半潜式平台波浪砰击测试方法与载荷特性研究

本文采用模型试验的方法对半潜式钻井平台受到的水平波浪砰击载荷进行了研究.为了克服模型结构动力响应的影响,试验时设计了专用的测量单元用于监测波浪砰击载荷,并采用小波分析的方法对砰击载荷试验数据进行降噪处理.试验结果表明:半潜式平台水平波浪砰击载荷的发生频率和砰击冲量随有义波高的增加而增加,但砰击载荷幅值则体现了显著的非线性和随机性特征,砰击载荷冲量的随机性和发散性则相对较小;平台立柱与箱型甲板连接处的砰击载荷较大,大多数海况下后立柱砰击频率和砰击载荷幅值比前立柱更高.     

FPSO外输系统维修策略研究

浮式生产储油轮(FPSO)是当今海洋石油天然气开发的主要设备之一。针对外输系统作为FPSO重要的一个子系统,但其传统维修策略过于依赖经验的缺陷,从可靠度角度出发,通过对失效模式和失效概率的分析从而确定较为合理的检修周期和大修周期。采取失效模式和效果分析（FMEA）方法确定主要失效模式及其关系,再利用动态故障树分析（DFTA）方法获得最小割集及相应故障时间,最后通过成组维修理论从全局最优化,经济性角度确定大修周期约为3.23年。经过与工程实际数据的对比,验证了该方法的可行性和适用性。     

新型超大型浮式海上基地消浪室方案试验研究

新型超大型浮式海上基地（VLFOB）设计采用了由两层直立开孔式消浪墙组成的消浪室结构。根据内、外消浪墙开孔率的不同,提出6组消浪室方案。通过模型试验研究,对比分析不同消浪室方案下的消波效率和VLFOB水动力性能,结果表明：一般地,消浪室开孔率越小,消波效率越高,VLFOB的纵荡幅值和系泊力越大,单体间连接载荷相对较大;相同消浪室方案下,入射波能级提高使得消波效率降低;采用内外开孔率分别为0.16和0.24的消浪室方案,不仅消波效率较高,而且单体间的连接载荷也较小。     

深水半潜式平台运动响应及截面波浪载荷模型实验研究

半潜平台在恶劣的海洋环境中将承受极端的环境载荷,从而导致相应的大幅运动,截面载荷以及系泊力。文章对一艘系泊在南海的典型半潜平台进行了综合试验研究。为了测量中纵剖面上的波浪载荷,半潜平台模型从中纵剖面处被剖开,并用3个六分力传感器进行连接。结果表明,当波浪周期在10 s附近时,中纵剖面处的截面传递函数达到最大值。而低频长波以及差频波浪成分对剖面载荷影响很小。文中还分别针对仅有波浪作用的海况和风、浪、流联合作用的海况,对半潜平台的运动和载荷情况进行了研究,发现风和流对平台波频运动影响较小,而对于低频运动,其影响要大于波浪作用。随着风和流的出现,中纵剖面的剪切力,分离力以及垂向弯矩增幅分别可达127.07%,51.87%和45.77%。与此同时,在风、浪、流的联合作用下,最大锚链力与锚链的破断强度比值达到了62.3%,接近规范中66.6%的限制。     

半潜式平台大肘板局部切割作业的结构应力监测与分析

某半潜式平台立柱与浮箱间的8个大肘板需要在坞修中拆除并更换新的大肘板,通过结构有限元方法可以分析大肘板拆除过程的安全性,但在坞修中平台外部载荷和支撑条件的不确定性为建立精确的有限元模型带来困难。文章针对一处大肘板,提出了一种应力释放局部切割流程和应力监测方案,采用光纤光栅传感器对应力释放过程中大肘板及附近8个关键位置的应变情况进行了实时监测。采用Mises屈服准则计算得到局部切割过程中各测点的相当应力,分析了局部切割过程中不同位置的应力变化特点。分析得到切割前8个关键位置的初始应力状态,为有限元模型提供校核依据,最终获得了经过验证的有限元模型,为进一步研究切割方案安全性和分析新大肘板初始应力状态奠定基础。     

基于故障树的沉船整体打捞系统失效风险分析

采用双船抬吊打捞系统对大吨位沉船进行整体打捞是一项高难度高危险作业,对打捞系统及打捞过程进行风险评估至关重要.基于故障树分析法对双船抬吊打捞系统进行分析,确定打捞系统的逻辑树与二级子系统,分析二级子系统的失效模式,并绘制打捞系统的故障树.根据打捞工程危险源识别报告、失效数据库估算基本事件的发生概率,通过故障树定量分析得到打捞系统发生故障的概率是0.002 16,属于中等偏高风险,平均无障碍工作时间约为463.97h.最后通过计算分析确定了基本事件的风险值,并为风险值较高的基本事件提出风险控制方法,为打捞作业安全保障提供支持.     

基于卷积神经网络的波浪砰击载荷识别方法

为准确识别波浪砰击载荷，保障海洋平台作业的安全性，基于卷积神经网络（CNN）模型，建立立柱-甲板简化模型的砰击载荷识别方法，根据结构测点应变响应数据对砰击载荷进行识别。通过分析半潜式平台立柱-甲板处砰击载荷分布的特点，进行有限元数值计算，生成训练数据集和测试数据集，同时考虑数据噪声的影响。结果表明：CNN砰击载荷识别模型具有很高的识别精度和良好的抗噪声能力，在无噪声和有噪声情况下，整体精度分别为99.6%和91.9%；相比传统的反向传播神经网络（BPNN）模型，CNN模型的识别精度更高。