• Title/Summary/Keyword: 어선사고

Search Result 217, Processing Time 0.025 seconds

STCW-F협약에 대한 고찰 (A Study on STCW-F Convention, Revolving Around Certification)

  • 박문갑
    • 선박안전
    • /
    • 통권31호
    • /
    • pp.71-80
    • /
    • 2011
  • STCW-F협약은 어선에서 인적요소에 의한 해양사고예방을 위하여 IMO가 1995년에 채택한 협약으로 발효 요건은 15개국만 비준하면 발효되도록 한 협약이나 아직 발효되고 있지 않으나 최근에 비준국가의 급격한 증가로 발효가 임박하였다. 협약은 그 명칭에서 보는 바와 같이 어선 해기사의 자격증명과 훈련 및 당직근무의 기준에 관한 것이다. 자격증명은 무제한 수역에서 조업하는 길이 24미터 이상 항해어선의 당직항해사와 선장, 길이 45미터 이상 제한수역에서 조업하는 당직항해사 및 선장에 대한 자격증과 주기관 추진력 750킬로와트 이상 어선에 승무하는 일등기관사 및 기관장에 대한 자격증명 및 무선통신사의 자격증명이 있다. 훈련은 모든 어선원을 위한 기초안전훈련이 있으며 당직근무기준은 어선에서 항해당직을 유지하기 위하여 준수해야할 원칙이 있다. 또한 회의에서 채택한 결의서가 9개 있다. 특히 동 협약이 발효되면 비차별 조항에 따라 당사국은 항만국 통제를 시행할 수 있으므로 주요 연안국에서 입어 협상 등에서 자기 나라의 입지를 강화하기 위한 수단으로 사용될 소지도 있어 이에 대한 연구가 필요하다.

  • PDF

소형선박용 기름회수장비 개발을 위한 대상선박 선정에 관한 연구 (A Study on the Selection of Subject Vessel for Development of Oil Recovery Equipment for Small Vessel)

  • 임채현;한원희
    • 해양환경안전학회지
    • /
    • 제18권6호
    • /
    • pp.604-609
    • /
    • 2012
  • 우리나라는 대규모 유류오염사고가 발생한 경우 방제자원이 충분하지 않아 방제에 어려움을 겪었으며, 또한 방제에 동원된 어선이 효과적인 방제를 수행하지 못해 작업비용이 거부되는 사례도 이전 사고에서 경험하였다. 이에 대규모 유류오염사고 등을 대비하여 방제자원을 사전에 확보하고 또한 유류오염으로 인하여 많은 피해를 입게 되는 오염지역의 어선을 효율적으로 활용할 수 있는 방안의 일환으로 소형 선박에 장착하여 기름을 회수할 수 있는 효율적 장비를 개발하고 이를 정책화하는 것이 중요한 대안이 될 수 있다. 이를 위해, 본 연구에서 국내 실정에 맞는 소형선박 장착용 기름회수장비 개발을 위한 예비 단계로서 이러한 장비의 장착에 적합한 대상 선박의 선정을 위한 연구를 수행하였다.

심층 네트워크 모델에 기반한 어선 횡동요 시계열 예측 (Fishing Boat Rolling Movement of Time Series Prediction based on Deep Network Model)

  • 김동균;임남균
    • 한국항해항만학회지
    • /
    • 제47권6호
    • /
    • pp.376-385
    • /
    • 2023
  • 통계에 따르면 어선의 전복 사고는 전체 전복 사고의 절반 이상을 차지한다. 이는 미숙한 조업, 기상 악화, 정비 미흡 등 다양한 원인으로 발생할 수 있다. 업계 규모와 영향도, 기술 복잡성, 지역적 다양성 등으로 인해 어선은 상선에 비해 상대적으로 연구가 부족한 실정이다. 본 연구에서는 이미지 기반 딥러닝 모델을 활용하여 어선의 횡동요 시계열을 예측하고자 한다. 이미지 기반 딥러닝은 시계열의 다양한 패턴을 학습하여 높은 성능을 낼 수 있다. 이를 위해 Xception, ResNet50, CRNN의 3가지의 이미지 기반 딥러닝 모델을 활용하였다. Xception과 ResNet50은 각각 177, 184개의 층으로 구성되어 있으며 이에 반해 CRNN은 22개의 비교적 얇은 층으로 구성되어 있다. 실험 결과 Xception 딥러닝 모델이 가장 낮은 0.04291의 sMAPE와 0.0198의 RMSE를 기록하였다. ResNet50과 CRNN은 각각 0.0217, 0.022의 RMSE를 기록하였다. 이를 통해 상대적으로 층이 더 깊은 모델의 정확도가 높음을 확인할 수 있다.