Modelling of fluid structure interaction using artificial neural networks for running fracture problems in steel pipes

Abstract

Karbonfangts og lagring har blitt et viktig tiltak for å redusere klimagassutslippene i atmorsfæren. For at karbonfangst og lagring skal være vellykket i fullskala, kreves det trygg og pålitelig transport og infrastruktur. Tidligere har metoden "Battelle two-curve method" vært den dominerende metoden brukt for å dimensjonere rør med kontroll av sprekkdannelsene. Metoden har vist seg å gi ikke-konservative resultater for CO2. Andre metoder kan være tidkrevenede, og kostnadskrevende beregninger. Det er derfor ønskelig å undersøke muligheten for å implementere en maskinlæringsmodell i ingeniørverktøy for mer effektive simuleringer. Forskning har vist at kreftene som virker på et løpende duktilt brudd har en romslig variasjon i to retninger. I denne oppgaven er det presentert en trykkmodell som tar hensyn til disse romslige variasjonene. Videre har trykkavlastningen av CO2 blitt tatt i betraktning for å kunne beskrive alle mekanismene for trykket i røret. Den utviklede trykkmodellen ble brukt som last for simulering av duktile brudd i et FEM-program. Fire rørledninger med varierende geometri ble simulert, og resultatene ble evaluert. Videre ble maskinlæringsmodeller implementert, og trent på data fra en av simuleringene av rørledning. Maskinlæringsmodellen ble testet på data fra tre andre simuleringer. Resultatene fra testingen indikerte at maskinlæringsmodellene kan med relativ høy nøyaktighet predikere trykket i et rør med mindre diameter og lenger sprekkdannelse. For rør med større diameter vil ikke modellene prestere like godt. For å takle dette må maskinlæringsmodellene trenes med flere diametere på rør. Basert på arbeidet er det anslått at en maskinlæringsmodell kan implementeres i ingeniørverktøy for effektive simuleringer av løpende duktile brudd.

Carbon dioxide capture and storage have become important actions for reducing the greenhouse gas emissions in the atmosphere. For full scale carbon capture and storage to be successful and implemented in a global scale, safe and reliable transportation and infrastructure are required. The Battelle Two-curve method has previously been the dominant approach for assessing fracture propagation control in pipelines, but has shown to give non-conservative results. Other approaches can be time-consuming and with high computational cost. Due to this, investigation on incorporating machine learning models in engineering tools for efficient simulations have been done. Research has shown that the crack propagating force of a running ductile fracture has a strong spatial variation in two directions. In the thesis, the development of a reference pressure decay model for the pressure inside the pipe during the event of a running ductile fracture has been presented. The developed model will account for the spatial variations and the depressurisation of CO2. The pressure model developed was used as loading for simulation of running ductile fracture in a FEM-program. Four pipelines were simulated and the results from the simulations were evaluated. Further, machine learning model were implemented, and trained using data obtained from the simulations. Data from three different pipeline simulations was used for testing the developed machine learning model, and assessing the predictive capabilities. From the testing, it was found that the trained machine learning models were able to predict pressure in a pipe with smaller diameter and longer propagating crack. For a larger pipe diameter the models were not able to predict all aspects of the pressure curves. To overcome this, the models need to be trained with more diverse data, containing multiple pipe diameters. From the work, it is believed that a machine learning model can be implemented in engineering tools for efficient simulations of running ductile fractures.