Bruk av kunstige nevrale nettverk til å predikere bøyemomenter til stigerør
Master thesis
Permanent lenke
http://hdl.handle.net/11250/2624614Utgivelsesdato
2019Metadata
Vis full innførselSamlinger
Sammendrag
Tretthet var inntil nylig ikke ansett som en utfordring for stigerør- og brønnhodesystemer.Belastning på strukturene ble derfor ikke tatt med i design kravene. Siden har utviklingav numeriske modeller og overvåkningssystemer vist at flyterigger med BOP (blowoutpreventer) og stigerørsystemer kan forårsake signifikante laster på permanent installertutstyr. Dette vil igjen føre til slitasje.
Ved å kunne kalkulere bøyemomentene stigerøret og brønnhodesystemet opplever kanman finne ut hvor slitt systemet er. Dette kan igjen bli brukt til å kalkulere den forventederesterende levetiden til systemet. I denne masteroppgaven ser vi på muligheten til å brukekunstige nevrale nettverk til å predikere bøyemomentene til et simulert stigerør basert påen begrenset mengde sensorer.
En numerisk løser for et gitt sett ligninger som beskriver stigerøret, hentet fra littera-turen om stigerørsmekanikk, er foreslått. Valgene av diskretisering i rom og tid er drøftet.Den numeriske løseren blir siden brukt til å produsere trenings- og testdata for de kunstigenevrale nettverkene.
Teori om å behandle dype kunstige nevrale nettverk som diskretiseringer av dynamiskesystemer, basert på nylig publiserte artikler [HR17, CCHC19, E17], ble undersøkt. Ut ifrapå denne teorien ble tre kunstige nevrale nettverk studert videre og implementert i tilleggtil et mer tradisjonelt nettverk.
Nettverkenes prestasjoner ble evaluert ut ifra deres evner til å predikere basert på ukjentsimulert stigerørdata og simulert stigerørdata med støy. De dynamisk system inspirertenettverkene viste bedre egenskaper når det gjaldt å predikere på data med støy enn dettradisjonelle nettverket. Nettverkene predikerte bøyemomentene til det simulerte stigerøretmed høy nøyaktighet. Antall sensorer og deres posisjon viste seg også å være av betydningfor nøyaktighetene til nettverkene. Structural fatigue was until recently, not considered a challenge for riser and wellheadsystems. Therefore, design codes did not include verification of structural loads. Furtherdevelopment of monitoring systems and numerical modeling techniques have howeverrevealed that semi-submersible rigs with blowout preventer, and marine riser systems maycause significant wear and tear on permanently installed equipment.
Being able to calculate the bending moments of the riser and wellhead system is im-portant in order to calculate the accumulated fatigue of the system. This may again be usedto calculate the expected remaining life time of the system. In this thesis we investigatethe possibility of using artificial neural networks to calculate the bending moments of asimulated riser structure, based on a limited number of sensors.
A numerical solver for a given set of governing riser equations found in the literatureabout riser mechanics is proposed. The choices of discretization methods in space andtime is explained. The numerical solver is later used to create training and test data for theartificial neural networks.
The theory of treating deep artificial neural networks as a discretization of dynamicalsystems, based on recently published articles [HR17, CCHC19, E17], was studied. Threedifferent artificial neural network architectures were implemented based on the articles inaddition to a more traditional artificial neural network.
The networks performance was evaluated based on their ability to predict on unknownsimulated riser data with and without added noise. The dynamical system inspired net-works showed better properties when predicting on noisy data than the more traditionalone. The networks were able to predict the bending moments of the riser with a high ac-curacy. The number of sensors and their positioning were found to be of importance to theaccuracy of the artificial neural networks.