KR102041609B1 - 시추선 설계 시스템 및 그 방법 - Google Patents

Abstract

시추선 설계 시스템 및 그 방법이 개시된다.
본 발명의 실시 예에 따른 시추선 설계 시스템은, 시추선의 데크별 영역을 구획하여 장비와 공간이 배치되는 트레이닝 세트를 생성하는 데이터 생성부; 상기 트레이닝 세트에 기초한 장비와 공간의 입력정보를 신경망으로 학습하고, 시추선의 안전성과 코스트 관점에서의 출력 값들을 산출하는 신경망 학습부; 상기 시추선의 배치에 요구되는 제약조건을 설정하는 제약조건 설정부; 및 상기 제약 조건을 반영하여 상기 출력 값들의 합이 최소가 되는 최종 배치 모델을 도출하는 제어부를 포함하는 시추선 설계 시스템.

Description

시추선 설계 시스템 및 그 방법{DEIGN SYSTEM OF DRILL SHIP AND METHOD OF THE SAME}

본 발명은 시추선 설계 시스템 및 그 방법에 관한 것으로서, 보다 상세하게는 시추선 제작에 있어서 시추 장비 및 룸 배치를 최적화하는 시추선 설계 시스템 및 그 방법에 관한 것이다.

일반적으로 해저자원개발 기술이 발달하면서 최근에는 시추장비를 탑재하고 자체 동력으로 항해할 수 있는 시추선(Drill ship)이 개발되어 해저 시추 및 자원탐사에 활용되고 있다.

도 1은 일반적인 시추선의 구조를 개략적으로 나타낸 부분 단면도이다.

도 1에 도시된 바와 같이, 시추선은 시추작업이 이루어지는 드릴 플로어(Drill floor)의 상부에 시추탑(Derrick)이 형성되고, 하부의 문풀을 통해 시추용 드릴 파이프(drill pipe)를 해저 바닥으로 내려 보냄으로써, 해저 바닥 깊은 곳의 유정에 저장되어 있는 해저 자원을 시추할 수 있다.

이처럼 시추선은 일반 선박과는 달리 드릴 플로어(Drill floor)가 설치되며 시추에 필요한 각종 장비와 그 주변에서 드릴 파이프 보급 등을 보조하는 각종 장비를 포함하는 시추 장비들이 설치된다.

한편, 시추선의 일반 배치(General Arrangement, GA)는 시추선의 제작에 앞서 시추 장비 및 각종 룸 등을 배치하는 일련의 설계 작업을 의미한다.

이러한 시추선의 GA를 위해서는 시추 환경에 따른 스펙(Spec)을 선정하고, 선주의 요구사항을 반영한 장비의 배치, 장비간의 연결관계에 따른 물동량 최적화, 작업자의 안전, 선박의 각 데크(Deck) 별 레이아웃(Layout) 작성, 선박의 거동 및 성능을 결정짓는 기본 요소 등의 다양한 조건들이 고려되어야 한다.

종래 GA 작업은 여러 부서의 의견을 반영하여 주로 설계자의 경험기반으로 이루어지고 있다. 그러나, 자리 공간의 배치, 장비관련 주변 장치와의 연관 관계, 장비간의 연결관계, 안전성 및 선주의 요구 사항 등을 종합적으로 고려하기 때문에 GA를 작성하는데 어려운 문제점이 있다.

또한 GA의 검증이 어려워 어느 하나의 조건이 맞지 않으면 수정을 반복하는 문제점이 있으며 GA에 문제가 발생되면 선박 제작 일정에 차질이 발생되는 중대한 문제점이 있다.

이 배경기술 부분에 기재된 사항은 발명의 배경에 대한 이해를 증진하기 위하여 작성된 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.

특허문헌 1 : 한국공개특허 제2016-0090076호 (2016.07.29. 공개)

본 발명의 실시 예는 인공지능을 활용하여 다양한 제약조건이 반영된 시추선에 탑재되는 여러 장비의 최적 배치도(GA)를 도출하고 이를 검증할 수 있는 시추선 설계 시스템 및 그 방법을 제공하고자 한다.

