KR20230096776A - 요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼 - Google Patents

요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼 Download PDF

Info

Publication number
KR20230096776A
KR20230096776A KR1020210186639A KR20210186639A KR20230096776A KR 20230096776 A KR20230096776 A KR 20230096776A KR 1020210186639 A KR1020210186639 A KR 1020210186639A KR 20210186639 A KR20210186639 A KR 20210186639A KR 20230096776 A KR20230096776 A KR 20230096776A
Authority
KR
South Korea
Prior art keywords
neural network
pressure regulator
information
module
floating platform
Prior art date
Application number
KR1020210186639A
Other languages
English (en)
Other versions
KR102595185B1 (ko
Inventor
고광오
김대영
이대환
조영준
이정욱
Original Assignee
현대건설(주)
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 현대건설(주) filed Critical 현대건설(주)
Priority to KR1020210186639A priority Critical patent/KR102595185B1/ko
Publication of KR20230096776A publication Critical patent/KR20230096776A/ko
Application granted granted Critical
Publication of KR102595185B1 publication Critical patent/KR102595185B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B39/00—Equipment to decrease pitch, roll, or like unwanted vessel movements; Apparatus for indicating vessel attitude
    • B63B39/005—Equipment to decrease ship's vibrations produced externally to the ship, e.g. wave-induced vibrations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B21/00—Tying-up; Shifting, towing, or pushing equipment; Anchoring
    • B63B21/50—Anchoring arrangements or methods for special vessels, e.g. for floating drilling platforms or dredgers
    • B63B21/502—Anchoring arrangements or methods for special vessels, e.g. for floating drilling platforms or dredgers by means of tension legs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Vibration Prevention Devices (AREA)

Abstract

본 발명은 요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼에 관한 것이다. 이를 위하여, 부유식 플랫폼의 상판 하부에 구성되는 격벽에 의해 구획되는 하방이 개방된 중공의 격실로 구성되는 댐퍼 격실; 댐퍼 격실에 구성되는 양방향 솔레노이드 밸브로서, 댐퍼 격실 내의 공기 압력을 제어하도록 구성되는 압력조절부; 부유식 플랫폼의 상판에 구성되어 부유식 플랫폼의 진동 크기 정보를 생성하는 진동센서부; 파고계에서 파랑 특성 정보를 수신하고, 부유식 플랫폼의 상부구조물에서 상부구조물 특성 정보를 수신하며, 진동 크기 정보를 수신하는 정보수집부; 및 압력조절부 제어 인공신경망 모듈, 클라이언트 학습 모듈, 파라미터 업로드 모듈 및 메인 신경망 다운로드 모듈을 포함하는 클라이언트;가 제공될 수 있다.

