Towards Remaining Life Assessment Using Machine Learning

Abstract

Brudd i ankerkjettinger grunnet korrosjon og utmatting er et problem offshorenæringen møter. Brudd i flere kjettinger i permanent oppankrede systemer har vist seg å ha en årlig frekvens på omtrent 3 x 10^-3 og de fleste bruddene skjer godt innenfor kjettingens design liv. Å bruke konvensjonelle metoder til å avgjøre gjenværende levetid i kjettinger har vist seg å være en nøyaktig, men også tidkrevende prosess. Derimot har maskinlæring vist seg å gi både raske og nøyaktige resultater innenfor ingeniørfag. Denne oppgaven setter søkelys på å demonstrere mulighetene for å anslå spenning rundt en korrosjonsgrop ved å bruke "generative adversarial networks". Det har blitt vist at "Generative adversarial networks" klarer å generere bilder som ser svært realistiske ut, og denne oppgaven undersøker om de klarer å gjenskape resultater funnet ved elementmetode.

To datasett ble skapt ved å bruke elementmodelering i ANSYS APDL. Et der målet er et gråskalabilde av spenningsfeltet i overflaten av en grop og et der målet er spenningsfeltet 1mm under gropen. Begge datasettene bruker et gråskala bilde av gropens topologi som input. Elementmetode analyse ble gjennomført med plant strekk av 1MPa. Topologibilder fra korrosjon i ankerkjettinger ble brukt da 3D modeller av gropene ble laget. Spenningen i overflaten og 1 mm under ble brukt til å generere gråskalabildene der pikselverdiene representerte spenningen i lokasjonen pikselen representerte. \\ \\ GAN modellen lagt frem av Isola et al (2017) ble brukt som grunnlag under utviklingen av maskinlæring-modellen som skulle generere bildene av spenningsfeltet. For å optimalisere nettverket for å finne høyeste spenning ble det eksperimentert med tapsfunksjonen brukt i maskinlæringen. For å redusere utregningstiden i nettverket ble det også eksperimentert med forskjellige modellstørrelser, og størrelsen på nettverket ble halvert. \\ \\ Resultatet fra denne oppgaven er Python-programmet "Generate\_images.py" som bruker to trenede modeller til å anslå spenningsfeltene rundt en grop. Programmets nøyaktighet er så undersøkt ved å analysere 1000 groper som ikke ble brukt til å trene modellen. Det er konkludert med at programmet er svært nøyaktig når det anslår spenninger i overflaten og 1mm under overflaten rundt korrosjons groper med dybde mellom 0mm og 12mm.

Mooring line failure due to fatigue and corrosion is a problem the offshore industry is facing. Multiple line failure in a permanent mooring system has an annual frequency of around 3 x 10^-3 and most failures happen well within the mooring chains' design-life. Determining remaining fatigue life of a mooring system by conventional methods have proven to be an accurate but also tedious process. However, artificial Neural Networks have shown to produce both quick and accurate results in engineering. This thesis focuses on demonstrating the feasibility of predicting stress fields around corrosion pits by using generative adversarial networks. Generative adversarial networks have proven to be able to generate images that look very realistic to the human eye and this thesis examines their ability to recreate finite element analysis results.

To train a machine learning model was two data sets of stress fields were created using finite element modeling in ANSYS APDL, one were the target was a gray scale image of the stress field in the surface of pits and one where the target was the stress field 1mm below the surface. Both data sets use a gray scale image of the pits surface topology as an input. The element analysis was done on pits with a tension of 1 MPa, and the 3D model of the pits were made from surface topology images of corrosion pits in mooring chains. The first principal stress in both the surface and 1mm below the surface was used to generate gray scale images where the pixel vales represented stress in the particular location.

The GAN model proposed by Isola et al.(2017) was used as a basis when developing a machine learning model that generate accurate images of the stress fields. To optimize the model for finding the peak stresses in the image was generator loss function experimented with and changed to include root mean squared error. To reduce the training time and computational time of the model was the size of the model reduced. The reduction was done after experimenting with different model sizes.

The result of this thesis is the python program "Generate\_images.py" that uses two trained machine learning models to predict stress fields around pits. The program accuracy is investigated by analyzing 1000 pit images that were not used in the training and comparing the result with results finite element analysis. It is concluded that the program is able to accurately predict the stress fields in the surface and 1mm below the surface in and around corrosion pits with depth ranging from 0mm to 12mm.