본 발명의 일 측면에 따르면, 시추선 설계 시스템은, 시추선의 데크별 영역을 구획하여 장비와 공간이 배치되는 트레이닝 세트를 생성하는 데이터 생성부; 상기 트레이닝 세트에 기초한 장비와 공간의 입력정보를 신경망으로 학습하고, 시추선의 안전성과 코스트 관점에서의 출력 값들을 산출하는 신경망 학습부; 상기 시추선의 배치에 요구되는 제약조건을 설정하는 제약조건 설정부; 및 상기 제약 조건을 반영하여 상기 출력 값들의 합이 최소가 되는 최종 배치 모델을 도출하는 제어부를 포함한다.

또한, 상기 데이터 생성부는, 상기 시추선의 한 층이나 데크를 가로와 세로로 구분하여 데크 맵을 설정하고, 상기 데크 맵 상에 배치되는 상기 장비와 공간에 위치정보를 부여하여 상기 트레이닝 세트를 생성할 수 있다.

또한, 상기 데이터 생성부는, 상기 트레이닝 세트와 다른 데이터를 사용하여 상기 트레이닝 세트의 신경망 학습을 검증하는 검증용 데이터를 생성할 수 있다.

또한, 상기 신경망 학습부는, 선박무게중심 값, 전기적 기기 설비 관점에서의 코스트, 기계 설비 관점에서의 코스트 및 배관 작업 코스트 중 적어도 하나의 출력 값을 계산할 수 있다.

또한, 상기 제약조건은, 상기 시추선의 거동, 작업자의 안정성, 주변 장치와의 관계 및 선주의 선호도에 따른 요구사항을 고려한 각종 룰과 요구조건을 포함할 수 있다.

또한, 상기 입력정보는, 상기 트레이닝 세트에 배치된 장비와 공간의 이름, 종류, 위치 및 무게 중 적어도 하나를 포함하며, 상기 위치는 상기 장비와 공간이 차지하는 가로, 세로 및 높이의 크기를 포함할 수 있다.

또한, 상기 최종 배치 모델의 상기 출력 값들의 합은, 상기 신경망 학습부를 통해 학습된 트레이닝 세트의 출력 값, 상기 출력 값들의 가중치를 설정하는 파라미터 및 상기 제약조건에 의한 배치 불가영역을 활용하여 계산될 수 있다.

또한, 상기 제어부는, 상기 최종 배치 모델을 토대로 데크 별 장비, 그 주변 장치와의 관계 및 장비간의 연결관계를 3D 렌더링 프로그램에 반영하여 상기 시추선의 3차원 배치 도면을 작성할 수 있다.

한편, 본 발명의 일 측면에 따른, 시추선의 장비와 공간을 배치하는 시추선 설계 시스템의 시추선 설계 방법은, a) 기존 시추선의 데크별 영역을 구획하여 장비와 공간이 배치된 트레이닝 세트를 생성하고 인공지능을 통해 학습된 신경망 학습부를 구축하는 단계; b) 시추선의 장비와 공간 배치를 위한 제약조건을 설정하고 적어도 하나의 배치 모델을 생성하는 단계; c) 상기 배치 모델의 속성을 상기 신경망 학습부의 입력정보로 활용하여 시추선의 안전성과 코스트 관점에서의 출력 값들을 산출하는 단계; 및 d) 상기 제약 조건을 반영하여 상기 출력 값들의 합이 최소가 되는 최종 배치 모델을 도출하는 단계를 포함한다.

또한, 상기 a) 단계는, 상기 트레이닝 세트와 다른 데이터를 사용하는 검증용 데이터를 생성하여 상기 트레이닝 세트의 학습결과를 검증할 수 있다.

또한, 상기 c) 단계는, 상기 배치 모델의 다양한 관점에서의 출력 값에 소정 룰이나 선주의 요구 조건에 따른 가중치를 설정하여 상기 출력 값들의 합을 계산할 수 있다.

또한, 상기 d) 단계 이후에, 상기 최종 배치 모델을 토대로 3D 렌더링 프로그램에 활용하여 상기 시추선의 각 데크별 장비와 공간 배치 구조를 3차원 배치 도면으로 작성하는 단계를 더 포함할 수 있다.

본 발명의 실시 예에 따르면, 종래의 경험에 의존했던 GA작업을 다양한 제약조건이 반영된 신경망 알고리즘을 활용하여 데크 별 최적화된 GA를 도출함으로써 안전성 및 선주의 요구 사항이 종합적으로 고려된 GA 작성의 시간 및 물질적 비용을 줄일 수 있다.

