기 위해 BOG를 방출하는데, 이 과정에서 환경오염을 일으킬 수 있으며 액화가스를 낭비하게 된다.When BOG occurs, the pressure inside the tank rises, and when the pressure inside the tank rises, the safety of the liquefied gas tank decreases and there is a risk of the tank exploding. To prevent this risk, BOG is released, which can cause environmental pollution and waste liquefied gas in this process.

한편, 탱크 내부의 압력을 유지하기 위해 BOG를 선박의 추진 엔진 또는 발전 엔진의 연료로 사용하고, 연료의 사용에도 불구하고 남는 경우에는 재액화 장치를 통해 액화하여 화물 탱크에 저장하거나, 연소 장치(Gas combustion unit, GCU)를 통해 제거할 수 있다.Meanwhile, in order to maintain the pressure inside the tank, BOG is used as fuel for the ship's propulsion engine or power generation engine, and if it remains despite the use of fuel, it is liquefied through a re-liquefaction device and stored in a cargo tank, or used in a combustion device ( It can be removed through a gas combustion unit (GCU).

따라서, 액화가스를 운반하는 동안 발생하는 BOG 발생량, 선박의 속도, 전력량, BOG 처리 방식, 운항 경로에 따른 해역의 위치나 기후 변화 등에 따라서 선박의 운항 비용은 매우 상이하여, 경제적인 운항을 계획함에 있어서 예측하기 어려운 문제점이 있다. 특히, 선박마다 화물 운영 시스템(Cargo handling system, CHS)가 상이하고, 경제적인 운전 방식을 분석하기에 위와 같은 복잡성이 따르며, 운항 경로에 따라 BOG 발생량이 다른 바, 선박의 운전자에게 있어 액화가스 소모량을 최소화하는 최적의 운전을 행하기 어렵다는 문제점이 있다. 이에 따라, 액화가스 소모량을 최소화하는 운전 방식으로 액화가스 운반선을 효율적으로 제어하기 위한 방법의 필요성이 제기된다.Therefore, the operating cost of a ship is very different depending on the amount of BOG generated while transporting liquefied gas, the speed of the ship, the amount of power, the BOG processing method, the location of the sea area according to the navigation route, climate change, etc., so it is necessary to plan economical operation. There is a problem that is difficult to predict. In particular, the cargo handling system (CHS) is different for each ship, the complexity of analyzing economical operation methods is as described above, and the amount of BOG generated varies depending on the operation route, so the liquefied gas consumption for the driver of the ship is different. There is a problem that it is difficult to perform optimal operation to minimize . Accordingly, there is a need for a method for efficiently controlling liquefied gas carriers in an operation method that minimizes liquefied gas consumption.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.The above-mentioned background technology is technical information that the inventor possessed for deriving the present invention or acquired in the process of deriving the present invention, and cannot necessarily be said to be known art disclosed to the general public before filing the application for the present invention.

본 발명은 선박의 운항을 최적화하는 방법 및 장치를 제공하는 데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다.The present invention aims to provide a method and device for optimizing the operation of a ship. Additionally, the object is to provide a computer-readable recording medium on which a program for executing the method on a computer is recorded.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.The problem to be solved by the present invention is not limited to the problems mentioned above, and other problems and advantages of the present invention that are not mentioned can be understood through the following description and can be understood more clearly through the embodiments of the present invention. It will be. In addition, it will be appreciated that the problems and advantages to be solved by the present invention can be realized by the means and combinations thereof indicated in the patent claims.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 선박의 운항을 최적화하는 방법에 있어서, 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성하는 단계; 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하는 단계; 및 BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득하는 단계;를 포함하는, 방법을 제공할 수 있다.As a technical means for achieving the above-described technical problem, the first aspect of the present disclosure is a method of optimizing the operation of a ship, based on operation plan information related to the departure location and arrival location of the vessel, the navigation route of the vessel generating recommended navigation information about; Predicting the BOG generation amount of the ship and the tank pressure value of the ship based on recommended navigation information; and acquiring optimal navigation information related to operation control of the ship based on the BOG generation amount and tank pressure value.

본 개시의 제2 측면은, 적어도 하나의 메모리; 및 적어도 하나의 프로세서;를 포함하고, 프로세서는, 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성하고, 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하고, BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득하는, 컴퓨팅 장치를 제공할 수 있다.A second aspect of the present disclosure includes at least one memory; and at least one processor, wherein the processor generates recommended navigation information regarding the navigation route of the vessel based on navigation plan information related to the departure location and arrival location of the vessel, and based on the recommended navigation information, the vessel A computing device can be provided that predicts the BOG generation amount and the tank pressure value of the ship and obtains optimal navigation information related to operation control of the ship based on the BOG generation amount and tank pressure value.

본 개시의 제3 측면은, 제1 측면에 따른 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다.A third aspect of the present disclosure may provide a computer-readable recording medium on which a program for executing the method according to the first aspect is recorded on a computer.

이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체가 더 제공될 수 있다.In addition, another method for implementing the present invention, another system, and a computer-readable recording medium storing a computer program for executing the method may be further provided.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.Other aspects, features and advantages in addition to those described above will become apparent from the following drawings, claims and detailed description of the invention.

전술한 본 개시의 과제 해결 수단에 의하면, 본 개시에서는 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성하고, 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하고, BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득함으로써, 선박의 액화가스 소모량을 최소화하는 경제적 운항이 가능하다.According to the problem-solving means of the present disclosure described above, in the present disclosure, recommended navigation information regarding the navigation route of the vessel is generated based on navigation plan information related to the departure location and arrival location of the vessel, and based on the recommended navigation information, By predicting the ship's BOG generation amount and the ship's tank pressure value, and obtaining optimal navigation information related to the ship's operation control based on the BOG generation amount and tank pressure value, economical operation that minimizes the ship's liquefied gas consumption is possible. .

또한, 본 개시의 과제 해결 수단에 의하면, 선박의 운항 경로에 관한 위치별 기상기후 정보, 조류 정보, 해상 정보 및 해류 정보 중 하나 이상을 포함하는 환경 정보에 기초하여 BOG 발생량 및 탱크 압력 값을 예측하고, 예측된 BOG 발생량 및 탱크 압력 값에 기초하여 최적 항해 정보를 획득하여 전체 항해 운전을 계산함으로써, 선박의 출발지에서 도착지까지의 화물 관리의 방향성을 제시할 수 있고, 예측한 탱크 압력 값에 기초하여 안전한 화물 처리를 가능하게 할 수 있다.In addition, according to the problem solving means of the present disclosure, the BOG generation amount and tank pressure value are predicted based on environmental information including one or more of location-specific weather and climate information, tidal current information, ocean information, and ocean current information regarding the navigation route of the ship. By calculating the entire voyage operation by obtaining optimal navigation information based on the predicted BOG generation amount and tank pressure value, the direction of cargo management from the ship's departure point to the destination can be presented, and based on the predicted tank pressure value This enables safe cargo handling.

또한, 본 개시의 과제 해결 수단에 의하면, 운항 경로에 관한 선박 속도 및 액화가스 소모량을 갱신하여 최적 항해 정보를 획득함으로써, 운전자에게 선박의 운전 가이드를 제공하여 운항을 보조하고, GCU 소각량 및 엔진의 연료 가스량을 낮춤으로써 탄소세 저감 효과를 제공할 수 있다. In addition, according to the problem-solving means of the present disclosure, optimal navigation information is obtained by updating the ship speed and liquefied gas consumption regarding the navigation route, thereby providing a driving guide of the ship to the driver to assist navigation, and adjusting the GCU incineration amount and engine By lowering the amount of fuel gas, it can provide a carbon tax reduction effect.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.The effects of the present invention are not limited to those mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.

도 1은 일 실시예에 따른 선박의 운항을 최적화하는 시스템의 일 예를 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 사용자 단말의 일 예를 도시한 구성도이다.
도 3는 일 실시예에 따른 서버의 일 예를 도시한 구성도이다.
도 4는 일 실시예에 따른 선박의 운항을 최적화하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 5는 일 실시예에 따른 프로세서가 운항 계획 정보에 기초하여 추천 항해 정보를 생성하는 일 예를 설명하기 위한 흐름도이다.
도 6은 일 실시예에 따른 프로세서가 추천 항해 정보에 기초하여 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하는 일 예를 설명하기 위한 흐름도이다.
도 7은 일 실시예에 따른 프로세서가 BOG 발생량 및 탱크 압력 값에 기초하여 최적 항해 정보를 획득하는 일 예를 설명하기 위한 흐름도이다.
도 8은 일 실시예에 따른 프로세서가 BOG 발생량 및 탱크 압력 값에 기초하여 최적 항해 정보를 획득하는 다른 예를 설명하기 위한 흐름도이다.
도 9는 일 실시예에 따른 선박의 운항을 최적화하는 방법의 다른 예를 설명하기 위한 흐름도이다.
도 10은 일 실시예에 따른 BOG 발생량을 예측하는 방법의 일 예를 설명하기 위한 도면이다.
도 11은 일 실시예에 따른 선박의 BOG 발생량을 예측하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 12는 일 실시예에 따른 선박의 가스 소모량을 계산하는 일 예를 설명하기 위한 도면이다.
도 13a는 일 실시예에 따른 스태킹 모델의 일 예를 도시한 구성도이다.
도 13b는 일 실시예에 따른 선박의 BOG 발생량 예측 모델의 일 예를 도시한 구성도이다.
도 13c는 일 실시예에 따른 스태킹 모델을 포함하는 선박의 BOG 발생량 예측 모델을 간략히 도시한 도면이다.
도 14는 일 실시예에 따른 학습을 위한 정답 데이터를 산출하는 일 예를 설명하기 위한 도면이다.
도 15a는 일 실시예에 따른 프로세서(110)가 메모리(120)에 저장된 데이터 중 소실 데이터(Loss data)를 제거하는 것을 설명하기 위한 도면이다.
도 15b는 일 실시예에 따른 기 저장된 운항 데이터의 일부 데이터를 입력 데이터 선정 모델의 학습 데이터로, 다른 일부 데이터를 선박의 BOG 발생량 예측 모델의 검증 데이터로 분리하는 일 예를 설명하기 위한 도면이다.
도 16a는 일 실시예에 따른 선박의 외부에서 선박의 현재 운항 데이터를 획득하는 일 예를 설명하기 위한 도면이다.
도 16b는 일 실시예에 따른 선박의 내부에서 선박의 현재 운항 데이터를 획득하는 일 예를 설명하기 위한 도면이다.
도 17은 일 실시예에 따른 최초 BOG 발생량 예측 값들에 가중치를 적용하여 최종 BOG 발생량 예측 값을 연산하는 일 예를 설명하기 위한 도면이다.
도 18은 일 실시예에 따른 선박의 탱크 압력을 예측하는 방법의 일 예를 설명하기 위한 도면이다.
도 19는 일 실시예에 따른 선박의 탱크 압력을 예측하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 20a는 일 실시예에 따른 기 저장된 실제 운항 데이터의 일부를 학습 데이터로 분리하고, 다른 일부를 검증 데이터로 분리하는 일 예를 설명하기 위한 도면이다.
도 20b는 일 실시예에 따른 기 저장된 실제 운항 데이터를 가공하는 과정의 일 예를 설명하기 위한 도면이다.
도 21은 일 실시예에 따른 선박의 탱크 압력을 예측하는 딥러닝 모델을 학습하는 과정의 일 예를 설명하기 위한 도면이다.
도 22는 일 실시예에 따른 탱크 내에서의 액화가스의 수위가 소정 높이 이상인지 여부에 따른 항해 모드를 판단하는 일 예를 설명하기 위한 도면이다.
도 23은 일 실시예에 따른 탱크 내에서의 액화가스의 수위에 따른 복수의 항해 모드들 각각에 대응하는 딥러닝 모델의 일 예를 설명하기 위한 도면이다.
도 24는 일 실시예에 따른 복수의 중간 값들에 가중치를 적용하여 탱크의 압력 예측 값을 획득하는 일 예를 설명하기 위한 도면이다.
도 25는 일 실시예에 따른 선박의 운항을 최적화하는 방법의 일 예를 설명하기 위한 도면이다.
도 26은 일 실시예에 따른 선박의 운항을 최적화하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 27은 일 실시예에 따른 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는지 여부에 따라 서로 다른 방식으로 최적 항해정보를 획득하는 일 예를 설명하기 위한 도면이다.
도 28a는 일 실시예에 따른 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는 경우의 최적 항해정보를 획득하는 일 예를 설명하기 위한 흐름도이다.
도 28b는 일 실시예에 따른 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하지 않는 경우의 최적 항해정보를 획득하는 일 예를 설명하기 위한 흐름도이다.
도 29는 일 실시예에 따른 선박의 운항을 제어하는 시스템의 일 예를 설명하기 위한 도면이다.
도 30은 일 실시예에 따른 서버의 일 예를 도시한 구성도이다.
도 31은 일 실시예에 따른 선박의 운항을 제어하는 방법의 일 예를 설명하기 위한 흐름도이다.
도 32는 일 실시예에 따른 선박의 기 설정된 운항 정보가 디스플레이되는 화면의 일 예를 도시한 도면이다.
도 33은 일 실시예에 따른 선박의 수동 설정된 항로 및 항로 최적화 기능을 통해 자동 설정된 항로 중 어느 하나를 획득할 수 있는 화면의 일 예를 도시한 도면이다.
도 34는 일 실시예에 따른 액화가스 화물 탱크의 압력 예측값을 산출하는 방법에 대한 일 예를 설명하기 위한 도면이다.
도 35a는 일 실시예에 따른 액화가스 화물 탱크 내부 압력 예측값을 측정값과 비교한 결과 및 평균 속도를 측정값과 비교한 결과의 일 예를 도시한 도면이다.
도 35b는 일 실시예에 따른 액화가스 화물 탱크에서 증발된 액화가스량의 예측값을 측정값과 비교한 결과의 일 예를 도시한 도면이다.
도 35c는 일 실시예에 따른 선박의 경제 운항 지표를 측정값과 비교한 결과의 일 예를 도시한 도면이다.
도 36은 일 실시예에 따른 프로세서에 의하여 디스플레이되는 화면의 일 예를 도시한 도면이다.1 is a diagram illustrating an example of a system for optimizing the operation of a ship according to an embodiment.
Figure 2 is a configuration diagram illustrating an example of a user terminal according to an embodiment.
Figure 3 is a configuration diagram illustrating an example of a server according to an embodiment.
Figure 4 is a flowchart illustrating an example of a method for optimizing the operation of a ship according to an embodiment.
FIG. 5 is a flowchart illustrating an example in which a processor generates recommended navigation information based on navigation plan information, according to an embodiment.
FIG. 6 is a flowchart illustrating an example in which a processor predicts a ship's BOG generation amount and a ship's tank pressure value based on recommended navigation information, according to an embodiment.
FIG. 7 is a flowchart illustrating an example in which a processor obtains optimal navigation information based on BOG generation amount and tank pressure value according to an embodiment.
FIG. 8 is a flowchart illustrating another example in which a processor obtains optimal navigation information based on BOG generation amount and tank pressure value according to an embodiment.
Figure 9 is a flowchart illustrating another example of a method for optimizing the operation of a ship according to an embodiment.
Figure 10 is a diagram for explaining an example of a method for predicting the amount of BOG generation according to an embodiment.
Figure 11 is a flowchart illustrating an example of a method for predicting the amount of BOG generation of a ship according to an embodiment.
Figure 12 is a diagram for explaining an example of calculating gas consumption of a ship according to an embodiment.
FIG. 13A is a configuration diagram illustrating an example of a stacking model according to an embodiment.
Figure 13b is a configuration diagram illustrating an example of a BOG generation amount prediction model for a ship according to an embodiment.
FIG. 13C is a diagram briefly illustrating a BOG generation prediction model for a ship including a stacking model according to an embodiment.
FIG. 14 is a diagram illustrating an example of calculating correct answer data for learning according to an embodiment.
FIG. 15A is a diagram illustrating the processor 110 removing lost data from data stored in the memory 120 according to an embodiment.
FIG. 15B is a diagram illustrating an example of separating some data from pre-stored navigation data as learning data for an input data selection model and some other data as verification data for a BOG generation prediction model of a ship, according to an embodiment.
FIG. 16A is a diagram for explaining an example of acquiring current navigation data of a ship from outside the ship according to an embodiment.
FIG. 16B is a diagram for explaining an example of acquiring current navigation data of a ship from inside the ship according to an embodiment.
FIG. 17 is a diagram illustrating an example of calculating a final BOG generation prediction value by applying weights to the initial BOG generation prediction values according to an embodiment.
Figure 18 is a diagram for explaining an example of a method for predicting tank pressure of a ship according to an embodiment.
Figure 19 is a flowchart illustrating an example of a method for predicting tank pressure of a ship according to an embodiment.
FIG. 20A is a diagram illustrating an example in which part of pre-stored actual flight data is separated into learning data and another part is separated into verification data, according to an embodiment.
FIG. 20B is a diagram for explaining an example of a process for processing pre-stored actual flight data according to an embodiment.
FIG. 21 is a diagram illustrating an example of a process for learning a deep learning model for predicting tank pressure of a ship according to an embodiment.
Figure 22 is a diagram for explaining an example of determining a navigation mode depending on whether the level of liquefied gas in a tank is above a predetermined height according to an embodiment.
FIG. 23 is a diagram illustrating an example of a deep learning model corresponding to each of a plurality of navigation modes according to the level of liquefied gas in a tank according to an embodiment.
FIG. 24 is a diagram illustrating an example of obtaining a predicted tank pressure value by applying weights to a plurality of intermediate values according to an embodiment.
Figure 25 is a diagram for explaining an example of a method for optimizing the operation of a ship according to an embodiment.
Figure 26 is a flowchart illustrating an example of a method for optimizing the operation of a ship according to an embodiment.
FIG. 27 is a diagram illustrating an example of obtaining optimal navigation information in different ways depending on whether the speed for each navigation section included in recommended navigation information is used for the operation of a ship according to an embodiment.
FIG. 28A is a flowchart illustrating an example of obtaining optimal navigation information when using the speed for each navigation section included in recommended navigation information in the operation of a ship according to an embodiment.
FIG. 28B is a flowchart illustrating an example of obtaining optimal navigation information when the speed for each navigation section included in recommended navigation information is not used for the operation of a ship according to an embodiment.
Figure 29 is a diagram for explaining an example of a system for controlling the operation of a ship according to an embodiment.
Figure 30 is a configuration diagram illustrating an example of a server according to an embodiment.
Figure 31 is a flowchart for explaining an example of a method for controlling the operation of a ship according to an embodiment.
Figure 32 is a diagram illustrating an example of a screen on which preset navigation information of a ship is displayed according to an embodiment.
Figure 33 is a diagram illustrating an example of a screen on which one of the manually set route of a ship and the route automatically set through the route optimization function can be obtained according to an embodiment.
Figure 34 is a diagram for explaining an example of a method for calculating a pressure prediction value of a liquefied gas cargo tank according to an embodiment.
Figure 35a is a diagram showing an example of the results of comparing the predicted value of the pressure inside the liquefied gas cargo tank with the measured value and the result of comparing the average speed with the measured value according to an embodiment.
Figure 35b is a diagram showing an example of the results of comparing the predicted value of the amount of liquefied gas evaporated from the liquefied gas cargo tank with the measured value according to an embodiment.
Figure 35c is a diagram showing an example of a result of comparing the economic operation index of a ship with a measured value according to an embodiment.
Figure 36 is a diagram illustrating an example of a screen displayed by a processor according to an embodiment.

이하, 본 개시의 다양한 실시예가 첨부된 도면과 연관되어 기재된다. 본 개시의 다양한 실시예는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들이 도면에 예시되고 관련된 상세한 설명이 기재되어 있다. 그러나 이는 본 개시의 다양한 실시예를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 다양한 실시예의 사상 및 기술 범위에 포함되는 모든 변경 및/또는 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용되었다.BRIEF DESCRIPTION OF THE DRAWINGS Various embodiments of the present disclosure are described below in conjunction with the accompanying drawings. Various embodiments of the present disclosure can make various changes and have various embodiments, and specific embodiments are illustrated in the drawings and related detailed descriptions are described. However, this is not intended to limit the various embodiments of the present disclosure to specific embodiments, and should be understood to include all changes and/or equivalents or substitutes included in the spirit and technical scope of the various embodiments of the present disclosure. In connection with the description of the drawings, similar reference numbers have been used for similar components.

본 개시의 다양한 실시예에서 사용될 수 있는 "포함한다." 또는 "포함할 수 있다." 등의 표현은 개시(disclosure)된 해당 기능, 동작 또는 구성요소 등의 존재를 가리키며, 추가적인 하나 이상의 기능, 동작 또는 구성요소 등을 제한하지 않는다. 또한, 본 개시의 다양한 실시예에서, "포함하다." 또는 "가지다." 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.“Includes” may be used in various embodiments of the present disclosure. or “may include.” Expressions such as "disclosed" indicate the existence of the corresponding function, operation, or component, and do not limit one or more additional functions, operations, or components. Additionally, in various embodiments of the present disclosure, “including.” Or “to have.” Terms such as are intended to designate the presence of features, numbers, steps, operations, components, parts, or a combination thereof described in the specification, but are intended to indicate the presence of one or more other features, numbers, steps, operations, components, parts, or It should be understood that the existence or addition possibility of combinations of these is not excluded in advance.

본 개시의 다양한 실시예에서 "또는" 등의 표현은 함께 나열된 단어들의 어떠한, 그리고 모든 조합을 포함한다. 예를 들어, "A 또는 B"는, A를 포함할 수도, B를 포함할 수도, 또는 A 와 B 모두를 포함할 수도 있다.In various embodiments of the present disclosure, expressions such as “or” include any and all combinations of words listed together. For example, “A or B” may include A, B, or both A and B.

본 개시의 다양한 실시예에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 실시예들의 다양한 구성요소들을 수식할 수 있지만, 해당 구성요소들을 한정하지 않는다. 예를 들어, 상기 표현들은 해당 구성요소들의 순서 및/또는 중요도 등을 한정하지 않는다. 상기 표현들은 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 수 있다. 예를 들어, 제1 사용자 기기와 제2 사용자 기기는 모두 사용자 기기이며, 서로 다른 사용자 기기를 나타낸다. 예를 들어, 본 개시의 다양한 실시예의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.Expressions such as “first,” “second,” “first,” or “second” used in various embodiments of the present disclosure may modify various elements of the various embodiments, but do not limit the elements. No. For example, the above expressions do not limit the order and/or importance of the corresponding components. The above expressions can be used to distinguish one component from another. For example, the first user device and the second user device are both user devices and represent different user devices. For example, a first component may be referred to as a second component, and similarly, the second component may be referred to as a first component without departing from the scope of various embodiments of the present disclosure.

본 개시의 실시 예에서 "모듈", "유닛", "부(part)" 등과 같은 용어는 적어도 하나의 기능이나 동작을 수행하는 구성요소를 지칭하기 위한 용어이며, 이러한 구성요소는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 "모듈", "유닛", "부(part)" 등은 각각이 개별적인 특정한 하드웨어로 구현될 필요가 있는 경우를 제외하고는, 적어도 하나의 모듈이나 칩으로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.In embodiments of the present disclosure, terms such as “module”, “unit”, “part”, etc. are terms to refer to components that perform at least one function or operation, and these components are either hardware or software. It may be implemented or may be implemented through a combination of hardware and software. In addition, a plurality of "modules", "units", "parts", etc. are integrated into at least one module or chip, except in cases where each needs to be implemented with individual specific hardware, and is integrated into at least one processor. It can be implemented as:

본 개시의 다양한 실시예에서 사용한 용어는 단지 특정일 실시예를 설명하기 위해 사용된 것으로, 본 개시의 다양한 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.Terms used in the various embodiments of the present disclosure are merely used to describe specific embodiments and are not intended to limit the various embodiments of the present disclosure. Singular expressions include plural expressions unless the context clearly dictates otherwise.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시의 다양한 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the technical field to which the various embodiments of the present disclosure pertain.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 개시의 다양한 실시예에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms such as those defined in commonly used dictionaries should be interpreted as having meanings consistent with the meanings they have in the context of the related technology, and unless clearly defined in various embodiments of the present disclosure, are not ideal or excessively formal. It is not interpreted as meaning.

본 발명에서, 액화가스는, 액화천연가스(LNG) 또는 액화석유가스(LPG), 에틸렌, 암모니아, 수소 등과 같이 일반적으로 액체 상태로 보관되는 모든 가스 연료를 포괄하는 의미로 사용될 수 있으며, 가열이나 가압에 의해 액체 상태가 아닌 경우 등도 편의상 액화가스로 표현할 수 있다. 이는 증발가스도 마찬가지로 적용될 수 있다.In the present invention, liquefied gas can be used to encompass all gas fuels that are generally stored in a liquid state, such as liquefied natural gas (LNG), liquefied petroleum gas (LPG), ethylene, ammonia, hydrogen, etc., and can be used for heating or For convenience, even when it is not in a liquid state due to pressurization, it can be expressed as a liquefied gas. This can also be applied to evaporation gas.

여기에서, LNG는 편의상 액체 상태인 NG(Natural Gas)뿐만 아니라, 초임계 상태 등인 천연가스(NG)를 모두 포괄하는 의미로 사용될 수 있으며, 증발가스는 기체 상태의 증발가스뿐만 아니라 액화된 증발가스를 포함하는 의미로 사용될 수 있다.Here, for convenience, LNG can be used to encompass not only natural gas (NG) in a liquid state, but also natural gas (NG) in a supercritical state, and boil-off gas refers to not only boil-off gas in gaseous state but also liquefied boil-off gas. It can be used in a meaning that includes.

또한, 가스 소모량은, 액화가스의 소모량 및 BOG의 소모량을 모두 포괄하는 의미로 사용될 수 있으며, 액화가스의 소모량 또는 BOG의 소모량 각각을 지칭하는 의미로 사용될 수도 있다.In addition, gas consumption may be used to encompass both the consumption of liquefied gas and the consumption of BOG, and may be used to refer to each of the consumption of liquefied gas or BOG.

여기에서, BOG(Boil-Off Gas)란, 선박의 탱크에서 자연적으로 증발 및 기화하는 천연가스를 의미한다. 일반적으로, 액화가스는 초저온 액체 상태로 운반되는데 액화가스를 저장하는 선박의 탱크들은 초저온을 유지하기 위해 단열구조로 이루어져 있다. 그러나 탱크의 외부의 온도는 약 40℃정도로 선박의 탱크의 내·외부의 온도차이는 약 200℃ 이상 차이가 나기 때문에 외부로부터의 열유입을 완전히 차단할 수 없다. 이렇게 탱크 내부로의 열유입 때문에 발생하는 BOG는 경제적인 문제로 이어진다. Here, BOG (Boil-Off Gas) refers to natural gas that naturally evaporates and vaporizes in a ship's tank. Generally, liquefied gas is transported in a cryogenic liquid state, and ships' tanks that store liquefied gas have an insulated structure to maintain the cryogenic temperature. However, the temperature outside the tank is about 40℃, and the temperature difference between the inside and outside of the ship's tank is about 200℃ or more, so heat inflow from the outside cannot be completely blocked. BOG generated due to heat inflow into the tank leads to economic problems.

이하에서, 첨부된 도면을 이용하여 본 발명의 다양한 실시 예들에 대하여 구체적으로 설명한다.Hereinafter, various embodiments of the present invention will be described in detail using the attached drawings.

도 1은 일 실시예에 따른 선박의 운항을 최적화하는 시스템의 일 예를 설명하기 위한 도면이다.1 is a diagram for explaining an example of a system for optimizing the operation of a ship according to an embodiment.

도 1을 참조하면, 시스템(1)은 사용자 단말(10) 및 서버(20)를 포함한다. 예를 들어, 사용자 단말(10)과 서버(20)는 유선 또는 무선 통신 방식으로 연결되어 상호 간에 데이터(예를 들어, 운항 계획 정보, 추천 항해 정보, BOG 발생량, 탱크 압력 값, 최적 항해 정보 등)를 송수신할 수 있다.Referring to Figure 1, system 1 includes a user terminal 10 and a server 20. For example, the user terminal 10 and the server 20 are connected by wired or wireless communication and exchange data with each other (e.g., navigation plan information, recommended navigation information, BOG generation amount, tank pressure value, optimal navigation information, etc. ) can be transmitted and received.

설명의 편의를 위하여, 도 1에는 시스템(1)에 사용자 단말(10) 및 서버(20)가 포함되는 것으로 도시하였으나, 이에 한정되지 않는다. 예를 들어, 시스템(1)에는 다른 외부 디바이스(미도시)가 포함될 수 있으며, 이하에서 설명될 사용자 단말(10) 및 서버(20)의 동작이 단일 디바이스(예를 들어, 사용자 단말(10) 또는 서버(20)) 또는 다수의 디바이스들에 의하여 구현될 수도 있다.For convenience of explanation, FIG. 1 shows that the system 1 includes a user terminal 10 and a server 20, but the system 1 is not limited thereto. For example, the system 1 may include other external devices (not shown), and the operations of the user terminal 10 and the server 20, which will be described below, may be performed using a single device (e.g., the user terminal 10). Alternatively, it may be implemented by the server 20) or multiple devices.

사용자 단말(10)은 디스플레이 장치 및 사용자 입력을 수신하는 장치(예를 들어, 키보드, 마우스 등)를 구비하고, 메모리와 프로세서를 포함하는 컴퓨팅 장치일 수 있다. 예를 들어, 디스플레이 장치는 터치 스크린으로 구현되어 사용자 입력을 수신할 수 있다. 예를 들어, 사용자 단말(10)은 노트북(notebook) PC, 데스크탑(desktop) PC, 랩탑(laptop), 테블릿 컴퓨터(tablet computer), 스마트 폰 등이 해당될 수 있으나, 이에 한정되지 않는다.The user terminal 10 may be a computing device that includes a display device and a device that receives user input (eg, a keyboard, a mouse, etc.), and includes memory and a processor. For example, a display device may be implemented as a touch screen to receive user input. For example, the user terminal 10 may include a laptop PC, desktop PC, laptop, tablet computer, smart phone, etc., but is not limited thereto.

서버(20)는 사용자 단말(10)을 포함하여 외부 디바이스(미도시)와 통신하는 장치일 수 있다. 일 예로서, 서버(20)는 운항 계획 정보, 추천 항해 정보, BOG 발생량, 탱크 압력 값, 최적 항해 정보 등을 포함하는 다양한 데이터를 저장하는 장치일 수 있다.The server 20 may be a device that communicates with external devices (not shown), including the user terminal 10. As an example, the server 20 may be a device that stores various data including navigation plan information, recommended navigation information, BOG generation amount, tank pressure value, optimal navigation information, etc.

또는, 서버(20)는 메모리와 프로세서를 포함하고, 자체적인 연산 능력을 갖춘 컴퓨팅 장치일 수 있다. 일 예로서, 서버(20)는 도 1 내지 도 36을 참조하여 후술할 사용자 단말(10)의 동작들 중 적어도 일부를 수행할 수 있다. 예를 들어, 서버(20)는 클라우드(cloud) 서버일 수도 있으나, 이에 한정되지 않는다.Alternatively, the server 20 may be a computing device that includes memory and a processor and has its own computing capabilities. As an example, the server 20 may perform at least some of the operations of the user terminal 10, which will be described later with reference to FIGS. 1 to 36. For example, the server 20 may be a cloud server, but is not limited thereto.

사용자 단말(10)은 선박의 동작 제어에 관련된 최적 항해 정보를 획득할 수 있다. 예를 들어, 사용자 단말(10)은 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여 선박의 운항 경로에 관한 추천 항해 정보를 생성할 수 있다. 그리고, 사용자 단말(10)은 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측할 수 있다. 그리고, 사용자 단말(10)은 BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득할 수 있다.The user terminal 10 can obtain optimal navigation information related to operation control of the ship. For example, the user terminal 10 may generate recommended navigation information regarding the navigation route of the vessel based on navigation plan information related to the departure location and arrival location of the vessel. And, the user terminal 10 can predict the amount of BOG generation of the ship and the tank pressure value of the ship based on the recommended navigation information. And, the user terminal 10 can obtain optimal navigation information related to operation control of the ship based on the BOG generation amount and tank pressure value.

한편, 사용자 단말(10)은 최적 항해 정보를 이용하여 기 설정된 운전 방식으로 선박을 제어할 수 있다. 예를 들어, 사용자 단말(10)은 학습된 최적 항해 정보를 이용하여, 선박의 액화가스 소모량을 최소화하는 운전 방식으로 선박을 제어할 수 있다.Meanwhile, the user terminal 10 can control the ship using a preset driving method using optimal navigation information. For example, the user terminal 10 may control the ship using an operation method that minimizes the ship's liquefied gas consumption using the learned optimal navigation information.

예를 들어, 사용자 단말(10)은 사용자 단말(10)에 설치된 애플리케이션(application)을 통하여 선박의 동작 제어에 관련된 최적 항해 정보를 획득하고, 최적 항해 정보를 이용하여 기 설정된 운전 방식으로 선박을 제어할 수 있다. 여기에서, 애플리케이션은 사용자(30)의 운항 계획 및 제어 활동을 목적으로 설치된 소프트웨어 프로그램일 수 있다. 예를 들어, 애플리케이션을 통하여 사용자(30)는 추천 항해 정보 생성, BOG 발생량 예측, 탱크 압력 값 예측, 최적 항해 정보 획득, 선박의 운전 등 다양한 운항 계획 및 제어 활동을 수행할 수 있다.For example, the user terminal 10 obtains optimal navigation information related to operation control of the ship through an application installed on the user terminal 10, and controls the ship in a preset driving method using the optimal navigation information. can do. Here, the application may be a software program installed for the purpose of navigation planning and control activities of the user 30. For example, through the application, the user 30 can perform various navigation planning and control activities such as generating recommended navigation information, predicting BOG generation amount, predicting tank pressure value, obtaining optimal navigation information, and operating the ship.

한편, 설명의 편의를 위하여, 명세서의 전반에 걸쳐 사용자 단말(10)이 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성하고, 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하고, BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득하는 것으로 설명하였으나, 이에 한정되지 않는다. 예를 들어, 사용자 단말(10)에 의하여 수행되는 동작들의 적어도 일부는 서버(20)에 의하여 수행될 수 있다.Meanwhile, for convenience of explanation, throughout the specification, the user terminal 10 generates recommended navigation information regarding the navigation route of the vessel based on operation plan information related to the departure location and arrival location of the vessel, and recommends the navigation. Based on the information, the BOG generation amount of the ship and the tank pressure value of the ship are predicted, and based on the BOG generation amount and tank pressure value, optimal navigation information related to the operation control of the ship is obtained. However, the present invention is not limited to this. For example, at least some of the operations performed by the user terminal 10 may be performed by the server 20.

다시 말해, 이하에서 도 1 내지 도 36을 참조하여 설명되는 사용자 단말(10)의 동작들 중 적어도 일부는 서버(20)에 의하여 수행될 수 있다. 예를 들어, 서버(20)는 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성하고, 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하고, BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득할 수 있다. 그리고, 서버(20)는 최적 항해 정보를 이용하여 기 설정된 운전 방식으로 선박을 제어할 수 있다.In other words, at least some of the operations of the user terminal 10 described below with reference to FIGS. 1 to 36 may be performed by the server 20. For example, the server 20 generates recommended navigation information regarding the navigation route of the vessel based on navigation plan information related to the departure location and arrival location of the vessel, and based on the recommended navigation information, the amount of BOG generation of the vessel and It is possible to predict the tank pressure value of the ship and obtain optimal navigation information related to the operation control of the ship based on the BOG generation amount and tank pressure value. Additionally, the server 20 can control the ship using a preset driving method using optimal navigation information.

도 2는 일 실시예에 따른 사용자 단말의 일 예를 도시한 구성도이다.Figure 2 is a configuration diagram illustrating an example of a user terminal according to an embodiment.

도 2를 참조하면, 사용자 단말(100)은 프로세서(110), 메모리(120), 입출력 인터페이스(130) 및 통신 모듈(140)을 포함한다. 설명의 편의를 위하여, 도 2에는 본 발명과 관련된 구성요소들 만이 도시되어 있다. 따라서, 도 2에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 사용자 단말(100)에 더 포함될 수 있다. 또한, 도 2에 도시된 프로세서(110), 메모리(120), 입출력 인터페이스(130) 및 통신 모듈(140)은 독립된 장치로 구현될 수도 있음은 본 발명과 관련된 기술 분야에서의 통상의 지식을 가진 자에게 자명하다.Referring to FIG. 2 , the user terminal 100 includes a processor 110, a memory 120, an input/output interface 130, and a communication module 140. For convenience of explanation, only components related to the present invention are shown in Figure 2. Accordingly, in addition to the components shown in FIG. 2, other general-purpose components may be further included in the user terminal 100. In addition, the processor 110, memory 120, input/output interface 130, and communication module 140 shown in FIG. 2 may be implemented as independent devices, as will be understood by those skilled in the art related to the present invention. It is self-evident.

프로세서(110)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리할 수 있다. 여기에서, 명령은 메모리(120) 또는 외부 장치(예를 들어, 서버(20) 등)로부터 제공될 수 있다. 또한, 프로세서(110)는 사용자 단말(100)에 포함된 다른 구성요소들의 동작을 전반적으로 제어할 수 있다.The processor 110 can process computer program instructions by performing basic arithmetic, logic, and input/output operations. Here, the command may be provided from the memory 120 or an external device (eg, server 20, etc.). Additionally, the processor 110 may generally control the operations of other components included in the user terminal 100.

먼저, 프로세서(110)는 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성한다. 예를 들어, 프로세서(110)는 선박의 출발 장소에서의 출발시간, 선박의 도착 장소에서의 도착시간 및 장소들의 위치 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성할 수 있다. First, the processor 110 generates recommended navigation information regarding the navigation route of the vessel based on navigation plan information related to the departure location and arrival location of the vessel. For example, the processor 110 may generate recommended navigation information regarding the navigation route of the vessel based on the departure time at the departure location of the vessel, the arrival time at the arrival location of the vessel, and the location information of the locations.

출발 장소 및 도착 장소는, 선박이 운항하는 해역 중 임의의 지역 또는 항구 등이 포함될 수 있으며, 상술한 예들에 한정되지 않는다.The departure location and arrival location may include any area or port among the sea areas where the ship operates, and are not limited to the examples above.

운항 계획 정보는, 선박의 운항 계획에 관련된 정보를 지칭할 수 있다. 예를 들면, 운항 계획 정보는, 선박의 출발 장소에서의 출발시간, 선박의 도착 장소에서의 도착시간, 출발 장소의 위도 및 경도, 도착 장소의 위도 및 경도, 도착 장소에서의 선박의 탱크 요구 조건 중 하나 이상을 포함할 수 있다.Operation plan information may refer to information related to the operation plan of a ship. For example, the operation plan information includes the departure time at the ship's departure point, the arrival time at the ship's arrival point, the latitude and longitude of the departure point, the latitude and longitude of the arrival point, and the ship's tank requirements at the arrival point. It may include one or more of the following.

