Prediction of Tank Parameters in LNG Carriers Using a Hybrid Modeling Approach

Abstract

Moderne skip er utstyrt med sensorer som måler store mengder data. Denne dataen kan brukes til å få innsikt i hvordan man effektivt kan operere skipene. I denne oppgaven har vi utviklet et rammeverk for å lage en hybrid modell som predikerer tilstanden inne i en lagringstank for flytende naturgass (LNG) ombord på et LNG-skip (LNGC). Tilstanden inne i disse tankene endres kontinuerlig på grunn av avkok fra den flytende gassen. En hybrid modelleringsmetode kombinerer en fysikkbasert modell (PBM) med en datadrevet modell (DDM) for å lage en mer nøyaktig og robust modell.

De fysikkbaserte modellene bruker det termodynamiske prinsippet om energibalanse og grunnleggende gasslover som beskriver forholdet mellom trykk, volum og temperatur. Én fysikkbasert modell er laget for temperatur og én for trykk. Fire tilnærminger for å utvikle datadrevne modeller er undersøkt: multippel lineær regresjon (MLR), kunstig nevralt nettverk (ANN), "long short-term memory" (LSTM), og "gated recurrent unit" (GRU). Separate datadrevne modeller er laget for å forutsi temperaturen, trykket og volumet av dampen inne i LNG-tanken én time frem i tid.

I utviklingen av hybridmodellene benyttet vi to tilnærminger for å kombinere PBM-ene og DDM-ene. Den første tilnærmingen, "physics-guided neural networks" (PGNNs), integrerer fysikk i det nevrale nettverket. Dette kan gjøres ved å bruke resultatene fra den fysikkbaserte modellen som ekstra input i de datadrevne modellene. Den andre tilnærmingen, "corrective source-term approach" (CoSTA), fanger opp den ukjente fysikken fra den fysikkbaserte modellen ved å estimere feilen mellom PBMen og målte verdier. Disse hybride modellene sammenlignes og evalueres mot de fysikkbaserte og datadrevne modellene.

Resultatene av vår studie viser at de datadrevne modellene er overlegne de fysikkbaserte modellene i modellering av temperatur og trykk. De viser også at en hybrid tilnærming gir bedre estimering av temperatur, men forbedrer ikke nøyaktigheten til trykkmodellene. Våre funn antyder at den fysikkbaserte modellen må prestere godt på egenhånd for å forbedre en datadrevet modell. Den beste kombinasjonen av modeller som ble laget var en GRU-modell som bruker PGNN-tilnærmingen for temperatur, og en rent datadrevet MLR-modell for trykk og volum. Ved å kombinere resultatene fra disse tre modellene, har vi opprettet et rammeverk for rullende prediksjoner eller prognoser som bruker resultatene fra ett tidspunkt som input til det neste. Dette lar oss forutsi tanktilstanden så langt frem i tid man ønsker. Denne tilnærmingen viste lovende resultater, spesielt for de første 24 timene, men var også relativt nøyaktig opptil 48 timer.

Modern, larger vessels have sensors that measure vast amounts of data. This data can be used to gather insight into how to operate the ships effectively. In this thesis, we have developed a framework for creating a hybrid model that predicts the state of certain parameters inside a storage tank for liquefied natural gas (LNG) onboard an LNG carrier (LNGC). The state inside these tanks continuously changes due to gas evaporation from the LNG known in the industry as boil-off gas (BOG). A hybrid modeling approach combines a physics-based model (PBM) with a data-driven model (DDM), preferably creating a more accurate and robust model than the individual models.

The PBMs developed in this thesis use the principles of energy balance and fundamental gas laws describing the relationships between pressure, volume, and temperature in gases. One PBM is created for temperature and one for pressure. Four approaches are explored to develop DDMs: multiple linear regression (MLR), artificial neural network (ANN), long short-term memory (LSTM), and gated recurrent unit (GRU). Separate DDMs are created to predict the temperature, pressure, and volume of the vapor inside the LNG tank one hour ahead.

For developing the hybrid models, we employed two approaches to combining the PBMs and the DDMs. The first approach, physics-guided neural networks (PGNNs), embeds physics into the neural network by using the results from the PBM as additional input. The second approach, the corrective source-term approach (CoSTA), captures the unknown physics from the physics-based model by estimating the error between the PBM and measured values. These hybrid models are then compared and evaluated against the purely physics-based and data-driven models.

The results of our study show that the DDMs are superior to the PBMs in modeling vapor temperature and pressure. They also show that a hybrid approach gives better predictability for temperature, but including physics does not improve the accuracy of the pressure models. Our findings suggest that the physics-based model must demonstrate strong individual performance to enhance the predictability of a data-driven model. The best combination of models created was a GRU model using the PGNN approach for temperature and a purely data-driven MLR model for pressure and volume. Combining the results of these three models, we have created a framework for rolling predictions that uses the results from one timestep as input to the next, effectively letting us predict as far ahead as desired. This approach showed promising results, especially for the first 24 hours, but was also relatively accurate up to 48 hours.