또한, 신경망 학습의 트레이닝 데이터와 출력 결과의 검증을 통해 최종 도출된 GA의 타당성을 검증함으로써 배치 과정에서의 수정 및 시행착오를 줄이고 최종 도출된 GA의 신뢰도를 향상시킬 수 있다.

그리고, 시추선내 데크 별 레이아웃 작성시 소정 제약 조건에 따른 최적 배치 알고리즘을 통해 GA를 생성하고, 이를 3D 렌더링 프로그램에 반영함으로써 기존 2D 기반으로 작업하던 GA를 손쉽게 3D로 작업하는데 활용할 수 있다.

도 1은 일반적인 시추선의 구조를 개략적으로 나타낸 부분 단면도이다.
도 2는 본 발명의 실시 예에 따른 시추선 설계 시스템의 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 발명의 실시 예에 따른 트레이닝 세트의 예시를 개략적으로 나타낸다.
도 4는 본 발명의 실시 예에 따른 신경망 학습구조를 개략적으로 나타낸다.
도 5는 본 발명의 실시 예에 따른 시추선 설계 방법을 개략적으로 나타낸 흐름도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

명세서 전체에서, 시추선은 자체 항해 능력을 가지는 드릴쉽뿐 아니라 해저 자원탐사에 필요한 시추장비를 탑재한 잭업(Jack-up) 및 바지선 등의 해양 구조물을 포함할 수 있다.

이제 본 발명의 실시 예에 따른 시추선 설계 시스템 및 그 방법에 대하여 도면을 참조로 하여 상세하게 설명한다.

도 2는 본 발명의 실시 예에 따른 시추선 설계 시스템의 구성을 개략적으로 나타낸 블록도이다.

첨부된 도 2를 참조하면, 본 발명의 실시 예에 따른 시추선 설계 시스템(100)은 인공지능을 활용하여 다양한 제약조건이 반영된 시추선의 최적 배치도(GA)를 도출하고 이를 검증하기 위한 것으로써, 데이터 생성부(110), 신경망 학습부(120), 제약조건 설정부(130), 데이터베이스(140) 및 제어부(150)를 포함한다.

데이터 생성부(110)는 기존에 제작된 시추선의 설계정보를 수집하고 이를 바탕으로 시추선의 장비 및 공간 배치의 최적화를 위해 인공지능 학습에 필요한 데이터를 생성한다.

데이터 생성부(110)는 기존 시추선의 장비 배치 정보를 분석하여 각 층이나 데크 단위로 설치된 장비 정보와 공간 정보를 추출하고, 이를 토대로 인공지능 학습에 필요한 트레이닝 세트(Training set) 및 검증용 데이터를 생성한다.

상기 트레이닝 세트는 시추선의 설계 및 배치 작업을 위하여 후술되는 신경망 학습에 사용되는 데이터 집합을 의미한다.

데이터 생성부(110)는 트레이닝 세트를 통해 시추선의 각 층이나 데크에 배치되는 장비 및 공간의 개별 속성에 기초한 다양하고 많은 양의 데이터를 생성하고 이를 신경망을 학습을 위한 입력 정보(Xi)로 활용할 수 있다.

여기서, 상기 공간은 각종 설비가 배치되는 룸(Room)과 선원이 생활하는 공간, 선박 내 통로, 및 시추 작업을 위한 시추 장비의 거동에 필요한 작업 공간을 포함한다.

또한, 검증용 데이터는 신경망이 제대로 학습 되었는지를 검증에 사용하는 데이터로써 상기 트레이닝 세트와 다른 데이터를 사용하여 신경망이 제대로 학습되었는지를 검증할 수 있다.

또한, 데이터 생성부(110)는 기존 시추선뿐 아니라, 신규 시추선의 최적화된 배치를 도출하기 위하여 시추선 제작을 위한 다양한 룰과 요구 사항이 적용된 배치 모델의 도출을 위한 트레이닝 세트를 생성할 수 있다.

한편, 도 3은 본 발명의 실시 예에 따른 트레이닝 세트의 예시를 개략적으로 나타낸다.

