Fatigue Estimation of Offshore Structure by Monitored Data and Machine Learning

Som en konsekvens av at et økende antall offshore-plattformer passerer sin initielt tiltenkte levetid, er utmattingssvikt ansvarlig for et betydelig antall reparasjoner i Nordsjøen. I løpet av de siste årene har monitoreringsinstrumenter blitt stadig mer nøyaktige og rimelige, hvor man, i tillegg til bølgehøyde, kan måle forskyvninger til store strukturer ved bruk av et begrenset antall sensorer. Ved å kombinere monitorerte data med maskinlæring kan behovet for elementmetodeanalyser reduseres, og et trent nevralt nettverk kan estimere utmattingsskader i sanntid. Denne oppgaven presenterer en metode for hvordan et nevralt nettverk kan bygges, trenes og testes for å predikere akkumulert utmattingsskade, rimelig nøyaktig, i kritiske knutepunkt på en jacket-plattform lokalisert i Nordsjøen. Det nevrale nettverket ble laget ved bruk av programmeringsspråket Python, og mer spesifikt gjennom bibliotekene TensorFlow og Keras. For å trene og teste det nevrale nettverket, må merket data konstrueres ved hjelp av moderne metoder for beregning av utmattingsskader. For dette formålet ble en elementmodell samt målinger av strukturelle forskyvninger og bølgehøyde levert av Aker BP. I tillegg ble målinger av vindstyrke og -retning hentet ut fra Meteorologisk institutt. Et tilstrekkelig antall dynamiske utmattingssimuleringer i tidsdomenet ble utført i USFOS, på en strippet versjon av den originale elementmodellen. For å påføre modellen stedsrelevante miljølaster ble det utført statistiske evalueringer av monitorert bølgehøyde og uthentet vindhastighet. Det merkede datasettet ble konstruert gjennom å kombinere miljølastene og statistiske evalueringer av de simulerte forskyvningene som etterlignet de monitorerte. For å optimalisere treningen av det nevrale nettverket ble det foretatt datarensing og -skalering. Et fremovermatende nevralt nettverk ble laget, og ga gode indikasjoner på at et nevralt nettverk er i stand til ganske nøyaktige prediksjoner av utmattingsskader, basert på en elementmodell påført både irregulære bølger og vind fra forskjellige retninger. Robustheten ble bekreftet gjennom evaluering av prediksjoner gjort ved bruk av ulike typer aktiveringsfunksjoner og optimeringsmetoder, i tillegg til fjerning av enkelte inputverdier. For det anvendte nevrale nettverket var dataskalering og fjerning av avvik en forutsetning for å oppnå nøyaktige resultater. Det later derfor til at begrensningen når det gjelder eventuell bruk i industrien ligger i nøyaktigheten av de utførte elementmodellanalysene og utmattingsberegningene