Den digitale tvillingteknologien vil bli utviklet for bruk i «greenfield»-applikasjoner for å simulere drift av bunnsykluser før installasjon, samt for «brownfield»-tilfeller, der eksisterende bunnsykluser kan kjøres på en mer effektiv måte med høyere driftsikkerhet. Dette kan føre til mer utbredt implementering av dampsykluser i offshore olje- og gassproduksjon, noe som vil øke energieffektiviteten og redusere drivstofforbruk og CO2 utslipp med opptil 25 %.
Det er sannsynlig at transiente modeller vil bli mer relevante i fremtiden, ettersom syklusene kan operere i kombinasjon med variable fornybare energikilder som vindkraft. Dette innebærer at kombinerte sykluser må kunne kjøres med økt fleksibilitet, inkludert rask oppstart når vinden løyer. Nøkkelspørsmål inkluderer hvilke KPIer som blir viktige i fremtidige systemer. Driftsutfordringer kan omfatte stadig mer variabel varme- og kraftetterspørsel, som kan utløse behov for bedre estimering av gjenværende levetid, nåværende degraderingsrate for utstyr og vedlikeholdsplaner. Tidligere har sprekker i varmevekslere og andre problemer ført til dårlig driftsikkerhet i eksisterende offshore dampsykluser.
En digital tvilling vil kunne simulere drift av dampsyklusen for å optimalisere parametere og forbedre driftsvennlighet og pålitelighet, og vil være nyttig både for fremtidens offshore energisystemer og de som finnes i dag. Et nytt system for tidlig feiloppdagelse vil også utvikles. Kjernen i dette systemet vil være et nytt sensorsystem og et signalbehandlingssystem. Gjennom tett samarbeid mellom forskere, sluttbrukere og potensielle leverandører vil det utføres en kartlegging av de viktigste ønskede funksjonene i den digitale tvillingen, med fokus på en «Process Digital Twin».
Prosjektet har som mål å utvikle en dynamisk modellbasert digital tvilling med solid fundament i fysikkbaserte modeller, som skal implementeres i en digital tvilling av en dampsyklus. Det vil være en prosessfokusert digital tvilling, med transiente og termiske modeller som kjerne. Modellene skal kunne brukes til design, idriftsettelse og drift (inkludert overvåking). Den skal inkludere kontrollsystemet og fange relevante aspekter av fleksibel drift, samt legge til rette for optimaliseringsmuligheter. Datadrevne og hybride modeller basert på maskinlæring for system, utstyr og komponenter vil bli undersøkt. Målet er å dekke aspekter av både kortsiktig og langsiktig driftsdynamikk.
Nøkkelfunksjonaliteter som undersøkes i prosjektet:
- Transiente modeller og kontroll
- Utforming/evaluering av kontrollstrukturer.
- Surrogatmodeller for sanntidssimulering av system og komponenter (med fokus på OTSG og superheater headers).
- Parameterjustering/optimalisering: Optimalisering med modellprediktiv kontroll (MPC).
- Termisk spenningsmodellering
- Basert på EU standarder for «headers» og rør i OTSG bunter.
- FEM modeller av «headers» koblet til termiske spenningsmodeller.
- Transiente undersøkelsesmodeller for vurdering av oppstart/nedstenging.
- Anomalideteksjon
- Varsler/deteksjon – tidlig feiloppdagelse forhindrer uplanlagte nedstengninger, reduserer vedlikeholdskostnader og øker sikkerheten.
- Merkede feildata i CCGT anlegg er sjeldne og kostbare å innhente. Uovervåkede metoder opererer uten feiletiketter. Metodeutvikling innen uovervåket maskinlæring vil være et FoU fokus i prosjektet.