한편, 운항 계획 정보는, 사용자의 입력에 의해 수신될 수 있으나, 기 설정된 정보를 지칭할 수 있다. 예를 들면, 사용자가 선박의 출발 장소 및 도착 장소를 설정하면, 설정된 출발 장소 및 도착 장소에 대응하여, 선박의 도착 시간, 출발 장소의 위도 및 경도, 도착 장소의 위도 및 경도, 도착 장소에서의 선박의 탱크 요구 조건 등이 기 설정된 정보로부터 수신될 수 있다. 한편, 운항 계획 정보는, 상술한 예들에 한정되지 않는다.Meanwhile, flight plan information may be received through user input, but may refer to preset information. For example, when the user sets the departure location and arrival location of the ship, in response to the set departure location and arrival location, the arrival time of the vessel, the latitude and longitude of the departure location, the latitude and longitude of the arrival location, and the The ship's tank requirements, etc. may be received from preset information. Meanwhile, the operation plan information is not limited to the examples described above.

추천 항해 정보는, 운항 계획 정보에 기초하여 생성된 운항 경로에 관한 정보로서, 운항 경로에 관한 선박의 항해 구간별 위치 정보, 선박의 항해 구간별 속도 정보 및 선박의 항해 구간별 환경 정보 중 하나 이상을 포함할 수 있다. 위치 정보는, 선박의 항해 구간별 위도 및 경도를 포함하고, 속도 정보는, 선박의 항해 구간별 속도를 포함하고, 환경 정보는, 선박의 항해 구간별 기상기후 정보, 조류 정보, 해상 정보 및 해류 정보 중 하나 이상을 포함할 수 있다. Recommended navigation information is information about the navigation route generated based on the navigation plan information, and is one or more of location information for each navigation section of the vessel, speed information for each navigation section of the vessel, and environmental information for each navigation section of the vessel regarding the navigation route. may include. The location information includes the latitude and longitude for each navigation section of the vessel, the speed information includes the speed for each section of the vessel's navigation, and the environmental information includes weather and climate information for each section of the vessel's navigation, tidal current information, maritime information, and ocean currents. It may contain one or more of the information.

한편, 추천 항해 정보는, 출/도착 장소의 위치 및 선박의 출/도착 시간에 기초하여 위치별 기상기후 정보 및 해상 정보를 획득하고, 위치별 기상기후 정보 및 해상 정보에 기초하여 산출한 선박의 추진 저항 및 BOG 발생량을 고려하여 생성된 운항 경로에 관한 정보일 수 있다. 다만, 추천 항해 정보는, 상술한 예들에 한정되지 않는다.Meanwhile, the recommended navigation information is obtained by obtaining location-specific weather and climate information and maritime information based on the location of the departure/arrival location and the ship's departure/arrival time, and calculating the ship's weather and climate information based on the location-specific weather and climate information and maritime information. This may be information about the navigation route created considering propulsion resistance and BOG generation amount. However, recommended navigation information is not limited to the examples described above.

운항 경로는, 연비가 가장 낮은 항로일 수 있다. 예를 들면, 선박의 추진 저항 및 BOG 발생량이 최소로 발생하는 경로일 수 있으나, 이에 한정되지 않는다.The navigation route may be the route with the lowest fuel efficiency. For example, it may be a route that minimizes the ship's propulsion resistance and BOG generation, but is not limited to this.

한편, 프로세서(110)는 운항 계획 정보를 추천 항해 정보 생성 모델에 입력 데이터로 입력함으로써, 추천 항해 정보를 출력 데이터로 획득할 수 있다. 일 예로서, 프로세서(110)는 선박의 장소에 관한 출/도착 시간 및 출/도착 장소의 위치 정보를 추천 항해 정보 생성 모델에 입력함으로써, 추천 항해 정보를 획득할 수 있다. 여기에서, 추천 항해 정보 생성 모델은, 선박의 추진 엔진의 속도-연료량 성능 함수, 선박의 발전 엔진의 전력량-연료량 성능 함수, 선박의 압축기/펌프/재액화장치/GCU/과냉각기(subcooler) 전력량-연료량 성능 함수, 축발전기(shaft generator)의 속도-발전량 성능 함수 등의 정보를 포함하는 모델일 수 있다. 다른 예로서, 추천 항해 정보는, 후술하는 바와 같이 항해정보 생성모델을 이용하여 획득될 수 있으며, 이에 한정되지 않는다.Meanwhile, the processor 110 may obtain recommended navigation information as output data by inputting navigation plan information as input data into the recommended navigation information generation model. As an example, the processor 110 may obtain recommended navigation information by inputting departure/arrival time and location information of the departure/arrival location regarding the ship's location into a recommended navigation information generation model. Here, the recommended navigation information generation model is the speed-fuel quantity performance function of the ship's propulsion engine, the power quantity-fuel quantity performance function of the ship's power generation engine, and the ship's compressor/pump/reliquefaction unit/GCU/subcooler power quantity. -It may be a model that includes information such as a fuel quantity performance function and a shaft generator speed-generation performance function. As another example, recommended navigation information may be obtained using a navigation information generation model, as will be described later, but is not limited thereto.

한편, 프로세서(110)는 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 환경 정보를 획득할 수 있다. 그리고, 프로세서(110)는 운항 계획 정보 및 환경 정보에 기초하여, 선박의 운항 경로에 관한 연료 소모량 및 BOG 발생량을 기준으로 추천 항해 정보를 생성할 수 있다. 일 예로서, 프로세서(110)는 선박의 출/도착 시간, 출/도착 장소의 위도 및 경도, 도착 장소의 탱크 요구 조건에 기초하여 위치별 기상기후 정보 및 해상 정보를 획득하고, 선박의 출/도착 시간, 출/도착 장소의 위도 및 경도, 도착 장소의 탱크 요구 조건 및 위치별 기상기후 정보 및 해상 정보에 기초하여 선박의 추진 저항 및 BOG 발생량을 예측함으로써 선박의 추진 저항 및 BOG 발생량이 최소로 발생하는 운항 경로에 관한 추천 항해 정보를 생성할 수 있다.Meanwhile, the processor 110 may obtain environmental information about the ship's navigation route based on the navigation plan information. Additionally, the processor 110 may generate recommended navigation information based on fuel consumption and BOG generation amount related to the vessel's navigation route, based on navigation plan information and environmental information. As an example, the processor 110 acquires location-specific weather and climate information and maritime information based on the departure/arrival time of the ship, the latitude and longitude of the departure/arrival location, and tank requirements at the arrival location, and the departure/arrival of the vessel. Minimize the ship's propulsion resistance and BOG generation by predicting the ship's propulsion resistance and BOG generation amount based on arrival time, latitude and longitude of the departure/arrival location, tank requirements at the arrival location, location-specific weather and climate information, and maritime information. Recommended navigation information regarding the navigation route that occurs can be created.

그리고, 프로세서(110)는 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측할 수 있다. 구체적으로, 프로세서(110)는 항해 구간별 위치 정보, 항해 구간별 속도 정보 및 항해 구간별 환경 정보에 기초하여, 선박의 BOG 발생량을 예측할 수 있다. 그리고, 프로세서(110)는 항해 구간별 위치 정보, 항해 구간별 속도 정보, 항해 구간별 환경 정보 및 기 설정된 액화가스 소모량에 기초하여, 선박의 탱크 압력 값을 예측할 수 있다.Additionally, the processor 110 may predict the amount of BOG generation of the ship and the tank pressure value of the ship based on the recommended navigation information. Specifically, the processor 110 may predict the amount of BOG generation of a ship based on location information for each navigation section, speed information for each navigation section, and environmental information for each navigation section. In addition, the processor 110 may predict the tank pressure value of the ship based on location information for each navigation section, speed information for each navigation section, environmental information for each navigation section, and a preset liquefied gas consumption amount.

한편, 프로세서(110)는 예측 모델을 이용하여 선박의 BOG 발생량을 획득할 수 있다. 일 예로서, 프로세서(110)는 항해 구간별 위치 정보, 항해 구간별 속도 정보 및 항해 구간별 환경 정보를 예측 모델에 입력 데이터로 입력함으로써, 선박의 BOG 발생량을 출력 데이터로 획득할 수 있다. 다른 예로서, 프로세서(110)는 후술하는 BOG 발생량 예측 모델을 이용하여 BOG 발생량 예측 값을 획득할 수 있다. Meanwhile, the processor 110 may obtain the amount of BOG generation of the ship using a prediction model. As an example, the processor 110 may obtain the amount of BOG generation of the ship as output data by inputting location information for each navigation section, speed information for each navigation section, and environmental information for each navigation section as input data to the prediction model. As another example, the processor 110 may obtain a BOG generation amount prediction value using a BOG generation amount prediction model described later.

한편, 프로세서(110)는 예측 모델을 이용하여 선박의 탱크 압력 값을 획득할 수 있다. 일 예로서, 프로세서(110)는 항해 구간별 위치 정보, 항해 구간별 속도 정보, 항해 구간별 환경 정보 및 기 설정된 액화가스 소모량을 예측 모델에 입력 데이터로 입력함으로써, 선박의 탱크 압력 값을 출력 데이터로 획득할 수 있다. 다른 예로서, 프로세서(110)는 후술하는 탱크압력 예측 모델을 이용하여 탱크 압력 값을 획득할 수 있다.Meanwhile, the processor 110 may obtain the tank pressure value of the ship using a prediction model. As an example, the processor 110 inputs location information for each voyage section, speed information for each voyage section, environmental information for each voyage section, and preset liquefied gas consumption into the prediction model as input data, thereby converting the tank pressure value of the ship into output data. It can be obtained with As another example, the processor 110 may obtain a tank pressure value using a tank pressure prediction model described later.

액화가스 소모량은, 추진엔진의 가스 소모량, 발전엔진의 가스 소모량, 가스연소장치의 가스 소모량 및 재액화장치의 가스 소모량에 기초하여 도출된 것일 수 있다. 일 예로서, 액화가스 소모량은, 추진엔진의 가스 소모량, 발전엔진의 가스 소모량, 연소장치(GCU)의 가스 소모량, 재액화장치의 가스 소모량, 압축기의 가스 소모량, 펌프의 가스 소모량 중 하나 이상의 합일 수 있다. 다른 예로서, 액화가스 소모량은, 선박 자체의 가스 소모량 및 선박에 설치된 장비의 가스 소모량의 합일 수 있으나, 이에 한정되지 않는다.The liquefied gas consumption may be derived based on the gas consumption of the propulsion engine, the gas consumption of the power generation engine, the gas consumption of the gas combustion device, and the gas consumption of the reliquefaction device. As an example, the liquefied gas consumption is the sum of one or more of the gas consumption of the propulsion engine, the gas consumption of the power generation engine, the gas consumption of the combustion unit (GCU), the gas consumption of the reliquefaction device, the gas consumption of the compressor, and the gas consumption of the pump. You can. As another example, the liquefied gas consumption may be the sum of the gas consumption of the ship itself and the gas consumption of equipment installed on the ship, but is not limited to this.

그리고, 프로세서(110)는 BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득할 수 있다. 예를 들면, 프로세서(110)는, 항차 중 최소 액화가스 소모량을 기준으로 선박의 구간별 속도 및 선박에 설치된 장비의 사용량을 예측할 수 있다. 여기에서 장비는, 선박에 설치된 추진엔진(Main engine), 발전엔진(Generator engine), 가스연소장치(Gas combustion unit), 재액화장치(Reliquefaction), 축발전기 및 과냉각기 등을 포함할 수 있다. 그리고, 프로세서(110)는 예측된 선박의 구간별 속도에 기초하여 선박의 추진 엔진의 연료량을 산출하고, 예측된 장비의 사용량에 기초하여 장비의 가스 소모량을 산출할 수 있다. 그리고, 프로세서(110)는 산출된 추진 엔진의 연료량 및 장비의 가스 소모량에 기초하여, 액화가스 소모량을 결정할 수 있다. 최종적으로, 프로세서는, 선박의 BOG 발생량, 선박의 탱크 압력 값, 선박의 항해 구간별 속도, 선박의 액화가스 소모량 및 선박에 설치된 장비의 사용량을 포함하는 최적 항해 정보를 획득할 수 있다. Additionally, the processor 110 may obtain optimal navigation information related to operation control of the ship based on the BOG generation amount and tank pressure value. For example, the processor 110 may predict the speed of each section of the ship and the usage of equipment installed on the ship based on the minimum liquefied gas consumption during the voyage. Here, the equipment may include a main engine, generator engine, gas combustion unit, reliquefaction, shaft generator, and subcooler installed on the ship. In addition, the processor 110 may calculate the fuel amount of the ship's propulsion engine based on the predicted speed of each section of the ship and calculate the gas consumption of the equipment based on the predicted equipment usage. And, the processor 110 may determine the liquefied gas consumption amount based on the calculated fuel amount of the propulsion engine and the gas consumption amount of the equipment. Finally, the processor can obtain optimal navigation information including the ship's BOG generation amount, the ship's tank pressure value, the ship's speed for each navigation section, the ship's liquefied gas consumption, and the usage of equipment installed on the ship.

한편, 프로세서(110)는 BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 제n 차 중간 항해 정보를 생성할 수 있다. 그리고, 프로세서(110)는 제n 차 중간 항해 정보 및 제n+1 차 중간 항해 정보의 비교에 기초하여, 기 설정된 임계 값을 기준으로 제n+1 차 중간 항해 정보를 최적 항해 정보로 확정할 수 있다. 여기에서 n은, 1 이상의 자연수일 수 있다.Meanwhile, the processor 110 may generate nth intermediate navigation information related to operation control of the ship based on the BOG generation amount and tank pressure value. And, based on the comparison of the nth intermediate navigation information and the n+1th intermediate navigation information, the processor 110 determines the n+1th intermediate navigation information as optimal navigation information based on a preset threshold. You can. Here, n may be a natural number of 1 or more.

제n 차 중간 항해 정보를 생성하는 방법은, 상술한 최적 항해 정보를 생성하는 방법과 동일할 수 있다. 중간 항해정보는 선박의 BOG 발생량, 선박의 탱크 압력 값, 선박의 항해 구간별 속도, 선박의 액화가스 소모량 및 선박에 설치된 장비의 사용량을 포함할 수 있다. 예를 들면, 프로세서(110)는, 항차 중 액화가스 소모량이 최소가 되도록 선박의 구간별 속도 및 선박에 설치된 장비의 사용량을 예측할 수 있다. 여기에서 장비는, 선박에 설치된 추진엔진(Main engine), 발전엔진(Generator engine), 가스연소장치(Gas combustion unit), 재액화장치(Reliquefaction), 축발전기 및 과냉각기 등을 포함할 수 있다. 그리고, 프로세서(110)는 예측된 선박의 구간별 속도에 기초하여 선박의 추진 엔진의 연료량을 산출하고, 예측된 장비의 사용량에 기초하여 장비의 가스 소모량을 산출할 수 있다. 그리고, 프로세서(110)는 산출된 추진 엔진의 연료량 및 장비의 가스 소모량에 기초하여, 액화가스 소모량을 결정할 수 있다. 최종적으로, 프로세서는, 선박의 BOG 발생량, 선박의 탱크 압력 값, 선박의 항해 구간별 속도, 선박의 액화가스 소모량 및 선박에 설치된 장비의 사용량을 포함하는 제1차 중간 항해 정보를 획득할 수 있다. 다만, 중간 항해 정보를 획득하는 방법은 상술한 예에 한정되지 않는다.The method of generating the nth intermediate navigation information may be the same as the method of generating the optimal navigation information described above. Intermediate navigation information may include the ship's BOG generation amount, the ship's tank pressure value, the ship's speed for each navigation section, the ship's liquefied gas consumption, and the usage of equipment installed on the ship. For example, the processor 110 can predict the speed of each section of the ship and the amount of use of equipment installed on the ship to minimize liquefied gas consumption during navigation. Here, the equipment may include a main engine, generator engine, gas combustion unit, reliquefaction, shaft generator, and subcooler installed on the ship. In addition, the processor 110 may calculate the fuel amount of the ship's propulsion engine based on the predicted speed of each section of the ship and calculate the gas consumption of the equipment based on the predicted equipment usage. And, the processor 110 may determine the liquefied gas consumption amount based on the calculated fuel amount of the propulsion engine and the gas consumption amount of the equipment. Finally, the processor can obtain the first intermediate voyage information including the ship's BOG generation amount, the ship's tank pressure value, the ship's speed for each voyage section, the ship's liquefied gas consumption, and the usage of equipment installed on the ship. . However, the method of obtaining intermediate navigation information is not limited to the above-described example.

제n+1 차 중간 항해 정보는, n 차 중간 항해 정보에 포함된 항해 구간별 속도 정보 및 액화가스 소모량 중 하나 이상의 갱신 값에 기초하여 생성되는 것일 수 있다. 일 예로서, 제n+1차 중간 항해 정보는, n 차 중간 항해 정보에 포함된 항해 구간별 속도 정보의 갱신 값에 기초하여, 상술한 바와 같이 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하고, 예측된 BOG 발생량 및 탱크 압력 값에 기초하여 획득된 선박의 동작 제어에 관련된 제n+1차 중간 항해 정보일 수 있다. 여기에서, 항해 구간별 속도 정보의 갱신 값은, 제n+1차 중간 항해 정보에 포함된 항해 구간별 속도일 수 있다.The n+1th intermediate navigation information may be generated based on one or more updated values of speed information and liquefied gas consumption for each navigation section included in the nth intermediate navigation information. As an example, the n+1st intermediate navigation information predicts the BOG generation amount of the ship and the tank pressure value of the ship as described above, based on the update value of the speed information for each voyage section included in the nth intermediate navigation information. And, it may be n+1th intermediate navigation information related to operation control of the ship obtained based on the predicted BOG generation amount and tank pressure value. Here, the update value of the speed information for each navigation section may be the speed for each navigation section included in the n+1st intermediate navigation information.

프로세서(110)는, 제n 차 중간 항해 정보에 포함된 항해 구간별 속도 및 액화가스 소모량 중 하나 이상을 갱신 값으로 사용하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하고, 예측된 BOG 발생량 및 탱크 압력 값에 기초하여 선박의 동작 제어에 관련된 제n+1 차 중간 항해 정보를 획득할 수 있다.The processor 110 uses one or more of the speed and liquefied gas consumption for each voyage section included in the nth intermediate voyage information as an update value, predicts the BOG generation amount of the ship and the tank pressure value of the ship, and calculates the predicted BOG Based on the generation amount and tank pressure value, the n+1th intermediate navigation information related to the operation control of the ship can be obtained.

한편, 프로세서(110)는, 제n 차 중간 항해 정보 및 제n+1 차 중간 항해 정보에 기초하여 산출된 차이 값이 기 설정된 임계 값보다 이하인 것에 응답하여, 제n+1 차 중간 항해 정보를 최적 항해 정보로 확정할 수 있다. 그리고, 프로세서(110)는, 차이 값이 기 설정된 임계 값을 초과하는 것에 응답하여, 제n+1 차 중간 항해 정보에 포함된 항해 구간별 속도 정보 및 액화가스 소모량 중 하나 이상을 갱신함으로써 제n+2 차 중간 항해 정보를 생성할 수 있다.Meanwhile, the processor 110 provides the n+1th intermediate navigation information in response to the difference value calculated based on the nth intermediate navigation information and the n+1th intermediate navigation information being less than or equal to a preset threshold. It can be confirmed with optimal navigation information. And, in response to the difference value exceeding a preset threshold, the processor 110 updates one or more of the speed information and liquefied gas consumption for each navigation section included in the n+1th intermediate navigation information to the nth +2 Secondary intermediate navigation information can be generated.

한편, 프로세서(110)는 최적 항해 정보를 이용하여 기 설정된 운전 방식으로 선박을 제어할 수 있다. 여기에서, 운전 방식은, 선박의 액화가스 소모량을 최소화하는 운전 방식을 포함할 수 있다. Meanwhile, the processor 110 can control the ship using a preset driving method using optimal navigation information. Here, the operation method may include an operation method that minimizes the vessel's liquefied gas consumption.

상술한 생성 모델 및 예측 모델 각각은, 학습된 머신러닝 모델일 수 있다. 예를 들어, 예측 모델은 인공 신경망을 이용하는 딥러닝 모델일 수 있다. Each of the above-described generation model and prediction model may be a learned machine learning model. For example, the prediction model may be a deep learning model using an artificial neural network.

머신러닝 모델은, 기계학습(Machine Learning) 기술과 인지과학에서 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조를 의미한다.In machine learning technology and cognitive science, a machine learning model refers to a statistical learning algorithm implemented based on the structure of a biological neural network or a structure that executes the algorithm.

예를 들어, 머신러닝 모델은 생물학적 신경망 에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 모델을 나타낼 수 있다. 예를 들어, 머신러닝 모델은 기계학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다.For example, in a machine learning model, as in a biological neural network, nodes, which are artificial neurons that form a network by combining synapses, repeatedly adjust the weights of the synapses to determine the difference between the correct output corresponding to a specific input and the inferred output. By learning to reduce the error of , a model with problem-solving capabilities can be expressed. For example, a machine learning model may include random probability models, neural network models, etc. used in artificial intelligence learning methods such as machine learning and deep learning.

예를 들어, 머신러닝 모델은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현될 수 있다. 본 발명의 일 실시예에 따른 머신러닝 모델은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중 하나를 이용하여 구현될 수 있다. 예를 들어, 머신러닝 모델은 외부로부터 입력 신호 또는 데이터를 수신하는 입력 레이어, 입력 데이터에 대응한 출력 신호 또는 데이터를 출력하는 출력 레이어, 입력 레이어와 출력 레이어 사이에 위치하며 입력 레이어로부터 신호를 받아 특성을 추출하여 출력 레이어로 전달하는 하나 이상의 은닉 레이어로 구성될 수 있다. 출력 레이어는 은닉 레이어로부터 신호 또는 데이터를 수신하여 외부로 출력한다.For example, a machine learning model can be implemented as a multilayer perceptron (MLP) consisting of multiple layers of nodes and connections between them. A machine learning model according to an embodiment of the present invention may be implemented using one of various artificial neural network model structures including MLP. For example, a machine learning model has an input layer that receives input signals or data from the outside, an output layer that outputs output signals or data corresponding to the input data, and is located between the input layer and the output layer and receives signals from the input layer. It may consist of one or more hidden layers that extract features and pass them on to the output layer. The output layer receives signals or data from the hidden layer and outputs them to the outside.

일 실시예에 따른 프로세서(110)가 동작하는 구체적인 예들은 도 4 내지 도 36을 참조하여 설명한다.Specific examples of how the processor 110 according to one embodiment operates will be described with reference to FIGS. 4 to 36.

프로세서(110)는 다수의 논리 게이트들의 어레이로 구현될 수도 있고, 범용적인 마이크로 프로세서와 이 마이크로 프로세서에서 실행될 수 있는 프로그램이 저장된 메모리의 조합으로 구현될 수도 있다. 예를 들어, 프로세서(110)는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함할 수 한다. 일부 환경에서, 프로세서(110)는 주문형 반도체(ASIC), 프로그램 가능 로직 디바이스(PLD), 필드 프로그램 가능 게이트 어레이(FPGA) 등을 포함할 수도 있다. 예를 들어, 프로세서(110)는 디지털 신호 프로세서(DSP)와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, 디지털 신호 프로세서(DSP) 코어와 결합된 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다.The processor 110 may be implemented as an array of multiple logic gates, or may be implemented as a combination of a general-purpose microprocessor and a memory storing a program that can be executed on the microprocessor. For example, processor 110 may include a general-purpose processor, central processing unit (CPU), microprocessor, digital signal processor (DSP), controller, microcontroller, state machine, etc. In some circumstances, processor 110 may include an application specific integrated circuit (ASIC), a programmable logic device (PLD), a field programmable gate array (FPGA), etc. For example, processor 110 may be a combination of a digital signal processor (DSP) and a microprocessor, a combination of a plurality of microprocessors, a combination of one or more microprocessors combined with a digital signal processor (DSP) core, or any other such. It may also refer to a combination of processing devices, such as a combination of configurations.

메모리(120)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 예로서, 메모리(120)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치일 수 있다. 또한, 메모리(120)에는 운영체제(OS)와 적어도 하나의 프로그램 코드(예를 들어, 도 4 내지 도 36을 참조하여 후술할 동작을 프로세서(110)가 수행하기 위한 코드)가 저장될 수 있다.Memory 120 may include any non-transitory computer-readable recording medium. As an example, the memory 120 is a non-permanent mass storage device such as random access memory (RAM), read only memory (ROM), disk drive, solid state drive (SSD), flash memory, etc. device). As another example, non-perishable mass storage devices such as ROM, SSD, flash memory, disk drives, etc. may be a separate persistent storage device distinct from memory. Additionally, the memory 120 may store an operating system (OS) and at least one program code (e.g., code for the processor 110 to perform operations to be described later with reference to FIGS. 4 to 36).

이러한 소프트웨어 구성요소들은 메모리(120)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 사용자 단말(100)에 직접 연결될 수 있는 기록 매체일 수 있고, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 또는, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(140)을 통해 메모리(120)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(140)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 도 4 내지 도 9을 참조하여 후술할 동작을 프로세서(110)가 수행하기 위한 컴퓨터 프로그램 등)에 기반하여 메모리(120)에 로딩될 수 있다.These software components may be loaded from a computer-readable recording medium separate from the memory 120. The recording medium readable by such a separate computer may be a recording medium that can be directly connected to the user terminal 100, for example, a floppy drive, disk, tape, DVD/CD-ROM drive, memory card, etc. It may include a readable recording medium. Alternatively, software components may be loaded into the memory 120 through the communication module 140 rather than a computer-readable recording medium. For example, at least one program is a computer program installed by files provided through the communication module 140 by developers or a file distribution system that distributes the installation file of the application (e.g., FIGS. 4 to 9 It may be loaded into the memory 120 based on a computer program (such as a computer program for the processor 110 to perform an operation to be described later with reference to).

입출력 인터페이스(130)는 사용자 단말(100)과 연결되거나 사용자 단말(100)에 포함될 수 있는 입력 또는 출력을 위한 장치(예를 들어, 키보드, 마우스 등)와의 인터페이스를 위한 수단일 수 있다. 입출력 인터페이스(130)가 프로세서(110)와 별도로 구성될 수 있으나, 이에 한정되지 않으며, 입출력 인터페이스(130)가 프로세서(110)에 포함되도록 구성될 수도 있다.The input/output interface 130 may be a means for interfacing with an input or output device (eg, keyboard, mouse, etc.) that may be connected to or included in the user terminal 100. The input/output interface 130 may be configured separately from the processor 110, but is not limited to this, and the input/output interface 130 may be configured to be included in the processor 110.

통신 모듈(140)은 네트워크를 통해 서버(20)와 사용자 단말(100)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있다. 또한, 통신 모듈(140)은 사용자 단말(100)이 다른 외부 디바이스와 통신하기 위한 구성 또는 기능을 제공할 수 있다. 예를 들어, 프로세서(110)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(140)과 네트워크를 거쳐 서버(20) 및/또는 외부 디바이스로 전송될 수 있다.The communication module 140 may provide a configuration or function for the server 20 and the user terminal 100 to communicate with each other through a network. Additionally, the communication module 140 may provide a configuration or function for the user terminal 100 to communicate with other external devices. For example, control signals, commands, data, etc. provided under control of the processor 110 may be transmitted to the server 20 and/or an external device through the communication module 140 and the network.

한편, 도 2에는 도시되지 않았으나, 사용자 단말(100)은 디스플레이 장치를 더 포함할 수 있다. 예를 들어, 디스플레이 장치는 터치 스크린으로 구현될 수도 있다. 또는, 사용자 단말(100)은 독립적인 디스플레이 장치와 유선 또는 무선 통신 방식으로 연결되어 상호 간에 데이터를 송수신할 수 있다. 예를 들어, 디스플레이 장치를 통하여 추천 항해 정보 또는 최적 항해 정보 등이 제공될 수 있다.Meanwhile, although not shown in FIG. 2, the user terminal 100 may further include a display device. For example, the display device may be implemented as a touch screen. Alternatively, the user terminal 100 may be connected to an independent display device through wired or wireless communication to transmit and receive data between them. For example, recommended navigation information or optimal navigation information may be provided through a display device.

도 3은 일 실시예에 따른 서버의 일 예를 도시한 구성도이다.Figure 3 is a configuration diagram illustrating an example of a server according to an embodiment.

도 3을 참조하면, 서버(200)는 프로세서(210), 메모리(220) 및 통신 모듈(230)을 포함한다. 설명의 편의를 위하여, 도 3에는 본 발명과 관련된 구성요소들만이 도시되어 있다. 따라서, 도 3에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 서버(200)에 더 포함될 수 있다. 또한 도 3에 도시된 프로세서(210), 메모리(220) 및 통신 모듈(230)은 독립된 장치로 구현될 수 있음은 본 발명과 관련된 기술 분야에서의 통상의 지식을 가진 자에게 자명하다.Referring to FIG. 3, the server 200 includes a processor 210, a memory 220, and a communication module 230. For convenience of explanation, only components related to the present invention are shown in FIG. 3. Accordingly, in addition to the components shown in FIG. 3, other general-purpose components may be further included in the server 200. Additionally, it is obvious to those skilled in the art that the processor 210, memory 220, and communication module 230 shown in FIG. 3 can be implemented as independent devices.

프로세서(210)는, 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성할 수 있다. 또한, 프로세서(210)는, 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측할 수 있다. 또한, 프로세서(210)는, BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득할 수 있다. 또한, 프로세서(210)는, 최적 항해 정보를 이용하여 기 설정된 운전 방식으로 선박을 제어할 수 있다. The processor 210 may generate recommended navigation information regarding the navigation route of the vessel based on navigation plan information related to the departure location and arrival location of the vessel. Additionally, the processor 210 may predict the BOG generation amount of the ship and the tank pressure value of the ship based on recommended navigation information. Additionally, the processor 210 may obtain optimal navigation information related to operation control of the ship based on the BOG generation amount and tank pressure value. Additionally, the processor 210 can control the ship using a preset driving method using optimal navigation information.

다시 말해, 도 2를 참조하여 상술한 프로세서(110)의 동작 중 적어도 하나가 프로세서(210)에 의하여 수행될 수 있다. 이 경우, 사용자 단말(100)은 서버(200)로부터 전송된 정보를 디스플레이 장치를 통하여 출력할 수 있다.In other words, at least one of the operations of the processor 110 described above with reference to FIG. 2 may be performed by the processor 210. In this case, the user terminal 100 may output information transmitted from the server 200 through a display device.

한편, 프로세서(210)의 구현 예는 도 2를 참조하여 상술한 프로세서(110)의 구현 예와 동일하므로, 구체적인 설명은 생략한다.Meanwhile, since the implementation example of the processor 210 is the same as the implementation example of the processor 110 described above with reference to FIG. 2, detailed description will be omitted.

메모리(220)에는 프로세서(210)의 동작에 필요한 데이터, 프로세서(210)의 동작에 따라 생성된 데이터 등 다양한 데이터가 저장될 수 있다. 또한, 메모리(220)에는 운영체제(OS)와 적어도 하나의 프로그램(예를 들어, 프로세서(210)가 동작하는데 필요한 프로그램 등)이 저장될 수 있다.The memory 220 may store various data, such as data required for the operation of the processor 210 and data generated according to the operation of the processor 210. Additionally, the memory 220 may store an operating system (OS) and at least one program (eg, a program necessary for the processor 210 to operate, etc.).

한편, 메모리(220)의 구현 예는 도 2를 참조하여 상술한 메모리(120)의 구현 예와 동일하므로, 구체적인 설명은 생략한다.Meanwhile, since the implementation example of the memory 220 is the same as the implementation example of the memory 120 described above with reference to FIG. 2, detailed description will be omitted.

통신 모듈(230)은 네트워크를 통해 서버(200)와 사용자 단말(100)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있다. 또한, 통신 모듈(140)은 서버(200)가 다른 외부 디바이스와 통신하기 위한 구성 도는 기능을 제공할 수 있다. 예를 들어, 프로세서(210)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 사용자 단말(100) 및/또는 외부 디바이스로 전송될 수 있다.The communication module 230 may provide a configuration or function for the server 200 and the user terminal 100 to communicate with each other through a network. Additionally, the communication module 140 may provide a configuration or function for the server 200 to communicate with other external devices. For example, control signals, commands, data, etc. provided under control of the processor 210 may be transmitted to the user terminal 100 and/or an external device through the communication module 230 and the network.

도 4는 일 실시예에 따른 선박의 운항을 최적화하는 방법의 일 예를 설명하기 위한 흐름도이다.Figure 4 is a flowchart illustrating an example of a method for optimizing the operation of a ship according to an embodiment.

도 4를 참조하면, 선박의 운항을 최적화하는 방법은 도 1 및 도 2에 도시된 사용자 단말(10, 100) 또는 프로세서(110)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1 및 도 2에 도시된 사용자 단말(10, 100) 또는 프로세서(110)에 관하여 이상에서 기술된 내용은 도 4의 선박의 운항을 최적화하는 방법에도 적용될 수 있다.Referring to FIG. 4, the method for optimizing the operation of a ship consists of steps processed in time series in the user terminals 10 and 100 or the processor 110 shown in FIGS. 1 and 2. Therefore, even if the content is omitted below, the content described above regarding the user terminals 10 and 100 or the processor 110 shown in FIGS. 1 and 2 can also be applied to the method of optimizing the operation of the ship in FIG. 4. there is.

또한, 도 1 및 도 3를 참조하여 상술한 바와 같이, 도 4의 선박의 운항을 최적화하는 방법의 단계들 중 적어도 하나는 서버(20, 200) 또는 프로세서(210)에서 처리될 수 있다.Additionally, as described above with reference to FIGS. 1 and 3 , at least one of the steps of the method for optimizing the operation of a ship in FIG. 4 may be processed in the servers 20 and 200 or the processor 210 .

310 단계에서, 프로세서(110)는 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성한다. In step 310, the processor 110 generates recommended navigation information regarding the navigation route of the vessel based on navigation plan information related to the departure location and arrival location of the vessel.

일 예로서, 프로세서(110)는 선박의 출발 장소에서의 출발시간, 선박의 도착 장소에서의 도착시간, 출발 장소의 위도 및 경도, 도착 장소의 위도 및 경도를 추천 항해 정보 생성 모델에 입력 데이터로 입력함으로써, 추천 항해 정보를 출력 데이터로 생성할 수 있다. 선박의 추진 엔진의 속도-연료량 성능 함수, 선박의 발전 엔진의 전력량-연료량 성능 함수, 선박의 압축기/펌프/재액화장치/GCU/과냉각기(subcooler) 전력량-연료량 성능 함수, 축발전기(shaft generator)의 속도-발전량 성능 함수 등의 정보를 포함하는 추천 항해 정보 생성 모델은, 선박의 추진 저항에 따른 선박의 저항 성능을 분석함으로써 가장 연비가 낮은 항로를 도출할 수 있다. 여기에서 연비는, 선박의 단위 주행 거리 또는 단위 시간당 소비하는 연료의 양을 지칭할 수 있다. As an example, the processor 110 inputs the departure time at the departure location of the ship, the arrival time at the arrival location of the ship, the latitude and longitude of the departure location, and the latitude and longitude of the arrival location as input data to the recommended navigation information generation model. By inputting, recommended navigation information can be generated as output data. Speed-fuel performance function of a ship's propulsion engine, power-fuel performance function of a ship's power generation engine, ship's compressor/pump/reliquefaction unit/GCU/subcooler power-fuel performance function, shaft generator )'s speed-generation performance function, etc. The recommended navigation information generation model can derive the route with the lowest fuel efficiency by analyzing the ship's resistance performance according to the ship's propulsion resistance. Here, fuel efficiency may refer to the unit driving distance of the ship or the amount of fuel consumed per unit time.

다른 예로서, 프로세서(110)는 선박의 출발 장소에서의 출발시간, 선박의 도착 장소에서의 도착시간, 출발 장소의 위도 및 경도, 도착 장소의 위도 및 경도, 도착 장소의 탱크 요구 조건에 기초하여, 위치별 기상기후 정보 및 해상 정보를 획득하고, 선박의 출/도착 시간, 출/도착 장소의 위도 및 경도, 도착 장소의 탱크 요구 조건, 위치별 기상기후 정보 및 해상 정보에 기초하여 선박의 추진 저항 및 BOG 발생량을 예측함으로써 선박의 추진 저항 및 BOG 발생량이 최소로 발생하는 운항 경로에 관한 추천 항해 정보를 생성할 수 있다. As another example, processor 110 may determine the departure time of the vessel at the departure location, the arrival time of the vessel at the arrival location, the latitude and longitude of the departure location, the latitude and longitude of the arrival location, and the tank requirements of the arrival location. , Obtain weather and climate information and maritime information by location, and promote the ship based on the ship's departure/arrival time, latitude and longitude of the departure/arrival location, tank requirements at the arrival location, location-specific weather and climate information, and maritime information. By predicting resistance and BOG generation, recommended navigation information regarding the navigation route that minimizes the ship's propulsion resistance and BOG generation can be generated.

이하 도 5를 참조하여, 프로세서가 운항 계획 정보에 기초하여 추천 항해 정보를 생성하는 일 예를 설명한다.Hereinafter, with reference to FIG. 5, an example in which a processor generates recommended navigation information based on navigation plan information will be described.

도 5는 일 실시예에 따른 프로세서가 운항 계획 정보에 기초하여 추천 항해 정보를 생성하는 일 예를 설명하기 위한 흐름도이다.FIG. 5 is a flowchart illustrating an example in which a processor generates recommended navigation information based on navigation plan information, according to an embodiment.

도 5를 참조하면, 410 단계에서, 프로세서(110)는 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 환경 정보를 획득한다. 예를 들면, 프로세서(110)는 선박의 출발 장소에서의 출발시간, 선박의 도착 장소에서의 도착시간, 출발 장소의 위도 및 경도, 도착 장소의 위도 및 경도, 도착 장소에서의 선박의 탱크 요구 조건 중 하나 이상에 기초하여, 선박의 운항 경로에 관한 환경 정보를 획득할 수 있다.Referring to FIG. 5, in step 410, the processor 110 obtains environmental information about the navigation route of the ship based on the navigation plan information. For example, the processor 110 may specify the departure time at the departure location of the vessel, the arrival time at the arrival location of the vessel, the latitude and longitude of the departure location, the latitude and longitude of the arrival location, and the vessel's tank requirements at the arrival location. Based on one or more of the following, environmental information regarding the vessel's navigation route may be obtained.

여기에서 환경 정보는, 선박의 운항 경로에 포함된 위치별 기상기후 정보, 조류 정보, 해상 정보 및 해류 정보 중 하나 이상을 포함할 수 있다. 한편, 환경 정보는, 선박의 운항 경로에서의 환경에 관한 정보를 지칭할 수 있으며, 상술한 예들에 한정되지 않는다.Here, the environmental information may include one or more of location-specific weather and climate information, tidal current information, maritime information, and ocean current information included in the ship's navigation route. Meanwhile, environmental information may refer to information about the environment on the ship's navigation route, and is not limited to the examples described above.

420 단계에서, 프로세서(110)는 운항 계획 정보 및 환경 정보에 기초하여, 선박의 운항 경로에 관한 연료 소모량 및 BOG 발생량을 기준으로 추천 항해 정보를 생성한다. 예를 들면, 프로세서(110)는 선박의 출/도착 시간, 출/도착 장소의 위도 및 경도, 도착 장소의 탱크 요구 조건, 위치별 기상기후 정보 및 해상 정보에 기초하여 선박의 추진 저항 및 BOG 발생량을 예측함으로써 선박의 추진 저항 및 BOG 발생량이 최소로 발생하는 운항 경로에 관한 추천 항해 정보를 생성할 수 있다. 여기에서, 프로세서(110)는 BOG 발생량을 예측함에 있어서, 외기 온도 변화를 고려하여 선박의 BOG 발생량을 예측할 수 있다. In step 420, the processor 110 generates recommended navigation information based on fuel consumption and BOG generation amount related to the vessel's navigation route based on the navigation plan information and environmental information. For example, the processor 110 calculates the ship's propulsion resistance and BOG generation amount based on the ship's departure/arrival time, the latitude and longitude of the departure/arrival location, tank requirements at the arrival location, location-specific weather and climate information, and maritime information. By predicting, recommended navigation information regarding the navigation route that minimizes the ship's propulsion resistance and BOG generation can be generated. Here, when predicting the amount of BOG generation, the processor 110 may predict the amount of BOG generation of the ship by considering changes in external temperature.