Description

요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼{Motion-Controlled Pneumatic Stabilized Platform}
본 발명은 요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼에 관한 것이다.
초기의 해양석유생산설비는 해수면으로부터의 고도 확보를 위해 파일 위에 설치되었을뿐 육지에서 사용하던 생산설비와 유사한 형태로 구성되었다. 점차 깊은 수심으로 관심영역이 확장됨에 따라 길이가 긴 파일을 제작 및 설치하는데 한계를 느끼게 되었고, 트러스 모양의 하부 구조를 가지는 자켓 구조물, 콘크리트를 사용한 콘크리트 중력식 구조물 등의 고정식 플랫폼이 활용되었다. 그러나 수심이 500m를 넘어서는 영역(깊은 수심의 경우 3km 이상)에서는 고정식 구조물의 제작, 이송, 설치 시 발생되는 문제점들 때문에 부력을 가진 구조물을 파일로 연결한 하이브리드 구조물, 해저면과는 완전히 분리된 형태의 부유식 플랫폼이 활용되었다. 부유식 플랫폼에는 예를 들어, 반잠수식 시추선(semi-submersible drilling rig), 드릴십(drill ship), TLP(Tension leg platform) 등이 있다. 도 1은 부유식 플랫폼의 활용 예시이다. 도 1에 도시된 바와 같이, 부유식 플랫폼은 콘크리트 폰툰, 부유식 해상풍력 구조물 등으로 활용될 수 있다.
부유식 플랫폼의 경우, 해저면에 지지되는 지지구조가 없어진 형태이기 때문에 부유체를 연결하고 고정하기 위한 장치로서 체인과 로프가 사용된다. 선박과는 달리 체인만을 사용하지 않고 와이어 로프, 합성섬유 로프를 체인과 적절히 조합 연결해서 사용하고 있다. 깊은 수심의 경우 3km가 넘기 때문에 부유체에 연결되는 12가닥 정도의 줄이 모두 체인으로만 되어 있다면 엄청난 무게 때문에 부유체가 떠 있기 힘든 상황이 된다. 따라서 마찰이 예상되는 두 부분(줄이 부유체와 맞닿은 시작부분과 해저면과 닿아있는 끝 부분)에만 마찰에 강한 체인을 사용하고 나머지 중간 부분은 와이어 로프를 연결하는 형태가 일반적이다. 보다 깊은 수심에서는 와이어 로프의 무게도 부유체에는 부담이 될 수 있기 때문에 물속에서 무게를 느낄 수 없는 합성섬유 로프를 사용하게 된다.
수심 1~3km 아래에 설치되어 있는 크리스마스트리, 매니폴드, 파이프라인 등과 같은 고가의 해저생산설비와 연결된 부유식 플랫폼의 위치가 유지되지 못한다면 경제적 손실뿐만 아니라 자칫 대형사고로 이어질 위험이 있기 때문에 부유식 플랫폼의 위치유지시스템의 중요도는 매우 높다. 부유식 플랫폼의 위치유지시스템 설계에는 부유식 플랫폼을 움직이게 하는 해양환경이 고려된다. 통상적인 해양환경외력은 파랑, 조류, 바람이 포함되나, 각 해역별로 환경 외력의 구성 비율, 지속 시간 등이 달라 해역에 따라 선호되는 위치유지시스템도 달라진다. 예를 들어 미국 멕시코만의 경우 1년에 1~2개 정도 발생하는 태풍과 더불어 순환해류(loop current)에 의한 영향을 고려해야만 하고, 서아프리카 앞바다의 경우 적도와 가까워 파랑은 아주 잔잔하지만 급작스럽게 시작되어 몇 분 동안 지속되는 돌풍현상인 스콜(squall)현상을 고려해야 한다. 예를 들어, 2015년 멕시코만에서 석유회사인 쉐브론 (Chevron)에 의해 운영될 예정이던 'Big Foot'이라는 생산설비는 해저지형과의 연결을 위해 미리 설치해둔 쇠파이프(tendon)가 순환해류에 의해 손상을 입어 설치가 중단되는 사고가 있었다.
부유식 플랫폼이 선박 형태(예를 들어, 반잠수식 시추선 semi-submersible drilling rig, 드릴십 drill ship)일 경우, 측면에서 파도를 맞게 되면 좌우로 크게 흔들림이 생겨져 안전성을 저해하게 된다. 이러한 상황을 막기 위해 선박형 구조물의 경우, 위치유지를 위한 체인 또는 로프를 한 곳으로 모아 360도로 자유롭게 회전할 수 있는 슬립 링 형태의 장치인 터렛(turret)을 사용하게 되고, 터렛을 사용하게 되면 선박이 파도와 같은 외력을 항상 정면에서만 맞게 되어 안전성이 저해되는 상황을 피할 수 있게 된다.
부유식 플랫폼에서는 진동 기준이 엄격해지는 추세이며, 진동 측면에서 가장 엄격한 규격인 노르웨이 기준(NORSOK S-002)에서 진동의 경우에는 1~80 Hz 범위에서 주파수 성분 진동치가 category 1(30 Hz 성분 약 0.4mm/s)을 만족시키도록 기준하고 있다.
대한민국 등록특허 10-1627926, 요동저감형 부유식구조물, 현대건설주식회사 대한민국 등록특허 10-1815064, 부유식 플랫폼의 동적위치제어 시스템 및 방법, 김석문
따라서, 본 발명의 목적은, 요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼을 제공하는데에 있다.
이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.
본 발명의 목적은, 부유식 플랫폼의 상판 하부에 구성되는 격벽에 의해 구획되는 하방이 개방된 중공의 격실로 구성되는 댐퍼 격실; 상기 댐퍼 격실에 구성되는 양방향 솔레노이드 밸브로서, 상기 댐퍼 격실 내의 공기 압력을 제어하도록 구성되는 압력조절부; 상기 부유식 플랫폼의 상판에 구성되어 상기 부유식 플랫폼의 진동 크기 정보를 생성하는 진동센서부; 파고계에서 파랑 특성 정보를 수신하고, 상기 부유식 플랫폼의 상부구조물에서 상부구조물 특성 정보를 수신하며, 상기 진동 크기 정보를 수신하는 정보수집부; 및 압력조절부 제어 인공신경망 모듈, 클라이언트 학습 모듈, 파라미터 업로드 모듈 및 메인 신경망 다운로드 모듈을 포함하는 클라이언트;를 포함하고, 상기 압력조절부 제어 인공신경망 모듈은, 입력 데이터를 상기 파랑 특성 정보 및 상기 상부구조물 특성 정보로 하고, 각각의 상기 댐퍼 격실의 상기 압력조절부의 배출/유입에 대한 밸브 개방과 폐쇄 여부를 의미하는 압력조절부 개폐 정보를 출력 데이터로 하며, 상기 부유식 플랫폼의 상기 진동 크기 정보가 손실(loss)에 포함되도록 구성되어 상기 진동 크기 정보의 진동 크기가 저감되는 방향으로 기학습된 인공신경망 모듈이고, 상기 클라이언트 학습 모듈은, 상기 진동 크기 정보를 이용하여 상기 압력조절부 제어 인공신경망 모듈의 파라미터를 업데이트 하는 모듈이며, 상기 파라미터 업로드 모듈은, 상기 클라이언트 학습 모듈에 의해 업데이트 된 상기 압력조절부 제어 인공신경망 모듈의 상기 파라미터를 유무선 네트워크로 연결된 메인 신경망 서버에 업로드 하는 모듈이고, 상기 메인 신경망 다운로드 모듈은, 상기 메인 신경망 서버에서 기학습된 압력조절부 제어 메인 신경망을 다운로드하여 상기 압력조절부 제어 인공신경망 모듈의 일부 네트워크와 치환하는 모듈이며, 상기 압력조절부 제어 인공신경망 모듈에 의해 출력되는 상기 압력조절부 개폐 정보를 이용하여 상기 압력조절부의 밸브 개방 또는 밸브 폐쇄를 제어하고, 상기 메인 신경망 서버는, 상기 파라미터와 다른 부유식 플랫폼 클라이언트에서 업로드 된 다른 파라미터를 통합하여 상기 압력조절부 제어 메인 신경망을 업데이트 하도록 구성되는 것을 특징으로 하는, 부유식 플랫폼의 요동저감형 공기안정 장치를 제공하여 달성될 수 있다.
또한, 상기 댐퍼 격실은 상판 측에 가까울수록 내부 공간의 단면적이 좁아지도록 구성되는 것을 특징으로 할 수 있다.
또한, 상기 압력조절부 제어 인공신경망 모듈의 학습 세션에서의 손실함수는 특정 시간 t의 진동 크기 정보(a)와 t+1의 진동 크기 정보(b)의 차이(b-a)의 역수를 포함하는 것을 특징으로 할 수 있다.
또한, 상기 압력조절부 제어 인공신경망 모듈의 학습 세션을 수행하는 강화학습 모듈;을 더 포함하고, 상기 강화학습 모듈은, 상기 상부구조물 특성 정보, t-1의 파랑 특성 정보, t-1의 압력조절부 개폐 정보를 환경(Environment)로 하고, 상기 압력조절부 제어 인공신경망 모듈을 에이전트(Agent)로 하고, 1번째 파랑 특성 정보에서부터 t-1의 파랑 특성 정보까지의 상기 압력조절부 개폐 정보를 출력하였을 때의 상황을 스테이트(State)로 하며, 이러한 스테이트(State)에서 에이전트(Agent)인 상기 압력조절부 제어 인공신경망 모듈이 t의 파랑 특성 정보에 대해 출력하는 상기 압력조절부 개폐 정보를 액션(Action)으로 하고, t의 진동 크기 정보와 t+1의 진동 크기 정보의 차이가 음의 방향으로 클수록 높은 보상(Reward)가 생성되어 에이전트(Agent)인 상기 압력조절부 제어 인공신경망 모듈의 은닉층을 업데이트 하도록 구성되는 것을 특징으로 할 수 있다.
본 발명의 다른 목적은, 상부구조물; 제1항에 따른 요동저감형 공기안정 장치; 상기 요동저감형 공기안정 장치가 구성되고, 상기 상부구조물이 설치된 부유식 플랫폼 본체; 및 일측은 상기 부유식 플랫폼 본체의 모서리 부분에 결합되고, 타측은 해저 지반에 고정되는 텐션 레그(Tension Leg); 를 포함하는, 요동저감형 공기안정 장치를 이용한 부유식 플랫폼을 제공하여 달성될 수 있다.
상기한 바와 같이, 본 발명에 의하면 이하와 같은 효과가 있다.
첫째, 본 발명의 일실시예에 따르면, 콘크리트 부유체의 요동을 저감하여 상부 구조물에 전달되는 휨응력 감소로 상부구조물의 안정성 확보하게 되고, 콘크리트 부유체의 요동을 저감하여 상부구조물의 사용성 증가(ex. 풍력 타워, 변전소, 그린수소 플랜트, 호텔 등)되며, 상부구조물이 풍력타워인 경우 요동저감으로 인해 피치 제어 및 요제어가 용이하여 발전량 증대되는 효과가 발생된다.
둘째, 본 발명의 일실시예에 따르면, 부유식 플랫폼에 중공구조를 가진 구조물을 통하여 내부의 상향압력을 활용하여 외력으로부터 걸리는 힘이 감쇄되는 효과가 발생된다.
셋째, 본 발명의 일실시예에 따르면, 슬릿식 유수실을 통해 구조물의 요동에 대한 저항을 높힘으로써 상부 구조물에 전달되는 휨응력을 줄어들게 하는 효과가 발생된다.
넷째, 본 발명의 일실시예에 따르면, 부유식 플랫폼과 압력을 조절하는 댐퍼시스템 그리고 외측에 슬릿 유수실을 통해 상부 구조물에 전달되는 요동이 저감되는 효과가 발생된다.
다섯째, 본 발명의 일실시예에 따르면, 중공구조를 활용하여 수평/수직요동을 추가적으로 댐퍼시스템에서 감소시켜 상부의 구조물에 전달되는 휨응력을 감소 시킬 수 있는 효과가 발생된다.
여섯째, 본 발명의 일실시예에 따르면, 요동저감효과로 인한 상부 구조물의 안정성 확보가 가능해지고, 부유체의 크기를 최적화하여 기존 부유식 콘크리트 구조물 보다 가격 경쟁력 확보가 가능해지며, 요동저감형 부유체의 개발로 상부 구조물의 사용성 증대(풍력의 경우 발전량 증대, 변전소 및 수소 플랜트 적용성 확대 가능)가 가능해지는 효과가 발생된다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 부유식 플랫폼의 활용 예시,
도 2는 본 발명의 일실시예에 따른 요동저감형 공기안정 장치를 도시한 모식도,
도 3은 본 발명의 일실시예에 따른 댐퍼 격실(10)을 도시한 모식도,
도 4는 본 발명의 일실시예에 따른 댐퍼 격실(10)의 변형예를 도시한 단면도,
도 5는 본 발명의 일실시예에 따른 압력조절부(20)를 도시한 모식도,
도 6은 본 발명의 일실시예에 따른 슬릿유수실(30)을 도시한 모식도,
도 7은 본 발명의 일실시예에 따른 부유식 플랫폼 클라이언트(100)를 도시한 모식도,