첨부된 도 3을 참조하면, 본 발명의 실시 예에 따른 데이터 생성부(110)는 기존 시추선의 각 데크 영역을 가로와 세로로 구획하여 데크 맵을 생성하고, 상기 데크 맵에 설치된 장비와 공간에 해당 속성이 부여된 트레이닝 세트를 생성한다.

일반적으로 시추선의 데크는 적어도 2층 이상으로 구성될 수 있다.

Semi-Rig를 예로 들면 바닥 데크(Bottom Deck), 하층 데크(Lower Deck), 중간층 데크(Tween Deck), 상층 데크(Upper Deck), 갑판(A Deck) 및 드릴 플로어(Drill Floor)의 총 6개의 데크로 구분될 수 있다. 그리고, 각 데크에는 선박에 구비되는 각종 장비와 선체 내 구획된 룸(Room) 형태의 다양한 공간이 배치된다.

이러한 데크의 구성과 개수는 각 시추선의 종류 및 선주의 요구사항 등에 따라 다양하게 변경될 수 있다.

또한, 시추선의 각 데크 상에는 다양한 장비와 공간이 소정의 설계 룰과 요구에 따라 배치될 수 있다.

기본적으로 엔진/발전기(Engine/Generator)가 배치되는 엔진룸(E/R)이 배치되고, 전기관련 각종 제어반이 탑재된 배전실(SWBD Room)이 엔진룸(E/R)의 근거리에 배치 된다.

또한, 시추선의 특성상 시추작업에 사용되는 머드 펌프(Mud Pump), 탱크(Tank) 등이 문풀(Moonpool)의 주변에 배치되게 되고, 이 밖에도 서브시 장비 룸(Subsea Equip Room), 공기 압축 룸(Air Compressor Room) 등이 문풀(Moonpool) 주변에 배치 된다.

또한, 승선인원이 생활하게 되는 거주구(Accommodation)는 소음 및 진동을 줄이기 위해서 최대한 엔진룸(E/R)과 떨어진 반대방향에 배치 된다.

앞서 말한 장비와 공간은 보통 데크 박스 안쪽에 배치되게 되고, 시추에 사용되는 각종 장비들은 드릴 플로어(Drill Floor)라는 데크 상에 배치 된다.

또한, 드릴 플로어에는 시추탑이 설치되고, 트래블링 블록(Travelling Block), 탑드라이브(Top drive), 돌리 시스템(Retractable Dolly), 가이드 트랙(Guide Track, Dolly Track), 수직형 파이프 이송장치, 수평형 파이프 이송장치, 파이프 저장장치 및 CMC(Crown Mounted Compensator) 블록과 같은 모션 보상 장치(Motion Compensator) 등의 시추 장비가 배치되며, 이들 시추 장비의 거동을 위한 작업 공간도 배치된다.

이러한 시추선내의 장비와 공간의 배치는 패키지 형태로 공급될 수 있으며, 기본적인 배치가 룰(Rules)에 따라 어느 정도의 마련되어 있는 상태에서 선주의 선호도 등의 요구 사항에 의해 조금씩 변경될 수 있다.

가령, 데이터 생성부(110)는 이러한 기존 시추선의 한 층이나 데크를 상기 트레이닝 세트로 생성하기 위하여 8*8로 구분하여 데크 맵을 설정하고, 상기 데크 맵 상에 배치된 장비(Equipment)와 공간(Room)에 위치정보(Map Information)를 부여한다. 상기 위치정보는 장비나 공간이 각각 배치되어 있는 데크 정보(예; 층 or 고유번호) 및 해당 데크 맵 상의 인덱스(Index)를 포함한다.

여기서, 본 발명의 실시 예에 따른 상기 데크 맵의 구획은 8x8에 한정하지 않고 시추선의 규모나 스펙에 따라서 가로 및 세로 방향으로의 구획을 세부적으로 더 늘리거나 줄일 수 있다.

한편, 도 4는 본 발명의 실시 예에 따른 신경망 학습구조를 개략적으로 나타낸다.

첨부된 도 4를 참조하면, 본 발명의 실시 예에 따른 신경망 학습부(120)는 데이터 생성부(110)에서 생성된 트레이닝 세트의 장비와 공간 별 위치 정보와 무게 값을 입력정보(Xi, 입력인자)로 신경망 학습을 수행한다.