다시 도 4를 참조하면, 320 단계에서, 프로세서(110)는 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측한다. 획득된 BOG 발생량 및 탱크 압력 값은, 항해 구간별 시계열 데이터일 수 있으나, 이에 한정되지 않는다.Referring again to FIG. 4, in step 320, the processor 110 predicts the BOG generation amount of the ship and the tank pressure value of the ship based on recommended navigation information. The obtained BOG generation amount and tank pressure values may be time series data for each voyage section, but are not limited thereto.

일 예로서, 프로세서(110)는 추천 항해 정보에 포함된 항해 구간별 위치 정보 및 상기 항해 구간별 속도 정보에 기초하여 선박의 BOG 발생량을 예측하고, 기 설정된 액화가스 소모량에 기초하여 선박의 탱크 압력 값을 예측할 수 있다.As an example, the processor 110 predicts the amount of BOG generation of the ship based on the location information for each sailing section and the speed information for each sailing section included in the recommended navigation information, and calculates the tank pressure of the ship based on the preset liquefied gas consumption. The value can be predicted.

다른 예로서, 프로세서(110)는 예측 모델을 이용하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 획득할 수 있다.As another example, the processor 110 may use a prediction model to obtain the BOG generation amount of the ship and the tank pressure value of the ship.

다만, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 획득하는 방법은, 상술한 예들에 한정되지 않는다.However, the method of obtaining the BOG generation amount of the ship and the tank pressure value of the ship is not limited to the examples described above.

이하 도 6을 참조하여, 프로세서가 추천 항해 정보에 기초하여 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하는 일 예를 설명한다. Hereinafter, with reference to FIG. 6, an example in which the processor predicts the BOG generation amount of the ship and the tank pressure value of the ship based on recommended navigation information will be described.

도 6은 일 실시예에 따른 프로세서가 추천 항해 정보에 기초하여 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하는 일 예를 설명하기 위한 흐름도이다.FIG. 6 is a flowchart illustrating an example in which a processor predicts a ship's BOG generation amount and a ship's tank pressure value based on recommended navigation information, according to an embodiment.

도 6을 참조하면, 510 단계에서, 프로세서(110)는 항해 구간별 위치 정보, 항해 구간별 속도 정보 및 항해 구간별 환경 정보에 기초하여, 선박의 BOG 발생량을 예측한다.Referring to FIG. 6, in step 510, the processor 110 predicts the amount of BOG generation of the ship based on location information for each navigation section, speed information for each navigation section, and environmental information for each navigation section.

일 예로서, 프로세서(110)는 항해 구간별 위치 정보, 항해 구간별 속도 정보 및 항해 구간별 환경 정보를 예측 모델에 입력 데이터로 입력함으로써, 선박의 BOG 발생량을 출력 데이터로 획득할 수 있다. 다른 예로서, 프로세서(110)는 후술하는 BOG 발생량 예측 모델을 이용하여 BOG 발생량을 획득할 수 있다. 여기에서, BOG 발생량 예측모델은, 복수의 딥러닝 모델을 포함하는 것으로써, 선박의 운항데이터를 이용하여 시간에 따른 BOG 발생량을 예측한다. 또한, BOG 발생량 예측 모델은 탱크 내에서의 액화가스 수위에 따른 복수의 항해모드들 각각에 대응하는 복수의 딥러닝 모델을 포함할 수 있다. 다만, BOG 발생량을 획득하는 방법은, 상술한 예들에 한정되지 않는다.As an example, the processor 110 may obtain the amount of BOG generation of the ship as output data by inputting location information for each navigation section, speed information for each navigation section, and environmental information for each navigation section as input data to the prediction model. As another example, the processor 110 may obtain the BOG generation amount using a BOG generation amount prediction model described later. Here, the BOG generation amount prediction model includes a plurality of deep learning models and predicts the BOG generation amount over time using ship operation data. Additionally, the BOG generation prediction model may include a plurality of deep learning models corresponding to each of a plurality of navigation modes according to the level of liquefied gas in the tank. However, the method of obtaining the BOG generation amount is not limited to the examples described above.

520 단계에서, 프로세서(110)는 항해 구간별 위치 정보, 항해 구간별 속도 정보, 항해 구간별 환경 정보 및 기 설정된 액화가스 소모량에 기초하여, 선박의 탱크 압력 값을 예측한다. In step 520, the processor 110 predicts the tank pressure value of the ship based on location information for each voyage section, speed information for each voyage section, environmental information for each voyage section, and a preset liquefied gas consumption amount.

일 예로서, 프로세서(110)는 항해 구간별 위치 정보, 항해 구간별 속도 정보, 항해 구간별 환경 정보 및 기 설정된 액화가스 소모량을 예측 모델에 입력 데이터로 입력함으로써, 선박의 탱크 압력 값을 출력 데이터로 획득할 수 있다. 다른 예로서, 프로세서(110)는 후술하는 탱크압력 예측 모델을 이용하여 탱크 압력 값을 획득할 수 있다. 여기에서, 탱크압력 예측 모델은 시간에 따른 선박의 탱크압력 예측 값을 출력한다. 또한, 탱크압력 예측 모델은 탱크 내에서의 액화가스 수위에 따른 복수의 항해모드들 각각에 대응하는 복수의 딥러닝 모델을 포함할 수 있다. 다만, 탱크 압력 값을 획득하는 방법은, 상술한 예들에 한정되지 않는다.As an example, the processor 110 inputs location information for each voyage section, speed information for each voyage section, environmental information for each voyage section, and preset liquefied gas consumption into the prediction model as input data, thereby converting the tank pressure value of the ship into output data. It can be obtained with As another example, the processor 110 may obtain a tank pressure value using a tank pressure prediction model described later. Here, the tank pressure prediction model outputs the predicted value of the ship's tank pressure over time. Additionally, the tank pressure prediction model may include a plurality of deep learning models corresponding to each of a plurality of navigation modes according to the level of liquefied gas in the tank. However, the method of obtaining the tank pressure value is not limited to the examples described above.

다시 도 4를 참조하면, 330 단계에서, 프로세서(110)는 BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득한다. Referring again to FIG. 4, in step 330, the processor 110 obtains optimal navigation information related to operation control of the ship based on the BOG generation amount and tank pressure value.

일 예로서, 프로세서(110)는, 항차 중 최소 액화가스 소모량을 기준으로 선박의 구간별 속도 및 선박에 설치된 장비의 사용량을 예측할 수 있다. 그리고, 프로세서(110)는 예측된 선박의 구간별 속도에 기초하여 선박의 추진 엔진의 연료량을 산출하고, 예측된 장비의 사용량에 기초하여 장비의 가스 소모량을 산출할 수 있다. 그리고, 프로세서(110)는 산출된 추진 엔진의 연료량 및 장비의 가스 소모량에 기초하여, 액화가스 소모량을 결정할 수 있다. 최종적으로, 프로세서는, 선박의 BOG 발생량, 선박의 탱크 압력 값, 선박의 항해 구간별 속도, 선박의 액화가스 소모량 및 선박에 설치된 장비의 사용량을 포함하는 최적 항해 정보를 획득할 수 있다.As an example, the processor 110 may predict the speed of each section of the ship and the amount of use of equipment installed on the ship based on the minimum liquefied gas consumption during the voyage. In addition, the processor 110 may calculate the fuel amount of the ship's propulsion engine based on the predicted speed of each section of the ship and calculate the gas consumption of the equipment based on the predicted equipment usage. And, the processor 110 may determine the liquefied gas consumption amount based on the calculated fuel amount of the propulsion engine and the gas consumption amount of the equipment. Finally, the processor can obtain optimal navigation information including the ship's BOG generation amount, the ship's tank pressure value, the ship's speed for each navigation section, the ship's liquefied gas consumption, and the usage of equipment installed on the ship.

다른 예로서, 프로세서(110)는 후술하는 운전 최적화모델을 이용하여 제약 조건을 고려한 최적 항해 정보를 생성할 수 있다. As another example, the processor 110 may generate optimal navigation information considering constraints using an operation optimization model described later.

다만, 최적 항해 정보를 생성하는 방법은, 상술한 예들에 한정되지 않는다.However, the method of generating optimal navigation information is not limited to the examples described above.

이하 도 7을 참조하여, 프로세서가 BOG 발생량 및 탱크 압력 값에 기초하여 최적 항해 정보를 획득하는 예를 설명한다.Hereinafter, with reference to FIG. 7, an example in which the processor obtains optimal navigation information based on the BOG generation amount and tank pressure value will be described.

도 7은 일 실시예에 따른 프로세서가 BOG 발생량 및 탱크 압력 값에 기초하여 최적 항해 정보를 획득하는 일 예를 설명하기 위한 흐름도이다.FIG. 7 is a flowchart illustrating an example in which a processor obtains optimal navigation information based on BOG generation amount and tank pressure value according to an embodiment.

도 7을 참조하면, 610 단계에서, 프로세서(110)는 BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 제n 차 중간 항해 정보를 생성한다.Referring to FIG. 7, in step 610, the processor 110 generates nth intermediate navigation information related to operation control of the ship based on the BOG generation amount and tank pressure value.

일 예로서, 프로세서(110)는, 항차 중 액화가스 소모량이 최소가 되도록 선박의 구간별 속도 및 선박에 설치된 장비의 사용량을 예측할 수 있다. 여기에서 장비는, 선박에 설치된 추진엔진(Main engine), 발전엔진(Generator engine), 가스연소장치(Gas combustion unit), 재액화장치(Reliquefaction), 축발전기 및 과냉각기 등을 포함할 수 있다. 그리고, 프로세서(110)는 예측된 선박의 구간별 속도에 기초하여 선박의 추진 엔진의 연료량을 산출하고, 예측된 장비의 사용량에 기초하여 장비의 가스 소모량을 산출할 수 있다. 그리고, 프로세서(110)는 산출된 추진 엔진의 연료량 및 장비의 가스 소모량에 기초하여, 액화가스 소모량을 결정할 수 있다. 최종적으로, 프로세서는, 선박의 BOG 발생량, 선박의 탱크 압력 값, 선박의 항해 구간별 속도, 선박의 액화가스 소모량 및 선박에 설치된 장비의 사용량을 포함하는 제n 차 중간 항해 정보를 획득할 수 있다.As an example, the processor 110 may predict the speed of each section of the ship and the amount of use of equipment installed on the ship to minimize liquefied gas consumption during navigation. Here, the equipment may include a main engine, generator engine, gas combustion unit, reliquefaction, shaft generator, and subcooler installed on the ship. In addition, the processor 110 may calculate the fuel amount of the ship's propulsion engine based on the predicted speed of each section of the ship and calculate the gas consumption of the equipment based on the predicted equipment usage. And, the processor 110 may determine the liquefied gas consumption amount based on the calculated fuel amount of the propulsion engine and the gas consumption amount of the equipment. Finally, the processor can obtain nth intermediate navigation information including the amount of BOG generation of the ship, the tank pressure value of the ship, the speed of each voyage section of the ship, the amount of liquefied gas consumption of the ship, and the amount of use of equipment installed on the ship. .

다른 예로서, 프로세서(110)는 후술하는 운전 최적화모델을 이용하여 제약 조건을 고려한 제n 차 중간 항해 정보를 생성할 수 있다. As another example, the processor 110 may generate nth intermediate navigation information considering constraints using an operation optimization model described later.

다만, 제n 차 중간 항해 정보를 생성하는 방법은, 상술한 예들에 한정되지 않는다.However, the method of generating the nth intermediate navigation information is not limited to the above-described examples.

620 단계에서, 프로세서(110)는 제n 차 중간 항해 정보 및 제n+1 차 중간 항해 정보의 비교에 기초하여, 기 설정된 임계 값을 기준으로 제n+1 차 중간 항해 정보를 최적 항해 정보로 확정한다.In step 620, the processor 110 determines the n+1th intermediate navigation information as optimal navigation information based on a preset threshold, based on comparison of the nth intermediate navigation information and the n+1th intermediate navigation information. Confirm.

일 예로서, 프로세서(110)는 제n 차 중간 항해 정보에 포함된 구간별 속도 및 제n+1 차 중간 항해 정보에 포함된 구간별 속도의 비교에 기초하여, 기 설정된 임계 값을 기준으로 제n+1 차 주간 항해 정보를 최적 항해 정보로 확정할 수 있다. As an example, the processor 110 determines the speed for each section included in the nth intermediate navigation information and the speed for each section included in the n+1th intermediate navigation information, based on a preset threshold value. The n+1 weekly navigation information can be confirmed as the optimal navigation information.

다른 예로서, 프로세서(110)는 제n 차 중간 항해 정보에 포함된 액화가스 소모량 및 제n+1 차 중간 항해 정보에 포함된 액화가스 소모량의 비교에 기초하여, 기 설정된 임계 값을 기준으로 제n+1 차 주간 항해 정보를 최적 항해 정보로 확정할 수 있다.As another example, the processor 110 determines the liquefied gas consumption amount included in the nth intermediate navigation information and the liquefied gas consumption amount included in the n+1th intermediate navigation information, based on a preset threshold value. The n+1 weekly navigation information can be confirmed as the optimal navigation information.

다만, 최적 항해 정보로 확정하는 방법은, 상술한 예들에 한정되지 않는다.However, the method of determining optimal navigation information is not limited to the examples described above.

이하 도 8을 참조하여, 프로세서가 BOG 발생량 및 탱크 압력 값에 기초하여 최적 항해 정보를 획득하는 예를 설명한다.Hereinafter, with reference to FIG. 8, an example in which the processor obtains optimal navigation information based on the BOG generation amount and tank pressure value will be described.

도 8은 일 실시예에 따른 프로세서가 BOG 발생량 및 탱크 압력 값에 기초하여 최적 항해 정보를 획득하는 다른 예를 설명하기 위한 흐름도이다.FIG. 8 is a flowchart illustrating another example in which a processor obtains optimal navigation information based on BOG generation amount and tank pressure value according to an embodiment.

도 8을 참조하면, 710 단계에서, 프로세서(110)는 제n 차 중간 항해 정보 및 제n+1 차 중간 항해 정보에 기초하여 산출된 차이 값이 기 설정된 임계 값보다 이하인 것에 응답하여, 제n+1 차 중간 항해 정보를 최적 항해 정보로 확정한다.Referring to FIG. 8, in step 710, the processor 110 responds that the difference value calculated based on the nth intermediate navigation information and the n+1th intermediate navigation information is less than a preset threshold value, +1 Confirm the intermediate navigation information as the optimal navigation information.

일 예로서, 프로세서(110)는 제n 차 중간 항해 정보에 포함된 구간별 속도 및 제n+1 차 중간 항해 정보에 포함된 구간별 속도에 기초하여 차이 값을 산출할 수 있다. 그리고, 프로세서(110)는 산출된 차이 값이 0.01보다 이하인 것에 응답하여, 제n+1 차 중간 항해 정보를 최적 항해 정보로 확정할 수 있다. As an example, the processor 110 may calculate the difference value based on the speed for each section included in the nth intermediate navigation information and the speed for each section included in the n+1th intermediate navigation information. And, in response to the calculated difference value being less than or equal to 0.01, the processor 110 may determine the n+1th intermediate navigation information as optimal navigation information.

다른 예로서, 프로세서(110)는 제n 차 중간 항해 정보에 포함된 액화가스 소모량 및 제n+1 차 중간 항해 정보에 포함된 액화가스 소모량에 기초하여 차이 값을 산출할 수 있다. 그리고, 프로세서(110)는 산출된 차이 값이 0.01보다 이하인 것에 응답하여, 제n+1 차 중간 항해 정보를 최적 항해 정보로 확정할 수 있다.As another example, the processor 110 may calculate the difference value based on the liquefied gas consumption included in the nth intermediate navigation information and the liquefied gas consumption included in the n+1th intermediate navigation information. And, in response to the calculated difference value being less than or equal to 0.01, the processor 110 may determine the n+1th intermediate navigation information as optimal navigation information.

720 단계에서, 프로세서(110)는 차이 값이 기 설정된 임계 값을 초과하는 것에 응답하여, 제n+1 차 중간 항해 정보에 포함된 항해 구간별 속도 정보 및 액화가스 소모량 중 적어도 하나를 갱신함으로써 제n+2 차 중간 항해 정보를 생성한다.In step 720, in response to the difference value exceeding a preset threshold, the processor 110 updates at least one of the speed information and the liquefied gas consumption for each navigation section included in the n+1th intermediate navigation information. Generate n+2 intermediate navigation information.

일 예로서, 프로세서(110)는 제n 차 중간 항해 정보에 포함된 구간별 속도 및 제n+1 차 중간 항해 정보에 포함된 구간별 속도의 차이 값이 0.01을 초과하는 경우, 제n+1 차 중간 항해 정보에 포함된 항해 구간별 속도를 갱신함으로써, 제n+2 차 중간 항해 정보를 생성할 수 있다. 프로세서(110)는 제n+1 차 중간 항해 정보에 포함된 항해 구간별 속도에 기초하여, 상술한 바와 같이 선박의 BOG 발생량을 예측하고, 선박의 탱크 압력 값을 예측하고, 예측한 BOG 발생량 및 탱크 압력 값에 기초하여 선박의 동작 제어에 관련된 제n+2차 중간 항해 정보를 획득할 수 있다. 여기에서, 항해 구간별 속도가 갱신됨에 따라, 선박의 속도에 따른 추진 엔진의 가스 소모량 및 발전 엔진의 가스 소모량이 갱신되므로, 액화가스 소모량 또한 갱신된다. 즉, 제n+2 차 중간 항해 정보는, 구간별 속도 및 액화가스 소모량의 갱신 값에 기초하여 생성된 정보일 수 있다. As an example, if the difference value between the section speed included in the nth intermediate navigation information and the section speed included in the n+1th intermediate navigation information exceeds 0.01, the n+1th intermediate navigation information By updating the speed for each navigation section included in the first intermediate navigation information, the n+2nd intermediate navigation information can be generated. The processor 110 predicts the BOG generation amount of the ship as described above, predicts the tank pressure value of the ship, predicts the predicted BOG generation amount, and Based on the tank pressure value, n+2nd intermediate navigation information related to operation control of the ship can be obtained. Here, as the speed for each navigation section is updated, the gas consumption of the propulsion engine and the gas consumption of the power generation engine are updated according to the speed of the ship, and thus the liquefied gas consumption is also updated. That is, the n+2nd intermediate navigation information may be information generated based on updated values of speed and liquefied gas consumption for each section.

다른 예로서, 프로세서(110)는 제n 차 중간 항해 정보에 포함된 액화가스 소모량 및 제n+1 차 중간 항해 정보에 포함된 액화가스 소모량의 차이 값이 0.01을 초과하는 경우, 제n+1 차 중간 항해 정보에 포함된 항해 액화가스 소모량을 갱신함으로써, 제n+2 차 중간 항해 정보를 생성할 수 있다. 프로세서(110)는 제n+1 차 중간 항해 정보에 포함된 액화가스 소모량에 기초하여, 상술한 바와 같이 선박의 탱크 압력 값을 예측하고, 예측한 BOG 발생량 및 탱크 압력 값에 기초하여 선박의 동작 제어에 관련된 제n+2차 중간 항해 정보를 획득할 수 있다. 즉, 제n+2 차 중간 항해 정보는, 액화가스 소모량의 갱신 값에 기초하여 생성된 정보일 수 있다.As another example, if the difference value between the liquefied gas consumption included in the nth intermediate voyage information and the liquefied gas consumption included in the n+1th intermediate voyage information exceeds 0.01, the n+1th intermediate voyage information By updating the navigation liquefied gas consumption included in the first mid-voyage information, the n+2nd mid-voyage information can be generated. The processor 110 predicts the tank pressure value of the ship as described above based on the liquefied gas consumption included in the n+1 intermediate navigation information, and operates the ship based on the predicted BOG generation amount and tank pressure value. The n+2nd intermediate navigation information related to control can be obtained. That is, the n+2nd intermediate navigation information may be information generated based on the updated value of the liquefied gas consumption.

상술한 기 설정된 값은, 사용자 또는 개발자가 설정한 값이거나, 제n 차 중간 항해 정보를 반복적으로 생성함에 따라 프로세서(110)가 획득한 값일 수 있다. 일 예로서, 프로세서(110)는, 최적 항해 정보를 획득하고, 최적 항해 정보에 대응하는 정답 값을 설정하고, 최적 항해 정보와 정답 값을 대응하여 기 설정된 값을 획득할 수 있다. 다른 예로서, 프로세서(110)는, 최적 항해 정보를 획득하고, 손실함수를 이용함으로써 최적 항해 정보를 정답 값에 대응한 오차를 산출하고, 산출된 오차를 기초로 기 설정된 값을 획득할 수 있다.The above-mentioned preset value may be a value set by a user or developer, or may be a value acquired by the processor 110 by repeatedly generating nth intermediate navigation information. As an example, the processor 110 may obtain optimal navigation information, set a correct answer value corresponding to the optimal navigation information, and obtain a preset value by matching the optimal navigation information and the correct value. As another example, the processor 110 may obtain optimal navigation information, calculate an error corresponding to the correct value of the optimal navigation information by using a loss function, and obtain a preset value based on the calculated error. .

이하 도 9를 참조하여, 선박의 운항을 최적화하는 방법의 다른 예를 설명한다.Hereinafter, with reference to FIG. 9, another example of a method for optimizing the operation of a ship will be described.

도 9는 일 실시예에 따른 선박의 운항을 최적화하는 방법의 다른 예를 설명하기 위한 흐름도이다.Figure 9 is a flowchart illustrating another example of a method for optimizing the operation of a ship according to an embodiment.

도 9의 810 단계 내지 830 단계 각각은, 도 4의 310 단계 내지 330 단계에 대응된다. 따라서, 810 단계 내지 830 단계에 대하여 중복되는 내용은 아래에서 생략한다.Steps 810 to 830 of FIG. 9 each correspond to steps 310 to 330 of FIG. 4 . Therefore, overlapping content regarding steps 810 to 830 is omitted below.

840 단계에서, 프로세서(110)는 최적 항해 정보를 이용하여 기 설정된 운전 방식으로 선박을 제어한다. 여기에서, 운전방식은 선박의 액화가스 소모량을 최소화하는 운전 방식을 포함할 수 있다.In step 840, the processor 110 controls the ship in a preset operation method using optimal navigation information. Here, the operation method may include an operation method that minimizes the vessel's liquefied gas consumption.

프로세서(110)는 최적 항해 정보를 획득함에 있어서, 항차 중 최소 액화가스 소모량을 기준으로 선박의 구간별 속도 및 선박에 설치된 장비의 사용량을 예측하고, 예측된 선박의 구간별 속도에 기초하여 선박의 추진 엔진의 연료량을 산출하고, 예측된 장비의 사용량에 기초하여 장비의 가스 소모량을 산출할 수 있다. 그리고, 프로세서(110)는 산출된 추진 엔진의 연료량 및 장비의 가스 소모량에 기초하여, 액화가스 소모량을 결정할 수 있다. 따라서, 최적 항해 정보에 포함된 선박의 BOG 발생량, 선박의 탱크 압력 값, 선박의 항해 구간별 속도, 선박의 액화가스 소모량 및 선박에 설치된 장비의 사용량은 항차 중 최소 액화가스 소모량을 기준으로 생성된 값일 수 있다. 즉, 프로세서(110)는 상술한 방법에 의해 획득한 최적 항해 정보를 이용하여 선박을 제어하는 경우, 선박의 액화가스 소모량을 최소화하는 운전 방식으로 선박을 제어할 수 있다.In acquiring optimal navigation information, the processor 110 predicts the speed of each section of the ship and the usage of equipment installed on the ship based on the minimum liquefied gas consumption during the voyage, and predicts the speed of the ship based on the predicted section speed of the ship. The fuel amount of the propulsion engine can be calculated, and the gas consumption of the equipment can be calculated based on the predicted equipment usage. And, the processor 110 may determine the liquefied gas consumption amount based on the calculated fuel amount of the propulsion engine and the gas consumption amount of the equipment. Therefore, the ship's BOG generation amount, the ship's tank pressure value, the ship's speed for each voyage section, the ship's liquefied gas consumption, and the usage of equipment installed on the ship included in the optimal navigation information are generated based on the minimum liquefied gas consumption during the voyage. It can be a value. That is, when the processor 110 controls the ship using the optimal navigation information obtained by the above-described method, the processor 110 can control the ship in an operation method that minimizes the ship's liquefied gas consumption.

도 10은 일 실시예에 따른 BOG 발생량을 예측하는 방법의 일 예를 설명하기 위한 도면이다.Figure 10 is a diagram for explaining an example of a method for predicting the amount of BOG generation according to an embodiment.

도 10을 참조하면, 적어도 하나의 탱크(1020)를 포함하는 선박(1010)의 일 예가 도시되어 있다. 선박(1010)의 운항 과정에서 탱크(1020) 내에서는 BOG가 발생(1030)할 수 있다.Referring to FIG. 10 , an example of a vessel 1010 including at least one tank 1020 is shown. During the operation of the ship 1010, BOG may occur (1030) in the tank 1020.

BOG를 처리하는 방법으로, 추진엔진(Main Engine) 또는 발전엔진(Generator Engine)의 연료로 사용하는 방법, 재액화(Reliquefaction)시키는 방법, GCU(Gas Combustion Unit)에서 소각시키는 방법 등이 있다. 위와 같은 방법으로 BOG를 효율적으로 처리하기 위해 BOG의 발생량을 예측하는 것이 필요하다. Methods for processing BOG include using it as fuel for a main engine or generator engine, reliquefaction, and incineration in a GCU (Gas Combustion Unit). In order to efficiently process BOG in the above manner, it is necessary to predict the amount of BOG generated.

종래에는 BOG 발생량은 운항경로의 기상 상태, 온도, 슬로싱(Sloshing) 등에 따라 수시로 변화하므로 정확한 BOG 발생량을 예측하는 데에는 한계가 있었다.Previously, the amount of BOG generation changed frequently depending on the weather conditions, temperature, sloshing, etc. of the navigation route, so there were limitations in predicting the exact amount of BOG generation.

일 실시예에 따른 선박의 BOG 발생량을 예측하는 방법에 따르면, 선박(1010)의 운항 데이터 중에서 BOG 발생량 예측 모델의 입력 데이터가 선정된다. 그리고, 입력 데이터를 통하여 BOG 발생량 예측 모델이 학습되고, 학습된 예측 모델을 통하여 BOG 발생량이 예측된다.According to a method for predicting the amount of BOG generation of a ship according to an embodiment, input data for the BOG generation amount prediction model is selected from the operation data of the ship 1010. Then, a BOG generation amount prediction model is learned through the input data, and the BOG generation amount is predicted through the learned prediction model.

따라서, 화물운송계약서에서 보증한 BOG 발생량에 맞추어 액화가스 운반선의 운항이 가능할 수 있다. 또한, 선박의 운항 시에 기상 상황이 변화하므로, 선박으로부터의 BOG 발생량과 기상 상황과의 상관관계를 도출될 수 있다.Therefore, it may be possible to operate a liquefied gas carrier in accordance with the BOG generation amount guaranteed in the cargo transportation contract. Additionally, since weather conditions change during the operation of a ship, a correlation between the amount of BOG generated from the ship and the weather situation can be derived.

이하, 도 2 및 도 11 내지 도 17을 참조하여, 본 개시의 일 실시예에 따른 선박의 BOG 발생량을 예측하는 방법 및 장치에 대해 상세히 서술한다.Hereinafter, with reference to FIGS. 2 and 11 to 17, a method and apparatus for predicting the amount of BOG generation of a ship according to an embodiment of the present disclosure will be described in detail.

도 2를 참조하면, 통신 모듈(140)은 외부 서버 또는 외부 장치로부터 기존 운항 데이터에 대한 정보, 현재 운항 데이터에 대한 정보, 날씨 정보 등을 수신할 수 있다. 또한, 메모리(120)에는 기존의 운항 데이터, 현재 운항 데이터, 날씨 정보, 프로세서(110)의 동작에 따라 생성된 데이터 등 다양한 데이터가 저장될 수 있다.Referring to FIG. 2, the communication module 140 may receive information about existing flight data, information about current flight data, weather information, etc. from an external server or external device. Additionally, the memory 120 may store various data, such as existing flight data, current flight data, weather information, and data generated according to the operation of the processor 110.

프로세서(110)는, 메모리(120)에 저장된 프로그램들을 실행함으로써, 장치(100)의 동작을 제어할 수 있다. 일 예로, 프로세서(110)는 도 11 내지 도 17을 참조하여 서술하는, 선박의 BOG 발생량을 예측하는 방법 중 적어도 일부를 수행할 수 있다.The processor 110 may control the operation of the device 100 by executing programs stored in the memory 120. As an example, the processor 110 may perform at least part of the method for predicting the amount of BOG generation of a ship described with reference to FIGS. 11 to 17 .

다시 말해, 프로세서(110)는, 입력 데이터 선정 모델을 이용하여 기존의 운항 데이터 중에서 BOG 발생량 예측 모델의 입력 데이터를 선정하고, 입력 데이터를 이용하여 복수의 딥러닝 모델들을 포함하는 BOG 발생량 예측 모델을 학습하고, 선박의 현재 운항 데이터를 이용하여 학습된 BOG 발생량 예측 모델로부터 BOG 발생량을 예측할 수 있다.In other words, the processor 110 selects input data for the BOG generation amount prediction model from existing flight data using an input data selection model, and uses the input data to create a BOG generation amount prediction model including a plurality of deep learning models. The amount of BOG generation can be predicted from the BOG generation amount prediction model learned using the ship's current operation data.

프로세서(110)는 입력 데이터 선정 모델을 이용하여 기존의 운항 데이터 중에서 BOG 발생량 예측 모델의 입력 데이터를 선정할 수 있다.The processor 110 may select input data for the BOG generation amount prediction model from existing flight data using the input data selection model.

예를 들어, 프로세서(110)는 일부의 기 저장된 운항 데이터와 BOG 발생량 간의 상관계수를 계산하고, 계산된 상관계수를 이용하여 입력 데이터 선정 모델을 학습하며, 학습된 입력 데이터 선정 모델을 이용하여 상관계수가 소정의 수치 이상인 데이터를 입력 데이터로 선정할 수 있다.For example, the processor 110 calculates the correlation coefficient between some pre-stored flight data and the amount of BOG occurrence, learns an input data selection model using the calculated correlation coefficient, and performs correlation using the learned input data selection model. Data whose coefficient is greater than a predetermined value can be selected as input data.

또한, 복수의 딥러닝 모델들 중 적어도 하나는 스태킹 모델(Stacking Model)을 포함하고, 스태킹 모델은 복수의 서브 딥러닝 모델들을 포함할 수 있다.Additionally, at least one of the plurality of deep learning models may include a stacking model, and the stacking model may include a plurality of sub deep learning models.

프로세서(110)는 입력 데이터를 이용하여 복수의 딥러닝 모델들을 포함하는 BOG 발생량 예측 모델을 학습할 수 있다. 예를 들어, 프로세서(110)는 학습을 위한 정답 데이터를 산출하고, 입력 데이터와 산출된 정답 데이터를 이용하여 학습하며, 다른 일부의 기 저장된 운항 데이터를 이용하여 BOG 발생량 예측 모델을 검증할 수 있다.The processor 110 may learn a BOG generation amount prediction model including a plurality of deep learning models using input data. For example, the processor 110 may calculate the correct answer data for learning, learn using the input data and the calculated correct answer data, and verify the BOG generation amount prediction model using some other previously stored flight data. .

여기에서, 정답 데이터는, 가스 소모량, 가스 온도 변화 값 및 단열재 온도 변화 값 중 적어도 어느 하나를 이용하여 산출될 수 있다.Here, the correct answer data may be calculated using at least one of gas consumption, gas temperature change value, and insulation material temperature change value.

프로세서(110)는 선박의 현재 운항 데이터를 이용하여 학습된 BOG 발생량 예측 모델로부터 BOG 발생량을 예측할 수 있다. 예를 들어, 프로세서(110)는 복수의 딥러닝 모델들 각각의 최초 BOG 발생량 예측 값들을 출력하고, 최초 BOG 발생량 예측 값들 각각에 서로 다른 가중치를 적용하여 최종 BOG 발생량 예측 값을 연산할 수 있다.The processor 110 may predict the amount of BOG generation from a BOG generation amount prediction model learned using the ship's current operation data. For example, the processor 110 may output the initial BOG generation prediction values of each of the plurality of deep learning models and calculate the final BOG generation prediction value by applying different weights to each of the initial BOG generation prediction values.

여기에서, 프로세서(110)는 최초 BOG 발생량 예측 값들 중 스태킹 모델로부터 출력된 최초 BOG 발생량 예측 값에 가장 높은 가중치를 적용할 수 있다.Here, the processor 110 may apply the highest weight to the initial BOG generation amount prediction value output from the stacking model among the initial BOG generation amount prediction values.

이하, 도 11 내지 도 17을 참조하여 본 개시의 일 실시예에 따른 선박의 BOG 발생량을 예측하는 방법에 대해 상세히 서술한다.Hereinafter, a method for predicting the amount of BOG generation of a ship according to an embodiment of the present disclosure will be described in detail with reference to FIGS. 11 to 17.

도 11은 일 실시예에 따른 선박의 BOG 발생량을 예측하는 방법의 일 예를 설명하기 위한 흐름도이다.Figure 11 is a flowchart illustrating an example of a method for predicting the amount of BOG generation of a ship according to an embodiment.

도 11을 참조하면, 선박의 BOG 발생량을 예측하는 방법은 단계 1110 내지 1130을 포함할 수 있다. 다만, 이에 제한되는 것은 아니고, 도 11에 도시되는 단계들 외에 다른 범용적인 단계들이 선박의 BOG 발생량을 예측하는 방법에 더 포함될 수 있다. 또한, 도 2 및 도 10을 참조하여 상술한 바와 같이, 도 11에 도시된 흐름도의 단계들 중 적어도 하나는 프로세서(110)에서 처리될 수 있다.Referring to FIG. 11, a method of predicting the amount of BOG generation of a ship may include steps 1110 to 1130. However, it is not limited to this, and other general steps in addition to the steps shown in FIG. 11 may be further included in the method of predicting the amount of BOG generation of a ship. Additionally, as described above with reference to FIGS. 2 and 10 , at least one of the steps in the flowchart shown in FIG. 11 may be processed by the processor 110 .

단계 1110에서 프로세서(110)는 입력 데이터 선정 모델을 이용하여 기존의 운항 데이터 중에서 BOG 발생량 예측 모델의 입력 데이터를 선정할 수 있다.In step 1110, the processor 110 may select input data for the BOG generation amount prediction model from existing flight data using the input data selection model.

예를 들어, 프로세서(110)는 기존의 운항 데이터와 BOG 발생량 간의 상관계수를 계산하고, 계산된 상관계수를 이용하여 입력 데이터 선정 모델을 학습하고, 학습된 입력 데이터 선정 모델을 이용하여 상관계수가 소정의 수치 이상인 데이터를 입력 데이터로 선정할 수 있다.For example, the processor 110 calculates the correlation coefficient between existing flight data and BOG generation amount, learns an input data selection model using the calculated correlation coefficient, and uses the learned input data selection model to determine the correlation coefficient. Data exceeding a predetermined value can be selected as input data.

먼저, 프로세서(110)는 상관계수를 계산한다. 예를 들어, 프로세서(110)는 기존의 운항 데이터와 BOG 발생량 간의 선형 상관계수를 계산할 수 있다. 그리고, 프로세서(110)는 기존의 운항 데이터 중에서 선형 상관계수가 0.1 이상인 데이터를 입력 데이터 선정 모델의 학습 데이터로 이용할 수 있다. 여기에서, 선형 상관 계수는 피어슨 상관계수(Pearson correlation coefficient)를 의미할 수 있다. 피어슨 상관계수는 두 변수의 공분산을 표준 편차의 곱으로 나눈 값을 의미한다. 다만, 프로세서(110)가 계산하는 선형 상관계수의 예는 상술한 피어슨 상관계수에 한정되지 않는다.First, the processor 110 calculates the correlation coefficient. For example, the processor 110 may calculate a linear correlation coefficient between existing flight data and BOG generation amount. Additionally, the processor 110 may use data with a linear correlation coefficient of 0.1 or more among existing flight data as learning data for the input data selection model. Here, the linear correlation coefficient may mean the Pearson correlation coefficient. Pearson correlation coefficient means the covariance of two variables divided by the product of the standard deviation. However, examples of the linear correlation coefficient calculated by the processor 110 are not limited to the Pearson correlation coefficient described above.

프로세서(110)는 입력 데이터 선정 모델을 학습한다. 예를 들어, 프로세서(110)는 학습된 입력 데이터 선정 모델을 이용하여 기존의 운항 데이터 중에서 입력 데이터를 선정할 수 있다. The processor 110 learns an input data selection model. For example, the processor 110 may select input data from existing flight data using a learned input data selection model.

여기에서, 딥러닝 모델은, 기계 학습(Machine Learning) 기술과 인지과학에서, 심층 신경망(Deep Neural Network)을 기반으로 계층화된 알고리즘 구조를 사용하는 기계 학습 알고리즘의 집합을 의미한다.Here, a deep learning model refers to a set of machine learning algorithms that use a layered algorithm structure based on a deep neural network in machine learning technology and cognitive science.

예를 들어, 딥러닝 모델은, 외부로부터 입력 신호 또는 데이터를 수신하는입력층(input layer)과 입력 데이터에 대응한 출력 신호 또는 데이터를 출력하는 출력층(output layer), 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달하는 적어도 하나의 은닉층(hidden layer)으로 구성될 수 있다. 출력층은 은닉층으로부터 신호 또는 데이터를 수신하여 외부로 출력한다.For example, a deep learning model has an input layer that receives input signals or data from the outside and an output layer that outputs output signals or data corresponding to the input data. It is located between the input layer and the output layer. It may be composed of at least one hidden layer that receives signals from the input layer, extracts characteristics, and transmits them to the output layer. The output layer receives signals or data from the hidden layer and outputs them to the outside.

따라서, 입력 데이터 선정 모델은 일부의 기 저장된 운항 데이터를 수신하고, 선형 상관계수가 0.1 이상인 데이터(예를 들어, 가스 소모량 등)를 추출하도록 학습될 수 있다.Accordingly, the input data selection model may be trained to receive some pre-stored navigation data and extract data (for example, gas consumption, etc.) with a linear correlation coefficient of 0.1 or more.