도 8은 본 발명의 일실시예에 따른 부유식 플랫폼 클라이언트(100)의 구체적인 구성을 도시한 모식도,
도 9는 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 모듈(110)을 도시한 모식도,
도 10은 본 발명의 일실시예에 따른 중앙 관리 서버와 부유식 플랫폼 클라이언트(100)를 도시한 모식도,
도 11은 본 발명의 일실시예에 따른 중앙 관리 서버와 부유식 플랫폼 클라이언트(100)의 작동관계를 도시한 모식도,
도 12는 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 모듈(110)을 도시한 모식도,
도 13은 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 모듈(110)의 RNN 블록을 학습시키는 강화학습 모듈을 도시한 모식도,
도 14는 본 발명의 변형예에 따른 강화학습 모듈을 도시한 모식도,
도 15는 본 발명의 일실시예에 따른 강화학습 모듈의 동작예를 도시한 흐름도,
도 16은 TLP(Tension Leg Platform)을 도시한 모식도이다.
이하 첨부된 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있는 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예에 대한 동작원리를 상세하게 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 특정 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고, 간접적으로 연결되어 있는 경우도 포함한다. 또한, 특정 구성요소를 포함한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 발명의 설명에서 부유식 구조물, 부유식 플랫폼, 부유식 해양 플랫폼 등은 혼용될 수 있으며, 발명의 범위를 한정하지 않는다. 또한, 부유식 플랫폼의 상부에 설치되는 상부구조물은 설명의 편의를 위해 풍력 타워, 변전소, 그린수소 플랜트, 호텔로 설명하였으나, 본 발명의 범위는 이에 한정되지 않는다. 또한, 이하 설명에서는 설명의 편의를 위해 TLP(Tension leg platform) 구조의 부유식 플랫폼을 기준으로 설명하였으나, 본 발명의 범위는 이에 한정되지 않는다.
부유식 플랫폼의 요동저감형 공기안정 장치
도 2는 본 발명의 일실시예에 따른 요동저감형 공기안정 장치를 도시한 모식도이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 요동저감형 공기안정 장치(1)는, 댐퍼 격실(10), 압력조절부(20), 슬릿유수실(30), 진동센서부(40), 정보수집부(50), 부유식 플랫폼 클라이언트(100)를 포함한다.
댐퍼 격실(10)과 관련하여, 도 3은 본 발명의 일실시예에 따른 댐퍼 격실(10)을 도시한 모식도이다. 도 3에 도시된 바와 같이, 댐퍼 격실(10)은, 부유식 플랫폼의 상판 하부에 구성되는 격벽에 의해 구획되는 하방이 개방된 중공의 격실로서 수면의 수직적인 상승 및 하강에 대해 작용하는 heave를 저항하도록 설계된 구성을 의미한다. 댐퍼 격실(10)의 개방된 하방을 통해 해수가 댐퍼 격실(10)의 일부를 점유하게 되고, 파랑에 의한 해수 상하운동에 의해 댐퍼 격실(10) 내에서 해수에 의해 점유된 부분의 높이가 상하 변동되도록 구성되며, 해수, 격벽 및 상판에 의해 댐퍼 격실(10)의 내부 공간이 밀폐되도록 구성될 수 있다. 본 발명의 일실시예에 따른 댐퍼 격실(10)은 부유식 플랫폼의 상판 하부 외측에 구성되는 슬릿유수실(30)의 내측에 복수개가 구성될 수 있다. 본 발명의 일실시예에 따른 댐퍼 격실(10)에 의하면 댐퍼 격실(10) 내에서 해수에 의해 점유된 부분의 높이가 높아지는 구간(해수면 상승 구간)에서는 댐퍼 격실(10) 내의 공기 압력이 자연스럽게 상승되면서 해수면 상승 속도가 저감되게 되고, 댐퍼 격실(10) 내에서 해수에 의해 점유된 부분의 높이가 낮아지는 구간(해수면 하강 구간)에서는 댐퍼 격실(10) 내의 공기 압력이 자연스럽게 저감되면서 해수면 하강 속도가 저감되게 되게 되는 댐핑 효과가 발생된다.
또한, 본 발명의 일실시예에 따른 댐퍼 격실(10) 각각에는 압력조절부(20)가 구성되어, 댐퍼 격실(10) 내에서 해수에 의해 점유된 부분의 높이가 높아지는 구간(해수면 상승 구간)에서 댐퍼 격실(10) 내의 공기 압력이 특정 값 이상인 경우 압력조절부(20)에 의해 댐퍼 격실(10) 내의 공기 압력이 제어되어 부유식 플랫폼의 진동이 저감되도록 구성되며, 댐퍼 격실(10) 내에서 해수에 의해 점유된 부분의 높이가 낮아지는 구간(해수면 하강 구간)에서 댐퍼 격실(10) 내의 공기 압력이 특정 값 이하인 경우 압력조절부(20)에 의해 댐퍼 격실(10) 내의 공기 압력이 제어되어 부유식 플랫폼의 진동이 저감되도록 구성되도록 구성될 수 있다.
댐퍼 격실(10)의 변형예와 관련하여, 도 4는 본 발명의 일실시예에 따른 댐퍼 격실(10)의 변형예를 도시한 단면도이다. 도 4에 도시된 바와 같이, 본 발명의 변형예에 따른 댐퍼 격실(10)은 상판 측에 가까울수록 내부 공간의 단면적이 좁아지는 형태로 구성될 수 있다. 예를 들어, 댐퍼 격실(10)의 내부 공간의 형태가 원뿔형으로 구성되도록 격벽이 구성될 수 있다. 이에 따르면, 파랑에 의한 해수 상하운동에 의해 댐퍼 격실(10) 내에서 해수에 의해 점유된 부분의 높이가 높아지는 경우 댐퍼 격실(10) 내의 공기 압력의 상승 구배(gradient)가 더 급격해지게 되고, 공기 압력에 의한 댐핑 효과가 향상되며, 압력조절부(20)의 개입이 더 빈번해지는 효과가 발생된다.
압력조절부(20)와 관련하여, 도 5는 본 발명의 일실시예에 따른 압력조절부(20)를 도시한 모식도이다. 도 5에 도시된 바와 같이 압력조절부(20)는, 댐퍼 격실(10)의 격벽 또는 상판 하부에 구성되어 댐퍼 격실(10) 내의 공기 압력을 조절하는 모듈을 의미하고, 본 발명의 일실시예에 따르면 Double Pressure Relief Valves 등의 밸브 형태로 구성될 수 있다. 압력조절부(20)는 솔레노이드 밸브로 구성되어 제어부에 의해 양방향 밸브 개방과 폐쇄가 제어되도록 구성될 수 있다.
슬릿유수실(30)과 관련하여, 도 6은 본 발명의 일실시예에 따른 슬릿유수실(30)을 도시한 모식도이다. 도 6에 도시된 바와 같이 슬릿유수실(30)은, 부유식 플랫폼의 상판 외측부에 구성되는 소파 슬릿을 포함하는 유수 격실을 의미한다. 슬릿유수실(30)에 의하면 다방향으로 발생하여 전달되는 입사파에 대한 수평적 안정을 도모할 수 있게 되며, yaw, sway, surge에 대한 저항력이 증대되는 효과가 발생될 수 있다. 본 발명의 일실시예에 따른 슬릿유수실(30)은 부유식 플랫폼의 외곽 전방향에 설치되어 수평방향으로 발생하는 부유식 플랫폼의 진동을 저감하도록 구성될 수 있다.
진동센서부(40)는, 부유식 플랫폼의 상판에 구성되어 부유식 플랫폼의 진동 크기 정보(예를 들어, x,y,z 축에 대한 변위 및 회전각도)를 생성하는 변위 센서 및 회전 센서로 구성될 수 있고, 진동 크기 정보가 x,y,z 축에 대한 속도 및 각속도로 구성되는 경우 속도 센서(혹은 가속도 센서) 및 자이로 센서(각속도 센서)로 구성될 수 있다.
정보수집부(50)는, 파고계에서 파랑 특성 정보(유의파고(Significant wave height), 첨두주기(Peak wave period), 파향)를 수신하고, 상부구조물에서 상부구조물 특성 정보(터빈 속도, 발전기 발전량, 머드펌프 작동 여부, 권동기 작동 여부 등)를 수신하며, 부유식 플랫폼의 진동센서부(40)에서 부유식 플랫폼의 진동 크기 정보를 수신하여 제어부에 송신하는 모듈이다. 이때, 파랑 특성 정보는, 예를 들어, '유의파고 0.94m, 첨두주기 7.27s, 파향 N30°E'와 같이 생성될 수 있고, 상부구조물 특성 정보는 '터빈 속도 232rpm, 발전기 발전량 1,304kwh, 머드펌프 작동 여부 dummy value 0, 권동기 작동 여부 dummy value 0'과 같이 생성될 수 있다. 또한, 진동 크기 정보는, 예를 들어, 'x축 속도 0.5m/s, x축 각속도 10.3rad/s, ... '과 같이 생성될 수 있다.
부유식 플랫폼 클라이언트(100)와 관련하여, 도 7은 본 발명의 일실시예에 따른 부유식 플랫폼 클라이언트(100)를 도시한 모식도이다. 도 7에 도시된 바와 같이, 부유식 플랫폼 클라이언트(100)는, 제어부, 메모리부, 통신부를 포함하는 컴퓨팅 모듈로 구성될 수 있다. 구체적으로 도 8은 본 발명의 일실시예에 따른 부유식 플랫폼 클라이언트(100)의 구체적인 구성을 도시한 모식도이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 부유식 플랫폼 클라이언트(100)는 압력조절부 제어 인공신경망 모듈(110), 클라이언트 학습 모듈(120), 파라미터 업로드 모듈(130), 메인 신경망 다운로드 모듈(140)이 메모리부에 저장되고 제어부에 의해 제어되도록 구성될 수 있다.
압력조절부 제어 인공신경망 모듈(110)과 관련하여, 도 9는 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 모듈(110)을 도시한 모식도이다. 도 9에 도시된 바와 같이, 압력조절부 제어 인공신경망 모듈(110)은, 입력 데이터를 파랑 특성 정보(예를 들어, 유의파고, 첨두주기, 파향) 및 상부구조물 특성 정보(터빈 속도, 발전기 발전량, 머드펌프 작동 여부, 권동기 작동 여부)로 하고, 각 격실 별 압력조절부(20)(솔레노이드 밸브)의 배출/유입에 대한 밸브 개방과 폐쇄 여부(압력조절부 개폐 정보)를 출력 데이터로 하며, 부유식 플랫폼의 진동 크기 정보가 손실(loss)에 포함되도록 구성되어 부유식 플랫폼의 진동 크기 정보의 진동 크기가 저감되는 방향으로 기학습된 인공신경망 모듈로 구성될 수 있다. 압력조절부 제어 인공신경망 모듈(110)의 학습 세션에서의 손실함수는 현재 step(t)의 진동 크기 정보(a)와 t+1의 진동 크기 정보(b)의 차이(b-a)의 역수를 포함하도록 구성되어 진동 크기 정보 차이가 양수이면 loss가 ∞로 출력되고, 진동 크기 정보 차이가 0에 가까우면 loss가 ∞에 가깝게 출력되며, 진동 크기 정보 차이가 -∞에 가까우면 loss가 0에 가깝게 출력되도록 구성될 수 있다. 예를 들어, 압력조절부 제어 인공신경망 모듈(110)의 학습 세션에서의 손실함수는 [if (b-a)<0 then -1/(b-a), else ∞]의 형태로 구성되어 back propagation 될 수 있다. 이때, 압력조절부 개폐 정보는, 예를 들어, 1번 격실에 대해 배출 개방 class/confidence score 0.86, 2번 격실에 대해 유입 개방 class/confidence score 0.74...으로 출력될 수 있다.