여기서, 상기 입력정보(Xi)는 상기 트레이닝 세트에 배치된 장비와 공간의 이름, 종류, 위치 및 무게(Weight) 등의 정보를 포함한다. 그리고, 상기 위치는 상기 장비나 공간이 차지하는 가로, 세로 및 높이의 크기(Size; x, y, z)를 포함한다.

신경망 학습부(120)는 앞서 설명한 데크 맵 상에 배치된 장비와 공간의 위치정보(Map Information)에 기초하여 주변장비와의 연결 관계(구조)를 파악할 수 있으며, 수직방향(z)의 연관 관계는 데크의 층이 다르더라도 같은 인덱스를 가지는 것으로 파악할 수 있다.

신경망 학습부(120)는 상기 입력정보(Xi)를 토대로 시추선 설계 및 배치에 중요한 안전성 및 코스트 등을 고려한 다양한 관점에서의 출력 값(y)을 도출한다.

예컨대, 신경망 학습부(120)는 상기 출력 값으로 선박무게중심 값(VCG)(y1), 전자 및 계장 측면에서의 코스트(y2), 기계 관점에서의 코스트(y3), 배관작업 코스트 등의 선박거동과 시추 작업의 안전성 그리고 선박의 제작 비용 등의 여러 관점에서의 출력 값을 도출할 수 있다.

상기 VCG의 출력 값(y1)은 국제해사기구(International Maritime Organization, IMO)의 룰에 따른 선박의 운동성능과 안정성을 결정하는 값으로 낮을수록 좋으며, y2 내지 y4 등의 다양한 코스트는 해당 설비에 투입되는 자재, 인력 및 기간 등을 비용(예; 원단위)으로 환산한 것을 의미한다.

이는 다음의 수학식 1을 통해 계산할 수 있다.

여기서,

는 h번째 히든 레이어(hidden layer)의 i번째 노드의 출력 값을 의미하고, w는 무게(weight), b는 바이어스(bias), f는 활성화 함수를 각각 의미한다.

수학식 1에서의 현재 노드(h번째 레이어의 i번째 노드)의 출력 값(

)은 이전 레이어의 각 노드 출력 값에 무게(w)를 곱하고, 바이어스(b)를 더한 총 합계(

)를 활성화 함수(대표적으로 sigmoid 함수를 사용)를 이용하여 계산한다. 상기 함수에는 시그모이드(sigmoid) 함수를 사용할 수 있으나 이에 한정되지 않는다.

제약조건 설정부(130)는 당해 시추선 배치(GA)에 필요한 소정 룰(Rules)과 요구조건(Requirements)을 포함하는 제약조건을 설정한다.

예컨대, 상기 룰과 요구조건에는 케이블과 배관의 배치량과 설치 비용을 줄이기 위하여 엔진룸(E/R)과 배전실(SWBD Room)을 근거리에 배치하는 것과, 서브시 장비 룸(Subsea Equip. Room)은 문풀(Moonpool) 주변에 배치하는 것 등일 수 있다. 이러한 장비와 공간은 작업자 안전을 확보하기 위한 룰(NORSOK S-001 Rule)을 기반으로 하여 배치할 수 있다.

여기에, 제약조건 설정부(130)는 앞서 설명한 바와 같이 선주의 요구사항을 반영하여 데크의 구성과 각 데크의 장비 및 공간 배치의 변동 조건을 설정할 수 있다.

제어부(150)는 본 발명의 실시 예에 따른 시추선 설계를 위한 상기 각부의 전반적인 동작을 제어하며, 이를 위한 하드웨어 및 소프트웨어를 포함할 수 있다.

제어부(150)는 GA 작성에 참조되는 상기 제약조건을 적용하여 VCG 값의 안전성을 충족하면서, 여러 장비 관련 코스트 출력 값의 합이 최소가 되는 값으로 최적 배치도를 작성한다.

제어부(150)는 상기 설정된 제약 조건의 각종 룰과 요구사항을 반영하여 상기 여려 관점에서 산출된 출력 값(y)들의 합을 계산한다.

그리고, 제어부(150)는 상기 출력 값(y)들의 합이 최소 값을 가지는 것을 최적화된 최종 배치 모델로 도출할 수 있다.