또한, 프로세서(110)는 입력 데이터를 선정한다. 예를 들어, 프로세서(110)는 가스 소모량, 화물 적재량(예를 들어, 탱크 내의 액화가스 수위) 등이 포함되는 입력 데이터를 선정할 수 있다. 여기에서, 가스 소모량은 추진엔진(Main Engine), 발전엔진(Generator Engine), 가스연소장치(Gas Combustion Unit) 및 재액화장치(Reliquefaction)에서의 가스 소모량을 이용하여 계산될 수 있다. 또한, 프로세서(110)는 가스 소모량, 화물 적재량(예를 들어, 탱크 내의 액화가스 수위), 수온, 기온, 기압, 선박의 속도, 파도의 높이 및 너울의 높이 등이 포함되는 입력 데이터를 선정할 수 있다.Additionally, the processor 110 selects input data. For example, the processor 110 may select input data including gas consumption, cargo loading (eg, liquefied gas level in the tank), etc. Here, gas consumption can be calculated using gas consumption in the main engine, generator engine, gas combustion unit, and reliquefaction. In addition, the processor 110 selects input data including gas consumption, cargo load (e.g., liquefied gas level in the tank), water temperature, air temperature, atmospheric pressure, ship speed, wave height, and swell height. You can.

이하, 도 12를 참조하여, 프로세서(110)가 가스 소모량을 계산하는 일 예를 설명한다.Hereinafter, with reference to FIG. 12, an example of how the processor 110 calculates gas consumption will be described.

도 12는 일 실시예에 따른 선박의 가스 소모량을 계산하는 일 예를 설명하기 위한 도면이다.Figure 12 is a diagram for explaining an example of calculating gas consumption of a ship according to an embodiment.

도 12를 참조하면, 프로세서(110)는 추진엔진의 가스 소모량(1220), 발전엔진의 가스 소모량(1230), 가스연소장치의 가스 소모량(1240) 및 재액화장치의 가스 소모량(1250)을 이용하여 가스 소모량(1210)을 계산한다. 일 예시로, 추진엔진의 가스 소모량(1220), 발전엔진의 가스 소모량(1230) 및 가스연소장치의 가스 소모량(1240)을 합한 값과 재액화장치의 가스 소모량(1250)의 차이를 계산할 수 있다.Referring to FIG. 12, the processor 110 uses the gas consumption of the propulsion engine (1220), the gas consumption of the power generation engine (1230), the gas consumption of the gas combustion device (1240), and the gas consumption of the reliquefaction device (1250). Calculate the gas consumption (1210). As an example, the difference between the gas consumption of the propulsion engine (1220), the gas consumption of the power generation engine (1230), and the gas consumption of the gas combustion device (1240) and the gas consumption of the reliquefaction device (1250) can be calculated. .

종래 가스 기화량을 입력 데이터로 이용하는 경우에는, 기화된 가스를 사용했는지 여부, 배출했는지 여부, 재액화했는지 여부 등에 대한 정보가 없어 정확한 BOG 발생량을 예측할 수 없었다.When using the conventional gas vaporization amount as input data, the exact amount of BOG generation could not be predicted because there was no information on whether the vaporized gas was used, discharged, or re-liquefied.

따라서, 가스 기화량이 아닌 가스 소모량(1210)을 계산하여 입력 데이터로 이용함으로써 시간 단위의 BOG 발생량을 예측할 수 있으며, 선박의 효율적인 운항이 가능할 수 있다. 또한, 화물운송계약서에서 정한 BOG 발생량 기준을 충족하는지 여부를 실시간으로 확인할 수 있다.Therefore, by calculating the gas consumption 1210 rather than the gas vaporization amount and using it as input data, the amount of BOG generation on an hourly basis can be predicted, and efficient operation of the ship can be possible. In addition, you can check in real time whether the BOG generation standards set in the cargo transportation contract are met.

다시 도 11을 참조하면, 단계 1120에서 프로세서(110)는 입력 데이터를 이용하여 복수의 딥러닝 모델들을 포함하는 BOG 발생량 예측 모델을 학습할 수 있다.Referring again to FIG. 11, in step 1120, the processor 110 may learn a BOG generation amount prediction model including a plurality of deep learning models using input data.

예를 들어, 복수의 딥러닝 모델들 중 적어도 하나는 스태킹 모델(Stacking Model)을 포함할 수 있다. 또한, 스태킹 모델은 서브 딥러닝 모델들을 포함할 수 있다.For example, at least one of the plurality of deep learning models may include a stacking model. Additionally, the stacking model may include sub deep learning models.

여기에서, 스태킹 모델은, 복수의 서브 딥러닝 모델들의 출력 데이터를 하나의 딥러닝 모델의 학습 데이터로 이용하는 알고리즘을 의미한다.Here, the stacking model refers to an algorithm that uses the output data of a plurality of sub-deep learning models as learning data for one deep learning model.

이하, 도 13a 내지 도 13c를 참조하여, BOG 발생량 예측 모델의 일 예를 설명한다.Hereinafter, an example of a BOG generation amount prediction model will be described with reference to FIGS. 13A to 13C.

도 13a는 일 실시예에 따른 스태킹 모델의 일 예를 도시한 구성도이다.FIG. 13A is a configuration diagram illustrating an example of a stacking model according to an embodiment.

도 13a를 참조하면, 스태킹 모델(1310)은 제1 서브 딥러닝 모델(1311) 내지 제n 서브 딥러닝 모델(1312) 및 제n+1 서브 딥러닝 모델(1313)을 포함할 수 있다. 여기에서, n은 3 이상의 자연수이다. 일 예시로, 제1 서브 딥러닝 모델(1311) 내지 제n+1 서브 딥러닝 모델(1313)은 각각 같은 딥러닝 모델일 수 있다. 또한, 제1 서브 딥러닝 모델(1311) 내지 제n+1 서브 딥러닝 모델(1313)은 각각 다른 딥러닝 모델일 수 있다. 다른 예시로, 제1 서브 딥러닝 모델(1311) 내지 제n 서브 딥러닝 모델(1312) 중 적어도 하나는 복수의 딥러닝 모델을 포함할 수 있다.Referring to FIG. 13A, the stacking model 1310 may include a first sub deep learning model 1311 to an nth sub deep learning model 1312 and an n+1th sub deep learning model 1313. Here, n is a natural number of 3 or more. As an example, the first sub deep learning model 1311 to the n+1th sub deep learning model 1313 may each be the same deep learning model. Additionally, the first sub deep learning model 1311 to the n+1th sub deep learning model 1313 may be different deep learning models. As another example, at least one of the first sub deep learning model 1311 to the nth sub deep learning model 1312 may include a plurality of deep learning models.

예를 들어, 프로세서(110)는 동일한 학습 데이터를 이용하여 제1 서브 딥러닝 모델(1311) 내지 제n 서브 딥러닝 모델(1312)을 학습한다. 학습된 각 서브 딥러닝 모델들(1311, 1312)로부터 제1 예측 값(1314) 내지 제n 예측 값(1315)이 출력된다. 출력된 제1 예측 값(1314) 내지 제n 예측 값(1315)은 제n+1 서브 딥러닝 모델(1313)의 학습 데이터로 이용된다. 그리고, 제n+1 서브 딥러닝 모델(1313)의 출력 데이터는 선박(1010)의 BOG 발생량 예측 모델의 제m 최초 출력 값(1316)으로 이용된다.For example, the processor 110 learns the first sub deep learning model 1311 to the nth sub deep learning model 1312 using the same training data. First prediction values 1314 to nth prediction values 1315 are output from each of the learned sub-deep learning models 1311 and 1312. The output first prediction values 1314 to nth prediction values 1315 are used as training data for the n+1th sub deep learning model 1313. And, the output data of the n+1th sub deep learning model 1313 is used as the mth initial output value 1316 of the BOG generation amount prediction model of the ship 1010.

도 13b는 일 실시예에 따른 선박의 BOG 발생량 예측 모델의 일 예를 도시한 구성도이다.Figure 13b is a configuration diagram illustrating an example of a BOG generation amount prediction model for a ship according to an embodiment.

도 13b를 참조하면, 선박(1010)의 BOG 발생량 예측 모델(1320)은 제1 딥러닝 모델(1321) 내지 제m 딥러닝 모델(1322)을 포함할 수 있다. 여기에서, m은 4 이상의 자연수이다. 예를 들어, 제1 딥러닝 모델(1321) 내지 제m 딥러닝 모델(1322) 중 적어도 하나는 스태킹 모델(1310)일 수 있다.Referring to FIG. 13B, the BOG generation amount prediction model 1320 of the ship 1010 may include the first deep learning model 1321 to the mth deep learning model 1322. Here, m is a natural number of 4 or more. For example, at least one of the first deep learning model 1321 to the mth deep learning model 1322 may be a stacking model 1310.

선박의 BOG 발생량 예측 모델은 복수의 딥러닝 모델들을 포함하므로, 선박의 BOG 발생량의 예측 정확도를 향상시킬 수 있다.Since the ship's BOG generation prediction model includes multiple deep learning models, the prediction accuracy of the ship's BOG generation amount can be improved.

예를 들어, 복수의 딥러닝 모델들 각각의 예측 결과를 이용하기 때문에 다양성(Diversity)을 확보할 수 있다. 따라서, 다양한 예측 결과들을 이용하면 복수의 딥러닝 모델들을 포함하는 선박의 BOG 발생량 예측 모델의 일반화(Generalization) 성능이 향상될 수 있다. For example, diversity can be secured by using the prediction results of each of multiple deep learning models. Therefore, by using various prediction results, the generalization performance of the ship's BOG generation prediction model including a plurality of deep learning models can be improved.

여기에서, 일반화란, 딥러닝 모델이 학습 데이터 이외의 새로운 데이터에 대해서도 정확한 예측을 수행하는 능력을 의미한다. 다시 말해, 과대적합(Overfitting) 또는 과소적합(Underfitting)되지 않고 새로운 데이터에 대해서도 정확도를 유지하는 것을 의미한다. 여기에서, 과대적합은 딥러닝 모델이 학습 데이터에만 높은 정확도를 보이고 학습 데이터 이외의 데이터에는 낮은 정확도를 보이는 것을 의미하며, 과소적합은 딥러닝 모델이 학습 데이터를 충분히 학습하지 못해 학습 데이터와 학습 데이터 이외의 데이터 모두에서 낮을 정확도를 보이는 것을 의미한다.Here, generalization refers to the ability of a deep learning model to make accurate predictions on new data other than the training data. In other words, it means maintaining accuracy even for new data without overfitting or underfitting. Here, overfitting means that the deep learning model shows high accuracy only on the training data and low accuracy on data other than the training data, and underfitting means that the deep learning model does not sufficiently learn the training data, and the training data This means that all other data show low accuracy.

또한, 각 예측 결과는 서로 독립적이므로 하나의 예측 값이 정확도가 떨어지는 경우에도 정확도가 높은 다른 복수의 예측 값들을 이용하여 정확도를 향상시킬 수 있다.Additionally, since each prediction result is independent of each other, even if one prediction value has low accuracy, accuracy can be improved by using a plurality of other prediction values with high accuracy.

도 13c는 일 실시예에 따른 스태킹 모델을 포함하는 선박의 BOG 발생량 예측 모델을 간략히 도시한 도면이다.FIG. 13C is a diagram briefly illustrating a BOG generation prediction model for a ship including a stacking model according to an embodiment.

도 13c를 참조하면, 도 13c의 제m 딥러닝 모델(1331)은 도 13b의 제m 딥러닝 모델(1322)과 대응되며, 도 13c의 스태킹 모델(1332)은 도 13a의 스태킹 모델(1310)과 대응된다. 마찬가지로, 도 13a의 제m 최초 출력 값(1316), 도 13b의 제m 최초 출력 값(1324) 및 도 13c의 제m 최초 출력 값(1333, 1334)은 모두 대응된다.Referring to FIG. 13C, the m-th deep learning model 1331 of FIG. 13C corresponds to the m-th deep learning model 1322 of FIG. 13B, and the stacking model 1332 of FIG. 13C is the stacking model 1310 of FIG. 13A. corresponds to Likewise, the m-th first output value 1316 in FIG. 13A, the m-th first output value 1324 in FIG. 13B, and the m-th first output values 1333 and 1334 in FIG. 13C all correspond.

예를 들어, 프로세서(110)는 학습을 위한 정답 데이터를 산출하고, 입력 데이터와 산출된 정답 데이터를 이용하여 BOG 발생량 예측 모델을 학습하며, 다른 일부의 기 저장된 운항 데이터를 이용하여 BOG 발생량 예측 모델을 검증할 수 있다.For example, the processor 110 calculates correct answer data for learning, learns a BOG generation amount prediction model using the input data and the calculated answer data, and uses some other previously stored flight data to model a BOG generation amount prediction model. can be verified.

예를 들어, 프로세서(110)는 가스 소모량, 가스 온도 변화 값 및 단열재 온도 변화 값 중 적어도 어느 하나를 이용하여 정답 데이터를 산출할 수 있다.For example, the processor 110 may calculate the correct answer data using at least one of gas consumption, gas temperature change value, and insulation material temperature change value.

먼저, 프로세서(110)는 정답 데이터를 산출하고, 산출된 정답 데이터와 입력 데이터를 이용하여 BOG 발생량 예측 모델을 학습한다. 예를 들어, 프로세서(110)는 지도 학습을 위한 정답 데이터를 산출할 수 있다. 프로세서(110)가 BOG 발생량 예측 모델을 정답 데이터를 이용하여 지도 학습함으로써 모델의 정확도가 향상될 수 있다.First, the processor 110 calculates correct answer data and learns a BOG generation amount prediction model using the calculated correct answer data and input data. For example, the processor 110 may calculate correct answer data for supervised learning. The accuracy of the model can be improved by the processor 110 supervised learning of the BOG generation amount prediction model using the correct answer data.

여기에서, 지도 학습(Supervised Learning)이란, 훈련 데이터(Training Data)를 이용하여 학습하여 출력 데이터가 정답 데이터에 가까운 값을 출력할 수 있도록 하는 기계 학습(Machine Learning)의 한 방법이다. 또한, 검증 데이터(Test Data)를 이용하여 지도 학습된 모델의 성능을 평가한다.Here, supervised learning is a method of machine learning that learns using training data to output values close to the correct answer data. Additionally, the performance of the supervised learning model is evaluated using test data.

이하, 도 14를 참조하여, 프로세서(110)가 정답 데이터를 산출하는 일 예를 설명한다.Hereinafter, with reference to FIG. 14, an example in which the processor 110 calculates correct answer data will be described.

도 14는 일 실시예에 따른 학습을 위한 정답 데이터를 산출하는 일 예를 설명하기 위한 도면이다.FIG. 14 is a diagram illustrating an example of calculating correct answer data for learning according to an embodiment.

도 14를 참조하면, 프로세서(110)는 가스 소모량(1420), 가스 온도 변화 값(1430) 및 단열재 온도 변화 값(1440)을 이용하여 정답 데이터를 산출할 수 있다. 일 예시로, 프로세서(110)는 가스 소모량(1420)과 가스 온도 변화 값(1430)을 합한 값과 단열재 온도 변화 값(1440)의 차이를 정답 데이터(1410)로 산출할 수 있다. 다른 예시로, 프로세서(110)는 가스 소모량(1420), 가스 온도 변화 값(1430), 단열재 온도 변화 값(1440) 및 가스 배출량(Liquefied Gas Consumption)을 이용하여 정답 데이터를 산출할 수 있다.Referring to FIG. 14, the processor 110 may calculate correct answer data using the gas consumption amount 1420, the gas temperature change value 1430, and the insulating material temperature change value 1440. As an example, the processor 110 may calculate the difference between the sum of the gas consumption 1420 and the gas temperature change value 1430 and the insulator temperature change value 1440 as the correct answer data 1410. As another example, the processor 110 may calculate the correct answer data using gas consumption 1420, gas temperature change value 1430, insulation material temperature change value 1440, and gas emissions (Liquefied Gas Consumption).

여기에서, 탱크 내부의 가스 온도는 탱크 외부 온도의 영향을 받으므로, 가스 온도 변화 값(1430)은, 탱크 내부의 가스 온도와 탱크 외부의 온도를 모두 고려한 가스 온도 변화 값(1430)일 수 있다.Here, since the gas temperature inside the tank is affected by the temperature outside the tank, the gas temperature change value 1430 may be a gas temperature change value 1430 that takes into account both the gas temperature inside the tank and the temperature outside the tank. .

그리고, 프로세서(110)는 다른 일부의 기 저장된 운항 데이터를 이용하여 BOG 발생량 예측 모델을 검증할 수 있다. 예를 들어, 기 저장된 운항 데이터를 입력 데이터 선정 모델의 학습 데이터와 선박의 BOG 발생량 예측 모델의 검증 데이터로 분리할 수 있다. 또한, 선박의 BOG 발생량 예측 모델을 검증함으로써 모델의 성능을 평가하고, 추가로 학습을 할 수 있다.Additionally, the processor 110 may verify the BOG generation amount prediction model using some other previously stored flight data. For example, previously stored operation data can be separated into learning data for the input data selection model and verification data for the ship's BOG generation prediction model. Additionally, by verifying the ship's BOG generation prediction model, the performance of the model can be evaluated and additional learning can be performed.

이하, 도 15a 내지 도 15b를 참조하여, 프로세서(110)이 기 저장된 운항 데이터를 학습 데이터와 검증 데이터로 분리하는 일 예를 설명한다.Hereinafter, with reference to FIGS. 15A and 15B, an example in which the processor 110 separates pre-stored navigation data into learning data and verification data will be described.

도 15a는 일 실시예에 따른 프로세서(110)가 메모리(120)에 저장된 데이터 중 소실 데이터(Loss data)를 제거하는 것을 설명하기 위한 도면이다.FIG. 15A is a diagram illustrating the processor 110 removing lost data from data stored in the memory 120 according to an embodiment.

도 15a를 참조하면, 프로세서(110)는 메모리(120)에 기 저장된 운항 데이터(1511) 중 소실 데이터(1512)를 제거한다. 소실 데이터(1512)는 기 저장된 운항 데이터(1511) 중 계측 오류에 의해 데이터가 저장되지 않은 부분을 의미한다. 소실 데이터(1512)는 모델의 정확도에 영향을 미칠 수 있기 때문에 프로세서(110)는 소실 데이터(1512)를 제거할 수 있다.Referring to FIG. 15A, the processor 110 removes lost data 1512 from the navigation data 1511 previously stored in the memory 120. Lost data 1512 refers to a portion of previously stored flight data 1511 in which data is not saved due to a measurement error. Because missing data 1512 may affect the accuracy of the model, processor 110 may remove missing data 1512.

도 15b는 일 실시예에 따른 기 저장된 운항 데이터의 일부 데이터를 입력 데이터 선정 모델의 학습 데이터로, 다른 일부 데이터를 선박의 BOG 발생량 예측 모델의 검증 데이터로 분리하는 일 예를 설명하기 위한 도면이다.FIG. 15B is a diagram illustrating an example of separating some data from pre-stored navigation data as learning data for an input data selection model, and some other data as verification data for a BOG generation prediction model of a ship, according to an embodiment.

그리고, 프로세서(110)는 소실 데이터(1512)를 제거한 기 저장된 운항 데이터(1520)를 입력 데이터 선정 모델의 학습 데이터(1521)와 선박의 BOG 발생량 예측 모델의 검증 데이터(1522)로 분리한다. Then, the processor 110 separates the previously stored navigation data 1520 from which the missing data 1512 has been removed into learning data 1521 of the input data selection model and verification data 1522 of the ship's BOG generation prediction model.

여기에서, 기 저장된 운항 데이터(1520)를 학습 데이터(1521)와 검증 데이터(1522)로 분리하는 것은, 모델이 충분히 학습되지 않은 상태 또는 모델이 과적합(Over fitting) 상태를 방지하기 위함이다. 여기에서, 과적합은, 모델이 훈련 데이터에 대해 과도하게 학습하는 경우, 훈련 데이터가 입력되면 정확도가 매우 높지만, 다른 데이터가 입력되면 모델의 정확도가 매우 낮아지는 것을 의미한다.Here, separating the previously stored flight data 1520 into learning data 1521 and verification data 1522 is to prevent a state in which the model is not sufficiently trained or a state in which the model is overfitted. Here, overfitting means that when the model overlearns the training data, the accuracy is very high when the training data is input, but when other data is input, the accuracy of the model becomes very low.

다시 도 11을 참조하면, 단계 1130에서 프로세서(110)는 선박의 현재 운항 데이터를 이용하여 학습된 BOG 발생량 예측 모델로부터 BOG 발생량을 예측할 수 있다.Referring again to FIG. 11 , in step 1130, the processor 110 may predict the BOG generation amount from a BOG generation amount prediction model learned using the ship's current operation data.

먼저, 프로세서(110)는 선박의 현재 운항 데이터를 획득한다. 예를 들어, 선박의 현재 운항 데이터는 추진 엔진에서의 가스 소모량, 발전 엔진에서의 가스 소모량, 가스연소장치에서의 가스 소모량, 재액화장치에서의 가스 소모량, 탱크 내의 온도, 탱크 내의 압력, 화물 적재량(예를 들어, 탱크 내의 액화가스 수위), 수온, 기온, 기압, 파도의 높이 및 선박의 가스 소모량 등을 포함할 수 있다. 다만, 이는 예시적인 것일 뿐이며, 선박의 현재 운항 데이터는 이에 한정되지 않는다. 또한, 통신 모듈(140)는 기상정보센터로부터 기온, 기압, 파도의 높이 등에 대한 데이터를 획득할 수 있다. First, the processor 110 obtains current navigation data of the ship. For example, the ship's current operational data includes gas consumption in the propulsion engine, gas consumption in the power generation engine, gas consumption in the gas combustion device, gas consumption in the reliquefaction device, temperature in the tank, pressure in the tank, and cargo load. (For example, the level of liquefied gas in the tank), water temperature, air temperature, atmospheric pressure, wave height, and gas consumption of the ship. However, this is only an example, and the ship's current operation data is not limited to this. Additionally, the communication module 140 can obtain data on temperature, atmospheric pressure, wave height, etc. from the weather information center.

이하, 도 16a 내지 16b를 참조하여, 프로세서(110)가 선박의 현재 운항 데이터를 획득하는 일 예를 설명한다.Hereinafter, an example in which the processor 110 obtains current navigation data of a ship will be described with reference to FIGS. 16A to 16B.

도 16a는 일 실시예에 따른 선박의 외부에서 선박의 현재 운항 데이터를 획득하는 일 예를 설명하기 위한 도면이다.FIG. 16A is a diagram illustrating an example of acquiring current navigation data of a ship from outside the ship according to an embodiment.

도 16a를 참조하면, 프로세서(110)는 선박의 외부(1610)에서 선박의 현재 운항 데이터를 획득할 수 있다. 일 예시로, 프로세서(110)는 선박의 외부(1610)에서 수온, 파도의 높이, 등에 대한 데이터를 획득할 수 있다.Referring to FIG. 16A, the processor 110 may obtain current navigation data of the ship from outside 1610 of the ship. As an example, the processor 110 may obtain data about water temperature, wave height, etc. from the exterior 1610 of the ship.

도 16b는 일 실시예에 따른 선박의 내부에서 선박의 현재 운항 데이터를 획득하는 일 예를 설명하기 위한 도면이다.FIG. 16B is a diagram for explaining an example of acquiring current navigation data of a ship from inside the ship according to an embodiment.

도 16b를 참조하면, 프로세서(110)는 선박의 내부(1620)에서 선박의 현재 운항 데이터를 획득할 수 있다. 구체적으로, 선박의 내부(1620)에 있는 탱크(1621)에서 탱크 내의 온도, 탱크 내의 압력 및 화물 적재량 등의 데이터를 획득할 수 있다. 또한, 추진 엔진(1622)에서 추진 엔진에서의 가스 소모량, 발전 엔진(1623)에서 발전 엔진의 가스 소모량, 가스연소장치(1624)에서 가스 소모량 및 재액화장치(1625)에서 가스 소모량 등의 데이터를 획득할 수 있다. 다만, 이는 예시적인 것일 뿐이며, 상술한 선박의 현재 운항 데이터를 획득하는 장소는 이에 한정되지 않는다. 또한,　설명의 편의를 위해 도 16b에는 설명에 필요한 선박의 장비만을 도시하였으므로,　선박의 장비에는 과냉각장치,　연료공급펌프,　축발전기 등이 더 포함될 수 있음은 본 발명과 관련된 기술분야의 통상의 기술자에게 자명하다.Referring to FIG. 16B, the processor 110 may obtain current navigation data of the ship from the interior 1620 of the ship. Specifically, data such as temperature within the tank, pressure within the tank, and cargo load can be obtained from the tank 1621 located inside the vessel 1620. In addition, data such as gas consumption in the propulsion engine in the propulsion engine 1622, gas consumption in the power generation engine in the power generation engine 1623, gas consumption in the gas combustion device 1624, and gas consumption in the reliquefaction device 1625 are collected. It can be obtained. However, this is only an example, and the location where the current operation data of the above-mentioned vessel is obtained is not limited to this. In addition, for the convenience of explanation, only the ship's equipment necessary for explanation is shown in Figure 16b, so it is known to those skilled in the art that the ship's equipment may further include a supercooling device, a fuel supply pump, a shaft generator, etc. It is self-explanatory.

예를 들어, 프로세서(110)는 복수의 딥러닝 모델들 각각의 최초 BOG 발생량 예측 값들을 출력하고, 최초 BOG 발생량 예측 값들 각각에 서로 다른 가중치를 적용하여 최종 BOG 발생량 예측 값을 연산할 수 있다.For example, the processor 110 may output the initial BOG generation prediction values of each of the plurality of deep learning models and calculate the final BOG generation prediction value by applying different weights to each of the initial BOG generation prediction values.

예를 들어, 프로세서(110)는 최초 BOG 발생량 예측 값들 중 스태킹 모델로부터 출력된 최초 BOG 발생량 예측 값에 가장 높은 가중치를 적용할 수 있다.For example, the processor 110 may apply the highest weight to the initial BOG generation amount prediction value output from the stacking model among the initial BOG generation amount prediction values.

먼저, 프로세서(110)는 복수의 딥러닝 모델들 각각의 최초 BOG 발생량 예측 값들을 출력할 수 있다. 예를 들어, 프로세서(110)는 선박의 BOG 발생량 예측 모델에 포함되는 제1 딥러닝 모델 내지 제m 딥러닝 모델의 출력 값으로써 제1 최초 출력 값 내지 제m 최초 출력 값을 출력할 수 있다. 또한, 제m 딥러닝 모델은 스태킹 모델일 수 있다.First, the processor 110 may output initial BOG generation prediction values for each of the plurality of deep learning models. For example, the processor 110 may output the first to mth initial output values as output values of the first to mth deep learning models included in the ship's BOG generation amount prediction model. Additionally, the mth deep learning model may be a stacking model.

그리고, 프로세서(110)는 최초 BOG 발생량 예측 값들 각각에 서로 다른 가중치를 적용하여 최종 BOG 발생량 예측 값을 연산할 수 있다. 또한, 프로세서(110)는 스태킹 모델로부터 출력된 최초 BOG 발생량 예측 값에 가장 높은 가중치를 적용할 수 있다.Additionally, the processor 110 may calculate the final BOG generation amount prediction value by applying different weights to each of the initial BOG generation amount prediction values. Additionally, the processor 110 may apply the highest weight to the initial BOG generation prediction value output from the stacking model.

여기에서, 가중치(Weight)는 각 데이터의 중요도를 표현하는 것으로, 데이터마다 가중치를 적용하여 모델의 학습 정확도를 향상시킬 수 있다. 따라서, 데이터의 중요도가 높을수록 높은 가중치를 적용할 수 있다.Here, the weight expresses the importance of each data, and the learning accuracy of the model can be improved by applying the weight to each data. Therefore, the higher the importance of the data, the higher the weight can be applied.

일 예로서, 프로세서(110)는 최초 BOG 발생량 예측 값들 각각에 서로 같은 가중치를 적용하여 최종 BOG 발생량 예측 값을 연산할 수 있다. 다른 예로서, 프로세서(110)는 최초 BOG 발생량 예측 값들 각각에 서로 다른 가중치를 적용하여 최종 BOG 발생량 예측 값을 연산할 수 있다. 또 다른 예로서, 프로세서(110)는 최초 BOG 발생량 예측 값들 중 스태킹 모델로부터 출력된 최초 BOG 발생량 예측 값에 가장 높은 가중치를 적용할 수 있다. 스태킹 모델은 서브 딥러닝 모델을 포함하므로 중요도가 높을 수 있는 바, 스태킹 모델로부터 출력된 최초 BOG 발생량 예측 모델에 높은 가중치를 적용할 수 있다.As an example, the processor 110 may calculate the final BOG generation amount prediction value by applying the same weight to each of the initial BOG generation amount prediction values. As another example, the processor 110 may calculate the final BOG generation amount prediction value by applying different weights to each of the initial BOG generation amount prediction values. As another example, the processor 110 may apply the highest weight to the initial BOG generation amount prediction value output from the stacking model among the initial BOG generation amount prediction values. Since the stacking model includes a sub-deep learning model, it may be of high importance, so a high weight can be applied to the first BOG generation prediction model output from the stacking model.

이하 도 17을 참조하여, 선박의 BOG 발생량 예측 모델로부터 BOG 발생량을 예측하는 일 예를 설명한다.Hereinafter, with reference to FIG. 17, an example of predicting the amount of BOG generation from a BOG generation amount prediction model of a ship will be described.

도 17은 일 실시예에 따른 최초 BOG 발생량 예측 값들에 가중치를 적용하여 최종 BOG 발생량 예측 값을 연산하는 일 예를 설명하기 위한 도면이다.FIG. 17 is a diagram illustrating an example of calculating a final BOG generation prediction value by applying weights to the initial BOG generation prediction values according to an embodiment.

도 17을 참조하면, 프로세서(110)는 선박의 BOG 발생량 예측 모델(1710)에 포함되는 제1 딥러닝 모델(1720) 내지 제m 딥러닝 모델(1730)의 최초 출력 값들을 출력할 수 있다. 여기에서, 제m 딥러닝 모델(1730)은 스태킹 모델일 수 있다. 또한, 제m 최초 출력 값(1750)은 스태킹 모델로부터 출력된 최초 출력 값일 수 있다.Referring to FIG. 17 , the processor 110 may output initial output values of the first deep learning model 1720 to the mth deep learning model 1730 included in the ship's BOG generation amount prediction model 1710. Here, the mth deep learning model 1730 may be a stacking model. Additionally, the m-th initial output value 1750 may be the first output value output from the stacking model.

선박의 BOG 발생량 예측 모델(1710)에 포함되는 제1 딥러닝 모델(1720) 내지 제m 딥러닝 모델(1730)의 최초 출력 값들 중 스태킹 모델, 즉 제m 딥러닝 모델(1730)의 정확도가 가장 높을 수 있다.Among the initial output values of the first deep learning model 1720 to the mth deep learning model 1730 included in the ship's BOG generation prediction model 1710, the accuracy of the stacking model, that is, the mth deep learning model 1730, is the highest. It can be high.

제1 최초 출력 값(1740) 내지 제m 최초 출력 값(1750)에 가중치 (1770) 내지 가중치 (1780)를 적용할 수 있다. 가중치 (1770) 내지 가중치 (1780)는 각각 같은 값일 수 있다. 또한, 가중치 (1770) 내지 가중치 (1780)는 각각 다른 값일 수 있다. 가중치 (1770) 내지 가중치 (1780) 중에서 스태킹 모델로부터 출력된 제m 최초 출력 값의 가중치 (1780)이 가장 큰 값일 수 있다.Weights for the first initial output value (1740) to the mth initial output value (1750) (1770) to weights (1780) can be applied. weight (1770) to weights (1780) can each be the same value. Also, the weight (1770) to weights (1780) may be different values. weight (1770) to weights (1780), the weight of the mth initial output value output from the stacking model (1780) may be the largest value.

따라서, 프로세서(110)는 선박의 BOG 발생량 예측 모델로부터 실제 BOG 발생량에 가까운 최종 출력 값(1790), 즉 BOG 발생량 예측 값을 획득할 수 있다.Accordingly, the processor 110 may obtain a final output value 1790 that is close to the actual BOG generation amount, that is, a BOG generation amount prediction value, from the ship's BOG generation amount prediction model.

도 18은 일 실시예에 따른 선박의 탱크 압력을 예측하는 방법의 일 예를 설명하기 위한 도면이다.Figure 18 is a diagram for explaining an example of a method for predicting tank pressure of a ship according to an embodiment.

도 18을 참조하면, 적어도 하나의 탱크(1820)를 포함하는 선박(1810)의 일 예가 도시되어 있다. 선박(1810)의 운항 과정에서 탱크(1820) 내에서는 BOG가 발생할 수 있고, 이로 인해 탱크(1820) 내부의 압력이 증가(1830)할 수 있다.18, an example of a vessel 1810 including at least one tank 1820 is shown. During the operation of the ship 1810, BOG may occur within the tank 1820, which may cause the pressure inside the tank 1820 to increase (1830).

이와 같이, BOG가 발생하여 탱크(1820)에 적재된 액화가스의 부피가 늘어나고, 결국 탱크(1820) 내부의 압력이 증가한다. 탱크(1820) 내부의 압력이 증가하면, 탱크(1820)의 안전성이 감소하여 탱크(1820)가 폭발할 가능성이 있다. 이러한 위험을 방지하기 위해 BOG를 방출하는데, 이 과정에서 환경오염을 일으킬 수 있다.In this way, BOG occurs and the volume of the liquefied gas loaded in the tank 1820 increases, ultimately increasing the pressure inside the tank 1820. If the pressure inside the tank 1820 increases, the safety of the tank 1820 decreases and there is a possibility that the tank 1820 explodes. To prevent this risk, BOG is released, which can cause environmental pollution in this process.

종래에는, 탱크(1820)의 압력은 운항경로의 기상 상태, 온도, 슬로싱(Sloshing) 등에 따라 수시로 변화하므로 정확한 탱크(1820)의 압력을 예측하는 데에는 한계가 있었다.Conventionally, the pressure of the tank 1820 frequently changes depending on the weather conditions of the navigation route, temperature, sloshing, etc., so there was a limit to accurately predicting the pressure of the tank 1820.

일 실시예에 따른 선박의 탱크 압력을 예측하는 방법에 따르면, 기 저장된 실제 운항 데이터를 이용하여 복수의 딥러닝 모델을 학습한다. 그리고, 탱크 내에서의 액화가스의 수위에 따라 복수의 항해 모드들 중 하나를 선택하고, 선택된 항해 모드에 대응하는 딥러닝 모델을 이용하여 선박(1810)의 탱크(1820)의 압력을 예측한다.According to a method for predicting tank pressure of a ship according to an embodiment, a plurality of deep learning models are learned using previously stored actual operation data. Then, one of a plurality of navigation modes is selected according to the level of liquefied gas in the tank, and the pressure of the tank 1820 of the ship 1810 is predicted using a deep learning model corresponding to the selected navigation mode.

따라서, 탱크(1820) 내부의 실시간 압력을 예측하여 미래 상황에 대한 대처가 가능할 수 있다. 또한, 본 발명의 과제 해결 수단에 의하면, 선박(1810)의 운항에 필요한 장비들의 사용량을 효율적으로 제어할 수 있다.Therefore, it may be possible to respond to future situations by predicting the real-time pressure inside the tank 1820. In addition, according to the problem solving means of the present invention, it is possible to efficiently control the amount of equipment used for operating the ship 1810.

이하, 도 2 및 도 19 내지 도 24를 참조하여 본 개시의 일 실시예에 따른 선박의 탱크 압력을 예측하는 방법 및 장치에 대해 상세히 서술한다.Hereinafter, a method and device for predicting tank pressure of a ship according to an embodiment of the present disclosure will be described in detail with reference to FIGS. 2 and 19 to 24.

도 2를 참조하면, 통신 모듈(140)은 외부 서버 또는 외부 장치로부터 기존 운항 데이터에 대한 정보, 현재 운항 데이터에 대한 정보, 추천 항해 정보, 날씨 정보 등을 수신할 수 있다. 또한, 메모리(120)에는 기존의 운항 데이터, 현재 운항 데이터, 추천 항해 정보, 날씨 정보, 프로세서(110)의 동작에 따라 생성된 데이터 등 다양한 데이터가 저장될 수 있다. Referring to FIG. 2, the communication module 140 may receive information about existing navigation data, information about current navigation data, recommended navigation information, weather information, etc. from an external server or external device. Additionally, the memory 120 may store various data, such as existing navigation data, current navigation data, recommended navigation information, weather information, and data generated according to the operation of the processor 110.

프로세서(110)는, 메모리(120)에 저장된 프로그램들을 실행함으로써, 장치(100)의 동작을 제어할 수 있다. 일 예로, 프로세서(110)는 도 19 내지 도 24를 참조하여 서술하는, 선박의 탱크 압력을 예측하는 방법 중 적어도 일부를 수행할 수 있다.The processor 110 may control the operation of the device 100 by executing programs stored in the memory 120. As an example, the processor 110 may perform at least part of the method for predicting tank pressure of a ship, described with reference to FIGS. 19 to 24.

다시 말해, 프로세서(110)는, 기 저장된 실제 운항 데이터를 이용하여 선박의 항해에 대한 복수의 항해 모드들 각각에 대응하는 딥러닝 모델을 학습하고, 탱크 내에서의 액화가스의 수위에 따라 복수의 항해 모드들 중 하나를 선택하며, 선택된 항해 모드에 대응하는 딥러닝 모델을 이용하여 추천 항해 정보로부터 탱크의 압력을 예측할 수 있다.In other words, the processor 110 uses pre-stored actual navigation data to learn a deep learning model corresponding to each of a plurality of navigation modes for the navigation of the ship, and uses a plurality of navigation models according to the level of liquefied gas in the tank. By selecting one of the navigation modes, you can predict the pressure of the tank from recommended navigation information using a deep learning model corresponding to the selected navigation mode.

먼저, 프로세서(110)는 기 저장된 실제 운항 데이터를 이용하여 선박의 항해에 대한 복수의 항해 모드들 각각에 대응하는 딥러닝 모델을 학습할 수 있다.First, the processor 110 may learn a deep learning model corresponding to each of a plurality of navigation modes for the navigation of a ship using pre-stored actual navigation data.

예를 들어, 프로세서(110)는 학습을 위한 정답 데이터를 획득하고, 기 저장된 실제 운항 데이터 중 일부와 정답 데이터를 이용하여 복수의 항해 모드들 각각에 대응하는 딥러닝 모델을 학습하며, 기 저장된 실제 운항 데이터 중 다른 일부를 이용하여 학습된 딥러닝 모델을 검증할 수 있다.For example, the processor 110 acquires correct answer data for learning, learns a deep learning model corresponding to each of a plurality of navigation modes using some of the pre-stored actual navigation data and the correct answer data, and uses the pre-stored actual navigation data and the correct answer data to learn the deep learning model corresponding to each of the plurality of navigation modes. The learned deep learning model can be verified using other parts of the flight data.

여기에서, 학습은, 정답 데이터와 딥러닝 모델의 출력 데이터 사이의 오차 및 역전파(Back propagation) 알고리즘을 이용하여 수행될 수 있다.Here, learning can be performed using the error between the correct answer data and the output data of the deep learning model and a back propagation algorithm.

또한, 프로세서(110)는 탱크 내에서의 액화가스의 수위에 따라 복수의 항해 모드들 중 하나를 선택할 수 있다.Additionally, the processor 110 may select one of a plurality of navigation modes depending on the level of liquefied gas in the tank.

예를 들어, 프로세서(110)는 탱크 내에서의 액화가스의 수위를 측정하고, 수위가 소정 높이 이상인 경우에는 복수의 항해 모드들 중 제1 모드를 선택하며, 수위가 소정 높이 미만인 경우에는 복수의 항해 모드들 중 제2 모드를 선택할 수 있다.For example, the processor 110 measures the water level of liquefied gas in the tank, selects a first mode among a plurality of navigation modes when the water level is above a predetermined height, and selects a first mode among a plurality of navigation modes when the water level is below a predetermined height. Among the navigation modes, a second mode can be selected.

