dc.contributor.advisor | Celledoni, Elena | |
dc.contributor.author | Gustad, Halvor Snersrud | |
dc.date.accessioned | 2019-10-26T14:00:43Z | |
dc.date.available | 2019-10-26T14:00:43Z | |
dc.date.issued | 2019 | |
dc.identifier.uri | http://hdl.handle.net/11250/2624614 | |
dc.description.abstract | 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 utvikling
av numeriske modeller og overvåkningssystemer vist at flyterigger med BOP (blowout
preventer) og stigerørsystemer kan forårsake signifikante laster på permanent installert
utstyr. Dette vil igjen føre til slitasje.
Ved å kunne kalkulere bøyemomentene stigerøret og brønnhodesystemet opplever kan
man finne ut hvor slitt systemet er. Dette kan igjen bli brukt til å kalkulere den forventede
resterende levetiden til systemet. I denne masteroppgaven ser vi på muligheten til å bruke
kunstige nevrale nettverk til å predikere bøyemomentene til et simulert stigerør basert på
en 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 kunstige
nevrale nettverkene.
Teori om å behandle dype kunstige nevrale nettverk som diskretiseringer av dynamiske
systemer, basert på nylig publiserte artikler [HR17, CCHC19, E17], ble undersøkt. Ut ifra
på denne teorien ble tre kunstige nevrale nettverk studert videre og implementert i tillegg
til et mer tradisjonelt nettverk.
Nettverkenes prestasjoner ble evaluert ut ifra deres evner til å predikere basert på ukjent
simulert stigerørdata og simulert stigerørdata med støy. De dynamisk system inspirerte
nettverkene viste bedre egenskaper når det gjaldt å predikere på data med støy enn det
tradisjonelle nettverket. Nettverkene predikerte bøyemomentene til det simulerte stigerøret
med høy nøyaktighet. Antall sensorer og deres posisjon viste seg også å være av betydning
for nøyaktighetene til nettverkene. | |
dc.description.abstract | Structural fatigue was until recently, not considered a challenge for riser and wellhead
systems. Therefore, design codes did not include verification of structural loads. Further
development of monitoring systems and numerical modeling techniques have however
revealed that semi-submersible rigs with blowout preventer, and marine riser systems may
cause 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 used
to calculate the expected remaining life time of the system. In this thesis we investigate
the possibility of using artificial neural networks to calculate the bending moments of a
simulated riser structure, based on a limited number of sensors.
A numerical solver for a given set of governing riser equations found in the literature
about riser mechanics is proposed. The choices of discretization methods in space and
time is explained. The numerical solver is later used to create training and test data for the
artificial neural networks.
The theory of treating deep artificial neural networks as a discretization of dynamical
systems, based on recently published articles [HR17, CCHC19, E17], was studied. Three
different artificial neural network architectures were implemented based on the articles in
addition to a more traditional artificial neural network.
The networks performance was evaluated based on their ability to predict on unknown
simulated riser data with and without added noise. The dynamical system inspired net-
works showed better properties when predicting on noisy data than the more traditional
one. 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 the
accuracy of the artificial neural networks. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Bruk av kunstige nevrale nettverk til å predikere bøyemomenter til stigerør | |
dc.type | Master thesis | |