Sefer planı geçiş izi limiti belirlenmesinde bulanık temelli hibrit bir model önerisi

Gemilerde sefer planlamasında emniyetli seyir için belirlenmesi gereken önemli emniyet parametrelerinden biri, Geçiş İzi Limiti (Cross Track Limit-XTL) değeridir. Su üstü engelleri göz önüne alınarak tespit edilen bu değerler, gemiler için belirlenen rotanın sancak ve iskele tarafında yer alan emniyetli seyir alanını ifade eder. Uygulamada, bu değerler genellikle şirket politikaları ve/veya gemi kaptanı tarafından belirlenir. Ancak, kişisel tecrübe ve risk algısı, belirlenen limit değerlerine doğrudan etki eder. Gemi kazalarının büyük bir bölümünün insan kaynaklı olduğu göz önüne alındığında, emniyetli bir seyir sağlanabilmesi için XTL değerinin doğru bir şekilde belirlenmesi son derece önemlidir. Bu çalışmada, XTL değerlerinin makine öğrenmesi yöntemleriyle belirlenmesi amaçlanmıştır. İlk olarak, akademik çalışmalar, şirket politikaları ve uzman görüşleri aracılığıyla XTL değerlerini etkileyen faktörler belirlenmiştir. Bu faktörler, açık denizler ve kısıtlı sular olmak üzere iki ayrı başlık altında incelenmiştir. Elde edilen bilgiler doğrultusunda hazırlanan veri toplama formu, 11 uzakyol gemi kaptanına sunulmuştur. Toplanan veriler ışığında, XTL değerini etkileyen faktörler Çok Kriterli Karar Verme (ÇKKV) yöntemlerinden Genişletilmiş Bulanık Analitik Hiyerarşi Süreci (BAHP) kullanılarak önem sırasına göre sıralanarak en yüksek etkiye sahip beşer faktör belirlenmiştir. Açık denizlerde ilk beş faktör gemi manevra kabiliyeti, gemi boyu, gemi eni, zabit tecrübesi ve gemi tipi olarak sıralanırken, kısıtlı sularda gemi draftı, CATZOC, trafik durumu, zabit tecrübesi ve gemi hızı olarak sıralanmıştır. Belirlenen bu faktörler temelinde bir Mamdani tip Bulanık Çıkarım Sistemi (Fuzzy Inference System-FIS) modeli oluşturulmuştur. Böylece, makine öğrenmesi yöntemleri kullanılarak XTL değerlerini öneren bir FIS modeli geliştirilmiştir. Sonuç olarak, gemi kaptanı ve/veya şirket politikaları ile belirlenen XTL değerlerinin, subjektif yargılardan arındırılarak, makine öğrenmesine dayalı bir karar destek modeli tarafından önerilmesi sağlanmıştır.