Luận án TS Trần Tiến Đạt: Phân tích, đánh giá, giải pháp tối ưu cân bằng giàn khoan tự nâng

Giàn khoan tự nâng gồm ba phần chính. Phần thứ nhất là thân giàn (hull), chứa thiết bị khoan, nhà ở và kho chứa. Phần thứ hai là hệ thống chân giò giàn khoan (spudcan), thường từ ba đến bốn chân. Phần thứ ba là hệ thống nâng hạ (jacking system), cho phép chân giò di chuyển lên xuống. Nguyên lý hoạt động đơn giản. Khi di chuyển, chân giò được nâng lên, thân giàn nổi trên mặt nước. Khi làm việc, chân giò hạ xuống, xuyên qua nước, cắm vào đáy biển. Thân giàn được nâng lên khỏi mặt nước. Quá trình này yêu cầu cân bằng giàn khoan chính xác. Mỗi chân giò phải chịu tải trọng giàn khoan đồng đều. Spudcan có dạng đĩa rộng để phân bố lực lên nền đất biển. Hệ thống nâng sử dụng cơ cấu rack-and-pinion hoặc hydraulic. Tốc độ nâng hạ từ 0.3 đến 1.5 m/phút tùy loại giàn.

Cân bằng giàn khoan là quá trình đảm bảo thân giàn nằm ngang khi nâng lên khỏi mặt nước. Mức độ nghiêng cho phép thường nhỏ hơn 0.5 độ. Nếu cân bằng kém, tải trọng giàn khoan phân bố không đều lên các chân giò. Điều này gây nguy hiểm cho kết cấu. Hệ thống cân bằng liên tục đo góc nghiêng bằng cảm biến inclinometer. Dữ liệu được xử lý để điều khiển từng chân giò nâng hạ riêng biệt. Leveling jack-up là kỹ thuật then chốt. Nó quyết định thời gian thiết lập giàn và chi phí vận hành. Hệ thống cân bằng tốt giúp giảm thời gian vào vị trí làm việc. Nó giảm nguy cơ hư hỏng spudcan và kết cấu chân giò. An toàn giàn khoan phụ thuộc trực tiếp vào chất lượng cân bằng. Đây là lý do nghiên cứu tối ưu cân bằng giàn khoan tự nâng có ý nghĩa thực tiễn cao.

Nghiên cứu về giàn khoan tự nâng đã được tiến hành nhiều thập kỷ. Trên thế giới, các hãng lớn như Keppel FELS, Baker Marine, và Friede & Goldman dẫn đầu công nghệ. Họ phát triển hệ thống jacking system tự động với độ chính xác cao. Nghiên cứu tập trung vào tối ưu tải trọng giàn khoan, mô phỏng thủy động học, và điều khiển thông minh. Tại Việt Nam, cụm công trình khoa học cấp Nhà nước đã chế tạo giàn khoan tự nâng ở độ sâu 90m nước. Đây là thành tựu quan trọng. Tuy nhiên, công nghệ điều khiển cân bằng vẫn sử dụng giải pháp nước ngoài. Các nghiên cứu trong nước gần đây bắt đầu tiếp cận trí tuệ nhân tạo (AI) cho tối ưu hóa. Xu hướng chung là tích hợp IoT, machine learning vào hệ thống giám sát giàn khoan. Mục tiêu là đảm bảo an toàn, tiết kiệm năng lượng, nâng cao độ chính xác và ổn định bền vững.

Jacking system hoạt động theo nguyên lý cơ cấu rack-and-pinion. Motor điện quay, truyền mô-men qua hộp giảm tốc. Bánh răng ăn khớp với thanh răng trên chân giò. Chân giò di chuyển lên hoặc xuống. Mỗi chân giò giàn khoan dài từ 100 đến 170m. Trọng lượng riêng của chân giò rất lớn. Spudcan ở cuối chân giò có đường kính 10-16m. Hệ thống nâng phải thắng được trọng lượng chân giò, tải trọng giàn khoan, và lực cản nước. Công suất motor từ vài trăm kW đến hàng nghìn kW. Hệ thống sử dụng biến tần (VFD) để điều khiển tốc độ. Cảm biến encoder đo vị trí chính xác từng chân giò. Dữ liệu vị trí được truyền về bộ điều khiển trung tâm. Bộ điều khiển tính toán lệnh nâng hạ cho từng motor. Mục tiêu là giữ thân giàn cân bằng trong suốt quá trình.

