Modelagem e avaliação de redes neurais artificiais generalistas para estimativa do comportamento de linhas de ancoragem formadas por múltiplos segmentos heterogêneos

Abstract

A aplicação de técnicas de inteligência artificial na resolução de problemas é um dos tópicos mais discutidos atualmente, tanto no âmbito acadêmico quanto nos setores produtivos. Embora as aplicações mais populares estejam relacionadas ao processamento de texto ou imagens, o uso de redes neurais do tipo MLP é uma estratégia conhecida para a construção de modelos de interpolação para problemas de difícil solução, mas de histórico conhecido. Entre os diversos problemas de engenharia que se encaixam nesse contexto, o projeto do sistema de ancoragem de plataformas offshore que operam em águas profundas apresenta características que motivam o uso de técnicas de IA. Embora no passado o projeto de sistemas de ancoragem para plataformas operando a lâminas d´água de até 400 metros fosse baseado em métodos empíricos, os desafios impostos pela exploração de reservas localizadas a mais de 3000 metros da lâmina d´água requerem a aplicação de heurísticas racionais de projeto. Nesses casos, a quantidade de variáveis e, principalmente, de atributos de desempenho avaliados, fazem com que seja difícil estimar o comportamento de uma linha de ancoragem sujeita a diferentes condições ambientais. Tradicionalmente, tal análise é feita resolvendo o problema da catenária elástica, cuja solução só pode ser obtida por métodos numéricos que consomem segundos de processamento. Embora o tempo de resolução de uma única catenária seja inferior a um segundo, a resolução de milhares de combinações de casos e parâmetros pode resultar em um alto custo computacional, que dificulta ou até inviabiliza a aplicação de técnicas de otimização. Assim, para mitigar essa problemática, este trabalho apresenta o desenvolvimento de redes neurais do tipo MLP capazes de uma vez treinada, estimar instantaneamente o comportamento mecânico de uma linha de ancoragem para uma determinada condição de carregamento. No modelo desenvolvido, a linha é dividida em três segmentos (topo, meio e fundo), sendo as variáveis de cada segmento o comprimento relativo do segmento, o peso molhado do segmento e a tração no topo. O treinamento da rede foi dividido em 2 partes, com e sem a introdução do parâmetro de parada prévia, o qual busca atenuar a possibilidade de overtraining, fenômeno no qual as redes neurais reduzem a habilidade de generalização do problema. No total 55 redes neurais com topologias e métodos de treinamento diferentes foram desenvolvidas e analisadas. Os resultados obtidos sugerem que é possível substituir o algoritmo numérico de análise de catenária por uma única rede neural do tipo MLP.

The application of artificial intelligence techniques to problem-solving is one of the most discussed topics today, both in academic circles and productive sectors. While popular applications are often related to text or image processing, the use of Multilayer Perceptron (MLP) neural networks is a known strategy for constructing interpolation solution for complex but historically well-understood problems. Among the various engineering challenges that fit into this context, the design of anchoring systems for offshore platforms operating in deep waters presents characteristics that motivate the use of AI techniques. In the past, designing anchoring systems for platforms operating in water depths up to 400 meters relied on empirical methods. However, challenges posed by the exploration of reserves located over 3000 meters deep necessitate the application of rational design heuristics. In these cases, the numerous variables and performance attributes make it difficult to estimate the behavior of an anchor line under different environmental conditions. Traditionally, such analysis involves solving the elastic catenary problem, whose solution requires numerical methods that consume significant processing time. While the resolution time for a single catenary is less than a second, solving thousands of combinations of cases and parameters can result in high computational costs, making optimization techniques challenging or even impractical. Therefore, to mitigate this issue, this work presents the development of MLP neural networks capable of instantly estimating the mechanical behavior of an anchor line for a given loading condition once trained. In the developed model, the anchor line is divided into three segments (top, middle, and bottom), with variables for each segment including relative segment length, wet weight of the segment, and top tension. The network training was divided into two parts, with and without the introduction of early stopping parameters, which aims to mitigate the possibility of overtraining, a phenomenon where neural networks reduce their ability to generalize the problem. In total, 55 neural networks with different topologies and training methods were developed and analyzed. The results obtained suggest that it is feasible to replace the numerical catenary analysis algorithm with a single MLP neural network.