프로세서(110)는 선택된 항해 모드에 대응하는 딥러닝 모델을 이용하여 추천 항해 정보로부터 탱크의 압력을 예측할 수 있다.The processor 110 can predict the pressure of the tank from recommended navigation information using a deep learning model corresponding to the selected navigation mode.

예를 들어, 프로세서(110)는 선박의 추천 항해 정보를 획득하고, 추천 항해 정보를 입력 데이터로 사용하여 복수의 중간 값들을 획득하며, 복수의 중간 값들에 가중치를 적용하여 탱크의 압력 예측 값을 획득할 수 있다.For example, the processor 110 obtains recommended navigation information for a ship, obtains a plurality of intermediate values using the recommended navigation information as input data, and applies weight to the plurality of intermediate values to obtain a predicted pressure value of the tank. It can be obtained.

도 19는 일 실시예에 따른 선박의 탱크 압력을 예측하는 방법의 일 예를 설명하기 위한 흐름도이다.Figure 19 is a flowchart illustrating an example of a method for predicting tank pressure of a ship according to an embodiment.

도 19를 참조하면, 선박의 탱크 압력을 예측하는 방법은 단계 1910 내지 1930을 포함할 수 있다. 다만, 이에 제한되는 것은 아니고, 도 19에 도시되는 단계들 외에 다른 범용적인 단계들이 선박의 탱크 압력을 예측하는 방법에 더 포함될 수 있다. 또한, 도 2 및 도 18을 참조하여 상술한 바와 같이, 도 19에 도시된 흐름도의 단계들 중 적어도 하나는 프로세서(110)에서 처리될 수 있다.Referring to FIG. 19, a method for predicting tank pressure of a ship may include steps 1910 to 1930. However, it is not limited to this, and other general steps in addition to the steps shown in FIG. 19 may be further included in the method for predicting the tank pressure of a ship. Additionally, as described above with reference to FIGS. 2 and 18 , at least one of the steps in the flowchart shown in FIG. 19 may be processed by the processor 110 .

단계 1910에서 프로세서(110)는 기 저장된 실제 운항 데이터를 이용하여 선박의 항해에 대한 복수의 항해 모드들 각각에 대응하는 딥러닝 모델을 학습할 수 있다.In step 1910, the processor 110 may learn a deep learning model corresponding to each of a plurality of navigation modes for the navigation of the ship using pre-stored actual navigation data.

여기에서, 정답 데이터란, 딥러닝 모델을 지도학습(Supervised Learning)하기 위해 필요한 데이터로써, 딥러닝 모델이 예측하고자 하는 대상을 의미한다. 정답 데이터는 딥러닝 모델의 학습 과정에서 딥러닝 모델의 성능을 측정하고, 딥러닝 모델이 예측한 결과를 평가하는 데 사용된다.Here, the correct answer data is the data needed for supervised learning of the deep learning model and refers to the target that the deep learning model is trying to predict. The answer data is used to measure the performance of the deep learning model during the learning process of the deep learning model and to evaluate the results predicted by the deep learning model.

또한, 지도학습은, 입력 데이터와 정답 데이터 사이의 관계를 학습하여, 새로운 입력 데이터가 입력되면 새로운 입력 데이터에 대한 결과를 예측하는 것을 목표로 하는 기계학습(Machine Learning) 방법 중 하나이다.In addition, supervised learning is one of the machine learning methods that aims to predict the result of new input data when new input data is input by learning the relationship between input data and correct answer data.

먼저, 프로세서(110)는 학습을 위한 정답 데이터를 획득한다.First, the processor 110 obtains correct answer data for learning.

예를 들어, 프로세서(110)는 정답 데이터로써 기 저장된 실제 운항 데이터 중 현재 항해와 유사한 항해 조건에서의 실제 탱크 압력 값을 획득할 수 있다. 또한, 항해 조건은 날씨 정보, 구간별 항해 속도, 총 평균 속도 및 입/출항 시 탱크(1820) 내의 액화가스의 양 등을 포함할 수 있다.For example, the processor 110 may obtain the actual tank pressure value under sailing conditions similar to the current voyage from pre-stored actual navigation data as the correct answer data. Additionally, navigation conditions may include weather information, navigation speed for each section, total average speed, and the amount of liquefied gas in the tank 1820 at the time of entry/departure.

예를 들어, 기 저장된 실제 운항 데이터는 선박(1810)의 위도, 경도, 액화가스 배출량, 속도, 파고, 파도 주기, 파도 방향, 너울 높이, 너울 주기, 너울 방향, 풍속, 기온, 기압 및 수온을 포함할 수 있다. For example, the previously stored actual navigation data includes the latitude, longitude, liquefied gas emissions, speed, wave height, wave period, wave direction, swell height, swell period, swell direction, wind speed, air temperature, barometric pressure, and water temperature of the ship (1810). It can be included.

일 예시로, 실제 탱크 압력 값은 항해 구간별 탱크 압력 값일 수 있다. 다른 예시로, 실제 탱크 압력 값은 운항 시의 평균 탱크 압력 값일 수 있다.As an example, the actual tank pressure value may be the tank pressure value for each voyage section. As another example, the actual tank pressure value may be the average tank pressure value during operation.

예를 들어, 프로세서(110)는 기 저장된 실제 운항 데이터 중 일부와 정답 데이터를 이용하여 복수의 항해 모드들 각각에 대응하는 딥러닝 모델을 학습한다.For example, the processor 110 learns a deep learning model corresponding to each of a plurality of navigation modes using some of the actual navigation data and the correct answer data stored in advance.

따라서, 복수의 항해 모드들 각각에 대응하는 딥러닝 모델은 추천 항해 정보로부터 탱크(1820)의 압력을 예측하도록 학습될 수 있다.Accordingly, a deep learning model corresponding to each of the plurality of navigation modes can be learned to predict the pressure of the tank 1820 from recommended navigation information.

예를 들어, 프로세서(110)는 기 저장된 실제 운항 데이터를 분리하여 학습 데이터와 검증 데이터로 사용할 수 있다.For example, the processor 110 may separate pre-stored actual flight data and use it as learning data and verification data.

이하, 도 20a를 참조하여, 프로세서(110)가 기 저장된 실제 운항 데이터의 일부를 학습 데이터로, 다른 일부를 검증 데이터로 분리하는 일 예를 설명한다.Hereinafter, with reference to FIG. 20A, an example in which the processor 110 separates part of the pre-stored actual navigation data into learning data and the other part into verification data will be described.

도 20a는 일 실시예에 따른 기 저장된 실제 운항 데이터의 일부를 학습 데이터로 분리하고, 다른 일부를 검증 데이터로 분리하는 일 예를 설명하기 위한 도면이다.FIG. 20A is a diagram illustrating an example of separating part of pre-stored actual navigation data into learning data and separating another part into verification data, according to an embodiment.

도 20a를 참조하면, 프로세서(110)는 기 저장된 실제 운항 데이터(2011)를 기 저장된 실제 운항 데이터의 일부(2012)와 기 저장된 실제 운항 데이터의 다른 일부(2013)로 분리한다. 분리된 기 저장된 실제 운항 데이터의 일부(2012)는 딥러닝 모델의 학습 데이터로 사용되며, 다른 일부(2013)는 딥러닝 모델의 검증 데이터로 사용된다.Referring to FIG. 20A, the processor 110 separates the pre-stored actual navigation data (2011) into a part of the pre-stored actual navigation data (2012) and another part of the pre-stored actual navigation data (2013). Part of the separated, previously stored actual flight data (2012) is used as training data for the deep learning model, and the other part (2013) is used as verification data for the deep learning model.

이하, 도 20b를 참조하여, 프로세서(110)가 기 저장된 실제 운항 데이터(2011)를 가공하는 과정의 일 예를 상세히 설명한다.Hereinafter, with reference to FIG. 20B, an example of a process in which the processor 110 processes pre-stored actual flight data 2011 will be described in detail.

도 20b는 일 실시예에 따른 기 저장된 실제 운항 데이터를 가공하는 과정의 일 예를 설명하기 위한 도면이다.FIG. 20B is a diagram for explaining an example of a process for processing pre-stored actual flight data according to an embodiment.

도 20b를 참조하면, 프로세서(110)는 노이즈 필터(Noise filter)를 이용하여 기 저장된 실제 운항 데이터(2021)의 노이즈를 필터링한다. 여기에서, 노이즈 필터는, 사비츠키-골레이 필터(Savitzky-Golay filter)를 의미할 수 있다. 다만, 프로세서(110)가 이용하는 노이즈 필터의 예는 상술한 사비츠키-골레이 필터에 한정되지 아니한다.Referring to FIG. 20b, the processor 110 filters noise in the previously stored actual navigation data 2021 using a noise filter. Here, the noise filter may mean a Savitzky-Golay filter. However, examples of noise filters used by the processor 110 are not limited to the Savitzky-Golay filter described above.

프로세서(110)는 노이즈를 필터링한 데이터를 정규화(2023)한다. 여기에서, 데이터 정규화(Normalization)(2023)란, 딥러닝 모델을 학습할 때 입력 데이터의 스케일(Scale)을 조정하여 학습 속도를 높이고, 딥러닝 모델의 성능을 개선하는 전처리(Preprocessing)과정 중 하나이다.The processor 110 normalizes the noise-filtered data (2023). Here, data normalization (2023) is one of the preprocessing processes that increases the learning speed and improves the performance of the deep learning model by adjusting the scale of the input data when learning a deep learning model. .

일 예시로, 데이터 정규화(2023)는 Min-Max 정규화 기법을 이용할 수 있다. Min-Max 정규화 기법은, 입력 데이터의 값을 0과 1 사이의 범위로 변환하는 기법이다. 다른 예시로, 데이터 정규화(2023)는 표준 정규화(Standardization) 기법을 이용할 수 있다. 표준 정규화 기법은 입력 데이터 값의 평균이 0이고, 분산이 1인 분포로 변환하는 기법이다. 다만, 프로세서(110)가 이용하는 정규화 기법의 예는 상술한 Min-Max 정규화 기법 또는 표준 정규화 기법에 한정되지 아니한다.As an example, data normalization (2023) may use the Min-Max normalization technique. The Min-Max normalization technique is a technique that converts the value of input data into a range between 0 and 1. As another example, data normalization (2023) can use standard normalization techniques. The standard normalization technique is a technique that converts input data values into a distribution with a mean of 0 and a variance of 1. However, examples of the normalization technique used by the processor 110 are not limited to the Min-Max normalization technique or the standard normalization technique described above.

프로세서(110)는 정규화(2023)된 데이터를 항차에 따라 나눈다. 여기에서, 항차는, 항해의 차수를 의미한다.The processor 110 divides the normalized (2023) data according to the order. Here, voyage means the number of voyages.

또한, 프로세서(110)는 나눠진 항차 별 데이터(2024)를 텐서(Tensor)(2025) 형태로 변환한다. 여기에서, 텐서(2025)란, 다차원 배열(Multi-dimensional array)을 나타내는 수학적인 개념으로, 벡터(Vector)는 1차원 배열을 나타내고, 행렬(Matrix)은 2차원 배열을 나타내며, 텐서(2025)는 3차원 이상의 배열을 나타낸다. 따라서, 딥러닝 모델은 텐서(2025)를 이용해 입력 데이터와 딥러닝 모델의 파라미터를 나타낼 수 있다. Additionally, the processor 110 converts the divided data 2024 into a tensor 2025. Here, tensor (2025) is a mathematical concept representing a multi-dimensional array. Vector represents a one-dimensional array, matrix represents a two-dimensional array, and tensor (2025) represents an array of three dimensions or more. Therefore, the deep learning model can use tensors (2025) to represent the input data and parameters of the deep learning model.

프로세서(110)는 하나의 배치(Batch)(2026)를 10개의 텐서(2025)로 구성할 수 있다. 여기에서, 배치(2026)란, 딥러닝 모델의 입력 데이터를 한 번에 처리할 수 있는 입력 데이터의 집합을 의미한다. 일반적으로, 하나의 배치(2026)는 여러 개의 입력 데이터를 포함하며, 각 입력 데이터는 모두 동일한 크기를 갖는다. 배치(2026)를 사용함으로써, 딥러닝 모델의 일반화 성능을 개선하고, 효율적인 계산이 가능하다. 따라서, 프로세서(110)는 배치(2026)를 구성함으로써 딥러닝 모델을 반복 학습할 때 학습의 효율이 향상될 수 있다.The processor 110 may configure one batch 2026 with 10 tensors 2025. Here, batch 2026 refers to a set of input data that can be processed at once for a deep learning model. Typically, one batch 2026 includes multiple input data, and each input data all has the same size. By using batch (2026), the generalization performance of deep learning models can be improved and efficient calculations are possible. Accordingly, the processor 110 can improve learning efficiency when repeatedly learning a deep learning model by configuring the batch 2026.

프로세서(110)는 가공된 실제 운항 데이터(2027)를 이용함으로써 딥러닝 모델의 학습 효율을 향상시킬 수 있고, 딥러닝 모델의 예측 정확도를 높일 수 있다.The processor 110 can improve the learning efficiency of the deep learning model and increase the prediction accuracy of the deep learning model by using the processed actual flight data 2027.

또한, 프로세서(110)는 정답 데이터와 딥러닝 모델의 출력 데이터 사이의 오차 및 역전파(Back propagation) 알고리즘을 이용하여 딥러닝 모델을 학습할 수 있다.Additionally, the processor 110 can learn a deep learning model using the error between the correct answer data and the output data of the deep learning model and a back propagation algorithm.

여기에서, 역전파 알고리즘이란, 지도학습 분야에서 사용되는 딥러닝 모델을 학습시키기 위한 알고리즘이다. 역전파 알고리즘은 출력 데이터와 정답 데이터 사이의 오차를 계산하고, 계산된 오차를 이용하여 가중치(Weight)와 편향(Bias)를 계산한다. 그리고, 계산된 가중치와 편향을 업데이트하여 출력 데이터와 정답 데이터 사이의 오차를 최소화하는 알고리즘이다.Here, the backpropagation algorithm is an algorithm for learning a deep learning model used in the supervised learning field. The backpropagation algorithm calculates the error between the output data and the correct answer data, and calculates the weight and bias using the calculated error. Additionally, it is an algorithm that updates the calculated weights and biases to minimize the error between the output data and the correct answer data.

이하, 도 21을 참조하여, 프로세서(110)가 역전파 알고리즘을 이용하여 딥러닝 모델을 학습하는 일 예를 설명한다.Hereinafter, with reference to FIG. 21, an example in which the processor 110 learns a deep learning model using a backpropagation algorithm will be described.

도 21은 일 실시예에 따른 선박의 탱크 압력을 예측하는 딥러닝 모델을 학습하는 과정의 일 예를 설명하기 위한 도면이다.FIG. 21 is a diagram illustrating an example of a process for learning a deep learning model for predicting tank pressure of a ship according to an embodiment.

도 21을 참조하면, 프로세서(110)는 딥러닝 모델(2110)의 출력 데이터(2120)와 정답 데이터(2130)을 획득한다. 그리고, 프로세서(110)는 손실함수를 사용하여 출력 데이터(2120)와 정답 데이터(2130) 사이의 오차(2140)를 산출한다. 프로세서(110)는 오차(2140)의 가중치와 편향을 계산하고, 역전파 알고리즘(2150)을 이용하여 가중치를 수정하는 과정을 반복함으로써 딥러닝 모델(2110)을 학습한다.Referring to FIG. 21, the processor 110 obtains output data 2120 and correct answer data 2130 of the deep learning model 2110. Then, the processor 110 calculates the error 2140 between the output data 2120 and the correct answer data 2130 using a loss function. The processor 110 learns the deep learning model 2110 by calculating the weight and bias of the error 2140 and repeating the process of modifying the weight using the backpropagation algorithm 2150.

프로세서(110)는 역전파 알고리즘(2150)을 이용하는 과정에서 가중치가 소실되는 문제를 예방하기 위해 사비에르 초기화(Xavier Initialization) 방법을 이용하여 가중치를 초기화한다. 여기에서, 사비에르 초기화는, 가중치를 초기화하는 방법 중 하나로써, 정규 분포(Normal Distribution)를 이용하여 가중치를 초기화한다. 다만, 프로세서(110)가 이용하는 가중치를 초기화하는 방법의 예는 상술한 사비에르 초기화 방법에 한정되지 아니한다.The processor 110 initializes the weights using the Xavier Initialization method to prevent the problem of weights being lost during the process of using the backpropagation algorithm 2150. Here, Xavier initialization is one of the methods of initializing weights, and initializes weights using normal distribution. However, the example of the method for initializing the weights used by the processor 110 is not limited to the Xavier initialization method described above.

또한, 프로세서(110)는 역전파 알고리즘(2150)을 이용할 때 최적의 가중치 값을 찾기 위해 RMSprop(Root Mean Square Propagation) 기법을 사용한다. 여기에서, RMSprop은, 딥러닝 모델을 빠르고 안정적으로 학습할 수 있도록 도와주는 알고리즘으로써, 각 파라미터마다 최적의 가중치를 제공하여 효율적인 학습을 할 수 있다. 다만, 프로세서(110)가 이용하는 최적의 가중치 값을 찾는 방법의 예는 상술한 RMSprop 기법에 한정되지 아니한다.Additionally, the processor 110 uses the Root Mean Square Propagation (RMSprop) technique to find the optimal weight value when using the backpropagation algorithm 2150. Here, RMSprop is an algorithm that helps learn deep learning models quickly and reliably, and provides optimal weights for each parameter, enabling efficient learning. However, the example of the method for finding the optimal weight value used by the processor 110 is not limited to the RMSprop technique described above.

프로세서(110)는 기 저장된 실제 운항 데이터(2011) 중 다른 일부(2013)를 이용하여 학습된 딥러닝 모델을 검증할 수 있다.The processor 110 may verify the learned deep learning model using another part (2013) of the previously stored actual flight data (2011).

여기에서, 검증이란, 딥러닝 모델의 성능을 평가하고, 딥러닝 모델이 일반화되었는지 확인하는 과정이다. 다시 말해, 과대적합(Overfitting) 또는 과소적합(Underfitting)을 방지하기 위한 과정이다. Here, verification is the process of evaluating the performance of the deep learning model and confirming whether the deep learning model has been generalized. In other words, it is a process to prevent overfitting or underfitting.

상술한 프로세서(110)가 딥러닝 모델을 학습하는 단계는, 선박(1810)의 항해에 대한 복수의 항해모드들 각각에 대응하는 딥러닝 모델들에 동일하게 적용될 수 있다.The step of the processor 110 learning a deep learning model described above can be equally applied to deep learning models corresponding to each of a plurality of navigation modes for navigation of the ship 1810.

다시 도 19를 참조하면, 단계 1920에서 프로세서(110)는 탱크 내에서의 액화가스의 수위에 따라 복수의 항해 모드들 중 하나를 선택할 수 있다.Referring again to FIG. 19, in step 1920, the processor 110 may select one of a plurality of navigation modes according to the level of liquefied gas in the tank.

예를 들어, 프로세서(110)는 탱크 내에서의 액화가스의 수위를 측정하고, 수위가 소정 높이 이상인 경우에는 복수의 항해 모드들 중 제1 모드를 선택하고, 상기 수위가 상기 소정 높이 미만인 경우에는 상기 복수의 항해 모드들 중 제2 모드를 선택할 수 있다.For example, the processor 110 measures the water level of the liquefied gas in the tank, selects a first mode among a plurality of navigation modes when the water level is above a predetermined height, and when the water level is below the predetermined height, the processor 110 measures the level of the liquefied gas in the tank. A second mode can be selected among the plurality of navigation modes.

이하, 도 22 내지 도 23을 참조하여, 프로세서(110)가 액화가스의 수위에 따라서 복수의 항해 모드들 중 제1 모드 또는 제2 모드를 선택하는 일 예를 설명한다.Hereinafter, with reference to FIGS. 22 and 23, an example in which the processor 110 selects a first mode or a second mode among a plurality of navigation modes according to the level of liquefied gas will be described.

도 22는 일 실시예에 따른 탱크 내에서의 액화가스의 수위가 소정 높이 이상인지 여부에 따른 항해 모드를 판단하는 일 예를 설명하기 위한 도면이다.Figure 22 is a diagram for explaining an example of determining a navigation mode depending on whether the level of liquefied gas in a tank is above a predetermined height according to an embodiment.

도 22를 참조하면, 프로세서(110)는 탱크(2140) 내에서의 액화가스의 수위를 측정하여, 액화가스의 수위가 소정 높이 이상인 경우(2220)인지, 액화가스의 수위가 소정 높이 미만인 경우(2120)인지 판단한다. 예를 들어, 소정 높이는 탱크(2140)의 절반 높이일 수 있다. 따라서, 프로세서(110)는 액화가스의 수위가 탱크(2140)의 절반 높이 이상인 경우(2220)에는 만선항해(Laden voyage)로 판단할 수 있으며, 액화가스의 수위가 탱크(2140)의 절반 높이 미만인 경우(2120)에는 공선항해(Ballast voyage)로 판단할 수 있다.Referring to FIG. 22, the processor 110 measures the water level of the liquefied gas in the tank 2140 to determine whether the water level of the liquefied gas is above a predetermined height (2220) or when the water level of the liquefied gas is less than a predetermined height (2220). 2120). For example, the predetermined height may be half the height of the tank 2140. Therefore, the processor 110 may determine that it is full voyage when the water level of the liquefied gas is more than half the height of the tank 2140 (2220), and when the water level of the liquefied gas is less than the half height of the tank 2140, the processor 110 may determine it to be full voyage. In case 2120, it can be judged as ballast voyage.

도 23은 일 실시예에 따른 탱크 내에서의 액화가스의 수위에 따른 복수의 항해 모드들 각각에 대응하는 딥러닝 모델의 일 예를 설명하기 위한 도면이다.FIG. 23 is a diagram illustrating an example of a deep learning model corresponding to each of a plurality of navigation modes according to the level of liquefied gas in a tank according to an embodiment.

도 23을 참조하면, 프로세서(110)는 액화가스의 수위가 탱크의 절반 높이 이상인 경우(2310)에는 제1 모드(2330)를 선택하며, 액화가스의 수위가 탱크의 절반 높이 미만인 경우(2320)에는 제2 모드(2340)를 선택한다. 예를 들어, 제1 모드(2330)는 만선항해 모드, 제2 모드(2340)는 공선항해 모드일 수 있다. 또한, 제1 모드(2330)의 딥러닝 모델(2350)은 LSTM 알고리즘을 사용할 수 있으며, 제2 모드(2340)의 딥러닝 모델(2360)은 GRU 알고리즘을 사용할 수 있다. 다만, 각 딥러닝 모델(2350, 2360)이 사용하는 알고리즘은 상술한 LSTM 알고리즘 및 GRU 알고리즘에 한정되지 아니한다.Referring to FIG. 23, the processor 110 selects the first mode (2330) when the water level of the liquefied gas is more than half the height of the tank (2310), and when the water level of the liquefied gas is less than the half height of the tank (2320) Select the second mode (2340). For example, the first mode 2330 may be a full-line sailing mode, and the second mode 2340 may be a collinear-line sailing mode. Additionally, the deep learning model 2350 in the first mode 2330 may use the LSTM algorithm, and the deep learning model 2360 in the second mode 2340 may use the GRU algorithm. However, the algorithm used by each deep learning model (2350, 2360) is not limited to the LSTM algorithm and GRU algorithm described above.

다시 도 19를 참조하면, 단계 1930에서 프로세서(110)는 선택된 항해 모드에 대응하는 딥러닝 모델을 이용하여 추천 항해 정보로부터 탱크의 압력을 예측할 수 있다.Referring again to FIG. 19, in step 1930, the processor 110 may predict the pressure of the tank from recommended navigation information using a deep learning model corresponding to the selected navigation mode.

먼저, 프로세서(110)는 선박의 추천 항해 정보를 획득한다. 프로세서(110)는 도 4 내지 도 5를 참조하여 상술한 방법으로 추천 항해정보를 획득할 수 있다.First, the processor 110 obtains recommended navigation information for the ship. The processor 110 may obtain recommended navigation information using the method described above with reference to FIGS. 4 and 5 .

프로세서(110)는 추천 항해 정보를 입력 데이터로 사용하여 복수의 중간 값들을 획득하고, 복수의 중간 값들에 가중치를 적용하여 탱크의 압력 예측 값을 획득할 수 있다.The processor 110 may obtain a plurality of intermediate values using recommended navigation information as input data, and obtain a predicted pressure value of the tank by applying weights to the plurality of intermediate values.

이하, 도 24를 참조하여, 프로세서(110)가 복수의 중간 값들에 가중치를 적용하여 탱크의 압력 예측 값을 획득하는 일 예를 설명한다.Hereinafter, with reference to FIG. 24, an example in which the processor 110 obtains the predicted pressure of the tank by applying weights to a plurality of intermediate values will be described.

도 24는 일 실시예에 따른 복수의 중간 값들에 가중치를 적용하여 탱크의 압력 예측 값을 획득하는 일 예를 설명하기 위한 도면이다.FIG. 24 is a diagram illustrating an example of obtaining a predicted pressure value of a tank by applying weights to a plurality of intermediate values according to an embodiment.

도 24를 참조하면, 프로세서(110)는 추천 항해 정보(2410)를 딥러닝 모델(2420)의 입력 데이터로 사용하여 중간 값(2430)을 획득할 수 있다. 일 예시로, 제1 모드인 경우, 즉, 만선항해 모드인 경우, 딥러닝 모델(2420)은 LSTM 알고리즘을 사용할 수 있다. 다른 예시로, 제2 모드인 경우, 즉, 공선항해 모드인 경우, 딥러닝 모델(2420)은 GRU 알고리즘을 사용할 수 있다. 다만, 딥러닝 모델(2420)이 사용하는 알고리즘은 상술한 LSTM 알고리즘 및 GRU 알고리즘에 한정되지 아니한다.Referring to FIG. 24, the processor 110 may use the recommended navigation information 2410 as input data for the deep learning model 2420 to obtain an intermediate value 2430. As an example, in the first mode, that is, in the full sailing mode, the deep learning model 2420 may use the LSTM algorithm. As another example, in the second mode, that is, in the collinear navigation mode, the deep learning model 2420 may use the GRU algorithm. However, the algorithm used by the deep learning model 2420 is not limited to the LSTM algorithm and GRU algorithm described above.

또한, 프로세서(110)는 중간 값(2430)에 가중치를 적용(2440)하여 탱크의 압력 예측 값(2450)을 획득할 수 있다. 예를 들어, 프로세서(110)는 Linear layer를 이용하여 중간 값(2430)에 가중치를 적용(2440)함으로써 탱크의 압력 예측 값(2450)을 획득할 수 있다. 다만, 프로세서(110)가 중간 값(2430)에 가중치를 적용(2440)하기 위한 방법은 Linear layer를 사용하는 방법에 한정되지 아니한다.Additionally, the processor 110 may obtain a predicted pressure value of the tank (2450) by applying a weight (2440) to the intermediate value (2430). For example, the processor 110 may obtain the predicted tank pressure value 2450 by applying weight 2440 to the intermediate value 2430 using a linear layer. However, the method by which the processor 110 applies weight (2440) to the intermediate value (2430) is not limited to the method of using a linear layer.

따라서, 프로세서(110)는 선박(1810)의 탱크(1820) 내에서의 액화가스의 수위에 따라 다른 딥러닝 모델을 이용하여 선박(1810)의 탱크 압력 값을 예측할 수 있다. 즉, 프로세서(110)는 각 항해 모드마다 다른 딥러닝 모델을 이용하여 선박의 탱크 압력을 예측함으로써, 선박의 탱크 압력 예측 정확도를 향상시킬 수 있다.Accordingly, the processor 110 can predict the tank pressure value of the ship 1810 using different deep learning models depending on the level of liquefied gas in the tank 1820 of the ship 1810. That is, the processor 110 can improve the prediction accuracy of the ship's tank pressure by predicting the ship's tank pressure using a different deep learning model for each navigation mode.

도 25는 일 실시예에 따른 선박의 운항을 최적화하는 방법의 일 예를 설명하기 위한 도면이다.Figure 25 is a diagram for explaining an example of a method for optimizing the operation of a ship according to an embodiment.

도 25를 참조하면, 운항 최적화 모델(2520)은 BOG 발생량 및 탱크압력 값(2510)을 이용하여 선박의 제약조건(2540)을 고려한 최적 항해정보(2530)를 획득할 수 있다. 여기에서, 운항 최적화 모델(2520)은 일 실시예에 따른 선박의 운항을 최적화하는 방법을 구현하는데 이용되는 모델로서, 도 1 내지 도 9를 참조하여 상술한 선박의 운항을 최적화하는 방법을 구현하는 모델일 수 있다. 따라서, 이하 도 1 내지 도 9를 참조하여 상술한 선박의 운항을 최적화하는 방법을 구현하는 모델과의 차이점을 위주로 설명한다. Referring to FIG. 25, the navigation optimization model 2520 can obtain optimal navigation information 2530 considering the ship's constraints 2540 using the BOG generation amount and tank pressure value 2510. Here, the operation optimization model 2520 is a model used to implement a method of optimizing the operation of a ship according to an embodiment, and is a model that implements the method of optimizing the operation of a ship described above with reference to FIGS. 1 to 9. It could be a model. Therefore, with reference to FIGS. 1 to 9 , differences from the model that implements the method for optimizing the operation of the ship described above will be mainly explained.

일 실시예에 따른 선박의 운항을 최적화하는 방법에 따르면, 선박의 추천 항해정보를 사용하여 선박의 BOG 발생량과 선박의 탱크압력을 예측한다. 그리고, 예측된 BOG 발생량 및 탱크압력 값을 이용하여 선박의 제약조건(Constraint)을 만족하는 항해 구간별 최적 항해정보를 획득하고, 획득한 항해 구간별 최적 항해정보를 이용하여 선박의 동작을 제어한다. 여기에서, 제약조건의 구체적인 내용은 후술한다.According to a method for optimizing the operation of a ship according to an embodiment, the amount of BOG generation and the tank pressure of the ship are predicted using the ship's recommended navigation information. Then, the predicted BOG generation amount and tank pressure values are used to obtain optimal navigation information for each voyage section that satisfies the ship's constraints, and the operation of the ship is controlled using the obtained optimal navigation information for each voyage section. . Here, the specific details of the constraints will be described later.

따라서, 일 실시예에 따른 선박의 운항을 최적화하는 방법에 의할 경우, 항해 구간별 최적 항해정보를 이용하여 선박의 가스 소모량을 최소화하는 경제적인 운항을 할 수 있다.Therefore, in the case of optimizing the operation of a ship according to an embodiment, it is possible to conduct economical operation by minimizing the gas consumption of the ship by using optimal navigation information for each voyage section.

이하, 도 2 및 도 26 내지 도 28b를 참조하여 본 개시의 일 실시예에 따른 선박의 운항을 최적화하는 방법 및 장치에 대해 상세히 서술한다. 여기에서, 장치는 사용자 단말(100)을 의미할 수 있다.Hereinafter, a method and device for optimizing the operation of a ship according to an embodiment of the present disclosure will be described in detail with reference to FIGS. 2 and 26 to 28B. Here, the device may refer to the user terminal 100.

도 2를 참조하면, 통신 모듈(140)은 외부 서버 또는 외부 장치로부터 기존 운항 데이터에 대한 정보, 현재 운항 데이터에 대한 정보, 추천 항해정보, 운항계획, 날씨정보 등을 수신할 수 있다. 또한, 메모리(120)에는 기존의 운항 데이터, 현재 운항 데이터, 추천 항해정보, 운항계획, 날씨정보, 프로세서(110)의 동작에 따라 생성된 데이터 등 다양한 데이터가 저장될 수 있다.Referring to FIG. 2, the communication module 140 may receive information about existing navigation data, information about current navigation data, recommended navigation information, navigation plans, weather information, etc. from an external server or external device. Additionally, the memory 120 may store various data, such as existing navigation data, current navigation data, recommended navigation information, navigation plans, weather information, and data generated according to the operation of the processor 110.

프로세서(110)는, 메모리(120)에 저장된 프로그램들을 실행함으로써, 장치(100)의 동작을 제어할 수 있다. 일 예로, 프로세서(110)는 도 26 내지 도 28b를 참조하여 서술하는, 선박의 운항을 최적화하는 방법 중 적어도 일부를 수행할 수 있다.The processor 110 may control the operation of the device 100 by executing programs stored in the memory 120. As an example, the processor 110 may perform at least some of the methods for optimizing the operation of a ship described with reference to FIGS. 26 to 28B.

다시 말해, 프로세서(110)는, 선박의 BOG 발생량 및 선박의 탱크압력 값을 이용하여 항해 구간별 최적 항해정보를 획득하고, 선박의 제약조건(Constraint)을 고려하여 최적 항해정보를 업데이트하며, 업데이트된 최적 항해정보를 이용하여 선박의 동작을 제어할 수 있다.In other words, the processor 110 obtains optimal navigation information for each voyage section using the ship's BOG generation amount and the ship's tank pressure value, updates the optimal navigation information by considering the ship's constraints, and updates The operation of the ship can be controlled using the optimal navigation information provided.

프로세서(110)는 선박의 BOG 발생량 및 선박의 탱크압력 값을 이용하여 항해 구간별 최적 항해정보를 획득할 수 있다. 또한, 프로세서(110)는 선박의 제약조건(Constraint)을 고려하여 최적 항해정보를 업데이트 할 수 있다. 여기에서, 제약조건은, 질량, 에너지, 전력량, 장비의 최대/최소 액화가스 소모량, 장비의 효율, 추진엔진(Main Engine)의 효율, 발전엔진(Generator Engine)의 효율, 축발전기의 효율, 탱크의 압력, 상기 선박의 최고/최저 속도 및 상기 선박의 평균 속도 사이의 관계 중 적어도 하나에 기초하여 설정될 수 있다.The processor 110 can obtain optimal navigation information for each voyage section using the vessel's BOG generation amount and the vessel's tank pressure value. Additionally, the processor 110 can update optimal navigation information by considering the ship's constraints. Here, the constraints are mass, energy, power, maximum/minimum liquefied gas consumption of the equipment, efficiency of the equipment, efficiency of the main engine, efficiency of the generator engine, efficiency of the shaft generator, and tank. It can be set based on at least one of the relationship between the pressure, the maximum/minimum speed of the ship, and the average speed of the ship.

예를 들어, 프로세서(110)는 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는지 여부에 따라 서로 다른 방식으로 최적 항해정보를 획득할 수 있다. For example, the processor 110 may obtain optimal navigation information in different ways depending on whether the speed for each navigation section included in the recommended navigation information is used to operate the vessel.

일 예시로, 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는 경우, 프로세서(110)는 BOG 발생량, 탱크압력 값 및 추천 항해정보를 이용하여 최적 항해정보를 획득할 수 있고, 추천 항해정보는 기 설정된 날씨정보를 포함할 수 있다.As an example, when using the speed for each navigation section included in the recommended navigation information for the operation of a ship, the processor 110 can obtain optimal navigation information using the BOG generation amount, tank pressure value, and recommended navigation information, and recommend Navigation information may include preset weather information.

또한, 프로세서(110)는 제n+1차 중간 항해정보에 포함된 가스 소모량과 제n차 중간 항해정보에 포함된 가스 소모량의 차이를 계산하고, 차이가 기 설정된 범위에 포함되는지 여부를 판단하며, 판단 결과에 기초하여 제n+1차 중간 항해정보를 최적 항해정보로 확정할 수 있다. 여기에서, n은 1 이상의 자연수이고, 제n+1차 중간 항해정보는 제n차 중간 항해정보에 포함된 적어도 하나의 파라미터 갱신 값에 기초하여 생성될 수 있다.In addition, the processor 110 calculates the difference between the gas consumption included in the n+1th intermediate navigation information and the gas consumption included in the nth intermediate navigation information, and determines whether the difference is within a preset range. , Based on the judgment result, the n+1st intermediate navigation information can be confirmed as the optimal navigation information. Here, n is a natural number greater than or equal to 1, and the n+1th intermediate navigation information may be generated based on at least one parameter update value included in the nth intermediate navigation information.

다른 예시로, 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하지 않는 경우, 프로세서(110)는 BOG 발생량, 탱크압력 값 및 추천 항해정보를 이용하여 최적 항해정보를 획득할 수 있고, 추천 항해정보는 선박의 운항에 따라 업데이트된 날씨정보를 포함할 수 있다.As another example, when the speed for each navigation section included in the recommended navigation information is not used for the operation of the ship, the processor 110 can obtain optimal navigation information using the BOG generation amount, tank pressure value, and recommended navigation information. , Recommended navigation information may include weather information updated according to the operation of the ship.

또한, 프로세서(110)는 업데이트된 최적 항해정보를 이용하여 선박의 동작을 제어할 수 있다. 예를 들어, 프로세서(110)는 최적 항해정보를 이용하여 설정된 운전방식으로 선박을 제어할 수 있고, 운전방식은 선박의 가스 소모량을 최소화하는 운전방식을 포함할 수 있다.Additionally, the processor 110 can control the operation of the ship using the updated optimal navigation information. For example, the processor 110 may control the ship using an operation method set using optimal navigation information, and the operation method may include an operation method that minimizes gas consumption of the ship.

도 26은 일 실시예에 따른 선박의 운항을 최적화하는 방법의 일 예를 설명하기 위한 흐름도이다.Figure 26 is a flowchart illustrating an example of a method for optimizing the operation of a ship according to an embodiment.

도 26을 참조하면, 선박의 운항을 최적화하는 방법은 단계 2610 내지 2630을 포함할 수 있다. 다만, 이에 제한되는 것은 아니고, 도 26에 도시되는 단계들 외에 다른 범용적인 단계들이 선박의 운항을 최적화하는 방법에 더 포함될 수 있다. 또한, 도 2 및 도 25를 참조하여 상술한 바와 같이, 도 26에 도시된 흐름도의 단계들 중 적어도 하나는 프로세서(110)에서 처리될 수 있다.Referring to FIG. 26, a method for optimizing the operation of a ship may include steps 2610 to 2630. However, it is not limited to this, and other general steps in addition to the steps shown in FIG. 26 may be further included in the method of optimizing the operation of the ship. Additionally, as described above with reference to FIGS. 2 and 25 , at least one of the steps in the flowchart shown in FIG. 26 may be processed by the processor 110 .

단계 2610에서 프로세서(110)는 선박의 BOG 발생량 및 선박의 탱크압력 값을 이용하여 항해 구간별 최적 항해정보를 획득할 수 있다.In step 2610, the processor 110 may obtain optimal navigation information for each navigation section using the vessel's BOG generation amount and the vessel's tank pressure value.

먼저, 프로세서(110)는 선박의 BOG 발생량을 예측할 수 있다. 일 예시로, 프로세서(110)는 도 6을 참조하여 상술한 방법으로 선박의 BOG 발생량을 예측할 수 있다. 다른 예시로, 프로세서(110)는 도 2 및 도 10 내지 도 17을 참조하여 상술한 선박의 BOG 발생량을 예측하는 방법 및 장치를 이용하여 선박의 BOG 발생량을 예측할 수 있다. 다만, 선박의 BOG 발생량을 예측하는 방법은 상술한 방법들에 한정되지 아니한다.First, the processor 110 can predict the amount of BOG generation of the ship. As an example, the processor 110 may predict the amount of BOG generation of a ship using the method described above with reference to FIG. 6 . As another example, the processor 110 may predict the amount of BOG generation of a ship using the method and device for predicting the amount of BOG generation of a ship described above with reference to FIGS. 2 and 10 to 17 . However, the method of predicting the amount of BOG generation of a ship is not limited to the methods described above.

