机器学习可以使系泊更安全，更具成本效益

发布日期:2019年7月4日

• 石油和天然气行业越来越担心系泊线的高频率故障及其潜在的灾难性后果

• 物理张力传感器的维护是困难和昂贵的，并且容易在安装的头几年发生故障

• 对于异常检测、结构完整性评估和虚拟传感器来说，机器学习是一种更准确、成本更低的方法

• 在超过99%的模拟测试案例中，DNV GL的机器学习算法可以准确识别系泊缆绳的状况乐动体育登录

对于浮式生产、储存和卸载(FPSO)船等浮式海上设施来说，系泊系统故障是一个长期存在的问题。多位分析师表示，在2000年至2013年期间，每年平均约有两起永久系泊系统故障的报告。^1、2、3其中一项研究发现，十多年来报告的此类事故中，近一半涉及多条系泊索的故障。另一项估计在上述期间修理或更换了150条系泊缆绳。

例如，Gryphonα2011年，一艘FPSO船在英国北海遭遇风暴，10条系泊缆绳中有4条断裂^。4据报道，这花费了大约18亿美元来恢复，同年晚些时候，10条线路中的5条分开，船只再次离开车站，又花费了3亿美元。¹

系泊系统故障的后果可能是危险和昂贵的。在最严重的情况下，船只漂移，连接浮动结构和海底系统的隔水管破裂。此类事故导致油田停产时间延长，并增加了生命、财产和环境风险。尽管如此，目前还没有正式发表的研究对系泊线上特定点的失效可能性及其后果进行量化。

传统的系泊线故障检测和预测方法存在局限性

传统的故障检测方法依赖于“观察圈”方法或测量系泊线张力。

从本质上讲，观察圈方法建立了一个环，其中假定船舶在所有系泊线完好无损的情况下运行。然而，这种方法缺乏准确性和可靠性，在实际操作中不太实用。系泊缆绳上的物理张力传感器昂贵且维护困难。现场经验表明，在安装后的几年内，它们很容易发生故障。