Towards Artificial Intelligent Maintenance System (AIMS) via Predictive Failure Modelling and Numerical simulation

Protective paint is crucial for the safety and service life of marine structures, and thus also maintenance of the coating throughout the service life of the structure. Maintenance of painted surfaces in the field is both costly and challenging in terms of safety for performing personnel. Intelligent decision support systems can help optimize maintenance. The increasing use of sensors and drone photography in condition control of paint means that we can now develop decision support tools for prioritizing maintenance. Based on a current state from sensor and image data, and modelling of further corrosion and degradation of the coating, future needs for maintenance can be predicted. Development of sensors, models, software, and machine learning for this purpose is the objective of this project. The following results have been obtained: - Modern paint coatings provide good corrosion protection if they are applied correctly. Corrosion on painted steel occurs mainly on edges and welds due to too low film thickness. Accelerated testing in the lab is not able to say anything about the life of the coating in the field. - Corrosion on painted steel is caused by application errors in the paint film. - A prototype for an acoustic sensor for measuring damage to coatings is developed. - Degradation of coatings over water is easily inspected manually or by means of drones, and documented with photography. A neural network is trained to detect corrosion in images, but the accuracy is still not satisfying. - A model for prediction of corrosion rate and future degradation of coatings has been developed.

Korrosjonsbeskyttende maling er helt avgjørende for sikkerhet og levetid for marine konstruksjoner, og dermed også vedlikehold av belegget gjennom konstruksjonens levetid. Vedlikehold av malte overflater i felt er både kostbart og utfordrende med hensyn på sikkerhet til utførende personell. Intelligente systemer for beslutningsstøtte kan hjelpe til med å optimalisere vedlikeholdet. I prosjektet har vi vist at moderne malingsbelegg gir god og langvarig korrosjonsbeskyttelse så lenge de er påført riktig. Korrosjon på malt stål oppstår hovedsakelig som følge av påføringsfeil, og den vanligste årsaken er for lav filmtykkelse på kanter og sveiser. Marine konstruksjoner vil derfor starte å korrodere der belegget har påføringsfeil etter kort tid. Behov for reparasjon av belegget er dermed en funksjon av hvor aggressivt miljøet er, såkalt korrosivitet. Gitt at alle belegg ser ut til å påføres med feil, så vil vedlikeholdsintervallet bestemmes av korrosiviteten. I prosjektet er det utviklet en global modell for korrosivitet basert på klimadata fra den internasjonale klimadatabasen Copernicus, tidligere korrosivitetsmålinger, samt prosjektets korrosjonssensorer utplassert i Europa og Asia. Effekt av ulike klimatiske parametere på korrosivitet, som temperatur, luftfuktighet, nedbør, og avstand til sjø, er undersøkt. Korrosivitetsmodellen kan derfor brukes til å predikere levetid til belegg. Siden korrosivitet også brukes til å velge belegg (ISO 12944-5), vil denne modellen hjelpe f.eks. Jotun til å gi riktige anbefalinger til sine kunder. Videre har prosjektet vist at standardiserte akselererte laboratorietester for belegg ikke kan brukes til å estimere beleggets levetid i felt. De testene som brukes for pre-kvalifisering av belegg for bruk i marint miljø vektlegger egenskaper som bare delvis er avgjørende for beleggets faktiske holdbarhet. Prosjektet kan derfor bidra med viktig informasjon til videre utvikling av teststandarder. Prinsippet for en akustiske sensorer for måling av skader i belegg under vann basert på Rayleigh bølger er testet i prosjektet. En prototype er ferdigstilt og testet på en realistisk stålplate med belegg og korrosjonsskader. Måleprinsippet fungerer, men målingene har vist seg å ha noen egenskaper som begrenser den praktiske bruken. Målingene fungerer kun i direkte linje mellom transmitter og mottager. Bølgene viser seg også ha vesentlig høyere demping i vann enn antatt. Degradering av belegg over vann inspiseres enkelt manuelt eller ved hjelp av droner, siden korrosjonsangrepene er lett å se. Dokumentasjon av beleggskader med fotografering gjør det mulig å kvantifisere skadene ved å analysere bildene med kunstig intelligens. Et nevralt nettverk (KI) er trent opp til å gjenkjenne korrosjon på bilder. En rekke kompliserende faktorer gjør imidlertid analysen mindre nøyaktig. Videre utvikling med hyperspektral fotografering vil trolig øke nøyaktigheten.

Safety of marine constructions is fundamentally dependent on corrosion control by protective coatings and their maintenance. Coating maintenance is expensive and has safety challenges. To determine the optimal time to perform coating maintenance is difficult since several issues must be considered at the same time, like economy, logistics, safety without compromising the integrity of the construction or the safety workers. Intelligent decision support systems (DSS) will aid the maintenance optimization. The introduction of sensor- and drone photo monitoring enables intelligent predictive maintenance systems and decision support systems also for coatings. This process can become even more effective if predictive simulations can forecast coating degradation and corrosion induced damage. Sensors and automatic inspections are now being introduced and deliver (computationally) useful information. Key to the success of this revolution is that information can be extracted from the data. Developing sensors, computational models, software tools and AI for this purpose is the technical objective of this project. The project consists of four main technical developments: · Laboratory investigation of correlation between environmental parameters and coating degradation to fill the holes in our current understanding · Development of acoustic sensors for monitoring coating degradation. Inspection of atmospheric coatings is achieved by photo, aided by drones, which is known technology · Development of a neural network (AI) for analysing sensor data, picture data and simulation data on coating degradation · Development of a model to predict the coating degradation rate and corrosion from the current state, and future need for coating maintenance TAIFUN will start at TRL4 with the goal to achieve TRL6 where the modelling approach will be tested, calibrated, verified and validated on damage scenarios defined by industrial partners. Duration of the project is 3 years.