Digital Twin Framework for Ships - a Data Driven Approach

Abstract

Skip har blitt funnet til å utføre flere forskjellige og viktige oppgaver innen marin industri. Flere av disse blir påvirker av bevegelsene til bølger, blant annet operering av kraner, avlasting av varer og generelle operasjoner.

Denne masteroppgaven har som mål å sammenligne flere datadrevne modeller for forutsigelse av fartøyets sjødrift ved hjelp av data fremstilt fra fysikkbaserte metoder.

De fysikkbaserte metodene brukt for framstilling av data er basert på respons amplitude operator (RAO) som er skaffet via hydrodynamisk analyse i sesam-programvaren Wadam for en modell designet i GeniE. Etter behandling med Matlabb MSS toolbox ble RAOene anvendt på vanlige bølger generert fra et modifisert Pierson-Moskowits frekvens-spektrum for å beregne bevegelsesresponer.

Etter at dataen ble fremstilt med flere forskjellige parametere og delt inn i forskjelige datasett ble modellene trent, bekreftet og sammenlignet basert på feilen mellom faktisk og forutsett bevegelse.

Alle de testede modellene klarte prestere relativt nøyaktige forutsigelser i de enklere forholdene, med lengre forutsigelsestid og bølgekompleksitet som økte feilen. En diskusjon av modellenes prestasjoner og mulige årsaker for feil ble utført, som konkluderte med at ytterligere testing er nødvendig før en endelig avgjørelse tas når innsamlet data blir introdusert. Resultatene fra framstilt data vil likevel være en god indikasjon.

Fra resultatene kom det fram til at Long-Short-Term-Memory (LSTM) modellen foreslått som den datadrevne modellen var den beste til å forutsi fartøyets bevegelse. LSTM modellen gjorde det bra i alle tilfellene testen, men ytterligere sammenligninger bør utføres på innsamlet data.

Ships can be found performing a multitude of different and important tasks across the marine industry. Among them many of these are affected by motions caused by waves, this can include crane operations, offloading of goods and general operations.

This thesis aims to compare multiple data-driven models for prediction of vessel seakeeping motions using data synthesised with physics based methods.

The physics based methods used for data synthesis are based upon response amplitude operators (RAO) acquired through hydrodynamic analysis in the sesam software Wadam on a model designed in GeniE. After processing with the Matlab MSS toolbox the RAOs were applied to regular waves generated from a Modified Pierson-Moskowits frequency spectrum in order to compute motion responses.

After data was synthesised with multiple different parameters and divided into different datasets the models were trained, validated and compared based upon the error between actual and predicted motion.

All tested models managed to perform reasonably accurate predictions in easier conditions, with longer prediction time windows and wave complexity increasing the error. A discussion of the model performances and possible sources of error was carried out, which concluded that additional testing will be necessary before a final choice is made when collected data is introduced, but the results on synthesised data will still be a good indicator.

From the results a conclusion was reached and the Long-Short-Term-Memory (LSTM) model proposed as the data-driven model which best managed to predict the vessel motions. The LSTM managed to perform well in all cases tested, but additional comparisons should be carried out when training on collected data.