PETROMAKS2-Stort program petroleum

Stigrør på dypt vann utsettes for strømmer og turbulens. Det fører til såkalte virvel-induserte vibrasjoner (VIV) som gir akkumulering av utmattingsskader i materialet. Utmattingsskader representerer en sikkerhetsrisiko og utgjør dermed en stor post i utviklingskostnaden. På offshore boreplattformer samles det inn sensor data for tilstandskontroll, men vanlige stigrør har bare en eller få sensorer. Det fører til at state-of-the-art VIV-respons prediksjonsmodeller gir usikre estimater som gjør dem uegnet for tilstandskontroll i sanntid og som beslutningsstøtte. Konsekvensen er industripraksis med store og dyre sikkerhetsmarginer. Formålet med PRAI er å utvikle et verktøy for å predikere VIV-respons kombinert av fysikk-baserte numeriske modeller og data-drevne maskinlæringsmetoder. Dette verktøyet vil kunne brukes i designfasen for stigerør på dypt vann og kunne integreres i fremtidige on-board management systemer. Bruk av slikt verktøy vil medføre reduserte utgifter og økt sikkerhet i både designfase og operasjon. Det nyskapende aspektet i PRAI er kombinasjonen av en nylig utviklet tidsdomene-basert modell med konsepter fra maskinlæring. Tidsdomene modellen åpner opp muligheten for en intuitiv tolkning av de underliggende fysiske fenomener, mens maskinlæringen finner sammenhenger direkte i tilgjengelig sensor data. Resultatet blir en hybrid modell som løser de begrensende faktorer i den eksisterende modellen. Ambisjonen er økt presisjon i prediksjon av utmattingslevetid for stigerør og klargjøre for on-board tilstandsovervåking med et begrenset antall sensorer. Dette vil redusere antallet av unødvendige utskiftninger av stigrør og vil dermed bidra til mer ansvarsfull produksjon (FN bærekraftmål #12). Metodene i PRAI utvikles for stigrør, men kan direkte overføres til andre offshore strukturer slik som stigrør til undersjøisk minedrift, forankringsliner og strømkabler til flytende vindturbiner (#7) samt forankringsliner og fôringsrør til anlegg for fiskeoppdrett (#2). I 2021 er hovedfokuset for arbeidet å utvikle adaptiv prediksjonsmetodikk basert på fullskala feltmålingsdata ved å kombinere un-supervised læringsmetoder og optimaliseringsalgoritmer. Dette består av flere forskningsaktiviteter: 1) utvikle en metodikk for å analysere feltmålingsdata basert på kombinert bruk av un-supervised læring og domenekunnskap. Dette er fruktbart for å få god innsikt i stigerørsresponsene under komplekse miljøforhold (eller parameterrom med høy dimensjon). Riser-responsene, som deler lignende egenskaper, ble gruppert. 2) Optimaliseringsalgoritme er utviklet for å oppnå optimale hydrodynamiske parametere i den fysikkbaserte numeriske modellen ved bruk av måledata. Dette vil bli brukt på de identifiserte responsgruppe fra (1) og forbedre den generelle prediksjonsnøyaktigheten med adaptive parametere. 3) Validiteten til fysikkbasert numerisk modell er videre evaluert basert på både modellskala og fullskalamålinger. Det er oppnådd forbedring i forhold til tradisjonell responspraksis. Samarbeidet med MIT resulterte i utvikling av smart VIV-modelltestingsteknikk. Totalt antall tester kan effektivt reduseres ved å bruke aktiv læringsmetode i testen, som aktivt oppdaterte usikkerheten under testen og plasserer nye testpunkter på områder med høyest usikkerhet. Metodikk er testet i MIT for småskaladata. Nye testdata i større skala vil forbedre designgrunnlaget for industrien.

Deep-water risers are exposed to waves and currents which cause drag forces and accumulation of fatigue damage. While waves play an important role near the surface, deeper down currents and turbulence around the riser dominate the fatigue accumulation by causing Vortex-Induced-Vibrations (VIV). Consequently, VIV represent a safety risk and are a major design consideration adding notable costs during development and operation. VIV response prediction tools are traditionally based on semi-empirical methods. Despite huge efforts over the last two decades, the methods still contain significant inherent uncertainties and limitations. As a result, simplifying assumptions are made both during the engineering and operation stages, leading to the application of high safety factors in the VIV response calculation to compensate for the high uncertain in the prediction. This in turn adds costs in terms of VIV suppression devices and/or riser operation constraints. Thus, there is a clear need for developing methods that address the above limitations, providing more accurate response and fatigue predictions, which can be applied in the engineering phase and as a decision support tool for on-board riser management systems. PRAI will combine a recently developed time domain (TD) prediction model with concepts from machine learning. TD modelling allows for intuitive interpretation of the underlying physical phenomena, while the machine learning infers connections directly from available data. The combination is referred to as 'hybrid analytics', where the existing physics-based response model is improved based on available sensor data, and consequently the final model is alleviated of some of the limitations from the simplifying assumptions. The ambition is to reduce the uncertainties in the riser response predictions and to pave the road for applying the model in an on-board software system with a limited number of sensors.