클라이언트 학습 모듈(120)은, 정보수집부(50)에서 수집된 현재 step(t)의 진동 크기 정보(a)와 t+1의 진동 크기 정보(b)의 차이(b-a)가 특정 수준 이하로 되는 경우, 현재 step(t)의 진동 크기 정보(a)와 t+1의 진동 크기 정보(b)의 차이(b-a)를 손실함수에 포함하여 압력조절부 제어 인공신경망 모듈(110)에 포함된 인공신경망의 파라미터를 업데이트 하도록 압력조절부 제어 인공신경망 모듈(110)의 학습 세션을 수행할 수 있다. 클라이언트 학습 모듈(120)의 압력조절부 제어 인공신경망 모듈(110)의 학습 세션과 관련하여, 클라이언트 학습 모듈(120)의 압력조절부 제어 인공신경망 모듈(110)의 학습 세션은 정보수집부(50)에서 수집된 현재 step(t)의 진동 크기 정보(a)와 t+1의 진동 크기 정보(b)의 차이(b-a)가 특정 수준 이하되는 경우 수행되도록 구성될 수 있고, 압력조절부 제어 인공신경망 모듈(110)에 입력 데이터를 파랑 특성 정보(예를 들어, 유의파고, 첨두주기, 파향) 및 상부구조물 특성 정보(터빈 속도, 발전기 발전량, 머드펌프 작동 여부, 권동기 작동 여부)로 하고, 각 격실 별 압력조절부(20)(솔레노이드 밸브)의 배출/유입에 대한 밸브 개방과 폐쇄 여부(압력조절부 개폐 정보)를 출력 데이터로 하며, 부유식 플랫폼의 진동 크기 정보가 손실(loss)에 포함되도록 구성되어 부유식 플랫폼의 진동 크기 정보의 진동 크기가 저감되는 방향으로 압력조절부 제어 인공신경망 모듈(110)의 파라미터가 업데이트 되도록 구성될 수 있다. 압력조절부 제어 인공신경망 모듈(110)의 학습 세션에서의 손실함수는 현재 step(t)의 진동 크기 정보(a)와 t+1의 진동 크기 정보(b)의 차이(b-a)의 역수를 포함하도록 구성되어 진동 크기 정보 차이가 양수이면 loss가 ∞로 출력되고, 진동 크기 정보 차이가 0에 가까우면 loss가 ∞에 가깝게 출력되며, 진동 크기 정보 차이가 -∞에 가까우면 loss가 0에 가깝게 출력되도록 구성될 수 있다. 예를 들어, 압력조절부 제어 인공신경망 모듈(110)의 학습 세션에서의 손실함수는 [if (b-a)<0 then -1/(b-a), if (b-a)>=0 then ∞]의 형태로 구성되어 back propagation 될 수 있다.
파라미터 업로드 모듈(130)과 관련하여, 도 10은 본 발명의 일실시예에 따른 중앙 관리 서버와 부유식 플랫폼 클라이언트(100)를 도시한 모식도이다. 도 10에 도시된 바와 같이, 파라미터 업로드 모듈(130)은, 클라이언트 학습 모듈(120)에 의한 압력조절부 제어 인공신경망 모듈(110)의 학습 세션 이후, 압력조절부 제어 인공신경망 모듈(110)의 변경된 파라미터를 중앙 관리 서버(200)의 연합 학습 모듈(220)에 업로드하는 모듈이다. 파라미터는, 압력조절부 제어 인공신경망 모듈(110)의 학습 세션 이후 그래디언트(g) 또는 인공신경망의 웨이트(w)를 포함할 수 있다. 파라미터 업로드 모듈(130)의 압력조절부 제어 인공신경망 모듈(110)에 대한 파라미터 업로드는 정보수집부(50)에서 수집된 현재 step(t)의 진동 크기 정보(a)와 t+1의 진동 크기 정보(b)의 차이(b-a)가 특정 수준 이하되는 경우에 수행되도록 구성된다.
또한, 파라미터 업로드 모듈(130)은, 압력조절부 제어 인공신경망 모듈(110)의 변경된 파라미터에 노이즈(ε)를 적용하여 중앙 관리 서버(200)에 업로드하도록 구성될 수 있다. 예를 들어, 파라미터가 그래디언트(g)인 경우, g+ε로 업로드 되도록 구성될 수 있고, 파라미터가 웨이트(w)인 경우 w+ε로 업로드 되도록 구성될 수 있다. 이때, 노이즈(ε)는 양의 값과 음의 값이 랜덤하게 부여되어 연합 학습 모듈(220)에서의 연합 학습 시 노이즈의 영향이 최소한으로 적용되도록 구성될 수 있다. 이에 따르면, 클라이언트에서 파라미터에 노이즈가 적용되어 중앙 관리 서버에 업로드 되므로, 제3자가 파라미터를 취득하더라도 압력조절부 제어 인공신경망 모듈(110)의 취득이 불가능한 효과가 발생된다.
메인 신경망 다운로드 모듈(140)은, 중앙 관리 서버(200)의 연합 학습 모듈(220)에 의해 기학습된 압력조절부 제어 메인 신경망을 다운로드하여 압력조절부 제어 인공신경망 모듈(110)의 적어도 일부 네트워크를 치환(교체, 전이)하는 모듈이다.
압력조절부 제어 인공신경망 모듈(110)의 네트워크 다운로드는, 중앙 관리 서버(200)의 메인 신경망 모듈(210)에서 기학습된 압력조절부 제어 메인 신경망을 다운로드 받고, 압력조절부 제어 인공신경망 모듈(110)의 후방 레이어를 제외한 나머지를 다운로드 받은 압력조절부 제어 메인 신경망으로 치환(교체, 전이)하도록 구성된다. 이에 따르면, 각 클라이언트의 압력조절부 제어 인공신경망 모듈(110)의 신경망을 메인 신경망으로 완전히 교체하지 않으므로, 압력조절부 제어 인공신경망 모듈(110)을 계속적으로 업데이트 하면서도 각 클라이언트에서 출력되는 압력조절부 제어의 개별화 및 현지화를 유지할 수 있게 되어 부유식 플랫폼이 위치한 각 해상 환경에 따라 압력조절부(20)의 최적 제어가 가능해지는 효과가 발생된다.
제어부는, 메모리부에 포함된 압력조절부 제어 인공신경망 모듈(110)을 제어하고, 압력조절부 제어 인공신경망 추론 프로그램 코드에 따라 압력조절부 제어 인공신경망 모듈(110) 및 압력조절부(20)를 제어하도록 구성될 수 있다.
본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 추론 프로그램 코드는 아래와 같은 단계로 컴퓨터인 제어부 상에서 수행되도록 구성될 수 있다.
(1) 특정 시간 간격(예를 들어, 첨두주기)으로 파랑 특성 정보(예를 들어, 유의파고, 첨두주기, 파향) 및 상부구조물 특성 정보(터빈 속도, 발전기 발전량, 머드펌프 작동 여부, 권동기 작동 여부)를 입력 데이터로 압력조절부 제어 인공신경망 모듈(110)에 입력
(2) 압력조절부 제어 인공신경망 모듈(110)에서 압력조절부 개폐 정보를 출력 데이터로 출력
(3) 압력조절부 개폐 정보에 따라 각 격실 별 압력조절부(20)의 밸브 개방과 폐쇄를 제어
또한, 제어부는, 압력조절부 제어 인공신경망 학습 프로그램 코드에 따라 압력조절부 제어 인공신경망을 업데이트 하도록 구성될 수 있다. 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 학습 프로그램 코드는 아래와 같은 단계로 컴퓨터인 제어부 상에서 수행되도록 구성될 수 있다.
(1) 과거 데이터 중 적어도 일부의 입력 데이터(파랑 특성 정보, 상부구조물 특성 정보), 출력 데이터(압력조절부 개폐 정보) 및 진동 크기 정보를 학습 데이터로 구성
(2) 학습 데이터 중 특정 시간 t에 대한 진동 크기 정보와 t+1에 대한 진동 크기 정보의 차이를 계산
(3) 상기 진동 크기 정보의 진동 크기가 저감되는 방향으로 압력조절부 제어 인공신경망 모듈(110)의 hidden layer의 파라미터를 업데이트
(4) 업데이트 된 압력조절부 제어 인공신경망 모듈(110)의 파라미터를 중앙 관리 서버로 송신
(5) 중앙 관리 서버에서 기학습된 메인 신경망을 수신하여 압력조절부 제어 인공신경망 모듈(110)의 일부를 전이
이때, 압력조절부 제어 인공신경망 모듈(110)의 파라미터를 업데이트 하는 방법으로는 back propagation algorithm, gradient descent algorithm이 이용될 수 있다.
메모리부는, 압력조절부 제어 인공신경망 모듈(110), 압력조절부 제어 인공신경망 학습 프로그램 코드, 압력조절부 제어 인공신경망 추론 프로그램 코드를 저장하는 모듈이다.
통신부는, 업데이트 된 압력조절부 제어 인공신경망 모듈(110)의 파라미터를 중앙 관리 서버로 송신하고, 중앙 관리 서버에서 기학습된 메인 신경망을 수신하는 통신 모듈을 의미하며, 중앙 관리 서버와 해저케이블을 통한 유선 또는 무선으로 연결될 수 있다.
중앙 관리 서버(200)는, 메인 신경망 모듈(210)과 연합 학습 모듈(220)을 포함할 수 있고, 복수의 부유식 플랫폼 클라이언트(100)에서 업로드되는 압력조절부 제어 인공신경망 모듈(110)의 파라미터를 취합하여 메인 신경망 모듈(210)을 업데이트한 뒤, 기학습된 메인 신경망을 부유식 플랫폼 클라이언트(100)에 다시 배포하도록 구성되는 서버이다.
메인 신경망 모듈(210)은, 압력조절부 제어 메인 신경망을 포함할 수 있으며, 연합 학습 모듈(220)에 의해 특정 그래디언트(g) 또는 특정 웨이트(w)로 파라미터가 업데이트되도록 구성될 수 있다. 압력조절부 제어 메인 신경망은, 압력조절부 제어 인공신경망 모듈(110)에 대응되는 메인 신경망을 의미한다.
연합 학습 모듈(220)은, 복수의 부유식 플랫폼 클라이언트(100)에서 업로드되는 압력조절부 제어 메인 신경망의 파라미터를 취합한 뒤, 취합 된 파라미터를 이용하여 메인 신경망 모듈(210)을 업데이트 하도록 구성되는 모듈이다. 이때, 취합된 파라미터를 이용하여 메인 신경망 모듈(210)을 업데이트하는 방법은 아래와 같이 현재 step(t)의 진동 크기 정보(a)와 t+1의 진동 크기 정보(b)의 차이(b-a, 이하 진동 크기 정보 차이)가 파라미터의 가중치로 사용되고, 파라미터와 진동 크기 정보 차이(b-a)의 곱의 합산을 상기 진동 크기 정보 차이의 합으로 나눔으로써 파라미터가 진동 크기 정보 차이를 기준으로 평균되도록 구성될 수 있다.
파라미터가 그래디언트(g)인 경우, 연합 학습 모듈(220)에서는 아래의 수학식과 같이 메인 신경망 모듈(210)의 파라미터를 업데이트 하도록 구성될 수 있다.
Figure pat00001
위 수학식 1에서, wnew는 메인 신경망 모듈(210)의 업데이트 후 웨이트, wold는 메인 신경망 모듈(210)의 업데이트 이전 웨이트, α는 learning rate, sn은 부유식 플랫폼 클라이언트(100) n에서 업로드 된 진동 크기 정보 차이, gn은 부유식 플랫폼 클라이언트(100) n에서 업로드 된 그래디언트를 의미하도록 구성될 수 있다.
파라미터가 웨이트(w)인 경우, 연합 학습 모듈(220)에서는 아래의 수학식과 같이 메인 신경망 모듈(210)의 파라미터를 업데이트 하도록 구성될 수 있다.
Figure pat00002
위 수학식 2에서, wnew는 메인 신경망 모듈(210)의 업데이트 후 웨이트, sn은 부유식 플랫폼 클라이언트(100) n에서 업로드 된 진동 크기 정보 차이, wn은 부유식 플랫폼 클라이언트(100) n에서 업로드 된 웨이트를 의미하도록 구성될 수 있다.
이에 따르면, 메인 신경망 모듈(210)에서의 연합 학습 시 진동 크기 정보 차이가 파라미터의 가중치로 사용됨으로써 미니 배치(mini batch)의 효과가 발생된다. 또한, 메인 신경망 모듈(210)에서의 연합 학습 시 진동 크기 정보 차이가 파라미터의 가중치로 사용됨으로써 네트워크 토폴로지 및 비동기 통신 문제가 저감되는 효과가 발생된다. 또한, 진동 크기 정보 차이가 음의 방향으로 큰 경우가 메인 신경망 모듈의 업데이트에 보다 큰 영향력을 갖게 되는 효과가 발생된다.
본 발명의 일실시예에 따른 요동저감형 공기안정 장치(1)의 작동관계와 관련하여, 도 11은 본 발명의 일실시예에 따른 중앙 관리 서버와 부유식 플랫폼 클라이언트(100)의 작동관계를 도시한 모식도이다. 도 11에 도시된 바와 같이, 클라이언트 학습 단계에서는 각 부유식 플랫폼에 구성된 부유식 플랫폼 클라이언트(100)의 압력조절부 제어 인공신경망 모듈(110) 각각이 자체적으로 학습 세션을 수행하여 압력조절부 제어 인공신경망 모듈(110)의 파라미터가 A에서 a,b,c로 변경되고, 파라미터 업로드 단계에서는 부유식 플랫폼 클라이언트(100)에서 변경된 파라미터인 a,b,c를 중앙 관리 서버로 업로드하여 연합 학습을 수행하여 중앙 관리 서버의 메인 신경망 모듈의 파라미터가 A에서 A'로 변경되며, 메인 신경망 다운로드 단계에서는 연합 학습으로 파라미터가 A'로 변경된 중앙 관리 서버에서 각각의 부유식 플랫폼 클라이언트(100)로 메인 신경망 다운로드를 수행하여 신경망 전이를 수행함으로써 각 부유식 플랫폼 클라이언트(100)의 압력조절부 제어 인공신경망 모듈(110)의 파라미터가 a,b,c에서 a',b',c'로 변경되도록 구성될 수 있다. 즉, 기학습된 메인 신경망은 메인 신경망 모듈(210)을 통해 압력조절부 제어 인공신경망 모듈(110)을 업데이트하도록 구성될 수 있다. 이에 따르면, 하나의 부유식 플랫폼에서의 학습 데이터가 부족한 경우에도 압력조절부 제어 인공신경망을 학습시킬 수 있게 되는 효과가 발생된다.