또한, 프로세서(110)는 선박의 탱크압력을 예측할 수 있다. 일 예시로, 도 6을 참조하여 상술한 방법으로 선박의 탱크압력을 예측할 수 있다. 다른 예시로, 도 2 및 도 18 내지 도 24를 참조하여 상술한 선박의 탱크압력을 예측하는 방법 및 장치를 이용하여 선박의 탱크압력을 예측할 수 있다. 다만, 선박의 탱크압력을 예측하는 방법은 상술한 방법들에 한정되지 아니한다.Additionally, the processor 110 can predict the tank pressure of the ship. As an example, the tank pressure of a ship can be predicted using the method described above with reference to FIG. 6. As another example, the tank pressure of a ship can be predicted using the method and device for predicting the tank pressure of a ship described above with reference to FIGS. 2 and 18 to 24. However, the method of predicting the tank pressure of a ship is not limited to the above-mentioned methods.

프로세서(110)는 선박의 BOG 발생량 및 선박의 탱크압력 값을 이용하여 항해 구간별 최적 항해정보를 획득할 수 있다. 예를 들어, 프로세서(110)는 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는지 여부에 따라 서로 다른 방식으로 최적 항해정보를 획득할 수 있다.The processor 110 can obtain optimal navigation information for each voyage section using the vessel's BOG generation amount and the vessel's tank pressure value. For example, the processor 110 may obtain optimal navigation information in different ways depending on whether the speed for each navigation section included in the recommended navigation information is used to operate the vessel.

여기에서, 추천 항해정보는, 항해사가 선박을 출발지에서부터 도착지까지 효율적으로 운항하기 위한 추천 항해정보일 수 있으며, 프로세서(110)는 도 4 내지 도 5를 참조하여 상술한 방법으로 추천 항해정보를 생성할 수 있다. 추천 항해정보는 도 4 내지 도 5를 참조하여 상술한 추천 항해정보는 물론, 항해 구간별 속도, 선박의 총 평균 속도, 시간에 따른 선박의 위도/경도 및 시간에 따른 날씨정보를 추가로 포함할 수 있다. 다만, 추천 항해정보를 생성하는 방법은 상술한 방법에 한정되지 아니하며, 추천 항해정보는 상술한 추천 항해정보에 한정되지 아니한다.Here, the recommended navigation information may be recommended navigation information for a navigator to efficiently navigate the ship from the departure point to the destination, and the processor 110 generates the recommended navigation information in the method described above with reference to FIGS. 4 and 5. can do. The recommended navigation information may include not only the recommended navigation information described above with reference to FIGS. 4 and 5, but also the speed of each navigation section, the total average speed of the vessel, the latitude/longitude of the vessel according to time, and weather information according to time. You can. However, the method of generating recommended navigation information is not limited to the method described above, and the recommended navigation information is not limited to the recommended navigation information described above.

이하, 도 27을 참조하여, 프로세서(110)가 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는지 여부에 따라 서로 다른 방식으로 구분되는 일 예를 설명한다.Hereinafter, with reference to FIG. 27, an example of different methods will be described depending on whether the processor 110 uses the speed for each navigation section included in the recommended navigation information to operate the vessel.

도 27은 일 실시예에 따른 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는지 여부에 따라 서로 다른 방식으로 최적 항해정보를 획득하는 일 예를 설명하기 위한 도면이다.FIG. 27 is a diagram illustrating an example of obtaining optimal navigation information in different ways depending on whether the speed for each navigation section included in recommended navigation information is used for the operation of a ship according to an embodiment.

도 27을 참조하면, 프로세서(110)는 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는지 여부(2710)에 따라 서로 다른 방식으로 최적 항해정보를 획득할 수 있다.Referring to FIG. 27, the processor 110 can obtain optimal navigation information in different ways depending on whether the speed for each navigation section included in the recommended navigation information is used for the operation of the ship (2710).

일 예시로, 프로세서(110)는 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는 경우(2720)에는 추천 항해정보에 포함된 항해 구간별 속도로 항해한다. 여기에서, 추천 항해정보에 포함된 항해 구간별 속도는, 모든 항해 구간의 속도가 같을 수 있다. 또한, 추천 항해정보에 포함된 항해 구간별 속도는, 모든 항해 구간의 속도가 다를 수 있다. 또한, 추천 항해정보에 포함된 항해 구간별 속도는, 일부 항해 구간의 속도만 같을 수 있다.As an example, when the processor 110 uses the speed for each navigation section included in the recommended navigation information to operate a ship (2720), the processor 110 navigates at the speed for each navigation section included in the recommended navigation information. Here, the speed for each navigation section included in the recommended navigation information may be the same for all navigation sections. Additionally, the speed of each navigation section included in the recommended navigation information may be different from the speed of all navigation sections. Additionally, the speed of each navigation section included in the recommended navigation information may be the same for only some navigation sections.

다른 예시로, 프로세서(110)는 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하지 않는 경우(2730)에는 최적 항해정보에 포함된 항해 구간별 속도로 항해한다. 여기에서, 최적 항해정보에 포함된 항해 구간별 속도는, 모든 항해 구간의 속도가 같을 수 있다. 또한, 최적 항해정보에 포함된 항해 구간별 속도는, 모든 항해 구간의 속도가 다를 수 있다. 또한, 최적 항해정보에 포함된 항해 구간별 속도는, 일부 항해 구간의 속도만 같을 수 있다. 다만, 프로세서(110)가 추천 항해정보에 포함된 항해 구간별 속도를 이용하지 않는 경우(2730)에도, 추천 항해정보에 포함된 총 평균 속도를 이용할 수 있다.As another example, when the processor 110 does not use the speed for each navigation section included in the recommended navigation information to operate the ship (2730), the processor 110 navigates at the speed for each navigation section included in the optimal navigation information. Here, the speed for each navigation section included in the optimal navigation information may be the same for all navigation sections. Additionally, the speed of each navigation section included in the optimal navigation information may be different from the speed of all navigation sections. Additionally, the speed of each navigation section included in the optimal navigation information may be the same for only some navigation sections. However, even when the processor 110 does not use the speed for each navigation section included in the recommended navigation information (2730), the total average speed included in the recommended navigation information can be used.

이하, 프로세서(110)가 최적 항해정보를 획득하는 과정을 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는 경우와 이용하지 않는 경우로 나누어 상세히 설명한다.Hereinafter, the process of the processor 110 acquiring optimal navigation information will be described in detail by dividing the process into a case where the speed for each navigation section included in the recommended navigation information is used for the operation of the ship and a case where the speed for each navigation section included in the recommended navigation information is not used.

예를 들어, 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는 경우, 프로세서(110)는 BOG 발생량, 탱크압력 값 및 추천 항해정보를 이용하여 최적 항해정보를 획득할 수 있고, 추천 항해정보는 기 설정된 날씨정보를 포함할 수 있다.For example, when using the speed for each navigation section included in the recommended navigation information for the operation of a ship, the processor 110 can obtain optimal navigation information using the BOG generation amount, tank pressure value, and recommended navigation information, and recommend Navigation information may include preset weather information.

또한, 프로세서(110)는 제n+1차 중간 항해정보에 포함된 가스 소모량과 제n차 중간 항해정보에 포함된 가스 소모량의 차이를 계산하고, 차이가 기 설정된 범위에 포함되는지 판단하며, 판단 결과에 기초하여 제n+1차 중간 항해정보를 최적 항해정보로 확정할 수 있다. 여기에서, 제n+2차 중간 항해정보는 제n+1차 중간 항해정보에 포함된 적어도 하나의 파라미터 갱신 값에 기초하여 생성될 수 있다. 단, n은 1 이상의 자연수이다.In addition, the processor 110 calculates the difference between the gas consumption included in the n+1th intermediate navigation information and the gas consumption included in the nth intermediate navigation information, determines whether the difference is within a preset range, and makes a decision. Based on the results, the n+1st intermediate navigation information can be confirmed as the optimal navigation information. Here, the n+2nd intermediate navigation information may be generated based on at least one parameter update value included in the n+1st intermediate navigation information. However, n is a natural number greater than or equal to 1.

이하, 도 28a를 참조하여, 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는 경우, 프로세서(110)가 최적 운항정보를 획득하는 일 예를 설명한다.Hereinafter, with reference to FIG. 28A, an example in which the processor 110 obtains optimal navigation information when using the speed for each navigation section included in the recommended navigation information to operate a ship will be described.

도 28a는 일 실시예에 따른 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는 경우의 최적 항해정보를 획득하는 일 예를 설명하기 위한 흐름도이다.FIG. 28A is a flowchart illustrating an example of obtaining optimal navigation information when the speed for each navigation section included in recommended navigation information is used to operate a ship according to an embodiment.

도 28a를 참조하면, 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는 경우(2810), 프로세서(110)는 추천 항해정보, 선박의 BOG 발생량 예측 값 및 선박의 탱크압력 예측 값을 이용하여 최적 항해정보를 획득할 수 있다.Referring to FIG. 28A, when using the speed for each voyage section included in the recommended voyage information for the operation of a ship (2810), the processor 110 uses the recommended voyage information, the predicted value of the BOG generation amount of the ship, and the predicted value of the tank pressure of the ship. You can use this to obtain optimal navigation information.

먼저, 단계 2811에서, 프로세서(110)는 추천 항해정보를 획득한다.First, in step 2811, the processor 110 obtains recommended navigation information.

여기에서, 추천 항해정보는 상술한 추천 항해정보를 그대로 포함할 수 있다. 단계 2812에서, 프로세서(110)는 상술한 방법들로 선박의 BOG 발생량 및 선박의 탱크압력을 예측할 수 있다. 여기에서, BOG 발생량은 풍속, 파도의 높이, 너울의 높이 등 기상 상황에 따라서 달라질 수 있다. 따라서, BOG 발생량 예측 값 및 탱크압력 예측 값 역시 기상 상황에 따라 달라질 수 있다.Here, the recommended navigation information may include the above-described recommended navigation information as is. In step 2812, the processor 110 can predict the BOG generation amount of the ship and the tank pressure of the ship using the methods described above. Here, the amount of BOG generation may vary depending on weather conditions such as wind speed, wave height, and swell height. Therefore, the predicted value of BOG generation and tank pressure may also vary depending on weather conditions.

단계 2813에서, 프로세서(110)는 추천 항해정보, 선박의 BOG 발생량 예측 값 및 선박의 탱크압력 예측 값을 이용하여 중간 항해정보를 획득한다. 여기에서, 중간 항해정보는 항해 구간별 선박의 최적 속도, 선박의 가스 소모량 및 선박에 설치된 장비의 사용량을 포함할 수 있다. 여기에서, 장비는, 선박에 설치된 과냉각장치(Subcooler), 엔진 축발전기(Shaft generator), 추진엔진(Main engine), 발전엔진(Generator engine), 가스연소장치(Gas combustion unit) 및 재액화장치(Reliquefaction) 등을 포함할 수 있다. 또한, 가스 소모량은, 추진엔진의 가스 소모량, 발전엔진의 가스 소모량, 가스연소장치의 가스 소모량 및 재액화장치의 가스 소모량을 이용하여 계산할 수 있다.In step 2813, the processor 110 obtains intermediate navigation information using the recommended navigation information, the predicted value of the vessel's BOG generation amount, and the predicted value of the vessel's tank pressure. Here, the intermediate navigation information may include the optimal speed of the vessel for each navigation section, the vessel's gas consumption, and the usage of equipment installed on the vessel. Here, the equipment includes a subcooler, shaft generator, main engine, generator engine, gas combustion unit, and re-liquefaction device installed on the ship. Reliquefaction), etc. In addition, gas consumption can be calculated using the gas consumption of the propulsion engine, the gas consumption of the power generation engine, the gas consumption of the gas combustion device, and the gas consumption of the reliquefaction device.

단계 2814에서, 프로세서(110)는 제n+1차 중간 항해정보에 포함된 가스 소모량과 제n차 중간 항해정보에 포함된 가스 소모량의 차이를 계산한다. 또한, 프로세서(110)는 제n+1차 가스 소모량과 제n차 가스 소모량의 차이가 기 설정된 범위에 포함되는지 판단할 수 있다. 여기에서, 기 설정된 범위는 0에서 0.01 미만일 수 있다.In step 2814, the processor 110 calculates the difference between the gas consumption included in the n+1st intermediate navigation information and the gas consumption included in the nth intermediate navigation information. Additionally, the processor 110 may determine whether the difference between the n+1st gas consumption and the nth gas consumption is within a preset range. Here, the preset range may be from 0 to less than 0.01.

제n+1차 가스 소모량과 제n차 가스 소모량의 차이가 기 설정된 범위에 포함되지 않는 경우, 프로세서(110)는 단계 2812부터 다시 수행한다.If the difference between the n+1st gas consumption and the nth gas consumption is not within the preset range, the processor 110 performs again from step 2812.

단계 2815에서, 프로세서(110)는 제n+1차 중간 항해정보에 포함된 선박의 최적 속도를 이용하지 않으므로, 추천 항해정보에 포함된 날씨정보가 변경되지 않는다. 따라서, 프로세서(110)는 제n+2차 중간 항해정보를 획득할 때 추천 항해정보에 포함된 기 설정된 날씨정보를 이용한다.In step 2815, the processor 110 does not use the optimal speed of the ship included in the n+1 intermediate navigation information, so the weather information included in the recommended navigation information is not changed. Accordingly, the processor 110 uses preset weather information included in the recommended navigation information when acquiring the n+2nd intermediate navigation information.

프로세서(110)가 단계 2812를 다시 수행하는 경우, 제n+2차 중간 항해정보는 제n+1차 중간 항해정보에 포함된 적어도 하나의 파라미터의 갱신 값에 기초하여 생성될 수 있다. 예를 들어, 적어도 하나의 파라미터는, 가스 소모량일 수 있다. When the processor 110 performs step 2812 again, the n+2nd intermediate navigation information may be generated based on an update value of at least one parameter included in the n+1th intermediate navigation information. For example, the at least one parameter may be gas consumption.

예를 들어, 프로세서(110)가 단계 2812를 다시 수행할 때, 제n차 가스 소모량 대신 제n+1차 가스 소모량을 사용함으로써 선박의 BOG 발생량 예측 값이 변경될 수 있다. 또한, 선박의 BOG 발생량 예측 값이 변경됨으로써 중간 항해정보가 변경될 수 있다.For example, when the processor 110 performs step 2812 again, the predicted value of the BOG generation amount of the ship may be changed by using the n+1th gas consumption instead of the nth gas consumption. Additionally, the intermediate navigation information may change as the predicted value of the ship's BOG generation changes.

단계 2816에서, 제n+1차 가스 소모량과 제n차 가스 소모량의 차이가 기 설정된 범위에 포함되는 경우, 프로세서(110)는 제n+1차 중간 항해정보를 최적 항해정보로 확정할 수 있다. 여기에서, 최적 항해정보는 선박의 BOG 발생량 예측 값, 선박의 탱크압력 예측 값과 제n+1차 중간 항해정보에 포함된 선박의 가스 소모량, 선박의 최적 속도 및 선박에 설치된 장비의 사용량을 포함할 수 있다.In step 2816, if the difference between the n+1st gas consumption and the nth gas consumption is within a preset range, the processor 110 may determine the n+1st intermediate navigation information as optimal navigation information. . Here, the optimal navigation information includes the predicted value of the ship's BOG generation amount, the predicted value of the ship's tank pressure, the ship's gas consumption included in the n+1 intermediate navigation information, the ship's optimal speed, and the usage of equipment installed on the ship. can do.

예를 들어, 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하지 않는 경우, 프로세서(110)는 BOG 발생량, 탱크압력 값 및 추천 항해정보를 이용하여 최적 항해정보를 획득할 수 있고, 추천 항해정보는 선박의 운항에 따라 업데이트된 날씨정보를 포함할 수 있다.For example, when the speed for each navigation section included in the recommended navigation information is not used for the operation of the ship, the processor 110 can obtain optimal navigation information using the BOG generation amount, tank pressure value, and recommended navigation information. , Recommended navigation information may include weather information updated according to the operation of the ship.

이하, 도 28b를 참조하여, 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하지 않는 경우, 프로세서(110)가 최적 운항정보를 획득하는 일 예를 설명한다.Hereinafter, with reference to FIG. 28B, an example in which the processor 110 obtains optimal navigation information when the speed for each navigation section included in the recommended navigation information is not used to operate the vessel will be described.

도 28b는 일 실시예에 따른 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하지 않는 경우의 최적 항해정보를 획득하는 일 예를 설명하기 위한 흐름도이다.FIG. 28B is a flowchart illustrating an example of obtaining optimal navigation information when the speed for each navigation section included in recommended navigation information is not used in the operation of a ship according to an embodiment.

도 28b를 참조하면, 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하지 않는 경우(2820), 프로세서(110)는 추천 항해정보, 선박의 BOG 발생량 예측 값 및 선박의 탱크압력 예측 값을 이용하여 최적 항해정보를 획득할 수 있다.Referring to FIG. 28b, when the speed for each voyage section included in the recommended voyage information is not used for the operation of the ship (2820), the processor 110 predicts the recommended voyage information, the ship's BOG generation amount prediction value, and the ship's tank pressure. Optimal navigation information can be obtained using the values.

먼저, 단계 2821에서, 프로세서(110)는 추천 항해정보를 획득한다.First, in step 2821, the processor 110 obtains recommended navigation information.

여기에서, 추천 항해정보는 상술한 추천 항해정보를 그대로 포함할 수 있으며, 선박의 운항에 따라 업데이트된 날씨정보 등을 더 포함할 수 있다. 단계 2822에서, 프로세서(110)는 상술한 방법들로 선박의 BOG 발생량 및 선박의 탱크압력을 예측할 수 있다. 여기에서, BOG 발생량은 풍속, 파도의 높이, 너울의 높이 등 기상 상황에 따라서 달라질 수 있다. 따라서, BOG 발생량 예측 값 및 탱크압력 예측 값 역시 기상 상황에 따라 달라질 수 있다.Here, the recommended sailing information may include the above-mentioned recommended sailing information as is, and may further include weather information updated according to the operation of the ship. In step 2822, the processor 110 can predict the BOG generation amount of the ship and the tank pressure of the ship using the methods described above. Here, the amount of BOG generation may vary depending on weather conditions such as wind speed, wave height, and swell height. Therefore, the predicted value of BOG generation and tank pressure may also vary depending on weather conditions.

단계 2823에서, 프로세서(110)는 추천 항해정보, 선박의 BOG 발생량 예측 값 및 선박의 탱크압력 예측 값을 이용하여 중간 항해정보를 획득한다. 여기에서, 중간 항해정보는 항해 구간별 선박의 최적 속도, 선박의 가스 소모량 및 선박에 설치된 장비의 사용량을 포함할 수 있다. 여기에서, 장비는, 선박에 설치된 과냉각장치, 엔진 축발전기, 발전엔진, 추진엔진, 가스연소장치 및 재액화장치 등을 포함할 수 있다.In step 2823, the processor 110 obtains intermediate navigation information using the recommended navigation information, the predicted value of the vessel's BOG generation amount, and the predicted value of the vessel's tank pressure. Here, the intermediate navigation information may include the optimal speed of the vessel for each navigation section, the vessel's gas consumption, and the usage of equipment installed on the vessel. Here, the equipment may include a supercooling device installed on the ship, an engine shaft generator, a power generation engine, a propulsion engine, a gas combustion device, and a reliquefaction device.

단계 2824에서, 프로세서(110)는 제n+1차 중간 항해정보에 포함된 가스 소모량과 제n차 중간 항해정보에 포함된 가스 소모량의 차이를 계산한다. 또한, 프로세서(110)는 제n+1차 가스 소모량과 제n차 가스 소모량의 차이가 기 설정된 범위에 포함되는지 판단할 수 있다. 여기에서, 기 설정된 범위는 0에서 0.01 미만일 수 있다.In step 2824, the processor 110 calculates the difference between the gas consumption included in the n+1st intermediate navigation information and the gas consumption included in the nth intermediate navigation information. Additionally, the processor 110 may determine whether the difference between the n+1st gas consumption and the nth gas consumption is within a preset range. Here, the preset range may be from 0 to less than 0.01.

제n+1차 가스 소모량과 제n차 가스 소모량의 차이가 기 설정된 범위에 포함되지 않는 경우, 프로세서(110)는 단계 3021부터 다시 수행한다.If the difference between the n+1st gas consumption and the nth gas consumption is not within the preset range, the processor 110 performs again from step 3021.

프로세서(110)가 단계 2821를 다시 수행하는 경우, 제n+2차 중간 항해정보는 제n+1차 중간 항해정보에 포함된 적어도 하나의 파라미터의 갱신 값에 기초하여 생성될 수 있다. 일 예시로, 적어도 하나의 파라미터는, 가스 소모량일 수 있다. 다른 예시로, 적어도 하나의 파라미터는 항해 구간별 항해 구간별 최적 속도일 수 있다.When the processor 110 performs step 2821 again, the n+2nd intermediate navigation information may be generated based on an update value of at least one parameter included in the n+1st intermediate navigation information. As an example, at least one parameter may be gas consumption. As another example, at least one parameter may be the optimal speed for each navigation section.

단계 2825에서, 프로세서(110)는 제n+1차 중간 항해정보에 포함된 항해 구간별 선박의 최적 속도를 사용한다. 따라서, 제n+1차 중간 항해정보에 포함된 선박의 최적 속도와 추천 항해정보에 포함된 항해 구간별 선박의 속도가 다를 수 있다. 선박의 속도가 달라지는 경우, 시간에 따른 선박의 위도 및 경도가 달라질 수 있다. 따라서, 날씨정보 역시 추천 항해정보에 포함된 날씨정보와 다를 수 있다. 또한, 날씨정보가 달라지면 선박의 BOG 발생량 및 선박의 탱크압력이 변경될 수 있다.In step 2825, the processor 110 uses the optimal speed of the ship for each navigation section included in the n+1 intermediate navigation information. Therefore, the optimal speed of the ship included in the n+1 intermediate navigation information and the speed of the ship for each navigation section included in the recommended navigation information may be different. If the speed of the ship changes, the latitude and longitude of the ship may change over time. Therefore, the weather information may also be different from the weather information included in the recommended navigation information. Additionally, if weather information changes, the amount of BOG generated by the ship and the tank pressure of the ship may change.

예를 들어, 단계 2825에서, 프로세서(110)는 제n+1차 중간 항해정보에 포함된 선박의 최적 속도를 이용하여 날씨정보를 업데이트한다. 또한, 프로세서(110)는 단계 2822를 다시 수행할 때 업데이트된 날씨정보를 사용한다.For example, in step 2825, the processor 110 updates weather information using the optimal speed of the ship included in the n+1st intermediate navigation information. Additionally, the processor 110 uses the updated weather information when performing step 2822 again.

예를 들어, 프로세서(110)가 단계 2822를 다시 수행할 때, 제n차 가스 소모량 대신 제n+1차 가스 소모량을 사용함으로써 선박의 BOG 발생량 예측 값이 변경될 수 있다. 따라서, 선박의 BOG 발생량 예측 값이 변경됨으로써 중간 항해정보가 변경될 수 있다. 또한, 프로세서(110)가 단계 2822를 다시 수행할 때, 추천 항해정보에 포함된 날씨정보 대신 업데이트된 날씨정보를 사용함으로써 선박의 탱크압력 값이 변경될 수 있고, 선박의 탱크압력 값이 변경됨으로써 중간 항해정보가 변경될 수 있다.For example, when the processor 110 performs step 2822 again, the predicted value of the BOG generation amount of the ship may be changed by using the n+1th gas consumption instead of the nth gas consumption. Accordingly, the intermediate navigation information may be changed as the predicted value of the ship's BOG generation amount changes. In addition, when the processor 110 performs step 2822 again, the tank pressure value of the ship may be changed by using the updated weather information instead of the weather information included in the recommended navigation information, and the tank pressure value of the ship may be changed by changing the Mid-voyage information may change.

단계 2826에서, 제n+1차 가스 소모량과 제n차 가스 소모량의 차이가 기 설정된 범위에 포함되는 경우, 프로세서(110)는 제n+1차 중간 항해정보를 최적 항해정보로 확정할 수 있다. 여기에서, 최적 항해정보는 선박의 BOG 발생량 예측 값, 선박의 탱크압력 예측 값과 제n+1차 중간 항해정보에 포함된 선박의 가스 소모량, 선박의 최적 속도 및 선박에 설치된 장비의 사용량을 포함할 수 있다.In step 2826, if the difference between the n+1st gas consumption and the nth gas consumption is within a preset range, the processor 110 may determine the n+1st intermediate navigation information as optimal navigation information. . Here, the optimal navigation information includes the predicted value of the ship's BOG generation amount, the predicted value of the ship's tank pressure, the ship's gas consumption included in the n+1 intermediate navigation information, the ship's optimal speed, and the usage of equipment installed on the ship. can do.

다시 도 26을 참조하면, 단계 2620에서 프로세서(110)는 선박의 제약조건(Constraint)을 고려하여 최적 항해정보를 업데이트 할 수 있다. 여기에서, 제약조건은, 질량, 에너지, 전력량, 장비의 최대/최소 액화가스 소모량, 장비의 효율, 추진엔진(Main Engine)의 효율, 발전엔진(Generator Engine)의 효율, 축발전기의 효율, 탱크의 압력, 상기 선박의 최고/최저 속도 및 상기 선박의 평균 속도 사이의 관계 중 적어도 하나에 기초하여 설정될 수 있다.Referring again to FIG. 26, in step 2620, the processor 110 may update optimal navigation information by considering the ship's constraints. Here, the constraints are mass, energy, power, maximum/minimum liquefied gas consumption of the equipment, efficiency of the equipment, efficiency of the main engine, efficiency of the generator engine, efficiency of the shaft generator, and tank. It can be set based on at least one of the relationship between the pressure, the maximum/minimum speed of the ship, and the average speed of the ship.

다시 말해, 제약조건은, 질량조건, 에너지조건, 전력량조건, 장비의 최대/최소 액화가스 소모량조건, 장비의 효율조건, 추진엔진(Main Engine)의 효율조건, 발전엔진(Generator Engine)의 효율조건, 축발전기의 효율조건, 탱크의 압력조건, 선박의 최고/최저 속도조건 및 선박의 평균 속도조건 등을 포함할 수 있으며, 이하 각 제약조건에 대하여 구체적으로 설명한다.In other words, the constraints are mass conditions, energy conditions, power quantity conditions, maximum/minimum liquefied gas consumption conditions of equipment, efficiency conditions of equipment, efficiency conditions of the propulsion engine (Main Engine), and efficiency conditions of the generator engine. , efficiency conditions of the shaft generator, pressure conditions of the tank, maximum/minimum speed conditions of the ship, and average speed conditions of the ship, etc., and each constraint condition is described in detail below.

예를 들어, 질량조건은 선박에 설치된 장비에서 소모되는 BOG의 질량에 기초하여 설정될 수 있다. 여기에서, 소모되는 BOG의 질량은, 추진엔진(Main engine)과 발전엔진(Generator engine)에서 사용되는 BOG의 질량, 가스연소장치(Gas combustion unit)에서 배출되는 BOG의 질량 및 재액화장치(Reliquefaction)에서 재액화되는 BOG의 질량 사이의 관계를 고려하여 산출될 수 있다.For example, the mass condition can be set based on the mass of BOG consumed by equipment installed on the ship. Here, the mass of BOG consumed is the mass of BOG used in the main engine and generator engine, the mass of BOG discharged from the gas combustion unit, and the reliquefaction unit. ) can be calculated by considering the relationship between the mass of BOG reliquefied.

예를 들어, 에너지조건은 선박의 항해 구간별 탱크 압력 변화량의 차이 값에 기초하여 설정될 수 있다. 여기에서, 선박의 항해 구간별 탱크 압력 변화량의 차이 값은 항해 구간별 BOG 발생량, 탱크로 반환되는 BOG의 양, 탱크로 반환되는 액화가스의 양 및 선박에 설치된 장비의 BOG 소모량 사이의 관계를 고려하여 산출될 수 있다.For example, the energy condition may be set based on the difference in tank pressure change for each voyage section of the ship. Here, the difference in tank pressure change by voyage section of the ship considers the relationship between the amount of BOG generated by each voyage section, the amount of BOG returned to the tank, the amount of liquefied gas returned to the tank, and the BOG consumption of equipment installed on the ship. It can be calculated as follows.

예를 들어, 전력량조건은 선박에 설치된 장비의 전력량에 기초하여 설정될 수 있다. 여기에서 선박에 설치된 장비의 전력량은 압축기(Compressor), 가스연소장치, 재액화장치, 과냉각기(Subcooler) 및 가스연료펌프(Fuel gas pump) 각각의 사용량 사이의 관계를 고려하여 산출될 수 있다.For example, the power quantity condition may be set based on the power amount of equipment installed on the ship. Here, the amount of power of the equipment installed on the ship can be calculated by considering the relationship between the usage of each compressor, gas combustion device, reliquefaction device, subcooler, and fuel gas pump.

예를 들어, 장비의 최대/최소 액화가스 소모량조건은 턴다운비율(Turndown ratio)에 기초하여 설정될 수 있다. 각 장비에서 요구되는 액화가스 소모량이 장비의 최소 액화가스 소모량조건보다 큰 경우에는, 장비는 최소 액화가스 소모량으로 동작한다.For example, the maximum/minimum liquefied gas consumption conditions of the equipment can be set based on the turndown ratio. If the liquefied gas consumption required for each equipment is greater than the minimum liquefied gas consumption condition of the equipment, the equipment operates with the minimum liquefied gas consumption.

예를 들어, 장비의 효율조건은 각 장비에서 사용되는 액화가스 사용량에 따른 장비의 전력 변화량에 기초하여 설정될 수 있다. 여기에서, 장비의 효율은, 장비에서 사용되는 액화가스 사용량 대비 장비의 성능을 의미한다. 일 예시로, 압축기의 성능은 압축 목표 압력을 의미할 수 있다. 다른 예시로, 재액화장치의 성능은 재액화 목표 온도를 의미할 수 있다.For example, the efficiency conditions of equipment can be set based on the amount of change in power of the equipment according to the amount of liquefied gas used in each equipment. Here, the efficiency of the equipment refers to the performance of the equipment compared to the amount of liquefied gas used in the equipment. As an example, the performance of a compressor may refer to a compression target pressure. As another example, the performance of a reliquefaction device may refer to the target reliquefaction temperature.

예를 들어, 추진엔진의 효율조건은 선박의 속도와 필요한 액화가스 연료의 양에 기초하여 설정될 수 있다. 여기에서, 선박의 속도는 최적 항해정보에 포함된 항해 구간별 최적 속도일 수 있다. 또한, 필요한 액화가스 연료는 LNG 가스 또는 BOG일 수 있다.For example, the efficiency conditions of the propulsion engine can be set based on the speed of the ship and the amount of liquefied gas fuel required. Here, the speed of the ship may be the optimal speed for each navigation section included in the optimal navigation information. Additionally, the required liquefied gas fuel may be LNG gas or BOG.

예를 들어, 발전엔진의 효율조건은 선박에 설치된 장비의 전력량과 선박의 기본 소모 전력에 기초하여 설정될 수 있다. 여기에서, 선박에 설치된 장비의 전력량은 모든 장비의 전력량을 합산한 것일 수 있다. 또한, 선박의 기본 소모 전력은 선박에서 기본적으로 사용되는 전력을 의미할 수 있다.For example, the efficiency conditions of the power generation engine may be set based on the amount of power of equipment installed on the ship and the basic power consumption of the ship. Here, the power amount of the equipment installed on the ship may be the sum of the power amounts of all equipment. Additionally, the basic power consumption of a ship may refer to the power basically used in the ship.

예를 들어, 축발전기의 효율조건은 추진엔진의 회전속도에 따른 축발전기의 전기 발전량에 기초하여 설정될 수 있다. 여기에서, 축발전기의 전기 발전량과 발전엔진의 전기 발전량의 합은 선박의 총 전기 발전량이 될 수 있다.For example, the efficiency conditions of the shaft generator may be set based on the amount of electricity generated by the shaft generator according to the rotational speed of the propulsion engine. Here, the sum of the electric generation amount of the shaft generator and the electric generation amount of the power generation engine may be the total electric generation amount of the ship.

예를 들어, 탱크의 압력조건은 탱크압력의 최대값과 최소값에 기초하여 설정될 수 있다. 여기에서, 탱크의 압력은 만선항해(Laden voyage)와 공선항해(Ballast voyage)에서의 탱크의 압력을 각각 다른 방법으로 획득할 수 있다.For example, the pressure condition of the tank can be set based on the maximum and minimum values of the tank pressure. Here, the tank pressure in Laden voyage and Ballast voyage can be obtained in different ways.

예를 들어, 선박의 최고/최저 속도조건은 엔진의 성능에 기초하여 설정될 수 있다. 여기에서, 최저 속도 이하로 항해하는 경우는 속도가 0으로써 선박은 정지한다.For example, the ship's maximum/minimum speed conditions can be set based on engine performance. Here, when sailing below the minimum speed, the speed is 0 and the ship stops.

예를 들어, 선박의 평균 속도조건은 선박의 항해 구간별 속도에 기초하여 설정될 수 있다. 일 예시로, 선박의 운항에 추천 항해정보에 포함된 항해 구간별 속도를 이용하는 경우에는 각 구간별 속도들의 평균이 전체 운항시간과 전체 운항거리로부터 산출된 총 평균속도와 동일할 수 있다. 다른 예시로, 선박의 운항에 최적 항해정보에 포함된 항해 구간별 속도를 이용하는 경우에도 각 구간별 속도들의 평균이 전체 운항시간과 전체 운항거리로부터 산출된 총 평균속도와 동일할 수 있다.For example, the average speed condition of a ship may be set based on the speed of each navigation section of the ship. As an example, when the speed for each navigation section included in the recommended navigation information is used to operate a ship, the average of the speeds for each section may be equal to the total average speed calculated from the entire navigation time and the entire navigation distance. As another example, even when the speed for each navigation section included in the optimal navigation information is used for the operation of a ship, the average of the speeds for each section may be the same as the total average speed calculated from the entire navigation time and the entire navigation distance.

따라서, 프로세서(110)는 상술한 각 제약조건을 고려하여, 각 제약조건을 만족하는 최적 항해정보를 업데이트 할 수 있다.Accordingly, the processor 110 can consider each of the above-described constraints and update optimal navigation information that satisfies each constraint.

다시 도 26을 참조하면, 단계 2630에서 프로세서(110)는 업데이트된 최적 항해정보를 이용하여 선박의 동작을 제어할 수 있다.Referring again to FIG. 26, in step 2630, the processor 110 can control the operation of the ship using the updated optimal navigation information.

예를 들어, 프로세서(110)는 최적 항해정보를 이용하여 설정된 운전방식으로 선박을 제어할 수 있다. 여기에서, 운전방식은 선박의 가스 소모량을 최소화하는 운전방식을 포함할 수 있다.For example, the processor 110 may control the ship using a set operation method using optimal navigation information. Here, the operation method may include an operation method that minimizes gas consumption of the ship.

예를 들어, 프로세서(110)가 최적 항해정보를 이용하여 선박의 동작을 제어하는 경우, 선박의 가스 소모량은 최소화될 수 있다. 다시 말해, 프로세서(110)는 선박의 가스 소모량을 최소화하는 운전방식으로 선박을 제어할 수 있다.For example, when the processor 110 controls the operation of a ship using optimal navigation information, the ship's gas consumption can be minimized. In other words, the processor 110 can control the ship in an operation method that minimizes the ship's gas consumption.

따라서, 프로세서(110)는 제약조건을 고려하여 업데이트되는 최적 항해정보를 이용하여 선박의 가스 소모량을 최소화하는 운전방식으로 선박을 제어할 수 있다.Accordingly, the processor 110 can control the ship in an operation method that minimizes the ship's gas consumption by using optimal navigation information that is updated in consideration of constraints.

도 29는 일 실시예에 따른 선박의 운항을 제어하는 시스템의 일 예를 설명하기 위한 도면이다.Figure 29 is a diagram for explaining an example of a system for controlling the operation of a ship according to an embodiment.

선박(3220)은 사용자 단말(3210) 및 서버(3240)를 포함할 수 있다. 예를 들어, 사용자 단말(3210)과 서버(3240)는 유선 또는 무선 통신 방식으로 연결되어 상호 간에 데이터(예를 들어, 운항 정보)를 송수신할 수 있다.The ship 3220 may include a user terminal 3210 and a server 3240. For example, the user terminal 3210 and the server 3240 may be connected through wired or wireless communication to transmit and receive data (eg, navigation information) between them.

설명의 편의를 위하여, 도 29에는 시스템(3200)이 사용자 단말(3210) 및 서버(3240)를 포함하는 것으로 도시하였으나, 이에 한정되지 않는다. 예를 들어, 시스템(3200)에는 다른 외부 디바이스(미도시)가 포함될 수 있으며, 이하에서 설명될 사용자 단말(3210) 및 서버(3240)의 동작이 단일 디바이스(예를 들어, 사용자 단말(3210) 또는 서버(3240)) 또는 보다 많은 디바이스들에 의하여 구현될 수도 있다.For convenience of explanation, the system 3200 is shown in FIG. 29 as including a user terminal 3210 and a server 3240, but the system 3200 is not limited thereto. For example, the system 3200 may include other external devices (not shown), and the operations of the user terminal 3210 and the server 3240, which will be described below, may be performed using a single device (e.g., the user terminal 3210). Alternatively, it may be implemented by a server 3240) or more devices.

사용자 단말(3210)은 디스플레이 장치 및/또는 사용자 입력을 수신하는 장치(예를 들어, 키보드, 마우스 등)를 구비하고, 메모리와 프로세서를 포함하는 컴퓨팅 장치일 수 있다. 예를 들어, 사용자 단말(3210)은 노트북(notebook) PC, 데스크탑(desktop) PC, 랩탑(laptop), 테블릿 컴퓨터(tablet computer), 스마트 폰 등이 해당될 수 있으나, 이에 한정되지 않는다.The user terminal 3210 may be a computing device that includes a display device and/or a device that receives user input (eg, a keyboard, a mouse, etc.) and includes memory and a processor. For example, the user terminal 3210 may include a laptop PC, desktop PC, laptop, tablet computer, smart phone, etc., but is not limited thereto.

서버(3240)는, 사용자 단말(3210)을 포함하는 외부 디바이스(미도시)와 서로 간에 통신하거나, 다른 디바이스와 통신할 수 있는 통신 모듈을 포함할 수 있다. 통신 모듈은 네트워크를 통해 사용자 단말(3210)을 포함하는 외부 디바이스(미도시)와 통신할 수 있다. 예를 들어, 네트워크는 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및/또는 이들의 상호 조합을 포함할 수 있다. 네트워크는 도 29에 도시된 각 구성들이 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 통신망 또는 무선 통신망을 포함할 수 있다. 일 예로서, 서버(3240)는 사용자 단말(3210)로 기 설정된 운항 정보 및 기 설정된 항로 정보(3250)를 전송할 수 있다. 또는, 서버(3240)는 메모리와 프로세서를 포함하고, 자체적인 연산 능력을 갖춘 컴퓨팅 장치일 수 있다. 예를 들어, 서버(3240)는 운항 정보 및 항로 정보(3250)를 포함하여 다양한 데이터를 저장할 수 있다.The server 3240 may include a communication module capable of communicating with external devices (not shown) including the user terminal 3210 or with other devices. The communication module may communicate with an external device (not shown) including the user terminal 3210 through a network. For example, the network may include a Value Added Network (VAN), a mobile radio communication network, a satellite communication network, and/or a combination thereof. The network is a comprehensive data communication network that allows each component shown in FIG. 29 to communicate smoothly with each other, and may include a wired communication network or a wireless communication network. As an example, the server 3240 may transmit preset navigation information and preset route information 3250 to the user terminal 3210. Alternatively, the server 3240 may be a computing device that includes memory and a processor and has its own computing capabilities. For example, the server 3240 may store various data including flight information and route information 3250.

