Fatigue Estimation of Offshore Structure by Monitored Data and Machine Learning
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3026220Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
- Institutt for marin teknikk [3398]
Sammendrag
Som en konsekvens av at et økende antall offshore-plattformer passerer sin initielt tiltenkte levetid, er utmattingssvikt ansvarlig for et betydelig antall reparasjoner i Nordsjøen. I løpet av de siste årene har monitoreringsinstrumenter blitt stadig mer nøyaktige og rimelige, hvor man, i tillegg til bølgehøyde, kan måle forskyvninger til store strukturer ved bruk av et begrenset antall sensorer. Ved å kombinere monitorerte data med maskinlæring kan behovet for elementmetodeanalyser reduseres, og et trent nevralt nettverk kan estimere utmattingsskader i sanntid.
Denne oppgaven presenterer en metode for hvordan et nevralt nettverk kan bygges, trenes og testes for å predikere akkumulert utmattingsskade, rimelig nøyaktig, i kritiske knutepunkt på en jacket-plattform lokalisert i Nordsjøen. Det nevrale nettverket ble laget ved bruk av programmeringsspråket Python, og mer spesifikt gjennom bibliotekene TensorFlow og Keras.
For å trene og teste det nevrale nettverket, må merket data konstrueres ved hjelp av moderne metoder for beregning av utmattingsskader. For dette formålet ble en elementmodell samt målinger av strukturelle forskyvninger og bølgehøyde levert av Aker BP. I tillegg ble målinger av vindstyrke og -retning hentet ut fra Meteorologisk institutt. Et tilstrekkelig antall dynamiske utmattingssimuleringer i tidsdomenet ble utført i USFOS, på en strippet versjon av den originale elementmodellen. For å påføre modellen stedsrelevante miljølaster ble det utført statistiske evalueringer av monitorert bølgehøyde og uthentet vindhastighet. Det merkede datasettet ble konstruert gjennom å kombinere miljølastene og statistiske evalueringer av de simulerte forskyvningene som etterlignet de monitorerte. For å optimalisere treningen av det nevrale nettverket ble det foretatt datarensing og -skalering.
Et fremovermatende nevralt nettverk ble laget, og ga gode indikasjoner på at et nevralt nettverk er i stand til ganske nøyaktige prediksjoner av utmattingsskader, basert på en elementmodell påført både irregulære bølger og vind fra forskjellige retninger. Robustheten ble bekreftet gjennom evaluering av prediksjoner gjort ved bruk av ulike typer aktiveringsfunksjoner og optimeringsmetoder, i tillegg til fjerning av enkelte inputverdier. For det anvendte nevrale nettverket var dataskalering og fjerning av avvik en forutsetning for å oppnå nøyaktige resultater. Det later derfor til at begrensningen når det gjelder eventuell bruk i industrien ligger i nøyaktigheten av de utførte elementmodellanalysene og utmattingsberegningene. As an increasing amount of offshore platforms are passing their initially intended design life, fatigue failure is responsible for a substantial amount of repairs in the North Sea. Over the past couple of years, monitoring instruments has become increasingly accurate and inexpensive, where, in addition to wave elevation, displacements of large structures can be determined by using a limited number of sensors. By combining monitored data with machine learning, a trained neural network may estimate the real-time fatigue damage, and contribute to reduce the usage of finite element analyses.
This thesis presents a method on how a neural network can be built, trained and tested to predict the accumulated fatigue damage, within reasonable accuracy, in critical joints on a jacket platform located in the North Sea. The neural network was created by use of the programming language Python, and more specifically through the libraries TensorFlow and Keras.
To properly train- and test the neural network, labeled data needs to be constructed through state-of-the-art fatigue damage calculation methods. For this purpose, a finite element model and on-site measurements of structural displacements and waves was provided by Aker BP. In addition, measurements of wind speed and -direction was extracted from Meteorologisk institutt. Subsequently, a sufficient amount of dynamic time domain fatigue simulations was performed in USFOS, on a stripped version of the original finite element model. To apply site-relevant environmental actions, statistical evaluations of the monitored wave elevation time-series and extracted wind speed was made. The labeled dataset was constructed by combining the environmental actions with the statistical evaluations of the simulated displacement mimicking the monitored. To optimize the training of the neural network, data cleaning and -scaling was performed.
A quite simple feedforward neural network was developed, and provided promising indications that a feedforward neural network indeed is capable of quite accurate predictions of fatigue damage, based on a finite element model subjected to both irregular waves and wind from different headings. The robustness was confirmed by evaluating predictions made with different types of activation functions and optimizers, in addition to removal of certain input features. For the applied neural network, data scaling and removal of outliers was a prerequisite to obtain accurate results. Hence, the limitation in terms of industrial application seems to lie within the accuracy of the performed finite element analyses and fatigue calculations.