Assessment of ship hull Integrity based on a Digital Twin

Maritim- og offshoreindustrien har etterlyst en mer strukturert metode, som utnytter dagens teknologiske potensial, for å registrere og få tilgang til informasjon om fartøyets skrogtilstand. Utviklingen av en digital tvilling for vurdering av fartøyets skrogtilstand er et svar på dette som har flere fordeler. Tidligere forskningsresultater har vist at droner tillater trygge, automatiserte og fleksible fjerninspeksjoner. For å gi droneinspeksjoner en ekstra fordel, bør teknologi for å utføre droneinspeksjon mens fartøyet seiler, og muligheten til å automatisk gjøre tykkelsesmålinger, utvikles. Registrering av inspeksjonsdata fra droner til en digital tvilling er et naturlig neste steg. Gitt tilstrekkelig kvalitet på drone-innsamlede data, i tillegg til effektiv registrering av menneskelig innsamlede data, kan både menneskelige og dronebaserte inspeksjoner gi data til en digital tvilling og komplementere hverandre. Dette kan muliggjøre en mer effektiv overvåkning av skrogtilstand og redusere antall ganger mennesker utsettes for farene ved inspeksjon av trange/innestengte rom. Ved å samle inn relevante skrogdata er det et potensial for å utnytte historisk informasjon fra en mengde fartøyer til å lage en statistisk modell for å forutsi skrogtilstanden. Dette kan tillate estimering av skrogets tilstand basert på operasjonelle forhold et fartøy har vært utsatt for. I kombinasjon med konstruksjonsmodeller kan dette også brukes til å automatisk lage skroginspeksjonsplaner som prioriterer områder med økt risiko for å ha feil. Prosjektet ledes av DNV, et ledende klassifikasjonsselskap, i samarbeid med rederiene Altera Infrastructure og Klaveness, som er henholdsvis oljetanker- og lasteskipsoperatører i dette prosjektet, ScoutDI, en inspeksjonsdrone-leverandør, og NTNU gjennom Autonomous Robots Lab ved avdeling for kybernetikk.

The project will develop the concept of a digital twin of the hull condition for assessing the structural integrity and compliance of the physical hull. The digital twin is kept up to date with the physical hull over its lifetime by frequently collecting large amounts of data, in non-intrusive ways that do not interrupt business operations. This enables continuous monitoring and compliance assessment. Autonomous drones collect the data instead of humans to improve personnel safety. Automated damage detection and coating breakdown assessment assists the human expert, leading to improved quality of the structural integrity assessment. The project will enable digital twin-based surveys as industrial standard and realize economic and safety benefits as well as reducing environmental footprint due to reduced need for travels. The innovation will lead to improved quality and safety of vessel inspection services, in particular: 1. Hull condition assessment and continuous compliance decision in a 3D digital twin, a multi-data digital representation of the physical hull based on data such as high-precision point clouds, videos, AIS and weather data. The digital twin also holds location-tagged thickness measurements, history of damages and repairs, and data of sister vessels. 2. High coverage, high-quality, location-tagged data of the hull compartment, collected frequently by autonomous/automated drones with semantic knowledge of the physical structure. Automated data collection ensures standardized data which improves comparison with historical data. Drone-based collection during sailing or between discharge and loading of cargo causes minimal interruption of business operations. 3. Automated damage detection in point clouds and videos, automated damage probability predictions based on data in the digital twin, and an automatically generated targeted inspection plan for the drones as well when physical inspections are deemed necessary.