Reliability assessment of an offshore wind turbine jacket with active learning approaches
Évaluation de la fiabilité de Jacket d'une éolienne offshore à l'aide des approches d'apprentissage actif
Résumé
This dissertation aims to develop an approach for efficient and accurate reliability assessment of offshore wind turbine jacket. The offshore wind turbine jacket is subject to various uncertainties. The reliability analysis of the jacket foundation is generally performed using traditional approximation approaches (e.g.FORM/SORM) or Monte Carlo simulations. These approaches are either inaccurate or time-consuming and are not suitable for complex and computationally expensive simulation such as those required for offshore wind turbine jacket. The first part of this dissertation aims to choose the accurate and efficient approach for the offshore load simulation. Firstly, three load simulation approaches used for dynamic analysis of offshore wind turbines (OWTs) structures are compared. The first one is the uncoupled method, the second is the sequentially coupled approach and the third one is the fully integrated (coupled) approach. Secondly, the influence of the jacket modeling techniques is investigated and two numerical models of the jacket are developed. One is with pure beam element (Bearn model), while the second is with more advanced modeling by using super-element (Super-element model). For the comparison of load simulation approaches, the results show that the simulation results of the sequential approach are mostly in good agreement with those of the fully coupled approach. The uncoupled approach may lead to large errors in the extreme responses of dynamic analysis. Furthermore, for the comparison between the two jacket models, it is found that the responses of super-element jacket model are different from those of the beam model, especially in the jacket displacements. The second part of this dissertation aims to evaluate the structural reliability of the jacket. Thus, two approaches are proposed for the component reliability assessment based on ensemble surrogate models with active learning approaches. The efficiency and accuracy of the proposed approaches are demonstrated by 4 representative examples and the beam jacket model. Finally, for the system reliability assessment, a new composite learning approach is proposed for the active learning Kriging approach with U function named AK-SYSm-U. The active learning Kriging approaches with H learning function are also adapted for the system reliability analysis. The efficiency and accuracy of the developed system approaches are also demonstrated by two numerical examples and the super-element jacket model. The results of the component reliability analysis show that the proposed ensemble surrogate models with active learning approaches can be effective in evaluating the reliability of high dimension and rare event problems with less computational cost than the single kriging surrogate model with active learning approaches (e.g AK-MCS). Moreover, the system reliability analysis results show that the proposed composite learning function for system reliability analysis is more robust and the developed active learning approaches with H learning function can efficiently and accurately estimate the failure probability of the system.
Cette thèse vise à développer une approche pour une évaluation efficace et précise de la fiabilité du jacket des éoliennes offshore. Le jacket d'une éolienne offshore est soumis à diverses incertitudes. L’analyse de la fiabilité de la fondation du jacket est généralement effectuée en utilisant des approches d'approximation traditionnelles (par exemple FORM/SORM) ou la méthode des simulations de Monte Carlo. La modélisation mécanique du jacket d'une éolienne offshore nécessite généralement des modèles de simulations complexes et une analyse dynamique très couteuse en temps de calcul. L’utilisation des méthodes traditionnelles (FORM/SORM, simulations de Monte Carlo, etc.) pour l'analyse de fiabilité de ces structures peut être inadaptée. En effet, les méthodes d'approximation souffrent souvent de problèmes de convergence numérique surtout lorsque l'analyse dynamique des structures est impliquée, voire de précision lorsque le problème contient plusieurs points de défaillance. Les méthodes de simulations de Monte Carlo sont robustes, toutefois elles sont très coûteuses en temps de calcul et elles sont impraticables pour calculer des faibles probabilités de défaillance. La première partie de cette thèse vise la comparaison de trois approches de simulation des charges utilisées pour l'analyse dynamique des structures d'éoliennes offshore. Les approches étudiées sont respectivement la méthode non couplée, l'approche séquentielle et l'approche entièrement couplée. Ensuite, deux modèles numériques du jacket sont développés afin d'étudier l'influence des techniques de modélisation du jacket. Le premier modèle utilise des éléments de poutre de Timoshenko pour l'ensemble des éléments du jacket. Le deuxième modèle utilise une modélisation avancée à l'aide de la technique des super-éléments. Les éléments du jacket sont modélisés par des éléments de poutre et les assemblages entre ces éléments sont modélisés à l'aide des éléments de coque. Des comparaisons entre ces deux modèles sont également effectuées. La comparaison des approches de simulation des charges a montré que les résultats de l'approche séquentielle sont pour la plupart en bon accord avec ceux de l'approche entièrement couplée. L’approche non couplée peut conduire à des erreurs importantes dans les réponses extrêmes de l'analyse dynamique. En outre, pour la comparaison entre les deux modèles du jacket, nous constatons que les réponses du modèle du jacket à super-éléments sont différentes de celles du modèle de poutre, en particulier pour les déplacements du jacket. La deuxième partie de ce travail de thèse propose deux approches d'apprentissage actif pour l'évaluation de la fiabilité basée sur des modèles de substitution d'ensemble. Les modèles de krigeage (kriging) et les réseaux de neurones artificiels (ANN : Artificiel Neural Network) sont combinés pour constituer le modèle de substitution d'ensemble. L’efficacité et la précision des approches proposées sont démontrées par 4 exemples académiques et le modèle de poutre du jacket. Les résultats de l'analyse de fiabilité des exemples traités en utilisant les modèles de substitution d'ensemble avec les approches proposées d'apprentissage actif montrent l'efficacité et la robustesse de ces méthodes. D'ailleurs, même pour des problèmes de grande dimension et d'événement rare (probabilité de défaillance très très faible), ces approches montrent des performances numériques remarquables par rapport au modèle de substitution unique avec des approches d'apprentissage actif (par exemple AK-MCS). La dernière partie de cette thèse est dédiée à l’analyse de fiabilité système défini par plusieurs fonctions de performances. Une nouvelle fonction d’apprentissage composite est proposée pour le krigeage basé sur l’apprentissage actif avec la fonction U. Le modèle de krigeage à apprentissage actif avec la fonction d’apprentissage dite H est également adapté à l’analyse de fiabilité système...
Origine : Version validée par le jury (STAR)