| dc.description.abstract | I denne masteroppgaven er det lagt vekt på produksjonssikkerhet i undervannsproduksjon av blått hydrogen. I fremtiden må energi i stadig større grad komme fra lavkarbonkilder, og blått hydrogen kan bidra til å forme den fremtiden. Derfor har det vært en økt erkjennelse av at mer oppmerksomhet må rettes mot denne formen for energibærer.
En stor utfordring knyttet til undervannsblått hydrogen er høy produksjonskostnad. Dette problemet påvirker muligheten for å produsere blått hydrogen i stor skala. Som tommelfingerregel er redundansreduksjon en av de enkleste og mest effektive måtene å kutte kostnader på. Dette fører likevel til en annen utfordring med å oppnå høy pålitelighet av produksjonsanlegget samtidig som redundans i enkelte komponenter reduseres og redundans i kritiske komponenter opprettholdes. En potensiell løsning på dette vanskelige problemet kan innebære å optimalisere konfigurasjonen av produksjonslinjer fra et pålitelighets- og kostnadsperspektiv. For det formål kreves det en produksjonssikkerhetsanalyse.
Produksjonssikkerhetsanalyse oppnås primært gjennom bruk av produksjonstilgjengelighet. For å få tilgang til en produksjonstilgjengelighet for en produksjonslinje, må tilgjengelighetsmodellering brukes. Noen konvensjonelle metoder er utviklet for dette formålet. Imidlertid har disse modellene visse begrensninger når det gjelder modellering av "multi-state" systemer, komplekse konfigurasjoner og realistiske vedlikeholdsstrategier. Dynamiske pålitelighetsmodeller som Markov prosessen kan brukes til å fange opp noen aspekter ved systematferd i virkeligheten. For å overvinne vanskelighetene fra analytiske metoder, ser simuleringsmetoder som Python og MIRIAM RAM Studio ut effektive. De siste årene har det vært en økt interesse for å dra nytte av simuleringsbaserte metoder for å beregne produksjonstilgjengelighet i industrien. Spørsmålet om hvor fleksible disse metodene er sammenlignet med analytiske metoder er det området vi sikter oss inn mot.
I og med at det er en tilkortkommenhet av forskning som omhandler sammenligning av fleksibilitet i pålitelighetsmodelleringsverktøy, er studiets hovedmål å legge mer volum til dette forskningsområdet. Med den hensikten ble det gjort en nøyaktig litteraturstudie å skaffe en oversikt over sammenligninger av ulike modelleringsverktøy. Deretter introduseres en mer omfattende sammenligning basert på en praktisk case-studie på et system i produksjonsanlegget for blå hydrogen. Modelleringsverktøy som brukes i dette arbeidet er Markov prosessen, diskret hendelsessimulering i Python og MIRIAM RAM Studio. Case-studien ble utførd for å bygge pålitelighetsmodeller og få tilgang til produksjonstilgjengeligheten av en trykksvingningsadsorpsjonsenhet. Dette systemet er verdt å studere grunnet sitt dynamiske egenskap i driftsmoduser. Basert på funnene forfekter vi at Markov-prosessen er mindre fleksibel enn MIRIAM og diskret hendelsessimulering i Python. Evnen til å håndtere komplekse systemer går imidlertid sammen med en beregningskostnad, som er tilfellet i Python og MIRIAM. Disse resultatene bekrefter funnene fra mye av det tidligere arbeidet. Likevel er mer videre arbeid anbefalt. | |
| dc.description.abstract | This Master's thesis speculates upon production assurance in subsea blue hydrogen production. The future of energy is low carbon, and subsea blue hydrogen can help to shape this future. Hence, it has been an increased recognition that more attention needs to be paid to this form of energy carrier.
One major challenge associated to subsea blue hydrogen is high production cost. This issue continues to be an open problem that affects the possibility of producing blue hydrogen in large scale. As the rule of thumb, redundancy reduction is one of the simplest and most effective ways to cut cost. This, nevertheless, leads to another challenge of achieving high reliability of the production plant while reducing redundancy in some components and maintaining redundancy in critical components. A potential solution to this difficult problem could involve optimizing the configuration of production lines from a reliability and cost perspective. To that end, production assurance analysis is required.
Production assurance analysis is achieved primarily through the use of production availability. In order to access a production availability of a production line, system modeling, or more specifically, availability modeling must be employed. Some conventional methods have been developed for this purpose. However, these methods have certain limitations in terms of modelling "multi-state" systems, complex configurations, and realistic maintenance strategies. Dynamic reliability models such as Markov process might be used to capture some aspects of system behaviors in real life. To overcome the difficulties that analytical methods face with, simulation-based (simulation) methods utilized Python or MIRIAM RAM Studio tool seem to be effective. In recent years there has been an increased interest in utilizing simulation methods for calculating production availability in the industry. The question of how flexible these methods are compared to analytical methods is the area to which this thesis now turns.
Given that there is a relatively small body of literature that is concerned with comparison of flexibility in reliability modelling tools, this study aims to add more volume to this area of research. The study starts with reviewing existing comparisons of different system reliability modelling tools in literature. Then, a more comprehensive comparison is introduced based on a practical case study on a subsystem in the blue hydrogen production plant. Modelling tools used in this work are Markov process, discrete event simulation in Python, and MIRIAM RAM Studio. The case study specifically concentrates on building reliability models and accessing production availability of a 4-bed pressure swing adsorption unit. This system is worth studying because of its dynamic property in operational modes. In the course of this work, we discovered that Markov process is less flexible than MIRIAM RAM Studio and discrete event simulation in Python. However, the ability to handle complex systems goes along with a computational cost, which is the case in Python and MIRIAM. These results corroborate the findings of a great deal of the previous work. Yet, considerably more work will need to be done. | |
