Leveraging artificial neural networks for design automation in the engineering-to-order sector

The engineering-to-order sector, propelled by the evolving landscape of new energy transition markets, is undergoing rapid innovation, particularly in the design of intricate systems comprising turbomachinery components. Engineering-to-order, characterized by customizing products to meet specific customer requirements, presents unique challenges in seamlessly integrating engineering and production processes. Striking a balance between fulfilling customer demands for short lead times and avoiding exorbitant price premiums remains a critical challenge within this dynamic industry. This Ph.D. thesis investigates artificial neural networks' transformative potential as a design automation facilitator in addressing these challenges. The objective is to expedite the delivery of optimal design solutions within a constrained timeframe, particularly when compared to computationally demanding optimization methods. Collaborating with Baker Hughes, an energy company actively engaged in the Oil&Gas and energy transition markets, this research centers on the design process of API 618 reciprocating compressors as a focal point for the developed methodology. The study delves into three representative case studies, each corresponding to specific jobs related to reciprocating compressor cylinders. The findings illuminate that the proposed method excels within its training boundaries, delivering optimal solutions and offering reasonably accurate predictions for target configurations situated beyond these boundaries. However, it is acknowledged that in scenarios demanding a creative redesign, using neural networks may introduce errors surpassing acceptable tolerance levels. Nevertheless, the overarching conclusion is that this methodology holds a significant potential to assist design engineers in efficiently designing complex systems of components, ultimately leading to notable reductions in operating and lead times. The calculated return on investment for the proposed innovative design method serves as a pivotal metric, indicating that the benefits can be noticed in less than a year. This swift transition to cost savings and increased operational efficiency of the design process not only underscores the economic viability of the innovative approach but also positions Baker Hughes for long-term financial gains and enhanced competitiveness in the market. This research contributes to the broader discourse on design automation within the engineering-to-order turbomachinery sector and opens avenues for further exploration and refinement of methodologies leveraging artificial intelligence.

Il settore engineering-to-order, spinto dal panorama in evoluzione dei mercati della transizione energetica, sta subendo un'innovazione rapida, in particolare nella progettazione di sistemi complessi che comprendono componenti di turbomacchine. L'engineering-to-order, caratterizzato dalla personalizzazione dei prodotti per soddisfare requisiti specifici dei clienti, presenta sfide uniche nell'integrazione fluida dei processi di ingegneria e produzione. Trovare un equilibrio tra la soddisfazione delle richieste dei clienti per tempi di consegna ridotti ed evitare premi di prezzo esorbitanti rimane una sfida cruciale in questo settore dinamico. Questa tesi di dottorato indaga il potenziale trasformativo delle reti neurali artificiali come facilitatori dell'automazione progettuale nell'affrontare tali sfide. L'obiettivo è accelerare la fornitura di soluzioni di progettazione ottimali entro un lasso di tempo limitato, in particolare quando si affrontano problemi di ottimizzazione del design complessi. Collaborando con Baker Hughes, una società energetica attivamente impegnata nei mercati Oil&Gas e di transizione energetica, questa ricerca si concentra sul processo di progettazione di compressori alternativi API 618 come punto focale per la metodologia sviluppata. Lo studio esamina casi rappresentativi attraverso studi sul campo, ciascuno corrispondente a commesse specifiche relative a cilindri di compressori alternativi. I risultati evidenziano che il metodo proposto eccelle all'interno del set di dati di addestramento, fornendo soluzioni ottimali e offrendo previsioni ragionevolmente accurate anche per configurazioni target situate al di fuori di questi confini. Tuttavia, si riconosce che in scenari che richiedono un ridisegno creativo, l'uso delle reti neurali può introdurre errori che superano i livelli di tolleranza accettabili. Tuttavia, la conclusione della ricerca è che questa metodologia ha un potenziale significativo nell'assistere gli ingegneri nella progettazione efficiente di sistemi complessi di componenti, portando a riduzioni significative nei tempi di operatività e di consegna. Il ritorno sugli investimenti calcolato per i nuovi metodi di progettazione proposti è un indicatore cruciale, suggerendo che i benefici possono essere visibili in meno di un anno. Questo rapido passaggio ai risparmi sui costi e al miglioramento dell'efficienza operativa del processo di progettazione non solo sottolinea la fattibilità economica dell'approccio innovativo, ma posiziona anche Baker Hughes per guadagni finanziari a lungo termine e una maggiore competitività nel mercato. Questa ricerca contribuisce al discorso più ampio sull'automazione della progettazione nel settore delle turbomacchine engineering-to-order e apre nuove strade per l'esplorazione e il perfezionamento di metodologie che sfruttano l'intelligenza artificiale.