Bruk av kunstige nevrale nettverk til å predikere bøyemomenter til stigerør

Tretthet var inntil nylig ikke ansett som en utfordring for stigerør- og brønnhodesystemer. Belastning på strukturene ble derfor ikke tatt med i design kravene. Siden har utvikling av numeriske modeller og overvåkningssystemer vist at flyterigger med BOP (blowout preventer) og stigerørsystemer kan forårsake signifikante laster på permanent installert utstyr. Dette vil igjen føre til slitasje. Ved å kunne kalkulere bøyemomentene stigerøret og brønnhodesystemet opplever kan man finne ut hvor slitt systemet er. Dette kan igjen bli brukt til å kalkulere den forventede resterende levetiden til systemet. I denne masteroppgaven ser vi på muligheten til å bruke kunstige nevrale nettverk til å predikere bøyemomentene til et simulert stigerør basert på en begrenset mengde sensorer. En numerisk løser for et gitt sett ligninger som beskriver stigerøret, hentet fra littera- turen om stigerørsmekanikk, er foreslått. Valgene av diskretisering i rom og tid er drøftet. Den numeriske løseren blir siden brukt til å produsere trenings- og testdata for de kunstige nevrale nettverkene. Teori om å behandle dype kunstige nevrale nettverk som diskretiseringer av dynamiske systemer, basert på nylig publiserte artikler [HR17, CCHC19, E17], ble undersøkt. Ut ifra på denne teorien ble tre kunstige nevrale nettverk studert videre og implementert i tillegg til et mer tradisjonelt nettverk. Nettverkenes prestasjoner ble evaluert ut ifra deres evner til å predikere basert på ukjent simulert stigerørdata og simulert stigerørdata med støy. De dynamisk system inspirerte nettverkene viste bedre egenskaper når det gjaldt å predikere på data med støy enn det tradisjonelle nettverket. Nettverkene predikerte bøyemomentene til det simulerte stigerøret med høy nøyaktighet. Antall sensorer og deres posisjon viste seg også å være av betydning for nøyaktighetene til nettverkene.