Data-driven modelling of subsea equipment degradation using simulated and experimental case studies

I all industri finnes det visse essensielle komponenter som utsettes for slitasje fra flere ulike kilder. I denne oppgaven studeres spesifikt erosjonen fra sand i den sakalte stru- ˚ peventilen (”choke valve”) i et subsea oljeproduksjonssystem. Malet med oppgaven er ˚ a˚ undersøke muligheten til a erstatte tradisjonelle fenomenologiske modeller for degrader- ˚ ing med data-drevne modeller basert pa statistisk læring. Dette gjøres gjennom fire ulike ˚ casestudier, tre simulerte case studier som tar for seg henholdsvis konstant, eksponentiell og logistisk sand produksjon fra en oljebrønn og hvordan dette degraderer strupeventilen. Til slutt har vi brukt et eksperimentelt oppsett ved instituttet som emulerer et subsea oljeproduksjonssystem. Her har vi studert erosjonen av 3D-printede prøver utsatt for en strøm av vann (uten sand). Fra alle fire casestudiene ble det konstruert datasett og med disse datasettene ble maskinlæringsmodeller trent. Her er det bade studert b ˚ ade tradisjonelle ˚ statistiske modeller som stegvis lineær regresjon, regresjonstrær, ensembler av trær og støttevektormaskiner samt mer moderne nevrale nettverk. I de første tre casestudiene ble erosjonsraten estimert ved hjelp av prosessvariabler som samles under simuleringen. Dette gav svært gode resultater pa den simulerte dataen. ˚ Det a direkte m ˚ ale erosjonen i det eksperimentelle oppsettet var en stor utfordring, ˚ først ble det forsøkt med kamera og telling av piksler som fortsatt var tilstede, men det gav svært ustabil data. Til slutt bestemte vi oss for a representere erosjonen av prøven med ˚ endringen av trykkforskjellen over erosjonskammeret. Ettersom prøven blokkerer flyt, vil trykkforskjellen jevnes mer og mer ut ettersom prøven forsvinner. Disse degraderingsprofilene ble ogsa relativt suksessfullt modellert ved bruk av maskinlæringsmodeller. Gjen- ˚ nom oppgaven diskuteres fordeler og ulemper med de ulike metodene bade kvantitativt og ˚ kvalitativt i de ulike casestudiene