Mô hình động học mô tả quan hệ giữa biến đổi vị trí và vận tốc các chân giò. Giàn khoan tự nâng được mô hình hóa như hệ vật rắn nhiều bậc tự do. Thân giàn là vật rắn chính. Các chân giò là các phần tử đàn hồi. Kết nối giữa thân và chân giò qua cơ cấu nâng. Mô hình động học 6 bậc tự do (6-DOF) mô tả đầy đủ chuyển động: ba tịnh tiến và ba quay. Tuy nhiên, trong quá trình cân bằng, chỉ cần xét 3 bậc: heave (lên xuống), roll (nghiêng ngang), và pitch (nghiêng dọc). Mô hình động lực học xét đến lực nâng từ motor, trọng lượng giàn, lực cản nước, và lực từ nền đất biển. Phương trình Newton-Euler lập cho toàn hệ thống. Kết quả là hệ phương trình vi phân phi tuyến. Hệ phương trình này được tuyến tính hóa quanh điểm làm việc để thiết kế bộ điều khiển.

Tải trọng giàn khoan gồm nhiều thành phần. Thứ nhất là tải trọng tĩnh: trọng lượng thân giàn, thiết bị khoan, nhiên liệu, nước ngọt. Thứ hai là tải trọng động: tải trọng từ hoạt động khoan, tải trọng từ sóng, gió, dòng chảy. Thứ ba là tải trọng môi trường: lực sóng, lực gió, lực dòng chảy tác động lên thân giàn và chân giò. Phân bố tải trọng lên các chân giò phụ thuộc vào vị trí trọng tâm giàn. Khi trọng tâm nằm tại tâm hình học, tải trọng phân bố đều. Khi trọng tâm lệch, tải trọng không đều. Sai lệch phân bố tải trọng gây ứng suất tập trung tại spudcan. Điều này có thể gây lún quá mức hoặc trượt chân giò. Nghiên cứu phân tích phân bố lực giúp tối ưu vị trí đặt giàn và điều khiển cân bằng.

Mô hình toán học bắt đầu từ phương trình cân bằng lực và mô-men. Xét giàn ba chân giò. Gọi F1, F2, F3 là lực nâng tại mỗi chân. Gọi W là tổng tải trọng giàn khoan. Gọi Mx, My là mô-men quanh trục x và y. Phương trình cân bằng: F1 + F2 + F3 = W. Phương trình mô-men: Σ(Fi × di) = M. Trong đó di là khoảng cách từ chân giò i đến tâm giàn. Phương trình chuyển động motor: J × dω/dt = Tm - Tf - Tl. J là quán tính hệ thống. Tm là mô-men motor. Tf là mô-men ma sát. Tl là mô-men tải. Phương trình liên hệ vị trí chân giò với góc nghiêng: θ = Δh / L. θ là góc nghiêng. Δh là sai lệch chiều cao. L là khoảng cách giữa các chân giò. Hệ phương trình này hoàn chỉnh mô tả quá trình cân bằng giàn khoan tự nâng. Mô hình được mã hóa thành hàm truyền trong miền Laplace để phân tích tần số.

