Tilbake til søkeresultatene

NAERINGSPH-Nærings-phd

Artificial Intelligence and Mathematical Modelling for Riser Integrity Structural Evaluation

Alternativ tittel: Kunstig intelligens og matermatisk modellering for strukturell analyse av stigerør

Tildelt: kr 1,8 mill.

Prosjektnummer:

313768

Søknadstype:

Prosjektperiode:

2020 - 2024

Midlene er mottatt fra:

Geografi:

Kunstig intelligens (AI) gir store muligheter for effektiv boring og komplettering av olje- og gassbrønner samt for påfølgende produksjon. Sensorer på offshorefartøy produserer en stor mengde data som kan brukes til å optimalisere systemytelsen i alle faser av offshoreoperasjoner. Å redusere kostnader og øke oppetiden er sentrale mål, men overvåkningssystemer kan også bidra til å øke sikkerheten og redusere risikoen for alvorlige hendelser offshore. Kunstig intelligens i samarbeid med matematisk modellering kan hjelpe med å overvåke prosesser og gi råd om passende handlinger til rett tid. Utmattelse av stigerør og brønnhodesystemer under boring og komplettering har vært et utfordrende problem for operatørene. Det er blitt introdusert større forebyggende utblåsningssikring (BOP) for å øke sikkerheten på borerigger, men en uønsket bivirkning har vært større belastninger på brønnhodene og økt utmatning. Overvåkningssystemer har nylig blitt mye brukt for å monitorere belastninger på brønnhodene. Avbøtende tiltak er brukt for å avlaste brønnhodene på lastene. Reactive Flex-Joint (RFJ) er et TechnipFMC-produkt som har vist seg å være effektivt og enkelt å bruke. Studien fokuserer på bruk av matematisk modellering av stigerørsmekanikk ved bruk av forskjellige sensorer for å estimere belastninger på brønnhodet og nedre del av stigerøret. Maskinlæring i kombinasjon med konvensjonelle modeller brukes til å estimere belastninger på brønnhoder og stigerør.

Drilling risers are slender structures used during offshore operations by drilling companies to provide access from a surface vessel to the top section of the well (wellhead) at the sea floor. The purpose is to allow for drilling or completion of wells or to perform workover of the wells at a later stage. The lowermost section of the riser is usually a blowout preventer (BOP) that is to contain hydrocarbons in the case of an unexpected release. However, BOPs are very heavy structures that cause significant structural fatigue of wellheads when exposed to loads from the riser. Different technologies have been used to reduce the loads applied to the wellheads. The study focuses on a few much used technologies including the Reactive Flex-Joint (RFJ) which has been in commercial use for approximately half a year. The RFJ is effectively a muscle placed on top of the BOP counteracting the loads applied by the riser. The technology has been carefully studied earlier, but new data allows for more in-depth understanding of its complex mechanical response. Global riser analysis models (numerical models) are much used to assess structural integrity of wellhead and risers. There are in the literature, however, few examples of such models being independently validated by measurements. Thus far it has not been common to place sensors on riser systems to measure loads directly due to relatively high cost of sensor systems. Furthermore, systematic evaluation of data from sensors is not widely reported. Most models used for assessment of riser loads are based on finite element methods or other types of discretization of the fundamental partial differential equations. An alternative approach however are machine learning algorithms that rather make use of measured data from operations offshore. Such methods could in principle be more accurate and faster when used within certain limits.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Aktivitet:

NAERINGSPH-Nærings-phd