Petrol ve Kimyasal Madde Tankerleri Denetimlerinde Balast Suyu Yönetimi Sözleşmesi Kaynaklı Uygunsuzlukların İncelenmesi

Creative Commons License

Fışkın R., Küçükkavruk B. K., Arslan Ö.

International Symposium on Ballast Water and Biofouling Management in IAS Prevention and Control, Antalya, Türkiye, 28 - 30 Kasım 2023, ss.68-71, Antalya, Türkiye, 28 - 30 Kasım 2023, ss.76-77, (Özet Bildiri)

  • Yayın Türü: Bildiri / Özet Bildiri
  • Basıldığı Şehir: Antalya
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.76-77
  • Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
  • Dokuz Eylül Üniversitesi Adresli: Evet

Özet

Balast sularında bulunması muhtemel istilacı türlerin gemiler aracılığıyla farklı limanlara taşınması, o bölgedeki suyun ekosistemini olumsuz etkileyen bir problemdir. Bu problemin en aza indirgenmesi amacıyla 8 Eylül 2017 tarihi itibariyle küresel olarak yürürlüğe giren Balast Suyu Yönetim (Ballast Water Management – BWM) Sözleşmesi ile birlikte balast suyu taşıyan gemiler için bazı düzenlemeler oluşturulmuştur. Gemilerin uluslararası denizcilik sözleşmelerine ve bu sözleşmelerce belirlenmiş olan standartlara uygunluğunun kontrollerinin yapıldığı liman devleti denetimlerinde Balast Suyu Yönetimi Sözleşmesi de gözetilerek denetlemeler gerçekleştirilir. Sözleşme kapsamında denetçiler tarafından tespit edilen ciddi eksiklikler gemi tutulmalarına neden olabilir. Buradan hareketle bu çalışmada, kimyasal ve petrol ürün tankerlerine yapılan liman devleti denetimlerinde Balast Suyu Yönetim Sözleşmesi kaynaklı eksiklikler üzerine bir inceleme yapılmış ve gemilerin tutulma riski değerlendirmesi üzerine bir model önerilmiştir. Son üç yıl (10.10.2020 – 10.10.2023) yapılan denetleme raporlarının dahil edildiği bu çalışmada toplam 224 veriden oluşan bir veriseti kullanılmıştır. Bu verilerin 26 adeti denetleme sonucu tutulan gemilerden oluşmaktadır. Diğer veriler tutulma ile sonuçlanmamış gemilere ait verilerdir. Oluşturulan veriseti dengesiz dağılan bir veritesetidir (imbalanced data) ve dengesiz dağılan verisetleri ile oluşturulan modellerin tahmin kesinliğinin (accuracy) düşük çıkması muhtemeldir. Literatürde modellerin tahmin kesinliğinin geliştirilmesi amacıyla dengesiz dağılan verisetlerini yapay veriler ile dengeli (balanced data) hale getirmek yaygın bir yaklaşımdır. Bu çalışmada ilk olarak, verisetinde yer alan eksik hücreler Rastgele Orman (Random Forest - RF) algoritması ile tamamlanmıştır. Daha sonra, dengesiz dağılan verisetlerinin dengeli veriseti haline getirilmesinde sıklıkla kullanılan Çekişmeli Üretici Ağlar (Generative Adversarial Nets - GANs) algoritması ile veriseti dengeli veriseti yapısına sokulmuştur. Son adımda, farklı makine öğrenmesi algoritmaları kullanılarak kimyasal ve petrol ürün tankerleri tutulmalarına etki eden faktörler tespit edilmiş ve gemilerin tutulma riski tahminlemesi üzerine modeller oluşturulmuştur. Araştırma kapsamında ortaya çıkan sonuçların, denetleme politikası geliştirme süreçlerine katkı sağlayacağı düşünülmektedir.

The transportation of invasive species likely to be found in ballast water to different ports through ships is a problem that negatively affects the ecosystem of the water in that region. In order to minimize this problem, some regulations have been established for ships carrying ballast water with the Ballast Water Management (BWM) Convention, which entered into force globally on 8 September 2017. Controls are carried out by considering the BWM Convention in Port State Controls where the compliance of ships with international maritime conventions and the standards set by these conventions are checked. Serious deficiencies detected by inspectors within the scope of the convention may cause ship detentions. Therefore, in this study, a control on the deficiencies arising from the BWM Convention in Port State Controls of oil and chemical tankers has been carried out and a model has been proposed for the assessment of the risk of ship detentions. In this study, a dataset consisting of a total of 224 data was used in the last three years (10.10.2020 - 10.10.2023). 26 of these data consist of vessels that were detained as a result of controls. The rest of the data belongs to vessels that did not result in an detention. The generated data set is an imbalanced data set and the prediction accuracy of the models created with imbalanced data sets is likely to be low. In the literature, it is a common approach to balance imbalanced datasets with artificial data in order to improve the prediction accuracy of the models. In this study, first, the missing cells in the dataset are filled with Random Forest (RF) algorithm. Then, Generative Adversarial Nets (GANs) algorithm, which is frequently used to transform unbalanced datasets into balanced datasets, is used to transform the dataset into a balanced dataset. In the last step, different machine learning algorithms were used to identify the factors affecting the detention of oil and chemical tankers and models were created to predict the risk of detention. It is thought that the results of the research will contribute to the control policy development processes.