Origin and detection of buckles during offshore pipe laying

In this thesis, I investigate about pipe deformation. During pipe laying it is common to have pipe deformation. This deformation is called buckle. There are different types of buckles such as one side indentor or single dent, the socond type is Elliptical, the third one is two side indentor or double dent. The fourth one is circular. Here, I invetigate the most common one which is single dent. Buckle detection has always been a critical issue in all kinds of conveying systems that make use of pipes, especially in the oil and gas industry. It is very crucial to diagnose the type and deformation deviation of anomaly or buckle in the pipe since it allows to determine if the pipe deformation is above a defined tollerance. There are many methods which are proposed to resolve this challenge, but all have their own pros and cons. Some of them are A Moving 2D Laser Rang Finder, Mechanical Buckle Detector and Acoustic Reflectometry. This thesis proposes a new way which applies Machine Learning in order to estimate the size of buckle deviation with a given buckle shape. Machine Learning is a well known and popular method to estimate and classify the new data because of its flexibility and simplicity. To use Machine Learning, we need some sample data to train the system. In my thesis, I deployed Supervised Learning and the probem is defined as regression problem and not a classification problem. Machine Learning system needs samples to estimate the desired parameter. The samples to train my Machine Learning system are the reflected acoustic signals from the buckle which I have its deformation deviationand its anomaly type. Each acoustic signal value in sampled time is one feature. The duration of the all procedure time window is one second. There are seventy time samples with their corresponding acoustic samples. So, totally, I have seventy features and since my problem is to estimate anomaly or deformation deviation, it categorized as regression problem. Multiple linear regression is the method which is used to train the neural network in Machine Learning system. This method generally produces good accuracy in parameter estimation. The use of machine learning is very simple and user friendly compared to other methods, because it doesn’t require the deep understanding of the physical methods involved in the measuring step, in this case the acoustic wave propagation. The only requirement to use Machine Learning is to have sufficient samples to train the model to predict the new buckle deviation size. The training samples are the received signals which are reflected from the buckle. Based on the desired accuracy, some number of samples are needed in the beginning to train the model. Intuitively, higher desired accuracy needs more samples to train the model. There are some interesting special cases which are not following this general rule. When I have more training sample to train Machine Learning system then I may have overfitting problem which make our model prone to small changes like noise. In my research on these data it was quite often to see this phenomena which I have a very high accuracy but it collapse when we apply noise or I did not used any sample equal to my test samples. There are a lot of new ideas and methods to improve the performances of Machine Learning method which makes it to be marked as the top used technology in researches of recent years.

In questa tesi, indago sulla deformazione dei tubi. Durante la posa dei tubi è normale avere una deformazione del tubo. Questa deformazione è chiamata fibbia. Esistono diversi tipi di fibbie come un intaccatore laterale o un'ammaccatura singola, il tipo socondo è ellittico, il terzo è un doppio indentatore o doppio ammaccatura. Il quarto è circolare. Qui, involo il più comune che è ammaccatura singola. Il rilevamento della fibbia è sempre stato un problema critico in tutti i tipi di sistemi di trasporto che fanno uso di tubi, specialmente nell'industria petrolifera e del gas. È molto importante diagnosticare il tipo e la deviazione di deformazione di anomalia o fibbia nel tubo poiché consente di determinare se la deformazione del tubo è superiore a una tolleranza definita. Ci sono molti metodi che vengono proposti per risolvere questa sfida, ma tutti hanno i loro pro e contro. Alcuni di essi sono: un cercatore laser 2D in movimento, un rilevatore meccanico di fibbie e una riflettometria acustica. Questa tesi propone un nuovo modo che applica il Machine Learning al fine di stimare la dimensione della deviazione della fibbia con una data forma della fibbia. Machine Learning è un metodo ben noto e diffuso per valutare e classificare i nuovi dati grazie alla sua flessibilità e semplicità. Per utilizzare Machine Learning, abbiamo bisogno di alcuni dati di esempio per addestrare il sistema. Nella mia tesi, ho distribuito l'apprendimento supervisionato e il problema è stato definito come problema di regressione e non come problema di classificazione. Il sistema di Machine Learning necessita di campioni per stimare il parametro desiderato. I campioni per addestrare il mio sistema di Machine Learning sono i segnali acustici riflessi dalla fibbia che ho la sua deviazione dalla deformazione e il suo tipo di anomalia. Ogni valore del segnale acustico nel tempo campionato è una caratteristica. La durata dell'intera finestra temporale della procedura è di un secondo. Ci sono settanta campioni di tempo con i loro corrispondenti campioni acustici. Quindi, totalmente, ho settanta caratteristiche e dal momento che il mio problema è di stimare l'anomalia o la deviazione dalla deformazione, è classificato come problema di regressione. La regressione lineare multipla è il metodo utilizzato per addestrare la rete neurale nel sistema di Machine Learning. Questo metodo generalmente produce una buona precisione nella stima dei parametri. L'uso dell'apprendimento automatico è molto semplice e facile da usare rispetto ad altri metodi, poiché non richiede la profonda comprensione dei metodi fisici coinvolti nella fase di misurazione, in questo caso la propagazione delle onde acustiche. L'unico requisito per utilizzare Machine Learning è di disporre di campioni sufficienti per addestrare il modello a prevedere la nuova dimensione di deviazione della fibbia. I campioni di allenamento sono i segnali ricevuti che sono riflessi dalla fibbia. In base all'accuratezza desiderata, all'inizio è necessario un certo numero di campioni per addestrare il modello. Intuitivamente, una maggiore precisione desiderata richiede più campioni per addestrare il modello. Ci sono alcuni casi speciali interessanti che non seguono questa regola generale. Quando ho più campioni di addestramento per addestrare il sistema di Machine Learning, potrei avere problemi di sovradattamento che rendono il nostro modello soggetto a piccoli cambiamenti come il rumore. Nella mia ricerca su questi dati è stato abbastanza spesso vedere questo fenomeno che ho una precisione molto elevata ma che collassa quando applichiamo il rumore o non ho usato alcun campione uguale ai miei campioni di prova. Ci sono un sacco di nuove idee e metodi per migliorare le prestazioni del metodo Machine Learning che lo rende contrassegnato come la tecnologia utilizzata nelle ricerche degli ultimi anni.