A Bayesian network approach for analysing the failure of jackup rigs operations in West Africa.
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3024617Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
- Institutt for marin teknikk [3472]
Beskrivelse
Full text not available
Sammendrag
Den globale energietterspørselen vil øke de neste ti ̊arene p ̊a grunn av befolkningsvekst og økt forbruk.Samtidig som europeiske land øker investeringene sine i fornybar energi, som havvind, har de vist seg ̊avære kostbare, up ̊alitelige og ute av stand til ̊a produsere samme mengde energi som fossilt brensel somolje, gass og kull. Tidligere har europeiske energiselskaper prioritert p ̊a hydrokarbonproduksjon, prioritererde n ̊a utvikling av fornybar energi. Dette har ført til at europeiske energiselskaper har trukket seg fra hy-drokarbonprosjekter, noe som har hemmet utviklingen av fornybar energi og petroleumsutvikling generelti land som primært ligger i Vest-Afrika. Mens jeg skrev denne masteroppgaven, opplevde verden, spesieltEuropa, energimangel og skyhøye priser som følge av den russisk-ukrainske krigen; aldri før har solidhydrokarbonproduksjon vært viktigere.Vest-Afrika som region har enorme olje- og gassreserver til havs og p ̊a land. Landutvikling har g ̊att myeraskere enn havutvikling, og det er ønskelig ̊a utvikle offshore olje- og gassvirksomhet i Vest-Afrika. Dess-verre har offshoreoperasjoner i Vest-Afrika en høyere risiko enn i andre omr ̊ader.Bayesiansk nettverk (BN) er en probabilistisk grafisk modell som bruker en rettet asyklisk graf for ̊a repres-entere en betinget gjensidig avhengighet via en rettet asyklisk graf. Dette kan brukes til ̊a undersøke og vise ̊arsakssammenhenger mellom nøkkelfaktorer og systemutfall. Deretter utføres en sensitivitetsanalyse for ̊abestemme hvordan endringer i andre variabler kjent som inngangsvariabler p ̊avirker m ̊alvariabler (Jackupriggfeil).Det har vært aktivitet offshore i Vest-Afrika de siste 45 ̊arene, spesielt med bruk av jackup-rigger. Denneoppgaven undersøker etableringen av et bayesiansk nettverk basert p ̊a historiske ulykkesdata for ̊a visu-alisere hvilken operasjon p ̊a jekkløfteren som for ̊arsaket ulykken og for ̊a estimere frekvensen av et gittscenario kan inntreffe. Global energy demand will rise in the coming decades due to population growth and increased consump-tion. At the same time that European countries are increasing their investments in renewable energy, suchas offshore wind, they have proven to be costly, unreliable, and incapable of producing the same amount ofenergy as fossil fuels such as oil, gas, and coal. Previously focused on hydrocarbon production, Europeanenergy companies are now prioritising the development of renewable energy. This has resulted in Europeanenergy companies withdrawing from hydrocarbon projects, which has hampered the development of re-newable energy and petroleum development in general in countries primarily located in West Africa. Whilewriting this master’s thesis, the world, particularly Europe, was experiencing energy shortages and sky-highprices as a result of the Russian-Ukrainian war; never before has solid hydrocarbon production been moreimportant.West Africa as a region has enormous offshore and onshore oil and gas reserves. Land development hasprogressed much faster than sea development, and it is desirable to develop offshore oil and gas operationsin West Africa. Unfortunately, conducting offshore operations in West Africa carries a higher risk then inother areas.Bayesian Network (BN) is a probabilistic graphical model that use a directed acyclic graph to representa conditional interdependencies via a directed acyclic graph. This can be used to investigate and displaycausal relationships between key factors and system outcomes. Following that, a sensitivity analysis isperformed to determine how changes in other variables known as input variables affect target (Jackup rigfailure) variables.There has been activity offshore in West Africa for the past 45 years, particularly with the use of jackup rigs.This thesis examines the creation of a Bayesian network based on historical accident data to visualise whichoperation on the jackup caused the accident and to estimate the frequency of such an accident occurring.