압력조절부 제어 인공신경망 모듈(110)은, 순차적인 파랑 특성 정보(예를 들어, 유의파고, 첨두주기, 파향) 및 상부구조물 특성 정보(터빈 속도, 발전기 발전량, 머드펌프 작동 여부, 권동기 작동 여부)를 입력 데이터로 하고 각 격실 별 압력조절부(20)(솔레노이드 밸브)의 배출/유입에 대한 밸브 개방과 폐쇄 여부를 순차적으로 포함하는 압력조절부 개폐 정보를 출력 데이터로 하는 순환 인공신경망 모듈을 의미할 수 있다. 이때, 순환 인공신경망 모듈은 RNN(Recurrent Neural Network), LSTM(Long-short term memory), Bi-LSTM 등의 인공신경망 구조로 구성될 수 있다.
도 12는 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 모듈(110)을 도시한 모식도이다. 도 12에 도시된 바와 같이, 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 모듈(110)은 복수개의 RNN 블록으로 구성되며, 하나의 RNN 블록은 제1 RNN 셀, 제2 RNN 셀을 포함할 수 있다. 도 12에 도시된 바와 같이, 제1 RNN 셀은 특정 시간 t의 파랑 특성 정보 및 상부구조물 특성 정보, 이전 셀의 hidden layer data, 이전 셀의 출력 데이터를 입력 데이터로 입력 받고 특정 시간 t에 대한 밸브 상태 변경 격실 정보(압력조절부(20)의 배출/유입에 대한 밸브 개방과 폐쇄 여부를 변경할 격실에 대한 정보)를 출력하고, 제2 RNN 셀은 밸브 상태 변경 격실 정보 및 제1 RNN 셀의 hidden state(hidden layer data)를 입력받아 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 출력하도록 구성될 수 있다. 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 모듈(110)은 제1 RNN 셀에서 출력된 밸브 상태 변경 격실 정보가 'end'인 경우, 또는 압력조절부 제어 인공신경망 모듈(110)의 학습을 위해 추가로 구성되는 강화학습 모듈에 의해 계산되는 모든 Action에 대한 Reward가 음수인 경우에 추론을 종료할 수 있다. 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 모듈(110)에 따르면, 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 부유식 플랫폼의 진동 크기 정보의 진동 크기가 저감되는 방향으로 순차적으로 출력하도록 구성되어 이전 step에서 생성된 밸브 상태 변경 격실 정보와 압력조절부 개폐 정보가 다음 step에서 생성될 압력조절부 개폐 정보에 영향을 주게 되므로, 부유식 플랫폼의 점진적인 진동 저감을 달성할 수 있게 되는 효과가 발생된다.
압력조절부 제어 인공신경망 모듈(110)의 강화학습 모듈에 의한 학습 세션과 관련하여, 도 13은 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 모듈(110)의 RNN 블록을 학습시키는 강화학습 모듈을 도시한 모식도이다. 도 13에 도시된 바와 같이, 본 발명의 일실시예에 따른 압력조절부 제어 인공신경망 모듈(110)의 RNN 블록은 강화학습 모듈에 의해 학습될 수 있다. 상기 RNN 블록을 학습하는 강화학습 모듈은, 기생성된 상부구조물 특성 정보, 밸브 상태 변경 격실 정보, t-1의 파랑 특성 정보, t-1의 압력조절부 개폐 정보를 Environment로 하고, 상기 압력조절부 제어 인공신경망 모듈(110)의 각 RNN 블록을 Agent로 하고, 1번째 파랑 특성 정보에서부터 t-1의 파랑 특성 정보까지의 밸브 상태 변경 격실 정보 및 압력조절부 개폐 정보를 출력하였을 때의 상황을 State로 하며, 이러한 State에서 Agent인 RNN 블록이 t의 파랑 특성 정보에 대해 출력하는 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 Action으로 하고, 현재 step(t)의 진동 크기 정보와 t+1의 진동 크기 정보의 차이(예를 들어, Kullback-Leibler divergence)가 음의 방향으로 클수록(즉, 진동 크기 정보가 더 작아질수록) 높은 Reward가 생성되어 Agent인 RNN 블록의 은닉층을 업데이트 하도록 구성될 수 있다. 본 발명의 일실시예에 따른 강화학습 모듈에 의해 최적화가 완료된 RNN 블록은 은닉층이 고정되도록 구성될 수 있다.
압력조절부 제어 인공신경망 모듈(110)을 학습하는 강화학습 모듈에 따르면, 압력조절부 제어 인공신경망 모듈(110) 및 강화학습 모듈에 의해 상부구조물 특성 정보에 대응되는 최적의 압력조절부 개폐 정보가 부유식 플랫폼의 진동을 점진적으로 저감시키는 방향으로 생성되는 효과가 발생된다. 또한, 강화학습 모듈이 압력조절부 제어 인공신경망 모듈(110)에서 생성될 수 있는 모든 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보에 대한 모든 경우의 수를 고려할 필요 없이 부유식 플랫폼의 진동을 저감시키는 방향으로 순차적으로 최적화되도록 구성되므로 강화학습 모듈이 계산하여야 하는 경우의 수가 저감되어 컴퓨팅 리소스가 저감되는 효과가 발생된다.
본 발명의 변형예에 따른 강화학습 모듈은 아래의 구성에 의해 보다 효과적인 강화학습에 의해 RNN 블록이 업데이트 되도록 구성될 수 있다. 도 14는 본 발명의 변형예에 따른 강화학습 모듈을 도시한 모식도이다. 도 14에 도시된 바와 같이, 본 발명의 변형예에 따른 강화학습 모듈은 특정 상태(state)에서의 가치를 출력하는 가치 함수를 학습하는 인공신경망인 가치망 및 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보의 각 확률을 출력하는 정책 함수를 학습하는 정책망을 포함할 수 있고, 본 발명의 변형예에 따른 정책망 및 가치망은 압력조절부 제어 인공신경망 모듈(110)의 특정 RNN 블록에 연결되도록 구성될 수 있다. 정책망과 가치망은 RNN 블록과 연결되어 특정 시간 t에 대한 밸브 상태 변경 격실 정보 및 압력조절부 개폐 정보를 출력할 수 있다.
정책망은 강화학습 모듈의 각 상태(state)에서 선정된 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보의 확률(confidence score)을 결정하는 인공신경망이고, 정책 함수를 학습하여 선정된 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보의 확률을 출력하게 된다. 정책망의 Cost function은 정책함수와 가치망의 Cost Function을 곱하여 크로스 엔트로피(Cross Entropy)를 계산한 뒤 Policy gradient를 취한 함수일 수 있고, 예를 들면, 아래 수학식 3과 같이 구성될 수 있다. 정책망은 크로스 엔트로피와 가치망의 cost function인 시간차 에러의 곱을 기초로 back propagation 될 수 있다.
Figure pat00003
수학식 3에서, π는 정책 함수, θ는 정책망 파라미터, πθ(ai│si)는 현재 에피소드에서 특정 액션(밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보)을 할 가능성, V는 가치 함수, w는 가치망 파라미터, si는 현재 에피소드인 i의 상태 정보, Si+1은 다음 에피소드인 i+1의 상태 정보, ri+1은 다음 에피소드에서 획득하는 것으로 예상되는 보상, Vw(si)는 현재 에피소드에서의 보상 가능성, Vw(si+1)는 다음 에피소드에서의 보상 가능성, γ는 감가율을 의미할 수 있다. 이때, ri+1은 현재 step(t)의 진동 크기 정보와 t+1의 진동 크기 정보의 차이가 음의 방향으로 클수록(즉, 진동 크기 정보가 더 작아질수록) 높은 Reward가 생성되도록 구성될 수 있다.
본 발명의 일실시예에 따른 정책망은 강화학습이 진행되기 이전에 이전 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보와 이에 따른 성과 정보(현재 step(t)의 진동 크기 정보와 t+1의 진동 크기 정보의 차이를 포함)를 기초로 지도학습(Supervised Learning)되어 정책망의 weight가 업데이트 됨으로써 정책의 기초를 학습할 수 있다. 즉, 정책망의 weight는 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보, 성과 정보를 토대로 지도학습되어 설정될 수 있다. 이에 따르면, 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보의 히스토리에 의해 정책망이 매우 빠르게 학습될 수 있는 효과가 발생된다.
또한, 본 발명의 일실시예에 따르면 정책망의 지도학습 시에 랜덤 벡터를 포함하여 이전 레이어의 연산부 종류 정보 및 파라미터 정보와 이에 따른 성과 정보를 기초로 지도학습이 되도록 구성될 수 있다. 랜덤 벡터는 예를 들면 가우시안 확률 분포(Gaussian distribution)를 이용할 수 있다. 이에 따르면, 정책망이 랜덤한 확률로 도전적인 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 출력할 수 있게 되는 효과가 발생된다. 정책망의 지도학습 시에 이전 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보와 이에 따른 성과 정보를 기초로 지도학습이 되도록 구성하면 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보의 선정이 이전 step의 정책 내에서 최적화되는 결과가 나타나게 된다. 하지만, 본 발명의 일실시예에 따라 정책망의 지도학습 시에 랜덤 벡터를 포함하게 되면 강화학습이 진행될수록 정책망이 이전 step의 정책보다 더 효과적인 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 학습할 수 있게 되는 효과가 발생된다.
가치망은 강화학습 모듈이 가질 수 있는 각 상태(State)에서 보상(Reward)을 달성할 가능성을 도출하는 인공신경망이고, 가치 함수를 학습하게 된다. 가치망은 에이전트(agent)인 RNN 블록이 어떤 방향으로 업데이트 될 지에 대한 방향성을 제시해주게 된다. 이를 위해, 가치망의 입력 변수는 강화학습 모듈의 상태에 대한 정보인 상태 정보로 설정되고, 가치망의 출력 변수는 RNN 블록이 보상을 달성할 가능성인 보상 가능성 정보(현재 step(t)의 진동 크기 정보와 t+1의 진동 크기 정보의 차이를 포함하고, 진동 크기 정보가 더 작아질수록 높은 보상)로 설정될 수 있다. 본 발명의 일실시예에 따른 보상 가능성 정보는 아래 수학식과 같은 Q-function으로 계산될 수 있다.
