Hybrid Models for the Design of ML-enabled Machinery for Sustainable Offshore and Subsea Well Service Applications

Det tradisjonelle brønnservicemaskineriet er manuelt betjent og krever menneskelig inngripen for optimal ytelse. Utformingen av dette maskineriet har en tendens til å være konservativt og fører til at store og tunge enheter blir utplassert offshore. I det siste tiåret har det vært en rask utvikling og utbredt bruk av digitale tvillinger og kunstig intelligensverktøy i produktets livssyklus på mange områder. Dette gir en mulighet for offshore boreindustrien til å ta i bruk disse nye avanserte verktøyene for å oppnå mer optimal design og operasjoner slik at kostnader og spesielt avfall kan reduseres betydelig. Det er essensielt for olje- og gassindustrien, der avfallshåndtering er avgjørende. Siden industrien er en stor vann- og energiressursforbruker, er den underlagt stadig økende strenge miljøstandarder. O&G-selskaper må revurdere sine bore- og produksjonsaktiviteter og redusere deres miljøfotavtrykk. Derfor er maksimal produksjonseffektivitet og minimal avfallsgenerering toppprioriteter for å holde seg konkurransedyktige. I dette doktorgradsprosjektet vil hybridmodelleringsteknikker bli utviklet for å støtte design av maskinlæringsaktiverte maskiner i offshoreindustrien. Hybridmodellen er en modell som kombinerer en digital tvilling med en modell basert på målinger samlet inn fra felt. Den digitale tvillingen kombinerer modeller laget ved hjelp av CAE, for eksempel finite element-metoden, beregningsvæskedynamikk og strukturelle pålitelighetsmodeller. De målebaserte modellene består av målinger samlet inn fra felt og tilpasset ved bruk av regresjonsteknikker. Kombinasjonen av disse to modellene vil tillate den kombinerte modellen å (i) forutsi hendelser mer nøyaktig, ettersom den digitale tvillingen er korrekt med reelle målinger, og (ii) forutsi hendelser utenfor det målte datasettet som den digitale tvillingen tilbyr. Denne kombinerte modellen vil gi en større forståelse av produktets livssykluser under design, distribusjon og vedlikehold.

Heavy machinery units installed on offshore platforms are supposed to be robust and reliable. Additionally, due to the high mobilisation costs offshore, it is not cost-efficient to perform sufficient services and tests too often. A new and advanced methodology for analysing and converting mechanical tools from 3D design objects to interactable dynamic objects in a resource-efficient way needs to be researched and developed. In this PhD project, a hybrid model consists of the measurements part, and a digital model of the physical machine is proposed. The measurement-based model collects and proceeds data. The digital model is built based on the computational models established using state-of-art methods such as FEA, CFD, MBSE, etc. An example of the way how the hybrid model can be utilised is displayed in the figure below using the DWS WSP 725 CC Well Service Pump. The physical machine (Well Service Pump) that is installed offshore is equipped with different sensors, i.e., motor, gear, pumps, utility etc. The sensors send data with information about the work condition of the machine to the hybrid model. The hybrid model allows one to carry out the tests on the digital model and apply the results to the physical machine. The digital model is called the digital twin because it is an identical virtual copy of the physical. This allows remote testing without going offshore, which saves transport costs. Once the analysis is performed, artificial intelligence using machine learning should be able to differentiate and choose the data that can be applied to the physical unit. A complete system containing these features can be used to research and test new approaches to visualising mechanical simulations.