종래에는, 선박(3220)의 운전자는 통합 제어 장치인 IAS(Integrated Automation System)를 기반으로 탱크(3230)의 압력 및 탱크(3230)에서 증발된 액화가스량 등을 제어하였다. 그러나, IAS는 운항 과정에서의 기상 변화에 따른 탱크(3230)의 압력 변화 및 탱크(3230)에서 증발된 액화가스량 변화를 정확하게 예측하지 못하였다. 이로 인해, 선박(3220)의 운전자는 탱크(3230)의 압력을 제어하기 위해 증발 가스의 사용량을 판단하는 과정을 선박(3220)의 운항동안 반복하여 수행하였다. 이는, 선박(3220)의 비경제적인 운항을 야기하였다.Conventionally, the driver of the ship 3220 controlled the pressure of the tank 3230 and the amount of liquefied gas evaporated from the tank 3230 based on an integrated automation system (IAS), an integrated control device. However, IAS was unable to accurately predict the change in pressure of the tank 3230 and the change in the amount of liquefied gas evaporated from the tank 3230 due to weather changes during the operation. For this reason, the driver of the ship 3220 repeatedly performed the process of determining the amount of boil-off gas used to control the pressure of the tank 3230 while operating the ship 3220. This resulted in uneconomical operation of the ship 3220.

일 실시예에 따른 사용자 단말(3210)은 선박(3220)의 운항 제어를 위한 적어도 하나의 예측값 및 선박(3220)의 경제 운항 지표(3260)를 산출할 수 있다. 또한, 사용자 단말(3210)은 선박(3220)의 운항에 따라 실시간으로 측정된 측정값을 획득하여, 예측값 및 경제 운항 지표(3260)와 측정값을 비교할 수 있다.The user terminal 3210 according to one embodiment may calculate at least one predicted value for controlling the operation of the ship 3220 and an economic operation index 3260 of the ship 3220. Additionally, the user terminal 3210 can acquire measured values in real time according to the operation of the ship 3220 and compare the measured values with the predicted value and the economic operation index 3260.

이에 따라, 사용자 단말(3210)은 측정값을 예측값 및 경제 운항 지표(3260)와 비교한 결과를 이용하여 선박(3220)을 제어하기에, 운전자의 판단을 최소화할 수 있다. 이로써, 운전자에게 과도한 판단을 요구함으로써 야기되는 비경제적인 운항이라는 문제점을 해결할 수 있다. 또한, 운전자는 IAS를 이용하지 않더라도, 경제적인 운항이 진행되고 있는지 운항 도중에 확인할 수 있다.Accordingly, the user terminal 3210 controls the ship 3220 using the result of comparing the measured value with the predicted value and the economic operation index 3260, thereby minimizing the driver's judgment. This can solve the problem of uneconomical operation caused by requiring excessive judgment from the driver. Additionally, even if the driver does not use IAS, he or she can check during the flight whether economical operation is in progress.

선박(3220)은 탱크(3230)를 포함할 수 있다. 또한, 도착 장소(3280)의 내부에는 탱크(3290)가 위치할 수 있다. 따라서, 선박(3220)이 운항하는 경우, 탱크(3230)는 해상에 위치하고, 탱크(3290)는 육상에 위치할 수 있다. 예를 들어, 탱크(3230) 및 탱크(3290)는 이중 벽 구조를 가질 수 있으며, 내부 탱크와 외부 탱크로 구성될 수 있다. 내부 탱크는 액화가스를 보관하는 공간이다. 외부 탱크는 내부 탱크를 둘러 쌓고 있으며, 액화가스의 보온의 역할을 한다.Vessel 3220 may include tank 3230. Additionally, a tank 3290 may be located inside the arrival location 3280. Accordingly, when the ship 3220 is sailing, the tank 3230 may be located at sea and the tank 3290 may be located on land. For example, the tank 3230 and tank 3290 may have a double wall structure and may be composed of an inner tank and an outer tank. The internal tank is a space for storing liquefied gas. The external tank surrounds the internal tank and serves to insulate the liquefied gas.

선박(3220)은 기 설정된 항로(3270)를 통해 도착 장소(3280)로 이동한다. 항로(3270)를 설정하는 구체적인 방법은 도 33에서 후술한다.The ship 3220 moves to the arrival location 3280 through a preset route 3270. A specific method of setting the route 3270 will be described later with reference to FIG. 33.

이하, 도 2 및 도 30 내지 도 36을 참조하여, 사용자 단말(3210)이 동작하는 예를 설명한다.Hereinafter, an example of operation of the user terminal 3210 will be described with reference to FIGS. 2 and 30 to 36.

다시 도 2를 참조하면, 도 2의 사용자 단말(100)은 도 29의 사용자 단말(3210)과 동일한 장치일 수 있다.Referring again to FIG. 2, the user terminal 100 of FIG. 2 may be the same device as the user terminal 3210 of FIG. 29.

프로세서(110)는 서버(3240)로부터 선박(3220)의 기 설정된 운항 정보 및 기 설정된 항로 정보(3250)를 획득할 수 있다. 예를 들어, 프로세서(110)는 서버(3240)로부터 도착 장소 도착 시의 탱크(3230)의 압력, 선박(3220)의 입출항 정보, 총 운항 거리, 총 운항 시간, 평균 속도 및 기상 정보를 획득할 수 있다. 또한, 프로세서(110)는 기 설정된 적어도 하나의 시점에 대한 선박(3220)의 위도, 경도 및 속도를 획득할 수 있다.The processor 110 may obtain preset navigation information and preset route information 3250 of the ship 3220 from the server 3240. For example, the processor 110 may obtain the pressure of the tank 3230 upon arrival at the arrival location, the arrival/departure information of the ship 3220, the total navigation distance, the total navigation time, average speed, and weather information from the server 3240. You can. Additionally, the processor 110 may obtain the latitude, longitude, and speed of the ship 3220 for at least one preset time point.

그리고, 프로세서(110)는 운항 정보 및 항로 정보(3250)를 이용하여 선박(3220)의 운항 제어를 위한 적어도 하나의 예측값을 산출할 수 있다. 예를 들어, 프로세서(110)는 탱크(3230) 내부의 압력 예측값, 탱크(3230)에서 증발된 액화가스량의 예측값, 탱크(3230)에서 펌프로 승압된 액화가스가 기화기로부터 선박(3220) 내부의 장치에 공급되는 유량의 예측값 및 탱크(3230)에서 증발된 액화가스가 압축기로부터 선박(3220) 내부의 장치에 공급되는 유량의 예측값 중 적어도 하나의 예측값을 산출할 수 있다.Additionally, the processor 110 may calculate at least one predicted value for controlling the operation of the ship 3220 using the navigation information and route information 3250. For example, the processor 110 includes the predicted value of the pressure inside the tank 3230, the predicted value of the amount of liquefied gas evaporated from the tank 3230, and the liquefied gas pressurized by the pump in the tank 3230 from the vaporizer to the inside of the ship 3220. At least one predicted value may be calculated among the predicted value of the flow rate supplied to the device and the predicted value of the flow rate supplied from the compressor of the liquefied gas evaporated in the tank 3230 to the device inside the ship 3220.

그리고, 프로세서(110)는 예측값을 선박(3220)의 운항에 따라 실시간으로 획득된 측정값과 비교하여 선박(3220)을 제어할 수 있다.In addition, the processor 110 may control the ship 3220 by comparing the predicted value with the measured value obtained in real time according to the operation of the ship 3220.

한편, 도 2에는 도시되지 않았으나, 사용자 단말(100)은 디스플레이 장치를 더 포함할 수 있다. 또는, 사용자 단말(100)은 독립적인 디스플레이 장치와 유선 또는 무선 통신 방식으로 연결되어 상호 간에 데이터를 송수신할 수 있다. 예를 들어, 디스플레이 장치를 통하여 예측값을 측정값과 비교한 결과 등이 사용자에게 제공될 수 있다.Meanwhile, although not shown in FIG. 2, the user terminal 100 may further include a display device. Alternatively, the user terminal 100 may be connected to an independent display device through wired or wireless communication to transmit and receive data between them. For example, results of comparing predicted values with measured values may be provided to the user through a display device.

도 30은 일 실시예에 따른 서버의 일 예를 도시한 구성도이다.Figure 30 is a configuration diagram illustrating an example of a server according to an embodiment.

서버(3300)는 프로세서(3310), 메모리(3320) 및 통신 모듈(3330)을 포함한다. 설명의 편의를 위하여, 도 30에는 본 발명과 관련된 구성요소들만이 도시되어 있다. 따라서, 도 30에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 서버(3300)에 더 포함될 수 있다. 또한, 도 30에 도시된 프로세서(3310), 메모리(3320) 및 통신 모듈(3330)은 독립된 장치로 구현될 수도 있음은 본 발명과 관련된 기술 분야에서의 통상의 지식을 가진 자에게 자명하다. 또한, 도 30의 서버(3300)는 도 29의 서버(3240)와 동일한 장치일 수 있다.The server 3300 includes a processor 3310, memory 3320, and communication module 3330. For convenience of explanation, only components related to the present invention are shown in FIG. 30. Accordingly, in addition to the components shown in FIG. 30, other general-purpose components may be further included in the server 3300. Additionally, it is obvious to those skilled in the art that the processor 3310, memory 3320, and communication module 3330 shown in FIG. 30 may be implemented as independent devices. Additionally, the server 3300 of FIG. 30 may be the same device as the server 3240 of FIG. 29.

프로세서(3310)는 운항 정보를 이용하여 항로 정보를 설정할 수 있다. 또한, 프로세서(3310)는 운항 정보 및 항로 정보 등을 사용자 단말(3210)에 전송할 수 있다.The processor 3310 can set route information using flight information. Additionally, the processor 3310 may transmit navigation information and route information to the user terminal 3210.

메모리(3320)에는 운항 정보 및 항로 정보(3250) 등이 저장될 수 있다. 또한, 메모리(3320)에는 운영체제(OS)와 적어도 하나의 프로그램(예를 들어, 프로세서(3310)가 동작하는데 필요한 프로그램 등)이 저장될 수 있다.The memory 3320 may store navigation information and route information 3250. Additionally, the memory 3320 may store an operating system (OS) and at least one program (eg, a program necessary for the processor 3310 to operate, etc.).

통신 모듈(3330)은 네트워크를 통해 서버(3300)와 사용자 단말(3210)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있다. 또한, 통신 모듈(3330)은 서버(3300)가 다른 외부 디바이스와 통신하기 위한 구성 또는 기능을 제공할 수 있다. 예를 들어, 프로세서(3310)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(3330)과 네트워크를 거쳐 사용자 단말(3210) 및/또는 외부 디바이스로 전송될 수 있다.The communication module 3330 may provide a configuration or function for the server 3300 and the user terminal 3210 to communicate with each other through a network. Additionally, the communication module 3330 may provide a configuration or function for the server 3300 to communicate with other external devices. For example, control signals, commands, data, etc. provided under control of the processor 3310 may be transmitted to the user terminal 3210 and/or an external device through the communication module 3330 and the network.

도 31은 일 실시예에 따른 선박의 운항을 제어하는 방법의 일 예를 설명하기 위한 흐름도이다.Figure 31 is a flowchart for explaining an example of a method for controlling the operation of a ship according to an embodiment.

선박(3220)의 운항을 제어하는 방법은 도 2 및 도 32에 도시된 사용자 단말(3210, 100) 또는 프로세서(110)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 2 및 도 29에 도시된 사용자 단말(100, 3210) 또는 프로세서(110)에 관하여 이상에서 기술된 내용은 도 29의 선박(3220)의 운항을 제어하는 방법에도 적용될 수 있다.The method of controlling the operation of the ship 3220 consists of steps processed in time series by the user terminals 3210 and 100 or the processor 110 shown in FIGS. 2 and 32. Therefore, even if the content is omitted below, the content described above regarding the user terminals 100 and 3210 or the processor 110 shown in FIGS. 2 and 29 is a method of controlling the operation of the ship 3220 of FIG. 29. It can also be applied.

3410 단계에서, 프로세서(110)는 선박(3220)의 기 설정된 운항 정보를 서버(3240)로부터 획득한다. In step 3410, the processor 110 obtains preset navigation information of the ship 3220 from the server 3240.

예를 들어, 운항 정보에는 선박(3220)의 입출항 정보, 총 운항 거리, 총 운항 시간 평균 속도 및 기상 정보가 포함될 수 있다. 또한, 운항 정보는 선박(3220)이 도착 장소에 도착이 예정된 시점에서의 선박(3220)에 포함된 탱크(3230)의 압력을 포함할 수 있다. 도착이 예정된 시점에서의 탱크(3230)의 압력은 도착 장소에 마련된 탱크(3290) 압력 및 기 설정된 압력 중 어느 하나에 대응될 수 있다.For example, the navigation information may include arrival and departure information of the ship 3220, total navigation distance, average speed of the total navigation time, and weather information. Additionally, the navigation information may include the pressure of the tank 3230 included in the ship 3220 at the time the ship 3220 is scheduled to arrive at the destination. The pressure of the tank 3230 at the time of scheduled arrival may correspond to either the pressure of the tank 3290 provided at the arrival location or a preset pressure.

3420 단계에서, 프로세서(110)는 운항 정보를 이용하여 설정된 선박(3220)의 항로 정보를 서버(3240)로부터 획득한다.In step 3420, the processor 110 obtains route information of the ship 3220 set using the navigation information from the server 3240.

예를 들어, 항로 정보에는 기 설정된 적어도 하나의 시점에 대한 선박(3220)의 위도, 경도 및 속도 중 적어도 하나가 포함될 수 있다.For example, the route information may include at least one of the latitude, longitude, and speed of the ship 3220 for at least one preset time point.

이하, 도 32 내지 도 33을 참조하여, 운항 정보 및 항로 정보에 대해 구체적으로 설명한다.Hereinafter, with reference to FIGS. 32 and 33, navigation information and route information will be described in detail.

도 32는 일 실시예에 따른 선박의 기 설정된 운항 정보가 디스플레이되는 화면의 일 예를 도시한 도면이다.Figure 32 is a diagram illustrating an example of a screen on which preset navigation information of a ship is displayed according to an embodiment.

도 32에는 다양한 운항 정보가 출력된 화면(3510)의 일 예가 도시되어 있다. 구체적으로, 화면(3510)의 영역들(3511, 3512, 3513, 3514)에는 다양한 운항 정보가 구분되어 표시될 수 있다. 그러나, 화면(3510)의 레이아웃 및 운항 정보의 출력 영역은 도 32에 도시된 예에 한정되지 않는다.Figure 32 shows an example of a screen 3510 on which various flight information is displayed. Specifically, various flight information may be displayed separately in the areas 3511, 3512, 3513, and 3514 of the screen 3510. However, the layout of the screen 3510 and the output area of flight information are not limited to the example shown in FIG. 32.

영역(3511)에는 선박(3220)이 출발할 장소의 명칭, 선박(3220)의 출항 시간 및 출발 장소 내부의 액화가스 화물 탱크의 압력이 표시될 수 있다. 예를 들어, 탱크(3230)의 출발 시의 압력은 출발 장소 내부의 액화가스 화물 탱크의 압력과 대응될 수 있다.The area 3511 may display the name of the place from which the ship 3220 will depart, the departure time of the ship 3220, and the pressure of the liquefied gas cargo tank inside the departure place. For example, the pressure at the time of departure of the tank 3230 may correspond to the pressure of the liquefied gas cargo tank inside the departure location.

또한, 영역(3512)에는 선박(3220)의 총 운항 거리, 총 운항 시간 및 평균 속도가 표시될 수 있다. 예를 들어, 총 운항거리는 선박(3220)이 출발 장소에서 출항한 시점부터 도착 장소(3280)에 도착한 시점까지 이동한 거리로 산출될 수 있다. 또한, 총 운항 시간은 선박(3220)이 출발 장소에서 출항한 시점부터 도착 장소(3280)에 도착한 시점까지 소요된 시간으로 산출될 수 있다. 또한, 평균 속도는 총 운항 거리를 총 운항 시간으로 나누어 산출될 수 있다. Additionally, the area 3512 may display the total navigation distance, total navigation time, and average speed of the vessel 3220. For example, the total operating distance can be calculated as the distance traveled by the ship 3220 from the time it departs from the departure location to the time it arrives at the arrival location 3280. Additionally, the total navigation time can be calculated as the time taken from the time the ship 3220 departs from the departure location to the time it arrives at the arrival location 3280. Additionally, the average speed can be calculated by dividing the total navigation distance by the total navigation time.

또한, 영역(3513)에는 선박(3220)의 도착 장소의 명칭, 선박(3220)의 도착 장소에 도착할 시간 및 탱크(3290)의 압력이 표시될 수 있다. 예를 들어, 탱크(3230)의 도착 시의 압력은, 탱크(3290)의 압력 및 기 설정된 압력 중 어느 하나와 대응될 수 있다.Additionally, the area 3513 may display the name of the arrival location of the vessel 3220, the arrival time at the arrival location of the vessel 3220, and the pressure of the tank 3290. For example, the pressure upon arrival of the tank 3230 may correspond to either the pressure of the tank 3290 or a preset pressure.

그러나, 운항 정보는 탱크(3290)의 압력을 포함하지 않을 수 있다. 이 경우에, 프로세서(110)는 탱크(3290)의 압력을 소정의 값(예를 들어, 100mbarg) 가정하여 예측값을 산출할 수 있다. However, the navigation information may not include the pressure of tank 3290. In this case, the processor 110 may calculate the predicted value by assuming the pressure of the tank 3290 to be a predetermined value (eg, 100 mbarg).

또한, 영역(3514)에는 총 운항 거리 대비 실시간으로 획득한 선박(3220)의 출항 시부터 측정 시까지의 운항 거리를 백분율로 나타낸 정보가 표시될 수 있다.Additionally, the area 3514 may display information expressing the operating distance as a percentage from the time of departure of the ship 3220 to the time of measurement, obtained in real time, compared to the total operating distance.

또한, 도 32에는 도시되지 않았으나, 운항 정보에는 기상 정보가 포함될 수 있다. 예를 들어, 기상 정보는 선박(3220)이 출발 장소에서 출항한 시점부터 도착 장소(3280)에 도착한 시점까지의 항로(3270)의 기상 정보를 의미할 수 있다. 또한, 기상 정보는 기압, 기온 및 파고 등을 포함할 수 있다.Additionally, although not shown in FIG. 32, weather information may be included in the navigation information. For example, the weather information may mean weather information on the route 3270 from the time the ship 3220 departs from the departure location to the time it arrives at the arrival location 3280. Additionally, weather information may include atmospheric pressure, temperature, and wave height.

도 33은 일 실시예에 따른 선박의 수동 설정된 항로 및 항로 최적화 기능을 통해 자동 설정된 항로 중 어느 하나를 획득할 수 있는 화면의 일 예를 도시한 도면이다.Figure 33 is a diagram illustrating an example of a screen on which one of the manually set route of a ship and the route automatically set through the route optimization function can be obtained according to an embodiment.

도 33은 프로세서(110)가 항로 정보를 획득할 수 있는 화면(3610)의 일 예가 도시되어 있다. 구체적으로, 화면(3610)의 영역들(3611, 3612, 3613, 3614)에는 다양한 선택 영역이 표시될 수 있다. 그러나, 화면(3610)의 레이아웃 및 선택 정보의 출력 영역은 도 33에 도시된 예에 한정되지 않는다.Figure 33 shows an example of a screen 3610 through which the processor 110 can obtain route information. Specifically, various selection areas may be displayed in areas 3611, 3612, 3613, and 3614 of the screen 3610. However, the layout of screen 3610 and the output area of selection information are not limited to the example shown in FIG. 33.

프로세서(110)는 서버(3240)로부터 선박(3220)의 수동 설정된 항로 및 항로 최적화 기능을 통해 자동 설정된 항로 중 어느 하나를 획득할 수 있다.The processor 110 may obtain one of the manually set route of the ship 3220 and the automatically set route through the route optimization function from the server 3240.

여기에서, 수동 설정된 항로 및 자동 설정된 항로는 기 설정된 운항 정보를 이용하여 설정된다.Here, the manually set route and the automatically set route are set using preset navigation information.

예를 들어, 사용자가 영역(3611)을 선택하면, 프로세서(110)는 이에 응답하여 비활성화되어 있던 영역(3612) 및 영역(3613)을 활성화할 수 있다. 사용자가 활성화된 영역(3612)을 선택하면, 프로세서(110)는 서버(3240)에 ISS(Integrated Smartship Solution)를 통해 자동 설정된 항로에 대한 항로 정보의 전송을 요청할 수 있다. 이에 따라, 프로세서(110)는 서버(3240)로부터 항로 정보를 획득할 수 있다. For example, when the user selects the area 3611, the processor 110 may activate the deactivated areas 3612 and 3613 in response. When the user selects the activated area 3612, the processor 110 may request the server 3240 to transmit route information for the route automatically set through ISS (Integrated Smartship Solution). Accordingly, the processor 110 can obtain route information from the server 3240.

또한, 사용자가 활성화된 영역(3613)을 선택하면, 프로세서(110)는 이에 응답하여 서버(3240)에 ECDIS(Electronic Chart Display Information System)를 통해 자동 설정된 항로에 대한 항로 정보의 전송을 요청할 수 있다. 이에 따라, 프로세서(110)는 서버(3240)로부터 항로 정보를 획득할 수 있다.In addition, when the user selects the activated area 3613, the processor 110 responds and requests the server 3240 to transmit route information for the automatically set route through ECDIS (Electronic Chart Display Information System). . Accordingly, the processor 110 can obtain route information from the server 3240.

또한, 사용자가 영역(3614)을 선택한 경우, 프로세서(110)는 이에 응답하여 서버(3240)에 수동 설정된 항로에 대한 항로 정보의 전송을 요청할 수 있다. 이에 따라, 프로세서(110)는 서버(3240)로부터 항로 정보를 획득할 수 있다.Additionally, when the user selects the area 3614, the processor 110 may request the server 3240 to transmit route information for the manually set route in response. Accordingly, the processor 110 can obtain route information from the server 3240.

항로 최적화 기능이란, 선박(3220)의 운항에서 경로 및 속도를 최적화하여, 액화가스 연료 소비를 최소화하고 운항 시간을 최적화하는 기술이다. 항로 최적화를 위해서는 선박(3220)의 위치, 속도, 기상 정보 등의 다양한 요소가 고려된다. ISS 및 ECDIS는 항로 최적화 기능을 포함하는 프로그램들 중 하나에 해당한다.The route optimization function is a technology that optimizes the route and speed in the operation of the ship 3220, minimizing liquefied gas fuel consumption and optimizing the operation time. To optimize the route, various factors such as the location of the ship 3220, speed, and weather information are considered. ISS and ECDIS are among the programs that include route optimization functions.

ISS는 선박(3220)의 운항을 관리하고 장치의 운영을 관리하는 시스템으로서, 선박(3220)의 주요 데이터를 실시간으로 수집하여 엔진을 비롯한 주요 기기 분석 서비스와 운항 최적화 기능을 제공하는 프로그램이다. 또한, ECDIS는 사용자에게 항해 정보 및 해역에 관한 지도를 제공하는 프로그램이다. ISS is a system that manages the operation of the ship 3220 and the operation of the equipment. It is a program that collects key data of the ship 3220 in real time and provides analysis services for major devices, including engines, and operation optimization functions. Additionally, ECDIS is a program that provides navigation information and maps of sea areas to users.

또한, 선박(3220)의 수동 설정된 항로에 대한 정보 및 항로 최적화 기능을 통해 자동 설정된 항로에 대한 정보는 기 설정된 적어도 하나의 시점에 대한 선박(3220)의 위도, 경도 및 속도를 포함한다.Additionally, information about the manually set route of the ship 3220 and information about the route automatically set through the route optimization function include the latitude, longitude, and speed of the ship 3220 for at least one preset time point.

예를 들어, 서버(3240)는 선박(3220)의 출항 시점 이후, N개의 시점을 설정할 수 있다. 예를 들어, 시점의 개수는 소정의 주기에 따라 미리 설정될 수도 있고, 사용자의 입력에 따라 조정될 수 있다. 또한, 0번째 시점은 선박(3220)이 출발 장소에서 출발하는 시점과 대응될 수 있고, N번째 시점은 선박(3220)이 도착 장소에 도착하는 시점과 대응될 수 있다. 항로 정보는 N개의 시점 중 적어도 어느 하나의 시점에 대한 선박(3220)의 위도, 경도 및 속도 중 적어도 하나를 포함할 수 있다. 여기에서, N은 1 이상의 자연수를 의미한다.For example, the server 3240 may set N time points after the departure time of the ship 3220. For example, the number of viewpoints may be preset according to a predetermined cycle or may be adjusted according to user input. Additionally, the 0th time point may correspond to the time point at which the ship 3220 departs from the departure location, and the Nth time point may correspond to the time point at which the ship 3220 arrives at the arrival location. The route information may include at least one of the latitude, longitude, and speed of the ship 3220 for at least one of the N viewpoints. Here, N means a natural number of 1 or more.

예를 들어, 주기가 2일이고 총 운항 시간이 24일인 경우, 항로 정보에는 총 12개의 지점에 대한 선박(3220)의 정보를 포함할 수 있다. 항로 정보는 선박(3220)의 출항 이후 2일마다의 선박(3220)의 위도, 경도 및 속도에 관한 정보를 포함할 수 있다. 또한, 12번째 시점에서의 탱크(3230)의 압력은 도착 장소의 탱크(3290)의 압력과 대응될 수 있다.For example, if the cycle is 2 days and the total navigation time is 24 days, route information may include information on the ship 3220 for a total of 12 points. The route information may include information about the latitude, longitude, and speed of the ship 3220 every two days after the ship 3220 departs port. Additionally, the pressure of the tank 3230 at the 12th time point may correspond to the pressure of the tank 3290 at the arrival location.

다시 도 31을 참조하면, 3430 단계에서, 프로세서(110)는 운항 정보 및 항로 정보(3250)를 이용하여 선박(3220)의 운항 제어를 위한 적어도 하나의 예측값을 산출한다.Referring again to FIG. 31 , in step 3430, the processor 110 calculates at least one predicted value for controlling the operation of the ship 3220 using the navigation information and route information 3250.

예를 들어, 예측값은 탱크(3230)의 내부 압력 예측값, 탱크(3230)에서 증발된 액화가스량의 예측값 및 탱크(3230)에서 증발된 액화가스가 압축기로부터 선박(3220) 내부의 장치에 공급되는 유량의 예측값 중 적어도 어느 하나를 포함할 수 있다. 예를 들어, 장치는 탱크(3230) 내부에 포함된 압축기, 탱크(3230) 내부에 포함된 기화기, 가스연소장치, 재액화 장치, 추진 엔진 및 발전 엔진 중 적어도 하나를 포함할 수 있다.For example, the predicted values include the predicted value of the internal pressure of the tank 3230, the predicted value of the amount of liquefied gas evaporated from the tank 3230, and the flow rate of the liquefied gas evaporated from the tank 3230 supplied from the compressor to the device inside the ship 3220. It may include at least one of the predicted values. For example, the device may include at least one of a compressor included in the tank 3230, a vaporizer included in the tank 3230, a gas combustion device, a reliquefaction device, a propulsion engine, and a power generation engine.

이하, 도 34를 참조하여, 운항 정보 및 항로 정보(3250)를 이용하여 선박(3220)의 운항 제어를 위한 탱크(3230) 내부의 압력 예측값을 산출하는 과정에 대해 설명한다.Hereinafter, with reference to FIG. 34, the process of calculating the predicted pressure inside the tank 3230 for controlling the operation of the ship 3220 using the navigation information and route information 3250 will be described.

도 34는 일 실시예에 따른 액화가스 화물 탱크의 압력 예측값을 산출하는 방법에 대한 일 예를 설명하기 위한 도면이다.Figure 34 is a diagram for explaining an example of a method for calculating a pressure prediction value of a liquefied gas cargo tank according to an embodiment.

3710 단계에서, 프로세서(110)는 서버(3240)로부터 도착 장소의 탱크(3290) 내부의 기 설정된 압력을 획득할 수 있다. In step 3710, the processor 110 may obtain a preset pressure inside the tank 3290 at the arrival location from the server 3240.

만약, 탱크(3290)의 압력이 설정되지 않았을 경우에는, 프로세서(110)는 탱크(3290)의 압력을 소정의 값(예를 들어, 100mbarg)으로 가정하여 탱크(3230)의 압력 예측값을 산출할 수 있다.If the pressure of the tank 3290 is not set, the processor 110 calculates the predicted pressure of the tank 3230 by assuming the pressure of the tank 3290 to be a predetermined value (for example, 100 mbarg). You can.

3720 단계에서, 프로세서(110)는 선박(3220)의 총 운항 시간을 소정의 시구간을 주기로 하여, N개의 시점으로 분할할 수 있다. 시점의 개수(즉, N)는 총 운항 시간을 주기로 나누어 나온 값으로 결정된다. 예를 들어, 시점의 개수는 미리 결정되어 있을 수도 있고, 사용자가 임의로 결정할 수도 있다. 여기에서, N은 1 이상의 자연수를 의미한다,In step 3720, the processor 110 may divide the total operating time of the ship 3220 into N time points using a predetermined time period. The number of time points (i.e., N) is determined by dividing the total operation time by the period. For example, the number of viewpoints may be predetermined or may be arbitrarily determined by the user. Here, N means a natural number greater than or equal to 1.

3730 단계에서, 프로세서(110)는 N 번째 시점에서의 탱크(3230)의 압력을 도착 장소의 탱크(3290)의 압력 및 기 설정된 압력 중 어느 하나에 대응되는 것으로 산정할 수 있다.In step 3730, the processor 110 may calculate the pressure of the tank 3230 at the Nth time point to correspond to one of the pressure of the tank 3290 at the arrival location and a preset pressure.

3740 단계에서, 프로세서(110)는 이전 시점의 탱크(3230)의 압력과 대비하여 각 시점에서의 탱크(3230)의 압력 변화량을 산출할 수 있다. 예를 들어, 프로세서(110)가 이전 시점의 탱크(3230)의 압력 대비 각 시점 별 탱크(3230)의 압력 변화량을 산출할 때, 탱크(3230) 압력 변화량은 아래 수학식 1과 같다.In step 3740, the processor 110 may calculate the amount of change in pressure of the tank 3230 at each time point compared to the pressure of the tank 3230 at the previous time point. For example, when the processor 110 calculates the amount of change in pressure of the tank 3230 at each time point compared to the pressure of the tank 3230 at the previous time point, the amount of change in pressure of the tank 3230 is expressed as Equation 1 below.

프로세서(110)는 α, β 및 γ값을 선박(3220)의 화물 특성, 탱크(3230)의 압력 변화 특성, 탱크(3230) 형상의 특성 등을 고려하여 설정할 수 있다. 탱크(3230)에서 증발한 액화가스의 증발에너지, 탱크(3230)에 유입된 가스의 에너지 및 탱크(3230)에서 배출된 가스의 에너지는 상수로써, 선박(3220)의 가스 소모처의 질량 유량계에 따라 결정될 수 있다. 예를 들어, 가스 소모처는 추진 엔진, 발전 엔진, 가스연소장치 및 재액화장치를 포함할 수 있다.The processor 110 may set the α, β, and γ values by considering the cargo characteristics of the ship 3220, the pressure change characteristics of the tank 3230, and the shape characteristics of the tank 3230. The evaporation energy of the liquefied gas evaporated from the tank 3230, the energy of the gas flowing into the tank 3230, and the energy of the gas discharged from the tank 3230 are constants and are displayed on the mass flow meter of the gas consumption point of the ship 3220. It can be decided accordingly. For example, gas consumers may include propulsion engines, power generation engines, gas combustion devices, and reliquefaction devices.

3750 단계에서, 프로세서(110)는, 540 단계에서 계산한 각 시점의 탱크(3230) 압력 변화량을 기초로 하여, 각 시점에서의 탱크(3230)의 내부 압력 예측값을 산출할 수 있다.In step 3750, the processor 110 may calculate a predicted value of the internal pressure of the tank 3230 at each time point based on the change in pressure of the tank 3230 at each time point calculated in step 540.

다시 도 31을 참조하면, 3430 단계에서, 프로세서(110)가 산출하는 예측값에는 탱크(3230)에서 증발된 액화가스량의 예측값이 포함될 수 있다.Referring again to FIG. 31, in step 3430, the predicted value calculated by the processor 110 may include the predicted value of the amount of liquefied gas evaporated from the tank 3230.

종래에는, 탱크(3230)에서 증발된 액화가스량의 예측값은 탱크(3230) 내부 액화가스의 온도와 같은 예측 불가능한 데이터를 단순 수식에 대입하여 산출되었다. 이러한 방법은 증발된 액화가스량의 정확한 예측이 불가능하다는 문제점이 있다.Conventionally, the predicted value of the amount of liquefied gas evaporated from the tank 3230 was calculated by substituting unpredictable data such as the temperature of the liquefied gas inside the tank 3230 into a simple formula. This method has a problem in that it is impossible to accurately predict the amount of evaporated liquefied gas.

예측의 부정확성이라는 종래 기술의 문제점을 해결하기 위해, 프로세서(110)는 딥러닝 모델을 이용하여 증발된 액화가스량의 예측값을 산출할 수 있다. 이 경우, 딥러닝 모델은 운항 정보 및 항로 정보와 같은 학습 데이터를 이용하여, 증발된 액화가스량의 예측값을 산출하도록 학습될 수 있다. In order to solve the problem of the prior art, which is the inaccuracy of prediction, the processor 110 can calculate the predicted value of the amount of evaporated liquefied gas using a deep learning model. In this case, the deep learning model can be trained to calculate a predicted value of the amount of evaporated liquefied gas using learning data such as navigation information and route information.

또한, 탱크(3230)에서 증발된 액화가스량을 산출하는 딥러닝 모델은 사용자 단말(3210)에 저장되어 동작할 수 있다.Additionally, a deep learning model that calculates the amount of liquefied gas evaporated from the tank 3230 may be stored and operated in the user terminal 3210.

3440 단계에서, 프로세서(110)는 예측값을 이용하여 선박(3220)의 경제 운항 지표(3260)를 산출할 수 있다.In step 3440, the processor 110 may calculate the economic operation index 3260 of the ship 3220 using the predicted value.

여기에서, 경제 운항 지표(3260)는 탱크(3230) 내부에서의 액화가스 손실량, 선박(3220)의 엔진이 사용한 액화가스 소모량, 가스연소장치에 의한 액화가스 소각량, 탱크(3230) 내부에서의 액화가스 재액화 유량 및 일일 기화율(BOR, Boil-off Rate) 중 적어도 어느 하나를 포함할 수 있다.Here, the economic operation index 3260 includes the amount of liquefied gas loss inside the tank 3230, the amount of liquefied gas consumed by the engine of the ship 3220, the amount of liquefied gas incineration by the gas combustion device, and the amount of liquefied gas inside the tank 3230. It may include at least one of a gas reliquefaction flow rate and a daily boil-off rate (BOR).

예를 들어, 프로세서(110)는 운항 정보, 항로 정보, 탱크(3230)에서 증발된 액화가스량의 예측값 및 탱크(3230)의 압력 예측값을 이용하여 경제 운항 지표(3260)를 산출할 수 있다.For example, the processor 110 may calculate the economic operation index 3260 using navigation information, route information, a predicted value of the amount of liquefied gas evaporated from the tank 3230, and a predicted pressure value of the tank 3230.

예를 들어, 프로세서(110)는 운전 최적화 해석 모델을 이용하여 경제 운항 지표(3260)를 산출할 수 있다.For example, the processor 110 may calculate the economic operation index 3260 using an operation optimization analysis model.

운전 최적화 해석 모델은 탱크(3230), 엔진 및 가스연소장치 등의 장치에 공급되는 액화가스 유량 및 각 장치가 소모하는 액화가스 유량을 결정하여 액화가스 손실량을 줄이기 위한 모델이다. The operation optimization analysis model is a model to reduce liquefied gas loss by determining the liquefied gas flow rate supplied to devices such as the tank 3230, engines, and gas combustion devices and the liquefied gas flow rate consumed by each device.

예를 들어, 프로세서(110)는 운전 최적화 해석 모델을 통해 운항 정보, 항로 정보, 탱크(3230)의 압력 예측값 및 탱크(3230)에서 증발된 액화가스량 예측값을 이용하여, 경제 운항 지표(3260)를 산출할 수 있다.For example, the processor 110 uses the operation information, route information, predicted pressure of the tank 3230, and predicted value of the amount of liquefied gas evaporated from the tank 3230 through an operation optimization analysis model to create an economic operation index 3260. It can be calculated.

또한, 운전 최적화 해석 모델은 여러 제약 조건을 고려하여 경제 운항 지표(3260)를 산출할 수 있다. 예를 들어, 모델은 질량, 에너지, 전력량, 장치의 최대/최소 액화가스 소모량, 장비의 효율, 추진 엔진의 효율, 발전 엔진의 효율, 축발전기의 효율, 탱크(3230)의 압력, 선박(3220)의 최고/최저 속도 및 선박(3220)의 평균 속도 사이의 관계를 고려하여 경제 운항 지표(3260)를 산출할 수 있다.Additionally, the operation optimization analysis model can calculate the economic operation index 3260 by considering various constraints. For example, the model includes mass, energy, power, maximum/minimum liquefied gas consumption of the device, efficiency of the equipment, efficiency of the propulsion engine, efficiency of the power generation engine, efficiency of the shaft generator, pressure of the tank 3230, and vessel 3220. The economic operation index 3260 can be calculated by considering the relationship between the maximum/minimum speed of ) and the average speed of the ship 3220.

또한, 경제 운항 지표(3260)를 산출하는 운전 최적화 해석 모델은 사용자 단말(3210)에 저장되어 동작할 수 있다.Additionally, the driving optimization analysis model that calculates the economic operation index 3260 may be stored and operated in the user terminal 3210.

3450 단계에서, 프로세서(110)는 선박(3220)의 운항에 따라 실시간으로 획득된 측정값을 예측값 및 경제 운항 지표와 비교하여, 비교한 결과를 디스플레이 할 수 있다.In step 3450, the processor 110 may compare measured values obtained in real time according to the operation of the ship 3220 with predicted values and economic operation indicators, and display the comparison results.

3460 단계에서, 프로세서(110)는 비교한 결과를 이용하여 선박(3220)을 제어할 수 있다.In step 3460, the processor 110 may control the ship 3220 using the comparison result.

이하, 도 35a 내지 도 35c을 참조하여, 프로세서(110)가 측정값을 예측값 및 경제 운항 지표와 비교한 결과의 일 예를 설명한다.Hereinafter, with reference to FIGS. 35A to 35C, an example of the result of the processor 110 comparing the measured value with the predicted value and the economic operation index will be described.

