Maintenance management by condition-based PRA with VoI-based optimal condition monitoring and data acquisition

In the last few decades, the increase of energy demand has not been followed at the same pace by the installation of new energy generation facilities. As a result, the aging worldwide fleet of energy generation facilities will be capable of addressing the demand only if their life is extended. Digitization brings new opportunities for evaluating the viability of life extension and monitoring its effects on reliability and safety, thanks to the intelligent sensoring of Systems, Structures and Components (SSCs) through which monitoring data can be collected and used within risk assessment models to take risk-informed maintenance decisions that enable life extension. In this context, the objective of the PhD thesis is to develop a computational framework for condition-based risk-informed decision-making, which includes: I. Value of Information (VoI)-based data acquisition, and II. Condition-Based Probabilistic Risk Assessment (CB-PRA) maintenance decision support. Regarding I, a novel computational approach is introduced to identify the optimal positioning of sensors for condition monitoring of SSCs by VoI. VoI is a utility-based Figure of Merit (FoM), which quantifies the benefits of acquiring information for supporting the maintenance decision-making in a way to guarantee, at the same time, low cost, and valuable information. The VoI-based optimal sensors positioning is achieved by solving an optimization problem that maximizes the VoI among different sets of measurements using three different proposed optimization approaches namely, greedy, non-greedy and Subset Simulation (SS). In terms of original contributions, the proposed advanced computational framework provides a simulation-based scheme for optimal condition monitoring and data acquisition for maintenance management and decision-making, as well as an innovative approach for developing condition monitoring guidelines, which have been traditionally relying only on operational experience. With respect to II, an innovative framework is presented which makes use of the optimal condition monitoring data (obtained from I) within an innovative risk assessment framework (i.e., CB-PRA), for prioritizing the risk imposed on SSCs by different degradation mechanisms and taking the most proper decisions on the maintenance strategy to be adopted to control the degradation progression. This allows a proactive lifecycle asset management by allowing the decision-makers to taking real-time decisions on the optimal maintenance strategy for preventing accidents and balancing the maintenance budget expenditure. The proposed framework of I is applied on a case study regarding the optimal sensors positioning on a Steam Generator (SG) of a Nuclear Power Plant (NPP) that is degrading under creep. Also, a SG Tube Rupture (SGTR) accidental scenario due to multiple degradation mechanisms is considered, to show the benefits gained by applying the framework in II.

Negli ultimi decenni, l'aumento della domanda di energia non è stato seguito di pari passo dall'installazione di nuovi impianti di generazione di energia. Di conseguenza, l'invecchiamento della flotta mondiale di impianti di generazione di energia sarà in grado di soddisfare la domanda solo se la vita utile degli impianti esistenti verrà estesa. La digitalizzazione offre nuove opportunità per valutare la fattibilità dell'estensione della vita e monitorare i suoi effetti sull'affidabilità e sulla sicurezza, grazie alla sensorizzazione intelligente di Sistemi, Strutture e Componenti (SSC) attraverso la quale i dati di monitoraggio possono essere raccolti e utilizzati all'interno di modelli di valutazione del rischio per assumersi il rischio decisioni di manutenzione informate che consentono l'estensione della vita utile. In questo contesto, l'obiettivo della tesi di dottorato è quello di sviluppare un framework computazionale a supporto di un processo decisionale informato, che includa: I. l’acquisizione dei dati basata sul Value of Information (VoI) e II. La presa di decisioni di manutenzione basati sulla sulla valutazione del rischio probabilistico on-condition (Condition Based Probabilisti Risk Assessment). Per quanto riguarda la parte I, in questa tesi viene introdotto un nuovo approccio computazionale per identificare il posizionamento ottimale dei sensori per il monitoraggio delle condizioni di SSC tramite VoI. VoI è una Figura di Merito (FoM) che quantifica i benefici dell'acquisizione di informazioni per supportare il processo decisionale di manutenzione in modo da garantire, allo stesso tempo, di aver selezionato informazioni di valore al minor costo possibile. Il posizionamento ottimale dei sensori basato su VoI si ottiene risolvendo un problema di ottimizzazione che massimizza il VoI tra diversi set di misurazioni: in questa tesi vengono proposti tre diversi approcci di ottimizzazione per la risoluzione del problema, ovvero algoritmi di ottimizzazione greedy, non-greedy e Subset Simulation (SS). In termini di contributi originali, il framework computazionale proposto fornisce uno schema basato sulla simulazione per il monitoraggio delle condizioni ottimali e l'acquisizione dei dati per la gestione della manutenzione e il processo decisionale, nonché un approccio innovativo per lo sviluppo di linee guida per il monitoraggio delle condizioni, che tradizionalmente si sono affidate solo sull'esperienza operativa. Rispetto alla parte II, in questa tesi viene presentato un framework innovativo che fa uso dei dati di monitoraggio delle condizioni ottimali (ottenuti da I) all'interno di un approccio di valutazione del rischio (chiamato CB-PRA), che consente di individuare le priorità (in termini di rischio) delle SSC, quando esposte a diversi meccanismi di degrado, e di prendere le decisioni più appropriate sulla strategia di manutenzione da adottare per controllare l'andamento del degrado. Ciò consente una gestione proattiva delle risorse del ciclo di vita consentendo ai responsabili di prendere decisioni in tempo reale sulla strategia di manutenzione ottimale per prevenire gli incidenti e bilanciare la spesa del budget di manutenzione. Il framework proposto I viene applicato a un caso di studio riguardante il posizionamento ottimale dei sensori su un generatore di vapore (SG) di una centrale nucleare (NPP) che degrada a causa di creep. Inoltre, viene considerato uno scenario accidentale SG Tube Rupture (SGTR) dovuto a più meccanismi di degrado, per mostrare i benefici ottenuti applicando il framework in II.