예컨대, 제어부(150)는 아래의 수학식 2를 통해 여러 관점에서 구한 출력 값(y)의 합으로 이를 최소화 시켜주는 최종 코스트 값(f(x))을 구할 수 있다. 이 때, 적용되는 제약 조건은 상기 각종 룰과 요구사항이 된다.

여기서, yk 는 신경망을 통해 학습된 트레이닝 세트나 배치 모델의 출력 값을 의미하며, ak 는 해당 출력 값에 대한 가중치 인자(weight factor), f(x)는 최종 코스트를 각각 의미한다. 상기 가중치 인자는 여러 관점에서의 출력 값 중에서 어떤 출력 값(cost)에 가중치를 더 줄 것 인가를 설정하는 파라미터이다.

또한, Ax=B는 입력 인자(x)에 대한 각종 제약조건으로써 배치불가 영역 등에 대한 제약을 수식화한 것이다.

제어부(150)는 상기 수학식 2가 설정되면, 다양하게 적용 가능한 최적화 기법을 사용하여 코스트의 합이 최소가 되는 최종 배치 모델과 일련의 입력 정보(x)를 찾을 수 있다.

예컨대, 상기 최적화 기법은 유전 알고리즘(Genetic Algorithm) 및 기울기 하강(Genetic Algorithm, Gradient Descent) 등의 기법을 적용할 수 있다.

또한, 제어부(150)는 상기 복수의 알고리즘 기법으로 각각 도출된 결과를 크로스 체크하여 타당성을 검증함으로써 최종 GA의 데이터 신뢰도를 향상시킬 수 있다.

이처럼, 제어부(150)는 기존 시추선의 데크 배치에 따른 장비와 공간을 신경망 학습부(120)를 통해 학습시키고, 신규 시추선 설계의 제약 조건을 고려한 다양한 배치 구조를 학습하여 안전성확보와 코스트를 최소화하는 최종 배치를 도출할 수 있다.

또한, 제어부(150)는 최종 배치(GA)를 토대로 데크 별로 배치되는 장비와 그 주변 장치와의 관계 및 장비간의 연결관계를 3D 렌더링 프로그램에 반영하여 시추선의 각 데크 별 장비와 공간 배치 구조의 3차원 배치 도면을 작성할 수 있다.

이때, 제어부(150)는 3D 렌더링 프로그램을 통해 시추선의 데크 구성와 각 데크별로 배치되는 장비 및 공간을 상기 최종 배치(GA)정보를 토대로 렌더링하여 데크별 3차원 레이아웃을 자동으로 생성할 수 있다.

이는 앞서 설명한 데크 맵 상에 배치된 장비와 공간의 위치정보(Map Information)에 기초하여 주변장비와의 연결 관계를 수평(x, y)구조 뿐 아니라 수직(z) 구조도 파악할 수 있기 때문이다.

데이터베이스(140)는 본 발명의 실시 예에 따른 시추선 설계 시스템(100)의 구동을 위한 각종 정보와 프로그램을 저장하고, 그 구동에 따라 생성되는 데이터를 저장한다.

데이터베이스(140)은 시추선 설계 시스템(100)내 구성될 수 있으나 이에 한정되지 않으며, 네트워크를 통해 연결되는 별도의 독립된 저장소로 구축될 수 있다.

한편, 전술한 시추선 설계 시스템(100)의 구성을 바탕으로 본 발명의 실시 예에 따른 시추선 설계 방법을 설명한다.

앞서 설명한 본 발명의 실시 예에 따른 시추선 설계 시스템(100)의 각 구성은 제어부(150)를 통해 통합되거나 또는 세분화될 수 있는 바, 해당 구성의 명칭에 구애 받지 아니하고, 상술한 기능을 수행하는 구성은 본 발명의 일 실시 예에 따른 시추선 설계 시스템(100)의 구성이 될 수 있음을 명확히 한다.

따라서, 이하 본 발명의 실시 예에 따른 시추선 설계 방법을 설명함에 있어서 각 단계의 주체는 상기 각 구성들이 아닌 시추선 설계 시스템(100)을 주체로 하여 설명하기로 한다.

도 5는 본 발명의 실시 예에 따른 시추선 설계 방법을 개략적으로 나타낸 흐름도이다.

