Towards Remaining Life Assessment by use of Conditional Adversarial Networks

Abstract

Statistikk viser at fler-tallige tap av forankringsliner har skjedd tidlig i den designede levetiden. Forankringsliner av kjetting var ansvarlige for opptil 50 % av alle tap, hvor utmatting var en av hoved°arsakene for disse tapene. For å oppdage og unng°a mulig tap, er det vanlig°a bruke fjernstyrte undervannsfarekoster (ROV). Ved°a kombinere disse inspeksjonene med en maskinlærings algoritme som kan analysere 3D skanninger, kan gi en rask, effektive og sikker prediksjon på tilstanden til kjetting løkker uten behovet for endelige elementmetode analyser. Dette vil redusere kostnader og mulig gi bedre innsikt enn dagens metode tilbyr.

Denne avhandlingen presenterer en metode hvor et betinget opponent-genererende nettverk (cGAN) kan bli brukt i evalueringen av gjenværende levetid for korroderte kjettingløkker. Det etablerte nettverket er basert på det eksisterende bilde-til-bilde transformasjons nettverket Pix2Pix. Det etablert nettverket transformerte ett gråaskala bilde av overflaten til ´en enkel korrosjonsgrop til ett spenningsfelt bilde som representerer spenningskonsentrasjonen (SCF) i en kritisk distanse p°a L/2 = 0.5 mm.

For å både trene og teste ytelsen til det nevrale nettverk, ble det etablert en prosedyre for °a lage en endelig elementmodell som kan finne spenningen i den kritiske distansen for mange forskjellige korrosjonsgrop-geometrier. Denne prosedyren brukte en syntetisk overflate plassert under den faktiske overflate. Den syntetiske overflaten ar identisk med den faktisk, og for å oppnå spenningene på den kritiske distansen.

Det etablerte nevrale nettverket ga lovende resultat for bruk i utmattings evalueringen av korroderte kjetting løkker. Nettverkets generator klarte å genere bilder som både ser ekte ut og ligner på de faktiske bildene av spenningskonsentrajon. Feilen i maksimum spenningskonsetrasjon i de generete bilden var lav, og verdien av spenningen ville mest sannsynlig bli overestimert. Denne feilen ble lavere ved å introdusere en ekstra målfunksjon, en maksimum verdi målfunksjon. Med den ekstra målfunksjonen ville spenningen mest sannsynlig bli underestimert. Derfor burde nettverket trent uten den esktra målfunksjonen blir brukt for videre utmattings evalueringer.

Statistics show numerous mooring lines failure has occurred in early life, well within design life. Mooring chain failure accounted for up to 50 % of total failures, where fatigue 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 3D scans can provide fast, efficient, and accurat predictd on the condition of mooring chains without the need for finite element analysis. This would welcome a reduction in operational cost and possibly provide more insight than by today’s standard approach.

This thesis presents a method of using a conditional generative adversarial network (cGAN) in remaining life assessment of corroded mooring chains. The constructed neural network is based on the existing image-to-image translation network Pix2Pix. The constructed network translated a gray-scale image of a single pit surface to the corresponding stress field image containing the stress concentration factor (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 of creating a finite element model that could obtain the stresses at the critical distance for many different pit geometries was established. This procedure used an artificial sub surface, identical to the pitted surface, to obtain these stresses.

The constructed neural network provided promising results for use in the fatigue assessment of corroded mooring chains. The network’s generator was able to generate real-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 and was most likely to be overestimated. By introducing an additional loss function, a maximum 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 fatigue assessments.