Machine learning based digital twin framework for aquaculture net cage system
Abstract
I denne master oppgaven er det presentert et rammeverk for digital tvilling for fiskeoppdrettsanlegg ved å bruke numerisk simulering, maskin læring og sensor data. De numeriske simuleringene er utført med programvaren FhSim som er utarbeidet ved SINTEF Ocean. Fiskeoppdrettsanlegget som er simulert i FhSim er CAC prosjektet til MOWI. Maskin lærings algoritmen som er brukt er XGBoost. Med FhSim ble det gjennomført 640 simuleringer i denne master oppgaven. Ved å trene maskinlæringsmodellen med denne resultatdataen fra FhSim har det vært mulig å spå fortøyningskreftene i tøylene i fiskeoppdrettsanlegget. Nøyaktighetsgraden på maskinlæringsmodellen har variert, men med en trening/testing data split på 80/20 i XGBoost var den gjennomsnittlige usikkerheten på 0.5%. Oppgaven foreslår videre hvordan dette rammeverket for digital tvilling kan videreutvikles til å utarbeide en nøyaktig digital tvilling modell. Dette forutsetter da at maskinlæringsmodellen kan trenes med mer data generert med FhSim. Da kan denne digitale tvillingen brukes til å kartlegge slitasje av strukturelle komponenter i fiskeoppdrettsanlegget slik at ulykker eller unødvendig utskifting av komponenter unngås. In this master's thesis, a framework for digital twin for fish farming facilities using numerical simulation, machine learning and sensor data is presented. The numerical simulations are performed with FhSim which is a software created by SINTEF Ocean. The net cage system that is simulated in FhSim is the CAC project which is a research project owned by MOWI. The machine learning algorithm used is XGBoost. With FhSim, 640 simulations were performed in this master's thesis. These simulations were run with different current velocities for different depths in the same direction. By training the machine learning model with the result data generated by FhSim, predictions of the mooring connection forces in the net cage system bridles could be made. The accuracy of the machine learning model has varied, but with a training/testing data split of 80/20 in XGBoost, the average uncertainty was 0.5%. The thesis further suggests how this framework for the digital twin can be further developed into an accurate digital twin model. This presupposes that the machine learning model can be trained with more generated data from FhSim. The digital twin can then be used to map the wear of the structural components in the net cage system so that accidents or unnecessary replacement of components is avoided.