Figure pat00004
위 수학식 4에서 Qπ는 특정 정책 π에서 상태 s, 액션 a인 경우 미래에 예상되는 전체 보상 가능성 정보를 의미하고, R은 특정 기간의 보상, gamma는 감가율을 의미할 수 있다. St는 시간 t의 상태, At는 시간 t의 액션, E는 기대값을 의미할 수 있다. 본 발명의 일실시예에 따른 보상 가능성 정보(Q value)는 정책망의 업데이트 방향 및 크기를 규정하게 된다.
이때, 가치망의 Cost function은 가치 함수에 대한 MSE(Mean Square error) 함수일 수 있고, 예를 들면 아래 수학식 5와 같이 구성될 수 있다. 가치망은 가치망의 cost function인 시간차 에러를 기초로 back propagation 될 수 있다.
Figure pat00005
수학식 5에서, V는 가치 함수, w는 가치망 파라미터, si는 현재 에피소드인 i의 상태 정보, Si+1은 다음 에피소드인 i+1의 상태 정보, ri+1은 다음 에피소드에서 획득하는 것으로 예상되는 보상, Vw(si)는 현재 에피소드에서의 보상 가능성, Vw(si+1)는 다음 에피소드에서의 보상 가능성, γ는 감가율을 의미할 수 있다. 이때, ri+1은 현재 step(t)의 진동 크기 정보와 t+1의 진동 크기 정보의 차이가 음의 방향으로 클수록(즉, 진동 크기 정보가 더 작아질수록) 높은 Reward가 생성되도록 구성될 수 있다.
이에 따라, 가치망은 강화학습 모듈의 상태가 변경될 때 수학식 3의 Cost Function을 Gradient descent 시키는 방향으로 업데이트 할 수 있다.
본 발명의 일실시예에 따르면 가치망을 정책망과 별도로 학습시키면서, 가치망의 Q value가 랜덤에서 시작하지 않고 Supervised되게 되므로 빠른 학습이 가능해지는 효과가 발생된다. 이에 따르면 매우 복잡도가 높은 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보의 조합을 선택하는 액션(action)에 있어서 탐구(exploration) 부담을 크게 줄일 수 있게 되는 효과가 발생된다.
본 발명의 일실시예에 따른 강화학습 모듈에 따르면, 지도학습을 마친 정책망이 현재 에피소드 i의 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 선정하게 되면 가치망이 선정된 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 진행할 경우의 보상(현재 step(t)의 진동 크기 정보와 t+1의 진동 크기 정보의 차이가 음의 방향으로 클수록(즉, 진동 크기 정보가 더 작아질수록) 높은 Reward)을 예측하도록 학습된다. 학습을 마친 강화학습 모듈의 정책망과 가치망은 RNN 블록을 활용한 시뮬레이션과 조합되어 최종적으로 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 선정하는데 활용된다.
또한, 본 발명의 일실시예에 따른 가치망에 따르면 선정된 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보의 확률을 출력하는 정책망의 업데이트가 매 에피소드마다 진행될 수 있는 효과가 발생된다. 기존의 강화학습에서는 강화학습 모델의 업데이트가 모든 에피소드가 종료된 이후에 진행되는 문제가 있어서, 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 순차적으로 생성하는 RNN 모듈에 적용하는데는 어려움이 있었다.
RNN 블록은 정책망과 가치망에서 계산되는 복수의 에이전트(agent)를 기초로 다양한 상태 및 다양한 액션에 대한 복수회의 시뮬레이션을 진행하여 최적의 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 탐색하는 구성이다. 본 발명의 일실시예에 따른 RNN 블록은, 예를 들어, 몬테카를로 트리 탐색을 활용할 수 있고, 트리의 각 노드는 상태(state)를, 각 연결(edge)은 해당 상태에 대한 특정 액션에 따라 예상되는 가치(value)를 나타내며, 현재 상태를 뿌리 노드로 두고 새로운 액션을 취해 새로운 상태로 전이될 때 마다 잎(leaf) 노드가 확장되는 구조이다. 본 발명의 일실시예에 따른 RNN 블록에서 최적 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보 탐색은 몬테카를로 트리 탐색이 활용되는 경우, Selection, Expansion, Evaluation, Backup의 4 단계로 처리될 수 있다.
RNN 블록의 Selection 단계는, 현재 상태로부터 잎 노드가 나올 때까지 선택 가능한 액션 중 가장 가치가 높은 액션을 선택하며 진행하는 단계이다. 이 때 연결(edge)에 저장해 둔 가치함수의 값과 탐구-이용 균형을 맞추기 위한 방문빈도 값을 이용한다. Selection 단계에서 액션 선택을 위한 수학식은 아래와 같다.
Figure pat00006
위 수학식 6에서 at는 시간t에서의 액션(밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보 선정 수행)이고, Q(st,a)는 트리에 저장된 가치함수의 값이며, u(st,a)는 해당 상태-액션 쌍의 방문횟수에 반비례하는 값으로 탐구(exploration)와 이용의 균형을 맞추기 위해 사용된 것이다.
RNN 블록의 Expansion 단계는, 시뮬레이션이 잎 노드까지 진행되면 지도학습으로 학습된 정책망의 확률에 따라 액션하여 새로운 노드를 잎 노드로 추가하는 단계이다.
RNN 블록의 Evaluation 단계는, 새로 추가된 잎 노드로부터 가치망을 사용해 판단한 가치(보상 가능성)와 잎 노드로부터 정책망을 사용해 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보 선정의 에피소드가 끝날 때까지 진행해 얻은 보상을 통해 잎 노드의 가치를 평가하는 단계이다. 아래 수학식은 새로운 잎 노드의 가치를 평가하는 예시이다.
Figure pat00007
위 수학식 7에서 V(sL)은 잎 노드의 가치, λ는 mixing 파라미터, vθ(sL)은 가치망을 통해 얻은 가치, zL은 시뮬레이션을 계속하여 얻은 보상을 의미할 수 있다.
RNN 블록의 Backup 단계는, 새로 추가된 잎 노드의 가치를 반영하여 시뮬레이션 중 방문한 노드들의 가치를 재평가하고 방문 빈도를 업데이트하는 단계이다. 아래 수학식은 노드 가치 재평가 및 방문 빈도 업데이트의 예시이다.
Figure pat00008
Figure pat00009
위 수학식 8에서 sL i는 i번째 시뮬레이션에서의 잎 노드를, 1(s,a,i)는 i번째 시뮬레이션에서 연결 (s,a)를 방문했는지를 나타내고, 트리 탐색이 완료되면 알고리즘은 뿌리 노드로부터 가장 많이 방문된 연결(s,a)을 선택하도록 구성될 수 있다. 본 발명의 일실시예에 따른 RNN 블록에 따르면 정책망에 의해 선별되는 복수의 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보에 대해 가치망을 기초로 복수회 시뮬레이션을 선행하여 최적의 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 선택할 수 있게되는 효과가 발생된다.
본 발명의 일실시예에 따르면, 복수의 에이전트(Agent)가 구성되도록 강화학습 모듈이 구성될 수 있다. 복수의 에이전트가 구성되면 특정 상태, 특정 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보 각각에 대해 강화학습 모듈이 선정하는 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보이 상호 경쟁하여, 가장 최적의 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보를 선정할 수 있게 되는 효과가 발생된다.
도 15는 본 발명의 일실시예에 따른 강화학습 모듈의 동작예를 도시한 흐름도이다. 도 15에 도시된 바와 같이, 압력조절부 제어 인공신경망 모듈(110)에 의해 상태 s(t)가 입력되면 가치망에 의해 정책망의 복수개의 에이전트(agent)들에 의해 다양한 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보들이 RNN 블록에 입력되고, RNN 블록에 의해 출력되는 액션(action)인 선정된 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보의 확률 a(t)에 의해 밸브 상태 변경 격실 정보 및 밸브 상태 변경 격실에 대한 압력조절부 개폐 정보가 선정되는 것으로 에피소드 t가 종료되고 에피소드 t+1이 시작된다. 에피소드 t+1에서는 다시 a(t)에 의한 상태 변화인 s(t+1)이 압력조절부 제어 인공신경망 모듈(110)에 의해 입력되고, a(t)에 따른 보상인 r(t+1)이 곧바로 입력되어 가치망 및 정책망을 업데이트하게 된다.
요동저감형 공기안정 장치를 이용한 부유식 플랫폼
요동저감형 공기안정 장치(1)를 이용한 부유식 플랫폼과 관련하여, 본 발명의 일실시예에 따른 요동저감형 공기안정 장치(1)를 이용한 부유식 플랫폼은 상기 요동저감형 공기안정 장치(1), 상부구조물, 부유식 플랫폼을 포함할 수 있다. 이때, 부유식 플랫폼은 TLP(Tension Leg Platform) 등의 구조로 구성될 수 있다.
TLP(Tension Leg Platform)과 관련하여, 도 16은 TLP(Tension Leg Platform)을 도시한 모식도이다. 도 16에 도시된 바와 같이, TLP(Tension Leg Platform)는 부유식 플랫폼의 모서리 부분에 Tension Leg가 각각 한 개씩 설치(Tether 와 tendons가 한 세트)되어 수직적인 요동에 저항하는 부유식 플랫폼의 형태이다. 일측은 상기 부유식 플랫폼 본체의 모서리 부분에 결합되고, 타측은 해저 지반에 고정되도록 구성되며, 1,500미터 이하 심해에서도 설치가 가능하며, 탄력은 부족하나 축방향의 강성이 강하여 부유식 플랫폼의 수직적 요동을 제거하도록 구성된다. 본 발명의 일실시예에 따른 부유식 플랫폼은 천해 및 심해에서 활용 가능할 수 있도록 개발되어 TLP 부를 통해 Surge에 의한 요동을 저감하게 되는 효과가 발생된다. 또한, TLP 부와 요동저감형 공기안정 장치(1)의 유기적 결합에 의하여 미세한 요동에 대해서도 저감할 수 있게 되며, 부유식 플랫폼에 작용하는 수평적인 요동을 추가적으로 제거할 수 있게 되는 효과가 발생된다.
이상에서 설명한 바와 같이, 본 발명이 속하는 기술 분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 상술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함하는 것으로 해석되어야 한다.
1: 요동저감형 공기안정 장치
10: 댐퍼 격실
20: 압력조절부
30: 슬릿유수실
40: 진동센서부
50: 정보수집부
100: 부유식 플랫폼 클라이언트
110: 압력조절부 제어 인공신경망 모듈
120: 클라이언트 학습 모듈
130: 파라미터 업로드 모듈
140: 메인 신경망 다운로드 모듈
200: 중앙 관리 서버