첨부된 도 5를 참조하면, 본 발명의 실시 예에 따른 시추선 설계 시스템(100)은 기존 시추선의 데크 단위로 설치된 장비 정보와 공간 정보를 추출하고 이를 토대로 인공지능 학습에 필요한 트레이닝 세트 및 검증용 데이터를 생성한다(S101).

시추선 설계 시스템(100)은 상기 트레이닝 세트를 신경망 학습부(120)를 통해 학습하여 기존의 다양한 제약조건에서의 트레이닝 세트가 학습된 신경망을 구축한다(S102). 이때, 시추선 설계 시스템(100)은 상기 트레이닝 세트를 통해 데크에 배치된 장비 및 공간의 개별 속성에 기초한 입력정보(Xi)를 신경망 학습부(120)의 입력 인자로 활용할 수 있다.

또한, 시추선 설계 시스템(100)은 상기 트레이닝 세트와 다른 데이터를 사용하는 검증용 데이터를 활용하여 상기 트레이닝 세트의 학습결과를 검증할 수 있다.

또한, 상기 S101 단계 및 S102 단계를 반복하여 학습된 신경망의 정보가 누적될 수록 인공지능 처리의 결과의 신뢰성이 증가될 수 있다.

시추선 설계 시스템(100)은 신규 시추선의 장비 배치를 위한 제약조건을 설정한다(S103).

시추선 설계 시스템(100)은 기존 학습으로 구축된 신경망과 상기 트레이닝 세트 형식에 기초하여 상기 설정된 제약조건이 반영된 배치 모델을 생성한다(S104).

이때, 시추선 설계 시스템(100)은 신규 시추선 제작을 위한 다양한 룰과 선주의 요구 조건이 적용된 적어도 하나의 배치 모델을 생성할 수 있다.

시추선 설계 시스템(100)은 상기 배치 모델의 속성을 신경망 학습의 입력데이터로 활용하여 시추선의 안전성 및 장비 별 코스트를 고려한 다양한 관점에서의 출력 값(y)을 산출한다(S105).

시추선 설계 시스템(100)은 상기 출력 값(y)들의 합이 최소가 되는 배치 모델을 최적화된 최종 배치(GA)로 도출한다(S106).

이 때, 시추선 설계 시스템(100)은 상기 배치 모델의 다양한 관점에서의 출력 값(y)에 소정 룰이나 선주의 요구 조건에 따른 가중치를 설정하여 상기 출력 값들의 합을 계산할 수 있다.

시추선 설계 시스템(100)은 상기 최적화된 배치(GA)를 토대로 데크 별로 배치되는 장비와 그 주변 장치와의 관계 및 장비간의 연결관계를 3D 렌더링 프로그램에 반영하여 시추선의 각 데크 별 장비와 공간 배치 구조를 3차원 배치 도면으로 작성한다(S107).

이와 같이 본 발명의 실시 예에 따르면, 기존의 경험에 의존했던 GA작업을 다양한 제약조건이 반영된 신경망 알고리즘을 활용하여 데크 별 최적화된 GA를 도출함으로써 안전성 및 선주의 요구 사항 등을 종합적으로 고려하는 GA 작성의 시간 및 물질적 비용을 절약할 수 있는 효과가 있다.

또한, 신경망 학습의 트레이닝 데이터와 출력 결과의 검증을 통해 최종 도출된 GA의 타당성을 검증함으로써 수정 등의 시행착오를 줄이고 최종 도출된 GA의 신뢰도를 향상시킬 수 있는 효과가 있다.

그리고, 시추선내 데크 별 레이아웃 작성시 소정 제약 조건에 따른 최적 배치 알고리즘을 통해 GA를 생성하고, 이를 3D 렌더링 프로그램에 반영함으로써 기존 2D 기반으로 작업하던 GA를 손쉽게 3D로 작업하는데 활용할 수 있는 효과가 있다.

본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시 예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시 예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.

