MIT: machine learning model schat nauwkeurig risico’s in voor schepen en offshore-platforms

Zeeschepen en offshore-platforms hebben te kampen met een constante stroom van golven en stromingen. In tientallen jaren gebruik kunnen deze constructies, zonder waarschuwing, in contact komen met een megagolf, een enorme storm of een andere extreme gebeurtenis, met mogelijk schadelijke gevolgen.

Ingenieurs van het MIT hebben een algoritme ontwikkeld dat snel extreme gebeurtenissen uitlicht die in een complex systeem kunnen voorkomen, zoals een oceaanomgeving, waar golven van verschillende grootte, lengte en druk op een schip of offshore platform kunnen veroorzaken. De onderzoekers kunnen de krachten en spanningen simuleren die extreme gebeurtenissen - in de vorm van golven - kunnen genereren op een bepaalde constructie.

Vanaf de ontwerpfase

Vergeleken met traditionele methoden biedt de techniek een veel snellere en nauwkeurigere risicobeoordeling voor systemen die op een bepaald moment tijdens hun verwachte levensduur een extreme gebeurtenis kunnen doorstaan, door niet alleen rekening te houden met de statistische aard van het verschijnsel, maar ook met de onderliggende dynamiek.
"Met onze aanpak kan je vanaf de voorlopige ontwerpfase beoordelen hoe een constructie zich niet zal gedragen ten opzichte van één golf, maar ten opzichte van alle golven", zegt Themistoklis Sapsis, universitair docent werktuigbouwkunde en ocean engineering aan het MIT. "Je kunt je constructie beter zo ontwerpen dat je geen structurele problemen of spanningen hebt die een bepaalde grens overschrijden."

Toepassingen

Sapsis zegt dat de techniek niet beperkt is tot schepen en oceaanplatforms, maar kan worden toegepast op elk complex systeem dat kwetsbaar is voor extreme gebeurtenissen. De methode kan bijvoorbeeld worden gebruikt om het soort stormen te identificeren die ernstige overstromingen in een stad kunnen veroorzaken en waar die overstromingen zich kunnen voordoen. Het kan ook worden gebruikt om elektrische overbelasting in te schatten die black-outs kunnen veroorzaken.

Miljoenen golven 

Ingenieurs meten meestal het uithoudingsvermogen van een constructie op extreme gebeurtenissen door gebruik te maken van simulaties om de reactie te modelleren op bijvoorbeeld een golf die uit een bepaalde richting komt, met een bepaalde hoogte, lengte en snelheid. Deze simulaties zijn zeer complex, omdat ze niet alleen de golf zelf maar ook de interactie met de constructie modelleren.
Deze risicoanalyse simulaties zijn ongelooflijk nauwkeurig en kunnen in een ideale situatie voorspellen hoe een constructie op elk mogelijk golftype zou reageren, of dit nu extreem is of niet. Maar voor een dergelijke precisie zouden ingenieurs miljoenen golven moeten simuleren, met verschillende parameters, zoals hoogte en lengte, een proces dat maanden in beslag kan nemen om te berekenen. "Dat is een probleem", zegt Sapsis. "Om één mogelijke golf te simuleren die zich in meer dan 100 seconden kan voordoen, is een moderne grafische processor nodig, die zeer snel is. Maar wij willen wat de kans op een extreme gebeurtenis over 100 jaar is."

Algoritme machine learning 

In plaats van miljoenen golven of zelfs meerdere willekeurig gekozen golven door een rekenintensieve simulatie te laten lopen, ontwikkelde Sapsis een algoritme voor machine learning om eerst snel de "belangrijkste" of "meest informatieve" golf te identificeren om een dergelijke simulatie te doorlopen. Het algoritme is gebaseerd op het idee dat elke golf een bepaalde waarschijnlijkheid heeft om bij te dragen aan een extreme gebeurtenis op de constructie.