Adaptive algorithm for controlling the power management system on offshore jack-up drilling rigs
Notice bibliographique
Résumé
The power systems of offshore jack-up drilling rigs consist of diesel generators running in parallel load-sharing mode, controlled by an automatic Power Management System (PMS). In this paper, the operational performance of the diesel generators (DG) and the PMS on a jack-up drilling rig is investigated, focusing on two critical offshore drilling operations: “pipe tripping” and “pulling/pumping out of the hole” (POOH). During these operations, large power swings occur in the system, subjecting the DGs to sudden load surges. These severe imbalances in the system cause the PMS to intermittently start and stop the engines throughout the operation, leading to various problematic conditions in the power plant. The paper provides a novel solution for intermittent starting and stopping of the DGs in the form of development and implementation of an adaptive PMS algorithm, a mathematical model of the system and a machine learning approach to event prediction of PMS operation in offshore drilling. Research demonstrates a noteworthy decrease in intermittent DG starting and stopping when the adaptive algorithm is implemented, with a 96% reduction during pipe tripping and an 87% reduction during POOH. This improvement comes at the expense of an 11% increase in engine running hours and a 1.5% rise in fuel consumption. Furthermore, by configuring the adaptive algorithm to economy mode, savings of up to 1700 liters of fuel per month are achievable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».