Per Mikkelsen, Technische Universität Berlin
Der Übergang des fossilen Energiesystems hin zu einem System der erneuerbaren Energieerzeugung ist eine der zentralen Herausforderungen der nächsten Jahrzehnte. Dies gilt insbesondere vor dem Hintergrund eines global steigenden Energiebedarfs und eines gleichzeitig schrumpfenden Zeitfensters für diese Energiewende. In diesem Zusammenhang kommt dem Ausbau der Windenergie als Ersatz für fossile Brennstoffe eine besondere Bedeutung zu.
Um die ehrgeizige Energiewende zu erreichen, werden Offshore-Installationsschiffe für Bau, Transport und Wartung benötigt. Diese Schiffe, die überwiegend in wetterbedingten Einsatzgebieten operieren, sind ständig mit unterschiedlichen betrieblichen Herausforderungen konfrontiert. Für diese Herausforderungen ist es zwingend erforderlich, sicherzustellen, dass Betriebsgrenzen wie Rollwinkel, Transportbeschleunigungen und Wasser an Deck innerhalb akzeptabler Grenzen bleiben. Unterschiedliche Beladungszustände und die daraus resultierenden Tiefgänge, sowie variierende Wassertiefen und Schiffsgeschwindigkeiten erfordern einen umfangreichen und zeitaufwändigen Rechenaufwand zur Lösung des Radiations- und Diffraktionsproblems.
Zur Vereinfachung und Beschleunigung dieser Berechnungen, wurde in dieser Masterarbeit ein Machine Learning Algorithmus entwickelt, um die hydrodynamischen Koeffizienten vorherzusagen, die zur Berechnung des Bewegungsverhaltens eines Schiffes im Frequenzbereich erforderlich sind. Ziel ist die Entwicklung einer weniger aufwändigen und schnelleren Methode im Vergleich zum herkömmlichen Verfahren zur Bestimmung der hydrodynamischen Koeffizienten für die hydrodynamische Masse, Dämpfung und Erregerkräfte. Es wurde physikbasiertes maschinelles Lernen eingesetzt, um physikalische Gesetze direkt in die ML-Modelle zu integrieren und so genaue und physikalisch konsistente Vorhersagen zu gewährleisten. Die Methode wurde auf das Errichterschiff Innovation angewendet, das Eigentum der DEME Group ist und von ihr betrieben wird.
Im ersten Schritt wurde eine Datenbank mit dem Potential-Code-Solver AQWA für verschiedene Schiffsgeschwindigkeiten, Tiefgänge, Wassertiefen und Welleneinfallswinkel über einen Frequenzbereich erstellt. Diese Daten wurden aufbereitet und in ein Machine Learning geeignetes Format transformiert, um verschiedene Regressoren zu trainieren. Die Ergebnisse der vorhergesagten Koeffizienten für die hydrodynamische Masse, Dämpfung und der Kraftkomponenten wurden anhand von Testdaten unter Verwendung von Fehlermetriken für die betrachteten Regressoren bewertet und beurteilt. Die Koeffizienten wurden anschließend verwendet, um die Übertragungsfunktionen zu rekonstruieren und zu validieren, bevor sie zur Berechnung der signifikanten Bewegungen verwendet wurden.