도 35a는 일 실시예에 따른 액화가스 화물 탱크 내부 압력 예측값을 측정값과 비교한 결과 및 평균 속도를 측정값과 비교한 결과의 일 예를 도시한 도면이다.Figure 35a is a diagram showing an example of the results of comparing the predicted value of the pressure inside the liquefied gas cargo tank with the measured value and the result of comparing the average speed with the measured value according to an embodiment.

도 35a에 도시된 바와 같이, 예측값을 측정값과 비교한 결과는 그래프(3810)의 형태로 산출될 수 있으나, 예측값을 측정값과 비교한 결과를 나타내는 방식은 그래프(3810)에 한정되지는 않는다.As shown in FIG. 35A, the results of comparing the predicted value with the measured value can be calculated in the form of a graph 3810, but the method of expressing the result of comparing the predicted value with the measured value is not limited to the graph 3810. .

그래프(3810)에서 제 1 점선(3811)은 탱크(3230) 내부 압력 예측값을 나타내고, 제 1 실선(3812)은 탱크(3230) 내부 압력 측정값을 나타낸다.In the graph 3810, the first dotted line 3811 represents the predicted pressure value inside the tank 3230, and the first solid line 3812 represents the measured pressure value inside the tank 3230.

프로세서(110)는 탱크(3230)의 압력이 탱크(3230)의 내부 압력 예측값을 기준으로 설정된 압력 제어 영역 내의 압력에 포함되도록 선박(3220)을 제어할 수 있다. 예를 들어, 선박(3220)이 만선항해를 하는 경우, 압력 제어 영역은 60mbarg이상 190mbarg이하의 영역을 의미할 수 있다.The processor 110 may control the ship 3220 so that the pressure of the tank 3230 is included in the pressure within the pressure control area set based on the predicted internal pressure of the tank 3230. For example, when the ship 3220 is sailing with a full load, the pressure control area may mean an area between 60 mbarg and 190 mbarg.

프로세서(110)는 선박(3220)의 탱크(3230)의 압력이 압력 제어 영역을 초과하는 경우, 탱크(3230)의 압력이 감소하도록 선박(3220)을 제어할 수 있다. 예를 들어, 프로세서(110)는 탱크(3230)가 가스연소장치로 증발된 액화가스를 공급하는 유량을 증가시킴으로써, 탱크(3230)의 압력을 감소시킬 수 있다. 또한, 프로세서(110)는 액화가스를 공급하는 장치와 액화가스를 공급받는 장치의 조합을 변경하여, 탱크(3230)의 압력을 감소시킬 수 있다.If the pressure of the tank 3230 of the ship 3220 exceeds the pressure control area, the processor 110 may control the ship 3220 to reduce the pressure of the tank 3230. For example, the processor 110 may reduce the pressure of the tank 3230 by increasing the flow rate at which the tank 3230 supplies evaporated liquefied gas to the gas combustion device. Additionally, the processor 110 may change the combination of the device supplying the liquefied gas and the device receiving the liquefied gas, thereby reducing the pressure of the tank 3230.

또한, 측정값이 예측값 미만인 경우, 탱크(3230)의 압력을 증가시키기 위하여, 프로세서(110)는 탱크(3230)가 가스연소장치, 추진 엔진, 발전 엔진 및 재액화 장치로 공급되는 액화가스량이 감소하도록 탱크(3230)를 제어할 수 있다.In addition, when the measured value is less than the predicted value, in order to increase the pressure of the tank 3230, the processor 110 reduces the amount of liquefied gas supplied from the tank 3230 to the gas combustion device, propulsion engine, power generation engine, and reliquefaction device. The tank 3230 can be controlled to do so.

그래프(3810)에서 제 2 점선(3813)은 선박(3220)의 속도 예측값을 나타내고, 제 2 실선(3814)은 선박(3220)의 속도 측정값을 나타낸다.In the graph 3810, the second dotted line 3813 represents the predicted speed of the vessel 3220, and the second solid line 3814 represents the measured speed of the vessel 3220.

프로세서(110)는 측정값이 예측값에 대응되도록 선박(3220)을 제어할 수 있다. 예를 들어, 측정값이 예측값을 초과하는 경우, 프로세서(110)는 선박(3220)의 속도가 감소하도록 선박(3220)을 제어할 수 있다. 또한, 측정값이 예측값 미만인 경우, 프로세서(110)는 선박(3220)의 속도가 증가하도록 선박(3220)을 제어할 수 있다.The processor 110 may control the vessel 3220 so that the measured value corresponds to the predicted value. For example, if the measured value exceeds the predicted value, the processor 110 may control the vessel 3220 to reduce the speed of the vessel 3220. Additionally, if the measured value is less than the predicted value, the processor 110 may control the vessel 3220 to increase the speed of the vessel 3220.

그래프(3810)에서 제 3 점선(3815)은 선박(3220) 내부 추진 엔진의 부하율 예측값을 나타내고, 제 3 실선(3816)은 선박(3220) 내부 추진 엔진의 부하율 측정값을 나타낸다.In the graph 3810, the third dotted line 3815 represents the predicted load rate of the internal propulsion engine of the ship 3220, and the third solid line 3816 represents the measured load rate of the internal propulsion engine of the ship 3220.

프로세서(110)는 선박(3220)의 내부 추진 엔진의 부하율이 예측값에 대응되도록 선박(3220)을 제어할 수 있다. 예를 들어, 프로세서(110)는 액화가스를 공급하는 장치와 액화가스를 공급받는 장치의 조합을 변경할 수 있다. 또한, 프로세서(110)는 액화가스를 공급하는 장치의 공급 유량을 제어할 수 있다. The processor 110 may control the ship 3220 so that the load rate of the internal propulsion engine of the ship 3220 corresponds to the predicted value. For example, the processor 110 may change the combination of a device supplying liquefied gas and a device receiving liquefied gas. Additionally, the processor 110 can control the supply flow rate of the device that supplies liquefied gas.

예를 들어, 선박(3220)의 내부 추진 엔진의 부하율이 예측값을 초과하는 경우, 프로세서(110)는 탱크(3230)가 추진 엔진으로 공급하는 액화가스 유량을 증가시키도록 선박(3220)을 제어할 수 있다. 또한, 선박(3220)의 내부 추진 엔진의 부하율이 예측값 미만인 경우, 프로세서(110)는 탱크(3230)가 추진 엔진으로 공급하는 액화가스 유량을 감소시키도록 선박(3220)을 제어할 수 있다.For example, if the load rate of the internal propulsion engine of the vessel 3220 exceeds the predicted value, the processor 110 may control the vessel 3220 to increase the liquefied gas flow rate supplied by the tank 3230 to the propulsion engine. You can. Additionally, when the load rate of the internal propulsion engine of the ship 3220 is less than the predicted value, the processor 110 may control the ship 3220 to reduce the liquefied gas flow rate supplied by the tank 3230 to the propulsion engine.

도 35b는 일 실시예에 따른 액화가스 화물 탱크에서 증발된 액화가스량의 예측값을 측정값과 비교한 결과의 일 예를 도시한 도면이다.Figure 35b is a diagram showing an example of the results of comparing the predicted value of the amount of liquefied gas evaporated from the liquefied gas cargo tank with the measured value according to an embodiment.

도 35b에 도시된 바와 같이, 예측값을 측정값과 비교한 결과는 그래프(3820)의 형태로 출력될 수 있으나, 예측값을 측정값과 비교한 결과를 나타내는 방식은 그래프(3820)에 한정되지는 않는다.As shown in FIG. 35B, the results of comparing the predicted value with the measured value may be output in the form of a graph 3820, but the method of displaying the result of comparing the predicted value with the measured value is not limited to the graph 3820. .

그래프(3820)에서, 제 1 점선(3821)은 탱크(3230)에서 증발된 액화가스량의 예측값을 나타내고, 제 1 실선(3822)은 탱크(3230)에서 증발된 액화가스량의 측정값을 나타낸다.In the graph 3820, the first dotted line 3821 represents the predicted value of the amount of liquefied gas evaporated from the tank 3230, and the first solid line 3822 represents the measured value of the amount of liquefied gas evaporated from the tank 3230.

예를 들어, 프로세서(110)는 증발된 액화가스량의 예측값을 딥러닝 모델을 통해 산출할 수 있다.For example, the processor 110 may calculate the predicted value of the amount of evaporated liquefied gas through a deep learning model.

프로세서(110)는 증발된 액화가스량의 예측값에 따라 선박(3220)을 제어할 수 있다. 예를 들어, 프로세서(110)는 예측값에 따라, 증발된 액화가스를 공급하는 장치의 종류를 제어할 수 있다. 또한, 프로세서(110)는 증발된 액화가스를 공급하는 장치의 공급 유량을 제어할 수 있다.The processor 110 may control the ship 3220 according to the predicted value of the amount of evaporated liquefied gas. For example, the processor 110 may control the type of device that supplies the evaporated liquefied gas according to the predicted value. Additionally, the processor 110 can control the supply flow rate of the device that supplies the evaporated liquefied gas.

예를 들어, 프로세서(110)는 예측값에 따라, 증발된 액화가스의 공급 장치를 탱크(3230)에 포함된 압축기로 제한하도록 선박(3220)을 제어할 수 있다. 또한, 프로세서(110)는 예측값에 따라, 압축기가 선박(3220)의 장치로 공급하는 증발된 액화가스량의 유량을 2500kg/h가 되도록 선박(3220)을 제어할 수 있다. 또한, 프로세서(110)는 예측값에 따라, 압축기가 가스연소장치로 공급하는 증발된 액화가스량의 유량이 1000kg/h가 되고, 압축기가 추진 엔진 및 발전 엔진으로 공급하는 증발된 액화가스량의 유량이 1500kg/h가 되도록, 선박(3220)을 제어할 수 있다.For example, the processor 110 may control the ship 3220 to limit the supply of evaporated liquefied gas to the compressor included in the tank 3230, according to the predicted value. In addition, the processor 110 may control the ship 3220 so that the flow rate of the evaporated liquefied gas supplied by the compressor to the device of the ship 3220 is 2500 kg/h according to the predicted value. In addition, according to the predicted value, the processor 110 sets the flow rate of the evaporated liquefied gas supplied by the compressor to the gas combustion device to be 1000 kg/h, and the flow rate of the evaporated liquefied gas supplied by the compressor to the propulsion engine and the power generation engine is 1500 kg. The ship 3220 can be controlled so that /h.

그래프(3820)에서, 제 1 영역(3823)은 탱크(3230) 내부에 포함된 압축기가 가스연소장치로 공급하는 증발된 액화가스의 유량 예측값을 나타낸다. 제 2 영역(3824)은 탱크(3230) 내부에 포함된 압축기가 추진 엔진 및 발전 엔진으로 공급하는 증발된 액화가스의 유량 예측값을 나타낸다.In the graph 3820, the first area 3823 represents the predicted flow rate of the evaporated liquefied gas supplied by the compressor contained within the tank 3230 to the gas combustion device. The second area 3824 represents the predicted flow rate of the evaporated liquefied gas supplied by the compressor included in the tank 3230 to the propulsion engine and the power generation engine.

또한, 그래프(3820)에 도시되지 않았으나, 예측값에는 압축기가 재액화장치로 공급하는 증발된 액화가스의 유량 예측값, 탱크(3230) 내부에 포함된 기화기가 추진 엔진 및 발전 엔진으로 공급하는 증발된 액화가스의 유량 예측값 및 탱크(3230) 내부에 포함된 탱크가 과냉각장치로 공급하는 증발된 액화가스의 유량 예측값을 포함할 수 있다.In addition, although not shown in the graph 3820, the predicted values include the predicted flow rate of the evaporated liquefied gas supplied by the compressor to the re-liquefaction device, and the evaporated liquefied gas supplied by the vaporizer contained inside the tank 3230 to the propulsion engine and power generation engine. It may include a predicted flow rate of gas and a predicted flow rate of evaporated liquefied gas supplied from a tank contained within the tank 3230 to the supercooling device.

도 35c는 일 실시예에 따른 선박의 경제 운항 지표를 측정값과 비교한 결과의 일 예를 도시한 도면이다. Figure 35c is a diagram showing an example of a result of comparing the economic operation index of a ship with a measured value according to an embodiment.

도 35c에 도시된 바와 같이, 경제 운항 지표(3260)를 측정값과 비교한 결과는 표(3830)의 형태로 산출될 수 있으나, 경제 운항 지표(3260)를 측정값과 비교한 결과를 나타내는 방식은 표(3830)에 한정되지는 않는다.As shown in FIG. 35c, the results of comparing the economic operation index 3260 with the measured value can be calculated in the form of a table 3830, but the method of expressing the result of comparing the economic operation index 3260 with the measured value is not limited to table 3830.

제 1 항목(3831)은 탱크(3230) 내부에서의 액화가스 손실량을 의미한다. 예를 들어, 프로세서(110)는 제 1 항목(3831)의 측정값을 선박(3220)의 출항 시부터 측정 시까지 탱크(3230)가 추진 엔진으로 공급하는 액화가스의 유량의 누적값, 탱크(3230)가 발전 엔진으로 공급하는 액화가스 유량의 누적값 및 탱크(3230)가 가스연소장치로 공급하는 액화가스 유량의 누적값의 합으로 산출할 수 있다.The first item 3831 refers to the amount of liquefied gas loss inside the tank 3230. For example, the processor 110 may use the measured value of the first item 3831 as the cumulative value of the flow rate of liquefied gas supplied by the tank 3230 to the propulsion engine from the time of departure of the ship 3220 to the time of measurement, tank ( It can be calculated as the sum of the cumulative value of the liquefied gas flow rate supplied by 3230 to the power generation engine and the accumulated value of the liquefied gas flow rate supplied by tank 3230 to the gas combustion device.

또한, 제 2 항목(3832)은 선박(3220)의 엔진이 사용하는 액화가스 소모량을 의미한다. 예를 들어, 프로세서(110)는 제 2 항목(3832)의 측정값을 출항 시부터 측정 시까지 탱크(3230)가 추진 엔진으로 공급하는 액화가스 유량의 누적값 및 탱크(3230)가 발전 엔진으로 공급하는 액화가스 유량의 누적값의 합으로 산출할 수 있다.Additionally, the second item 3832 refers to the amount of liquefied gas consumed by the engine of the ship 3220. For example, the processor 110 uses the measured value of the second item 3832 as the cumulative value of the liquefied gas flow rate supplied by the tank 3230 to the propulsion engine from the time of departure to the time of measurement and the cumulative value of the liquefied gas flow rate supplied by the tank 3230 to the power generation engine. It can be calculated as the sum of the cumulative values of the supplied liquefied gas flow rate.

또한, 제 3 항목(3833)은 선박(3220)의 가스연소장치에 의한 액화가스 소각량을 의미한다. 예를 들어, 프로세서(110)는 제 3 항목(3833)의 측정값을 출항 시부터 측정 시까지 탱크(3230)가 가스연소장치로 공급하는 액화가스의 유량의 누적값으로 산출할 수 있다.Additionally, the third item 3833 refers to the amount of liquefied gas incinerated by the gas combustion device of the ship 3220. For example, the processor 110 may calculate the measured value of the third item 3833 as the cumulative value of the flow rate of the liquefied gas supplied from the tank 3230 to the gas combustion device from the time of departure to the time of measurement.

또한, 제 4 항목(3834)는 탱크(3230) 내부에서의 재액화 유량을 의미한다. 예를 들어, 프로세서(110)는 제 4 항목의 측정값을 출항 시부터 측정 시까지 재액화 장치를 통과하는 액화가스 유량의 누적값으로 산출할 수 있다.Additionally, the fourth item 3834 refers to the reliquefaction flow rate inside the tank 3230. For example, the processor 110 may calculate the measurement value of the fourth item as the cumulative value of the liquefied gas flow rate passing through the reliquefaction device from the time of departure to the time of measurement.

또한, 제 5 항목(3835)는 일일 기화율 의미한다. 예를 들어, 프로세서(110)는 제 5 항목(3835)의 측정값을 출항 시부터 측정 시까지 탱크(3230)에 저장된 총 액화가스의 부피 대비 액화가스 증발량의 하루 평균값으로 산출할 수 있다.Additionally, the fifth item (3835) refers to the daily vaporization rate. For example, the processor 110 may calculate the measured value of the fifth item 3835 as the daily average value of the evaporation amount of the liquefied gas compared to the total volume of the liquefied gas stored in the tank 3230 from the time of departure to the time of measurement.

도 36은 일 실시예에 따른 프로세서에 의하여 디스플레이되는 화면의 일 예를 도시한 도면이다.Figure 36 is a diagram illustrating an example of a screen displayed by a processor according to an embodiment.

도 36에는, 도 29 내지 도 35c를 참조하여 상술한 방법이 실행되는 프로그램의 실행 화면(3900)의 일 예가 도시되어 있다. FIG. 36 shows an example of a program execution screen 3900 in which the method described above with reference to FIGS. 29 to 35C is executed.

예를 들어, 영역(3910)에는 선박(3220)의 기 설정된 운항 정보가 표시될 수 있다. 구체적으로, 선박(3220)의 도착 장소 도착 시의 탱크(3230)의 압력, 입출항 정보, 총 운항 거리, 총 운항 시간, 평균 속도 및 기상 정보 중 적어도 하나가 표시될 수 있다. For example, preset navigation information of the ship 3220 may be displayed in the area 3910. Specifically, at least one of the pressure of the tank 3230 upon arrival at the destination of the ship 3220, port entry and departure information, total navigation distance, total navigation time, average speed, and weather information may be displayed.

또한, 영역(3920)에는 프로세서(110)가 항로 정보를 획득할 수 있는 화면이 표시될 수 있다. 프로세서(110)는 서버(3240)로부터 선박(3220)의 수동 설정된 항로 및 항로 최적화 기능을 통해 자동 설정된 항로 중 어느 하나를 획득할 수 있다.Additionally, a screen on which the processor 110 can obtain route information may be displayed in area 3920. The processor 110 may obtain one of the manually set route of the ship 3220 and the automatically set route through the route optimization function from the server 3240.

또한, 영역(3930)에는 탱크(3230)의 압력 예측값을 측정값과 비교한 결과, 선박(3220)의 평균 속도를 측정값과 비교한 결과 및 탱크(3230)의 압력 예측값을 측정값과 비교한 결과가 표시될 수 있다.In addition, the area 3930 contains a result of comparing the predicted pressure of the tank 3230 with the measured value, a result of comparing the average speed of the ship 3220 with the measured value, and a result of comparing the predicted pressure of the tank 3230 with the measured value. Results can be displayed.

또한, 영역(3940)에는 탱크(3230)에서 증발된 액화가스량의 예측값을 측정값과 비교한 결과, 탱크(3230) 내부 압축기가 발전 엔진 및 추진 엔진에 공급하는 액화가스의 유량 예측값 및 탱크(3230) 내부 압축기가 가스연소장치에 공급하는 액화가스의 유량 예측값이 표시될 수 있다.In addition, in area 3940, as a result of comparing the predicted value of the amount of liquefied gas evaporated from the tank 3230 with the measured value, the predicted value of the flow rate of the liquefied gas supplied by the compressor inside the tank 3230 to the power generation engine and the propulsion engine and the predicted value of the liquefied gas amount evaporated from the tank 3230 ) The predicted flow rate of the liquefied gas supplied by the internal compressor to the gas combustion device can be displayed.

또한, 영역(3950)에는 경제 운항 지표(3260)를 측정값과 비교한 결과가 표시될 수 있다. 구체적으로, 경제 운항 지표(3260)는 탱크(3230) 내부에서의 액화가스 손실량, 선박(3220)의 엔진이 사용한 액화가스 소모량, 가스연소장치에 의한 액화가스 소각량, 탱크(3230) 내부에서의 액화가스 재액화 유량 및 일일 기화율 중 적어도 하나를 포함할 수 있다.Additionally, the area 3950 may display the results of comparing the economic operation index 3260 with the measured value. Specifically, the economic operation index 3260 includes the amount of liquefied gas loss inside the tank 3230, the amount of liquefied gas consumed by the engine of the ship 3220, the amount of liquefied gas incineration by a gas combustion device, and the amount of liquefied gas inside the tank 3230. It may include at least one of a gas reliquefaction flow rate and a daily vaporization rate.

또한, 영역(3960)에는 선박(3220) 내부의 장치에 실시간으로 공급되는 유량과 기 설정된 유량을 비교한 결과를 표시될 수 있다. 추가로, 장치의 전원 공급 여부가 표시될 수 있다. 구체적으로, 장치는 탱크(3230) 내부에 포함된 압축기, 탱크(3230) 내부에 포함된 기화기, 가스연소장치 및 재액화 장치 등이 포함할 수 있다.Additionally, the area 3960 may display the result of comparing the flow rate supplied in real time to the device inside the ship 3220 and the preset flow rate. Additionally, it may be indicated whether the device is powered. Specifically, the device may include a compressor included within the tank 3230, a vaporizer included within the tank 3230, a gas combustion device, and a reliquefaction device.

상술한 바에 따르면, 본 발명은 선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 선박의 운항 경로에 관한 추천 항해 정보를 생성하고, 추천 항해 정보에 기초하여, 선박의 BOG 발생량 및 선박의 탱크 압력 값을 예측하고, BOG 발생량 및 탱크 압력 값에 기초하여, 선박의 동작 제어에 관련된 최적 항해 정보를 획득한다. 또한, 본 발명은 최적 항해 정보를 이용하여 기 설정된 운전 방식으로 상기 선박을 제어할 수 있다.As described above, the present invention generates recommended navigation information regarding the navigation route of the vessel based on operation plan information related to the departure location and arrival location of the vessel, and based on the recommended navigation information, determines the amount of BOG generation of the vessel and the vessel. Predict the tank pressure value and obtain optimal navigation information related to the operation control of the ship based on the BOG generation amount and tank pressure value. Additionally, the present invention can control the ship using a preset driving method using optimal navigation information.

상술한 바에 따르면, 본 발명은 선박의 운항 경로에 관한 위치별 기상기후 정보, 조류 정보, 해상 정보, 해류 정보 중 하나 이상을 포함하는 환경 정보에 기초하여 BOG 발생량 및 탱크 압력 값을 예측하고, 예측된 BOG 발생량 및 탱크 압력 값에 기초하여 최적 항해 정보를 획득하여 전체 항해 운전을 계산함으로써, 선박의 출발지에서 도착지까지의 화물 관리의 방향성을 제시할 수 있고, 예측한 탱크 압력 값에 기초하여 안전한 화물 처리를 가능하게 할 수 있다.As described above, the present invention predicts BOG generation amount and tank pressure value based on environmental information including one or more of location-specific weather and climate information, tidal current information, maritime information, and ocean current information regarding the navigation route of the ship, and predicts. By calculating the entire voyage operation by obtaining optimal navigation information based on the calculated BOG generation amount and tank pressure value, the direction of cargo management from the ship's origin to destination can be presented, and safe cargo is stored based on the predicted tank pressure value. processing can be made possible.

또한, 본 발명은 항해 중 연료가 많이 필요한 위치에서는 연료를 많이 소모하여 탱크 압력을 낮추고, 연료가 적게 필요한 위치에서는 연료를 적게 소모하여 탱크 압력을 높임으로써, 최종 목표 탱크 압력을 유지할 수 있는 항해 방법을 제시할 수 있다.In addition, the present invention is a navigation method that can maintain the final target tank pressure by consuming a lot of fuel to lower the tank pressure in locations that require a lot of fuel during navigation, and consuming less fuel to increase the tank pressure in locations that require less fuel. can be presented.

또한, 본 발명은 최적 항해 정보에 기초하여 액화가스 소모량을 최소화하는 운전 방식으로 선박을 제어함으로써, 운전자에게 선박의 운전 가이드를 제공하여 운항을 보조할 수 있고, GCU 소각량 및 엔진의 연료 가스량을 낮춤으로써 탄소세 저감 효과를 제공할 수 있다. In addition, the present invention controls the ship in an operation method that minimizes liquefied gas consumption based on optimal navigation information, thereby providing the driver with a ship operation guide to assist navigation and lowering the amount of GCU incineration and the amount of fuel gas in the engine. This can provide a carbon tax reduction effect.

또한, 본 발명은 익숙하지 않은 선박의 운항 경로에서의 BOG 발생량 및 탱크 압력 값을 예측함으로써, 운항에 관한 운전자의 결정을 도울 수 있다.In addition, the present invention can help drivers make decisions regarding navigation by predicting BOG generation and tank pressure values in the navigation route of an unfamiliar ship.

한편, 상술한 방법은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 또한, 상술한 방법에서 사용된 데이터의 구조는 컴퓨터로 읽을 수 있는 기록매체에 여러 수단을 통하여 기록될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 램, USB, 플로피 디스크, 하드 디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.Meanwhile, the above-described method can be written as a program that can be executed on a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable recording medium. Additionally, the data structure used in the above-described method can be recorded on a computer-readable recording medium through various means. The computer-readable recording media includes storage media such as magnetic storage media (e.g., ROM, RAM, USB, floppy disk, hard disk, etc.) and optical read media (e.g., CD-ROM, DVD, etc.) do.

한편, 상술한 방법은　컴퓨터　프로그램　제품(computer program product)에 포함되어 제공될 수 있다.　컴퓨터　프로그램　제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다.　컴퓨터　프로그램　제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에,　컴퓨터　프로그램　제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.Meanwhile, the above-described method may be included and provided in a computer program product.　Computer programs and products are commodities and can be traded between sellers and buyers.　The computer program product may be distributed in the form of a machine-readable storage medium (e.g. compact disc read only memory (CD-ROM)) or through an application store (e.g. Play StoreTM) or between two user devices. It may be distributed in person or online (e.g., downloaded or uploaded). In the case of online distribution, at least part of the computer program product may be at least temporarily stored or temporarily created in a machine-readable storage medium, such as the manufacturer's server, the server of an application store, or the memory of a relay server.

본 실시예와 관련된 기술 분야에서 통상의 지식을 가진 자는 상기된 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 방법들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하며, 권리 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점을 포함하는 것으로 해석되어야 할 것이다.Those skilled in the art related to this embodiment will understand that the above-described substrate can be implemented in a modified form without departing from the essential characteristics. Therefore, the disclosed methods should be considered from an explanatory rather than a limiting perspective, and the scope of rights is indicated in the claims, not the foregoing description, and should be interpreted to include all differences within the equivalent scope.

Claims

선박의 운항을 최적화하는 방법에 있어서,
선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 상기 선박의 운항 경로에 관한 추천 항해 정보를 생성하는 단계;
상기 추천 항해 정보에 기초하여, 상기 선박의 BOG 발생량 및 상기 선박의 탱크 압력 값을 예측하는 단계; 및
상기 BOG 발생량 및 상기 탱크 압력 값에 기초하여, 상기 선박의 동작 제어에 관련된 최적 항해 정보를 획득하는 단계;를 포함하는, 방법.In a method of optimizing the operation of a ship,
Generating recommended navigation information regarding the navigation route of the vessel based on navigation plan information related to the departure location and arrival location of the vessel;
Predicting a BOG generation amount of the ship and a tank pressure value of the ship based on the recommended navigation information; and
Based on the BOG generation amount and the tank pressure value, obtaining optimal navigation information related to operation control of the vessel. A method comprising a.

제1 항에 있어서,
상기 운항 계획 정보는,
출발시간, 도착시간 및 장소의 위치 정보를 포함하고,
상기 생성하는 단계는,
상기 운항 계획 정보에 기초하여, 상기 선박의 운항 경로에 관한 환경 정보를 획득하는 단계; 및
상기 운항 계획 정보 및 상기 환경 정보에 기초하여, 상기 선박의 운항 경로에 관한 연료 소모량 및 BOG 발생량을 기준으로 상기 추천 항해 정보를 생성하는 단계;를 포함하는, 방법.According to claim 1,
The above flight plan information is,
Includes departure time, arrival time, and location information,
The generating step is,
Obtaining environmental information about the navigation route of the vessel based on the navigation plan information; and
Based on the navigation plan information and the environmental information, generating the recommended navigation information based on fuel consumption and BOG generation amount related to the navigation route of the vessel. A method comprising a.

제1 항에 있어서,
상기 추천 항해 정보는,
상기 운항 경로에 관한 항해 구간별 위치 정보, 항해 구간별 속도 정보 및 항해 구간별 환경 정보 중 적어도 하나를 포함하는, 방법.According to claim 1,
The above recommended sailing information is:
A method comprising at least one of location information for each navigation section, speed information for each navigation section, and environmental information for each navigation section regarding the navigation route.

제3 항에 있어서,
상기 예측하는 단계는,
상기 항해 구간별 위치 정보, 상기 항해 구간별 속도 정보 및 상기 항해 구간별 환경 정보에 기초하여, 상기 선박의 BOG 발생량을 예측하는 단계; 및
상기 항해 구간별 위치 정보, 상기 항해 구간별 속도 정보, 상기 항해 구간별 환경 정보 및 기 설정된 액화가스 소모량에 기초하여, 상기 선박의 탱크 압력 값을 예측하는 단계;를 포함하는, 방법.According to clause 3,
The prediction step is,
Predicting the amount of BOG generation of the ship based on the location information for each navigation section, the speed information for each navigation section, and the environmental information for each navigation section; and
A method comprising: predicting a tank pressure value of the vessel based on the location information for each navigation section, speed information for each navigation section, environmental information for each navigation section, and a preset liquefied gas consumption amount.

제1 항에 있어서,
상기 최적 항해 정보를 획득하는 단계는,
상기 BOG 발생량 및 상기 탱크 압력 값에 기초하여, 상기 선박의 동작 제어에 관련된 제n 차 중간 항해 정보를 생성하는 단계; 및
상기 제n 차 중간 항해 정보 및 제n+1 차 중간 항해 정보의 비교에 기초하여, 기 설정된 임계 값을 기준으로 상기 제n+1 차 중간 항해 정보를 상기 최적 항해 정보로 확정하는 단계;를 포함하고,
상기 n+1 차 중간 항해 정보는,
상기 n 차 중간 항해 정보에 포함된 항해 구간별 속도 정보 및 액화가스 소모량 중 적어도 하나의 갱신 값에 기초하여 생성되는 것이고,
상기 n은, 1 이상의 자연수인, 방법.According to claim 1,
The step of acquiring the optimal navigation information is,
generating nth intermediate navigation information related to operation control of the vessel based on the BOG generation amount and the tank pressure value; and
Based on comparison of the nth intermediate navigation information and the n+1th intermediate navigation information, determining the n+1th intermediate navigation information as the optimal navigation information based on a preset threshold; including; do,
The n+1 intermediate navigation information is,
It is generated based on at least one update value of speed information and liquefied gas consumption for each navigation section included in the nth intermediate navigation information,
The method wherein n is a natural number greater than or equal to 1.

제5 항에 있어서,
상기 확정하는 단계는,
상기 제n 차 중간 항해 정보 및 상기 제n+1 차 중간 항해 정보에 기초하여 산출된 차이 값이 기 설정된 임계 값보다 이하인 것에 응답하여, 상기 제n+1 차 중간 항해 정보를 상기 최적 항해 정보로 확정하는 단계; 및
상기 차이 값이 기 설정된 임계 값을 초과하는 것에 응답하여, 상기 제n+1 차 중간 항해 정보에 포함된 항해 구간별 속도 정보 및 액화가스 소모량 중 적어도 하나를 갱신함으로써 제n+2 차 중간 항해 정보를 생성하는 단계;를 포함하는, 방법.According to clause 5,
The confirmation step is,
In response to the difference value calculated based on the nth intermediate navigation information and the n+1th intermediate navigation information being less than a preset threshold, the n+1th intermediate navigation information is converted to the optimal navigation information. Confirming step; and
In response to the difference value exceeding a preset threshold, the n+2th intermediate navigation information is updated by updating at least one of speed information and liquefied gas consumption for each navigation section included in the n+1th intermediate navigation information. A method comprising: generating a.

제1 항에 있어서,
상기 최적 항해 정보는,
상기 선박의 BOG 발생량, 상기 선박의 탱크 압력 값, 상기 선박의 항해 구간별 속도 정보, 상기 선박의 액화가스 소모량 및 상기 선박에 설치된 장비의 사용량 중 적어도 하나를 포함하는 것인, 방법.According to claim 1,
The optimal navigation information above is,
A method comprising at least one of the amount of BOG generation of the ship, the tank pressure value of the ship, speed information for each navigation section of the ship, the amount of liquefied gas consumption of the ship, and the amount of usage of equipment installed on the ship.

제1 항에 있어서,
상기 최적 항해 정보를 이용하여 기 설정된 운전 방식으로 상기 선박을 제어하는 단계;를 더 포함하고,
상기 운전 방식은,
상기 선박의 액화가스 소모량을 최소화하는 운전 방식을 포함하는, 방법.According to claim 1,
Further comprising: controlling the vessel in a preset driving method using the optimal navigation information,
The driving method is,
A method comprising an operation method that minimizes the liquefied gas consumption of the vessel.

제1 항에 따른 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.A computer-readable recording medium recording a program for executing the method according to claim 1 on a computer.

적어도 하나의 메모리; 및
적어도 하나의 프로세서;를 포함하고,
상기 프로세서는,
선박의 출발 장소와 도착 장소에 관련된 운항 계획 정보에 기초하여, 상기 선박의 운항 경로에 관한 추천 항해 정보를 생성하고,
상기 추천 항해 정보에 기초하여, 상기 선박의 BOG 발생량 및 상기 선박의 탱크 압력 값을 예측하고,
상기 BOG 발생량 및 상기 탱크 압력 값에 기초하여, 상기 선박의 동작 제어에 관련된 최적 항해 정보를 획득하는, 컴퓨팅 장치.at least one memory; and
At least one processor;
The processor,
Based on navigation plan information related to the departure location and arrival location of the vessel, generate recommended navigation information regarding the navigation route of the vessel,
Based on the recommended navigation information, predict the BOG generation amount of the ship and the tank pressure value of the ship,
Computing device for obtaining optimal navigation information related to operation control of the vessel based on the BOG generation amount and the tank pressure value.

제10 항에 있어서,
상기 운항 계획 정보는,
출발시간, 도착시간 및 장소의 위치 정보를 포함하고,
상기 프로세서는,
상기 운항 계획 정보에 기초하여, 상기 선박의 운항 경로에 관한 환경 정보를 획득하고,
상기 운항 계획 정보 및 상기 환경 정보에 기초하여, 상기 선박의 운항 경로에 관한 연료 소모량 및 BOG 발생량을 기준으로 상기 추천 항해 정보를 생성하는, 컴퓨팅 장치.According to claim 10,
The above flight plan information is:
Includes departure time, arrival time, and location information,
The processor,
Based on the navigation plan information, obtain environmental information regarding the navigation route of the vessel,
A computing device that generates the recommended navigation information based on fuel consumption and BOG generation amount related to the navigation route of the vessel, based on the navigation plan information and the environmental information.

제10 항에 있어서,
상기 추천 항해 정보는,
상기 운항 경로에 관한 항해 구간별 위치 정보, 항해 구간별 속도 정보 및 항해 구간별 환경 정보 중 적어도 하나를 포함하는, 컴퓨팅 장치.According to claim 10,
The above recommended sailing information is:
A computing device comprising at least one of location information for each navigation section, speed information for each navigation section, and environmental information for each navigation section regarding the navigation route.

제12 항에 있어서,
상기 프로세서는,
상기 항해 구간별 위치 정보, 상기 항해 구간별 속도 정보 및 상기 항해 구간별 환경 정보에 기초하여, 상기 선박의 BOG 발생량을 예측하고,
상기 항해 구간별 위치 정보, 상기 항해 구간별 속도 정보, 상기 항해 구간별 환경 정보 및 기 설정된 액화가스 소모량에 기초하여, 상기 선박의 탱크 압력 값을 예측하는, 컴퓨팅 장치.According to claim 12,
The processor,
Predicting the amount of BOG generation of the ship based on the location information for each navigation section, the speed information for each navigation section, and the environmental information for each navigation section,
A computing device that predicts a tank pressure value of the ship based on location information for each sailing section, speed information for each sailing section, environmental information for each sailing section, and a preset liquefied gas consumption amount.

제10 항에 있어서,
상기 프로세서는,
상기 BOG 발생량 및 탱크 압력 값에 기초하여, 상기 선박의 동작 제어에 관련된 제n 차 중간 항해 정보를 생성하고,
상기 제n 차 중간 항해 정보 및 제n+1 차 중간 항해 정보의 비교에 기초하여, 기 설정된 임계 값을 기준으로 상기 제n+1 차 중간 항해 정보를 상기 최적 항해 정보로 확정하고,
상기 n+1 차 중간 항해 정보는,
상기 n 차 중간 항해 정보에 포함된 항해 구간별 속도 정보 및 액화가스 소모량 중 적어도 하나의 갱신 값에 기초하여 생성되고,
상기 n은, 1 이상의 자연수인, 컴퓨팅 장치.According to claim 10,
The processor,
Based on the BOG generation amount and tank pressure value, generate nth intermediate navigation information related to operation control of the vessel,
Based on the comparison of the nth intermediate navigation information and the n+1th intermediate navigation information, determining the n+1th intermediate navigation information as the optimal navigation information based on a preset threshold,
The n+1 intermediate navigation information is,
Generated based on at least one update value of speed information and liquefied gas consumption for each navigation section included in the nth intermediate navigation information,
Wherein n is a natural number greater than or equal to 1.

제14 항에 있어서,
상기 프로세서는,
상기 제n 차 중간 항해 정보 및 제n+1 차 중간 항해 정보에 기초하여 산출된 차이 값이 기 설정된 임계 값보다 이하인 것에 응답하여, 상기 제n+1 차 중간 항해 정보를 상기 최적 항해 정보로 확정하고,
상기 차이 값이 기 설정된 임계 값을 초과하는 것에 응답하여, 상기 제n+1 차 중간 항해 정보에 포함된 항해 구간별 속도 정보 및 액화가스 소모량 중 적어도 하나를 갱신함으로써 제n+2 차 중간 항해 정보를 생성하는, 컴퓨팅 장치.According to claim 14,
The processor,
In response to the difference value calculated based on the nth intermediate navigation information and the n+1th intermediate navigation information being less than a preset threshold, the n+1th intermediate navigation information is determined as the optimal navigation information. do,
In response to the difference value exceeding a preset threshold, the n+2th intermediate navigation information is updated by updating at least one of speed information and liquefied gas consumption for each navigation section included in the n+1th intermediate navigation information. A computing device that generates a.

제10 항에 있어서,
상기 최적 항해 정보는,
상기 선박의 BOG 발생량, 상기 선박의 탱크 압력 값, 상기 선박의 항해 구간별 속도 정보, 상기 선박의 액화가스 소모량 및 상기 선박에 설치된 장비의 사용량 중 적어도 하나를 포함하는, 컴퓨팅 장치.According to claim 10,
The optimal navigation information above is,
A computing device comprising at least one of the amount of BOG generation of the ship, the tank pressure value of the ship, speed information for each navigation section of the ship, the amount of liquefied gas consumption of the ship, and the amount of usage of equipment installed on the ship.

제10 항에 있어서,
상기 프로세서는,
상기 최적 항해 정보를 이용하여 기 설정된 운전 방식으로 상기 선박을 제어하고,
상기 운전 방식은,
상기 선박의 액화가스 소모량을 최소화하는 운전 방식을 포함하는, 컴퓨팅 장치.
According to claim 10,
The processor,
Controlling the vessel using a preset driving method using the optimal navigation information,
The driving method is,
A computing device comprising an operation method that minimizes liquefied gas consumption of the vessel.