Claims (5)

  1. 부유식 플랫폼의 상판 하부에 구성되는 격벽에 의해 구획되는 하방이 개방된 중공의 격실로 구성되는 댐퍼 격실;
    상기 댐퍼 격실에 구성되는 양방향 솔레노이드 밸브로서, 상기 댐퍼 격실 내의 공기 압력을 제어하도록 구성되는 압력조절부;
    상기 부유식 플랫폼의 상판에 구성되어 상기 부유식 플랫폼의 진동 크기 정보를 생성하는 진동센서부;
    파고계에서 파랑 특성 정보를 수신하고, 상기 부유식 플랫폼의 상부구조물에서 상부구조물 특성 정보를 수신하며, 상기 진동 크기 정보를 수신하는 정보수집부; 및
    압력조절부 제어 인공신경망 모듈, 클라이언트 학습 모듈, 파라미터 업로드 모듈 및 메인 신경망 다운로드 모듈을 포함하는 클라이언트;
    를 포함하고,
    상기 압력조절부 제어 인공신경망 모듈은, 입력 데이터를 상기 파랑 특성 정보 및 상기 상부구조물 특성 정보로 하고, 각각의 상기 댐퍼 격실의 상기 압력조절부의 배출/유입에 대한 밸브 개방과 폐쇄 여부를 의미하는 압력조절부 개폐 정보를 출력 데이터로 하며, 상기 부유식 플랫폼의 상기 진동 크기 정보가 손실(loss)에 포함되도록 구성되어 상기 진동 크기 정보의 진동 크기가 저감되는 방향으로 기학습된 인공신경망 모듈이고,
    상기 클라이언트 학습 모듈은, 상기 진동 크기 정보를 이용하여 상기 압력조절부 제어 인공신경망 모듈의 파라미터를 업데이트 하는 모듈이며,
    상기 파라미터 업로드 모듈은, 상기 클라이언트 학습 모듈에 의해 업데이트 된 상기 압력조절부 제어 인공신경망 모듈의 상기 파라미터를 유무선 네트워크로 연결된 메인 신경망 서버에 업로드 하는 모듈이고,
    상기 메인 신경망 다운로드 모듈은, 상기 메인 신경망 서버에서 기학습된 압력조절부 제어 메인 신경망을 다운로드하여 상기 압력조절부 제어 인공신경망 모듈의 일부 네트워크와 치환하는 모듈이며,
    상기 압력조절부 제어 인공신경망 모듈에 의해 출력되는 상기 압력조절부 개폐 정보를 이용하여 상기 압력조절부의 밸브 개방 또는 밸브 폐쇄를 제어하고,
    상기 메인 신경망 서버는, 상기 파라미터와 다른 부유식 플랫폼 클라이언트에서 업로드 된 다른 파라미터를 통합하여 상기 압력조절부 제어 메인 신경망을 업데이트 하도록 구성되는 것을 특징으로 하는,
    부유식 플랫폼의 요동저감형 공기안정 장치.
  2. 제1항에 있어서,
    상기 댐퍼 격실은 상판 측에 가까울수록 내부 공간의 단면적이 좁아지도록 구성되는 것을 특징으로 하는,
    부유식 플랫폼의 요동저감형 공기안정 장치.
  3. 제1항에 있어서,
    상기 압력조절부 제어 인공신경망 모듈의 학습 세션에서의 손실함수는 특정 시간 t의 진동 크기 정보(a)와 t+1의 진동 크기 정보(b)의 차이(b-a)의 역수를 포함하는 것을 특징으로 하는,
    부유식 플랫폼의 요동저감형 공기안정 장치.
  4. 제1항에 있어서,
    상기 압력조절부 제어 인공신경망 모듈의 학습 세션을 수행하는 강화학습 모듈;을 더 포함하고,
    상기 강화학습 모듈은, 상기 상부구조물 특성 정보, t-1의 파랑 특성 정보, t-1의 압력조절부 개폐 정보를 환경(Environment)로 하고, 상기 압력조절부 제어 인공신경망 모듈을 에이전트(Agent)로 하고, 1번째 파랑 특성 정보에서부터 t-1의 파랑 특성 정보까지의 상기 압력조절부 개폐 정보를 출력하였을 때의 상황을 스테이트(State)로 하며, 이러한 스테이트(State)에서 에이전트(Agent)인 상기 압력조절부 제어 인공신경망 모듈이 t의 파랑 특성 정보에 대해 출력하는 상기 압력조절부 개폐 정보를 액션(Action)으로 하고, t의 진동 크기 정보와 t+1의 진동 크기 정보의 차이가 음의 방향으로 클수록 높은 보상(Reward)가 생성되어 에이전트(Agent)인 상기 압력조절부 제어 인공신경망 모듈의 은닉층을 업데이트 하도록 구성되는 것을 특징으로 하는,
    부유식 플랫폼의 요동저감형 공기안정 장치.
  5. 상부구조물;
    제1항에 따른 요동저감형 공기안정 장치;
    상기 요동저감형 공기안정 장치가 구성되고, 상기 상부구조물이 설치된 부유식 플랫폼 본체; 및
    일측은 상기 부유식 플랫폼 본체의 모서리 부분에 결합되고, 타측은 해저 지반에 고정되는 텐션 레그(Tension Leg);
    를 포함하는,
    요동저감형 공기안정 장치를 이용한 부유식 플랫폼.



