Soutenance de thèse de SAAB Ahmad
Titre de thèse
Modélisation physique, identification paramétrique et surveillance intelligente des systèmes de positionnement dynamique : contribution à la fiabilité et à la sécurité des opérations offshore
Physical modeling, parameter identification, and intelligent monitoring of dynamic positioning systems: contribution to the reliability and safety of offshore operations
Résumé de la thèse
Les opérations offshore modernes exigent que les navires restent stationnaires en eaux profondes où l'ancrage est impossible en raison de la profondeur ou de l'encombrement des fonds marins. Cette tâche est assurée par un système de positionnement dynamique (DP). Ce contrôleur utilise les propulseurs du navire pour contrer en permanence le vent, les vagues et les courants. Ces systèmes étant critiques pour la sécurité, il est indispensable de disposer de modèles physiques précis et de procédures strictes pour vérifier les équipements. Cette thèse contribue à la fiabilité du DP dans deux domaines : la modélisation des navires et la conformité des procédures. D'abord, une simulation pratique du navire étudié a été construite pour reproduire son comportement réel. Pour rendre les futures simulations encore plus précises, une intelligence artificielle appelée réseau de neurones informé par la physique (PINN) a été testée sur des données de la littérature. En combinant les données de mouvement aux lois de la physique, cette méthode a appris des propriétés physiques complexes, prouvant que les PINNs sont un outil puissant pour la modélisation maritime. La seconde contribution concerne les tests de sécurité obligatoires appelés essais DP basés sur l'Analyse des modes de défaillance (FMEA). Ces essais garantissent la redondance et les performances des composants DP. Actuellement, leur réalisation est lourde : elle nécessite l'arrêt du navire pendant plusieurs jours pour que l'équipage effectue des tests manuels sous supervision externe. Cependant, la collecte massive de données maritimes offre de nouvelles perspectives pour simplifier et surveiller ces essais. En exploitant ces données, plusieurs méthodes d'IA pour la détection d'anomalies ont été testées sur des journaux d'exploitation réels. La recherche démontre que certains modèles, notamment les auto-encodeurs, peuvent lire ces journaux et vérifier automatiquement la bonne exécution des essais de redondance. Finalement, ces méthodologies fournissent de nouveaux outils pour améliorer la fiabilité du positionnement dynamique et soutenir l'automatisation maritime.
Thesis resume
Modern offshore operations require ships to remain stationary in deep water where the use of anchors is not possible due to depth limitations or congested seabeds, a task achieved by a Dynamic Positioning (DP) system. A DP system is a controller that uses the ship's thrusters to constantly counteract disturbances such as wind, waves, and ocean currents. Because these systems are critical for safety, it is essential to have accurate physical models to simulate vessel behavior and strict procedures to verify safety equipment. This thesis contributes to DP reliability across two distinct areas: vessel modeling and procedural compliance. First, a practical simulation of the specific offshore vessel considered in this work was constructed to replicate the behavior of the real vessel. To explore making future simulations even more accurate, a specialized artificial intelligence approach called a Physics-Informed Neural Network (PINN) was tested on established literature data. By combining raw movement data with the known laws of physics, this method successfully learned complex physical properties, proving PINNs to be a powerful tool for advanced maritime modeling. The second contribution addresses the mandatory physical safety tests known as DP trials based on Failure Mode and Effects Analysis (FMEA). These trials ensure the overall redundancy and performance of DP components. Currently, conducting and verifying these trials is a highly resource-intensive process, requiring the vessel to halt operations for several days so the full crew can perform manual tests under the supervision of an external certification company. Recently, however, the continuous collection of massive maritime data has opened new horizons to make these trials easier, more precise, and continuously monitored. Leveraging this data, several AI-based anomaly detection methods were tested on real-world operational logs. The research demonstrates that specific models, particularly Autoencoders, can successfully read these logs and automatically detect whether the redundancy trials were performed correctly. Ultimately, the methodologies presented in this thesis provide new tools to improve the reliability of Dynamic Positioning systems and support the ongoing advancement of maritime automation.