Dette verktøyet vil kunne brukes i designfasen for stigerør på dypt vann og kunne integreres i fremtidige on-board management systemer. Bruk av slikt verktøy vil medføre reduserte utgifter og økt sikkerhet i både designfase og operasjon.
Stigrør på dypt vann utsettes for strømmer og turbulens. Det fører til såkalte virvel-induserte vibrasjoner (VIV) som gir akkumulering av utmattingsskader i materialet. Utmattingsskader representerer en sikkerhetsrisiko og utgjør dermed en stor post i utviklingskostnaden. På offshore boreplattformer samles det inn sensor data for tilstandskontroll, men vanlige stigrør har bare en eller få sensorer. Det fører til at state-of-the-art VIV-respons prediksjonsmodeller gir usikre estimater som gjør dem uegnet for tilstandskontroll i sanntid og som beslutningsstøtte. Konsekvensen er industripraksis med store og dyre sikkerhetsmarginer.
Det nyskapende aspektet i PRAI er kombinasjonen av en nylig utviklet tidsdomene-basert modell med konsepter fra maskinlæring. Tidsdomene modellen åpner opp muligheten for en intuitiv tolkning av de underliggende fysiske fenomener, mens maskinlæringen finner sammenhenger i tilgjengelig sensor data. Metodene der vi kombinerer fysiske modeller og maskin læring kaller vi hybrid analytics. Resultatet blir en hybrid modell som løser de begrensende faktorer i den eksisterende modellen. Ambisjonen er økt presisjon i prediksjon av utmattingslevetid for stigerør og klargjøre for on-board tilstandsovervåking med et begrenset antall sensorer. Dette vil redusere antallet av unødvendige utskiftninger av stigrør og vil dermed bidra til mer ansvarsfull produksjon. Metodene i PRAI utvikles for stigrør, men kan direkte overføres til andre offshore strukturer slik som stigrør til undersjøisk minedrift, forankringsliner og strømkabler til flytende vindturbiner, samt forankringsliner og fôringsrør til anlegg for fiskeoppdrett.
