소형 어선의 동적 안전도 평가를 위한 LSTM 기반 등가 횡경사각 및 복원정 예측 = LSTM-Based Prediction of Equivalent Heel Angle and Righting Arm for Dynamic Stability Assessment of Small Fishing Vessels

국문 초록 (Abstract)

본 논문은 국내 연안 어선 사고의 높은 비중을 차지하는 10~50톤급 소형 어선의 동적 안전도를 실시간으로 평가하기 위해 딥러닝 기반의 예측 모델을 제안한다. 6자유도 시뮬레이션을 통해 생성된 선체 운동 데이터를 활용하여, 선체의 롤(Roll)과 피치(Pitch) 운동이 결합된 등가 횡경사각()과 최종 안전도 지표인 복원정(GZ)을 예측하는 실험을 수행하였다. LSTM(Long Short-Term Memory) 네트워크를 적용한 실험 결과, Xacc의 구성요소(롤, 피치 등)를 개별 예측하여 재구성하는 방식은 비선형 연산 과정에서 오차가 증폭되어 신뢰도가 낮았으나, 와 GZ를 직접 타깃으로 학습한 모델은 5초 후의 동적 변화를 유의미한 정확도로 예측하였다. 특히 3초 이내의 단기 예측에서는 매우 높은 신뢰도 > 0.67를 유지하여 실무 적용 가능성을 확인하였다. 또한 GZ 직접 예측 모델은 선박의 복원력을 정량적인 수치(m)로 즉각 제시함으로써, 실무 현장에서 선장의 직관적인 상황 판단과 신속한 대응을 지원하는 유용한 도구가 될 수 있음을 확인하였다.

다국어 초록 (Multilingual Abstract)

This paper proposes a deep learning-based prediction model to evaluate the real-time dynamic stability of small fishing vessels (10-50 tons), which account for a high proportion of coastal accidents in Korea. Using ship motion data generated through 6-DOF simulations, we conducted experiments to predict the equivalent heeling angle (), which combines roll and pitch motions, and the righting arm (GZ), a final stability index.Experimental results using Long Short-Term Memory (LSTM) networks showed that the indirect method of reconstructing by predicting individual components (roll, pitch, etc.) had low reliability due to error amplification during nonlinear calculations. However, models directly learning and GZ as targets predicted dynamic changes 5 seconds ahead with significant accuracy. In particular, short-term predictions within 3 seconds maintained very high reliability ( > 0.67), confirming their applicability in practice. Furthermore, the direct GZ prediction model proved to be a useful tool for supporting captains' intuitive situational awareness and rapid response by immediately presenting the vessel's restoring capability as a quantitative value.