KR1020210186639A 2021-12-23 2021-12-23 요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼 KR102595185B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210186639A KR102595185B1 (ko) 2021-12-23 2021-12-23 요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210186639A KR102595185B1 (ko) 2021-12-23 2021-12-23 요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼

Publications (2)

Publication Number Publication Date
KR20230096776A true KR20230096776A (ko) 2023-06-30
KR102595185B1 KR102595185B1 (ko) 2023-10-27

Family

ID=86959985

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210186639A KR102595185B1 (ko) 2021-12-23 2021-12-23 요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼

Country Status (1)

Country Link
KR (1) KR102595185B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160057959A (ko) * 2014-11-14 2016-05-24 삼성중공업 주식회사 해양구조물
KR101627926B1 (ko) 2014-08-26 2016-06-08 현대건설주식회사 요동저감형 부유식구조물
KR20170034230A (ko) * 2015-09-18 2017-03-28 한국해양대학교 산학협력단 구조물의 동요를 저감하기 위한 장치 및 이를 포함하는 구조물
KR101815064B1 (ko) 2016-01-27 2018-01-30 김석문 부유식 구조물의 동적위치제어 시스템 및 방법
KR102163466B1 (ko) * 2019-12-06 2020-10-08 주식회사 블루오션테크 부력보강 및 복원성증가 장치를 구비한 금속 부유체
KR20210067094A (ko) * 2019-11-29 2021-06-08 충북대학교 산학협력단 블록체인 기반의 머신러닝 학습 모델 무 신뢰 기반 거래 시스템 및 거래 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101627926B1 (ko) 2014-08-26 2016-06-08 현대건설주식회사 요동저감형 부유식구조물
KR20160057959A (ko) * 2014-11-14 2016-05-24 삼성중공업 주식회사 해양구조물
KR20170034230A (ko) * 2015-09-18 2017-03-28 한국해양대학교 산학협력단 구조물의 동요를 저감하기 위한 장치 및 이를 포함하는 구조물
KR101815064B1 (ko) 2016-01-27 2018-01-30 김석문 부유식 구조물의 동적위치제어 시스템 및 방법
KR20210067094A (ko) * 2019-11-29 2021-06-08 충북대학교 산학협력단 블록체인 기반의 머신러닝 학습 모델 무 신뢰 기반 거래 시스템 및 거래 방법
KR102163466B1 (ko) * 2019-12-06 2020-10-08 주식회사 블루오션테크 부력보강 및 복원성증가 장치를 구비한 금속 부유체

Also Published As

Publication number Publication date
KR102595185B1 (ko) 2023-10-27

Similar Documents

Publication Publication Date Title
Luo et al. Semiactive control for floating offshore wind turbines subject to aero-hydro dynamic loads
CN109240280B (zh) 基于强化学习的锚泊辅助动力定位系统控制方法
Guachamin-Acero et al. Steady state motion analysis of an offshore wind turbine transition piece during installation based on outcrossing of the motion limit state
KR102595185B1 (ko) 요동저감형 공기안정 장치 및 이를 이용한 부유식 플랫폼
Elkinton Offshore wind farm layout optimization
Acero et al. Assessment of the dynamic responses and allowable sea states for a novel offshore wind turbine installation concept based on the inverted pendulum principle
Ramachandran A numerical model for a floating TLP wind turbine
CN115759203A (zh) 一种多要素耦合条件下海上桩基冲刷预测方法
Stenlund Mooring system design for a large floating wind turbine in shallow water
Terrero-Gonzalez et al. Dynamic response of a shallow-draft floating wind turbine concept: Experiments and modelling
Choi Reliability assessment of foundations for offshore mooring systems under extreme environments
Ma et al. Dynamic Analysis of an Offshore Fish Farm Integrated With a Floating Offshore Wind Turbine Using Shared Mooring Line
KR102121246B1 (ko) 딥러닝을 이용한 해양 부유식 구조물의 계류선 손상 탐지 방법
Shi Dynamic analysis of semi-submersible offshore fish farm operated in China East Sea
Hole Design of Mooring Systems for Large Floating Wind Turbines in Shallow Water
Mazaheri et al. Seakeeping analysis of a turret-moored FPSO by using artificial neural networks
Berntsen et al. Dynamic positioning of moored vessels based on structural reliability
Velema et al. Lift installation of a subsea oil storage tank: a 60,000 mT pendulum
Jia et al. Offshore structures versus land-based structures
Papinutti et al. Comparison of Alternative Floater concepts for a 2-span Suspension Bridge supported by a Tension Leg Platform
Guignier et al. Design of DampingPool® Floating Wind Turbine for Deep Water Conditions
Christiansen et al. Optimized mooring line simulation using a hybrid method time domain scheme
Robinson et al. Improving seabed cable plough performance for offshore renewable energy
Mao et al. A Novel Semi-Submersible Floating Wind Turbine Platform Design Based on Tuned Liquid Column Dampers
Murtedjo et al. The influence of buoyancy parameters on the dynamic behavior of articulated tower

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant