Bruk av kunstige nevrale nettverk til å predikere bøyemomenter til stigerør

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.

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.