이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

100: 시추선 설계 시스템 110: 데이터 생성부
120: 신경망 학습부 130: 제약조건 설정부
140: 데이터베이스 150: 제어부

Claims (12)

1. 시추선의 데크별 영역을 구획하여 장비와 공간이 배치되는 트레이닝 세트를 생성하는 데이터 생성부;
   상기 트레이닝 세트에 기초한 장비와 공간의 입력정보를 신경망으로 학습하고, 시추선의 안전성과 코스트 관점에서의 출력 값들을 산출하는 신경망 학습부;
   상기 시추선의 배치에 요구되는 제약조건을 설정하는 제약조건 설정부; 및
   상기 제약 조건을 반영하여 상기 출력 값들의 합이 최소가 되는 최종 배치 모델을 도출하는 제어부를 포함하되,
   상기 데이터 생성부는 상기 트레이닝 세트와 다른 데이터를 사용하여 상기 트레이닝 세트의 신경망 학습을 검증하는 검증용 데이터를 생성하는 시추선 설계 시스템.
2. 제 1 항에 있어서,
   상기 데이터 생성부는,
   상기 시추선의 한 층이나 데크를 가로와 세로로 구분하여 데크 맵을 설정하고, 상기 데크 맵 상에 배치되는 상기 장비와 공간에 위치정보를 부여하여 상기 트레이닝 세트를 생성하는 시추선 설계 시스템.
3. 삭제
4. 제 1 항에 있어서,
   상기 신경망 학습부는,
   선박무게중심 값, 전기적 기기 설비 관점에서의 코스트, 기계 설비 관점에서의 코스트 및 배관 작업 코스트 중 적어도 하나의 출력 값을 계산하는 시추선 설계 시스템.
5. 제 1 항에 있어서,
   상기 제약조건은,
   상기 시추선의 거동, 작업자의 안정성, 주변 장치와의 관계 및 선주의 선호도에 따른 요구사항을 고려한 각종 룰과 요구조건을 포함하는 시추선 설계 시스템.
6. 제 1 항에 있어서,
   상기 입력정보는,
   상기 트레이닝 세트에 배치된 장비와 공간의 이름, 종류, 위치 및 무게 중 적어도 하나를 포함하며, 상기 위치는 상기 장비와 공간이 차지하는 가로, 세로 및 높이의 크기를 포함하는 시추선 설계 시스템.
7. 제 1 항에 있어서,
   상기 최종 배치 모델의 상기 출력 값들의 합은,
   상기 신경망 학습부를 통해 학습된 트레이닝 세트의 출력 값, 상기 출력 값들의 가중치를 설정하는 파라미터 및 상기 제약조건에 의한 배치 불가영역을 활용하여 계산되는 시추선 설계 시스템.
8. 제 1 항에 있어서,
   상기 제어부는,
   상기 최종 배치 모델을 토대로 데크 별 장비, 그 주변 장치와의 관계 및 장비간의 연결관계를 3D 렌더링 프로그램에 반영하여 상기 시추선의 3차원 배치 도면을 작성하는 시추선 설계 시스템.
9. 시추선의 장비와 공간을 배치하는 시추선 설계 시스템의 시추선 설계 방법에 있어서,
   a) 기존 시추선의 데크별 영역을 구획하여 장비와 공간이 배치된 트레이닝 세트를 생성하고 인공지능을 통해 학습된 신경망 학습부를 구축하는 단계;
   b) 시추선의 장비와 공간 배치를 위한 제약조건을 설정하고 적어도 하나의 배치 모델을 생성하는 단계;
   c) 상기 배치 모델의 속성을 상기 신경망 학습부의 입력정보로 활용하여 시추선의 안전성과 코스트 관점에서의 출력 값들을 산출하는 단계; 및
   d) 상기 제약 조건을 반영하여 상기 출력 값들의 합이 최소가 되는 최종 배치 모델을 도출하는 단계를 포함하되,
   상기 a) 단계는 상기 트레이닝 세트와 다른 데이터를 사용하는 검증용 데이터를 생성하여 상기 트레이닝 세트의 학습결과를 검증하는 단계를 포함하는 시추선 설계 방법.
10. 삭제
11. 제 9 항에 있어서,
    상기 c) 단계는,
    상기 배치 모델의 다양한 관점에서의 출력 값에 소정 룰이나 선주의 요구 조건에 따른 가중치를 설정하여 상기 출력 값들의 합을 계산하는 단계를 포함하는 시추선 설계 방법.
12. 제 9 항에 있어서,
    상기 d) 단계 이후에,
    상기 최종 배치 모델을 토대로 3D 렌더링 프로그램에 활용하여 상기 시추선의 각 데크별 장비와 공간 배치 구조를 3차원 배치 도면으로 작성하는 단계를 더 포함하는 시추선 설계 방법.

Images