Håndtering af korrosion (fx rust) på offshore strukturer som fx havvindmøller er både dyr om besværlig. Meget af arbejdet foregår nemlig manuelt i svært tilgængelige områder, og det kræver både tid, penge og høj sikkerhed. Derudover er der en hel del regulativer og industristandarder på området, der skal overholdes, og de ting kombineret gør den nuværende proces tidskrævende, ustruktureret og ikke effektiv.
PACMAN-projektet udvikler og demonstrerer anvendelsen af predictive corrosion management – en metode, der digitaliserer overvågningen af korrosion. Ved hjælp af maskinlæring kan programmet opdage korrosion, vurdere skadens omfang og behov for behandling og ikke mindst forudsige behovet for vedligehold i fremtiden.
Værktøjerne til at kunne udføre disse automatisk forudsigelige korrosionsbestemmelser er: automatisk positionsmærkning, forbedret korrosionsdetektering gennem mere avanceret kamerateknologi, forbedrede maskinindlæringsmetoder til visuel detektion af korrosion i 2D-billeder og automatisk overførsel af 2D-billed korrosionsresultater til en 3D-fortolkning for mere effektiv håndtering af disse korrosionsresultater.
Det prædiktive værktøj til identifikation af korrosion være i stand til at levere et udkast til en arbejdsordre og vigtigst af alt: Nedsætte tid om omkostninger ved korrosionshåndtering drastisk.
Offshore transport reduceret med op til 67%
Printede dokumenter reduceret med 100%
Tid brugt på hele processen reduceret med op til 85%
https://energiwatch.dk/Energinyt/Renewables/article13192316.ece
https://www.energycluster.dk/vi-har-ikke-bare-udviklet-en-app-men-en-helt-ny-telefon/
https://www.energycluster.dk/260-milioner-kroner-til-nye-energiprojekter/
“Vi kan potentielt fjerne to tredjedele af udgifterne til at spotte korrosion, og vi kan tilsvarende reducere tiden til at analyse, om der skal gøres noget ved det,” siger Alexia Jacobsen, Head of Innovation i Semco Maritime: “Vores kunder ville købe det her i morgen, hvis de kunne.”
“I dag er det meget tidskrævende at observere og vurdere omfanget af korrosion. Vi vil udvikle en innovativ metode, hvor man bruger maskinlæring til både at opdage korrosion og at forudsige behovet for vedlige- hold,” siger Jeppe Lützhøft, Senior Electrical Engineer, som fik ideen til digitalisering af korrosionshåndteringen.
FASE 1: Konceptualisering
FASE 2: Udvikling og test
FASE 3: Demonstration og validering
FASE 4: Kommercialisering
Start: Januar 2022
Slut: Oktober 2024
Totalbudget: 15,84 mio. kr.
EUDP-støttemidler: 9,78 mio. kr.
Thomas Vohs-Ahlers
Head of Members & Sales
Tlf: +45 5389 2050
E-mail