Towards Remaining Life Assessment by use of Conditional Adversarial Networks
Master thesis

Date
2021Metadata
Show full item recordCollections
- Institutt for marin teknikk [3584]
Abstract
Statistikk viser at fler-tallige tap av forankringsliner har skjedd tidlig i den designedelevetiden. Forankringsliner av kjetting var ansvarlige for opptil 50 % avalle tap, hvor utmatting var en av hoved°arsakene for disse tapene. For å oppdageog unng°a mulig tap, er det vanlig°a bruke fjernstyrte undervannsfarekoster (ROV).Ved°a kombinere disse inspeksjonene med en maskinlærings algoritme som kan analysere3D skanninger, kan gi en rask, effektive og sikker prediksjon på tilstandentil kjetting løkker uten behovet for endelige elementmetode analyser. Dette vilredusere kostnader og mulig gi bedre innsikt enn dagens metode tilbyr.
Denne avhandlingen presenterer en metode hvor et betinget opponent-genererendenettverk (cGAN) kan bli brukt i evalueringen av gjenværende levetid for korrodertekjettingløkker. Det etablerte nettverket er basert på det eksisterende bilde-til-bildetransformasjons nettverket Pix2Pix. Det etablert nettverket transformerte ett gråaskalabilde av overflaten til ´en enkel korrosjonsgrop til ett spenningsfelt bilde somrepresenterer spenningskonsentrasjonen (SCF) i en kritisk distanse p°a L/2 = 0.5mm.
For å både trene og teste ytelsen til det nevrale nettverk, ble det etablert enprosedyre for °a lage en endelig elementmodell som kan finne spenningen i den kritiskedistansen for mange forskjellige korrosjonsgrop-geometrier. Denne prosedyrenbrukte en syntetisk overflate plassert under den faktiske overflate. Den syntetiskeoverflaten ar identisk med den faktisk, og for å oppnå spenningene på den kritiskedistansen.
Det etablerte nevrale nettverket ga lovende resultat for bruk i utmattings evalueringenav korroderte kjetting løkker. Nettverkets generator klarte å genere bilder sombåde ser ekte ut og ligner på de faktiske bildene av spenningskonsentrajon. Feileni maksimum spenningskonsetrasjon i de generete bilden var lav, og verdien avspenningen ville mest sannsynlig bli overestimert. Denne feilen ble lavere ved å introdusereen ekstra målfunksjon, en maksimum verdi målfunksjon. Med den ekstramålfunksjonen ville spenningen mest sannsynlig bli underestimert. Derfor burdenettverket trent uten den esktra målfunksjonen blir brukt for videre utmattingsevalueringer. Statistics show numerous mooring lines failure has occurred in early life, well withindesign life. Mooring chain failure accounted for up to 50 % of total failures, wherefatigue was one of the main drivers for failure. To detect and avoid possible failures,inspection by use of, e.g., remotely operated vehicles (ROVs) is commonly done.Combining these inspections with a machine learning algorithm that can process 3Dscans can provide fast, efficient, and accurat predictd on the condition of mooringchains without the need for finite element analysis. This would welcome a reductionin operational cost and possibly provide more insight than by today’s standardapproach.
This thesis presents a method of using a conditional generative adversarial network(cGAN) in remaining life assessment of corroded mooring chains. The constructedneural network is based on the existing image-to-image translation networkPix2Pix. The constructed network translated a gray-scale image of a single pitsurface to the corresponding stress field image containing the stress concentrationfactor (SCF) at a critical distance of L/2 = 0.5 mm.
In order to train and test the performance of the neural network, a procedure ofcreating a finite element model that could obtain the stresses at the critical distancefor many different pit geometries was established. This procedure used an artificialsub surface, identical to the pitted surface, to obtain these stresses.
The constructed neural network provided promising results for use in the fatigueassessment of corroded mooring chains. The network’s generator was able to generatereal-looking stress field images that are similar to the true stress field images.The prediction error in the maximum SCF in the generated images was low andwas most likely to be overestimated. By introducing an additional loss function, amaximum value loss, for the generator, the prediction error decreased. However,with the maximum loss, the SCFs were more likely to be underestimated. Hence,the network trained without the additional loss should be used for further fatigueassessments.