Mô phỏng số được thực hiện bằng phần mềm MATLAB/Simulink. Mô hình toán học được lập trình với các tham số thực tế của giàn khoan tự nâng. Các kịch bản mô phỏng bao gồm: nâng giàn trong điều kiện yên, nâng giàn có tải trọng không đều, và nâng giàn trong điều kiện sóng gió. Kết quả mô phỏng cho thấy mô hình dự đoán đúng xu hướng chuyển động. Sai số giữa mô hình và dữ liệu thực nhỏ hơn 5%. Xác nhận mô hình được thực hiện bằng cách so sánh với dữ liệu vận hành từ giàn khoan thực tế. Dữ liệu bao gồm vị trí chân giò, góc nghiêng, và dòng motor. Kết quả xác nhận cho thấy mô hình có độ chính xác cao. Mô hình đủ tin cậy để thiết kế bộ điều khiển tối ưu cân bằng giàn khoan. Mô phỏng cũng giúp đánh giá ảnh hưởng của từng tham số lên chất lượng cân bằng.

Phân tích độ nhạy xác định tham số nào ảnh hưởng lớn nhất đến cân bằng giàn khoan. Phương pháp sử dụng đạo hàm riêng của góc nghiêng theo từng tham số. Các tham số được xét gồm: quán tính hệ thống J, hệ số ma sát, độ cứng nền đất, và hệ số thủy động học. Kết quả phân tích cho thấy ba tham số nhạy nhất. Thứ nhất là sai lệch tốc độ giữa các motor nâng. Thứ hai là độ cứng không đều của nền đất dưới spudcan. Thứ ba là tải trọng giàn khoan phân bố không đều. Phát hiện này định hướng thiết kế bộ điều khiển. Bộ điều khiển cần ưu tiên bù sai lệch tốc độ motor. Cần tích hợp cảm biến giám sát độ lún chân giò. Cần tính toán lại tải trọng giàn khoan theo thời gian thực. Phân tích độ nhạy là công cụ quan trọng trong tối ưu cân bằng giàn khoan tự nâng.

Sai số cơ khí là nguồn nhiễu phổ biến nhất. Thứ nhất là sai số backlash trong cơ cấu rack-and-pinion. Khoảng hở giữa bánh răng và thanh răng gây dao động vị trí chân giò. Giá trị backlash thường từ 0.5 đến 2mm. Thứ hai là sai số do biến dạng đàn hồi của chân giò. Chân giò dài, trọng lượng lớn, nên bị uốn dưới tải trọng. Biến dạng thay đổi theo chiều cao nâng. Thứ ba là sai số encoder đo vị trí. Encoder có độ phân giải hữu hạn. Nhiệt độ ảnh hưởng đến độ chính xác. Thứ tư là sai số do mòn cơ cấu truyền động. Sau thời gian vận hành, bánh răng mòn, tăng backlash. Tất cả sai số này tích lũy, gây mất cân bằng giàn khoan. Giải pháp bao gồm: hiệu chuẩn encoder định kỳ, thiết kế bù backlash, và giám sát trạng thái cơ cấu nâng theo thời gian thực.

Nhiễu môi trường tác động liên tục lên giàn khoan tự nâng. Sóng biển gây lực ngang và mô-men lên thân giàn. Lực sóng biến đổi theo chu kỳ, thường từ 5 đến 15 giây. Gió gây lực ngang lên thượng tầng giàn. Tốc độ gió thay đổi ngẫu nhiên. Dòng chảy gây lực kéo ngang lên chân giò. Lực dòng chảy phụ thuộc độ sâu và mùa. Nhiễu thủy động học đặc biệt phức tạp. Khi nâng giàn, phần chân giò ngâm trong nước tạo lực cản. Lực cản phụ thuộc tốc độ nâng và hình dạng chân giò. Hiện tượng vortex shedding quanh chân giò gây rung ngang. Tất cả nhiễu này truyền vào hệ thống nâng. Chúng gây sai lệch vị trí và góc nghiêng. Mô hình nhiễu được xây dựng bằng phổ năng lượng sóng JONSWAP. Bộ điều khiển cần băng thông đủ rộng để kháng nhiễu. Tần số cắt của bộ lọc phải lớn hơn tần số nhiễu.

Tải trọng giàn khoan thay đổi trong quá trình vận hành. Khi di chuyển giàn, trọng tâm thay đổi do nhiên liệu tiêu hao. Khi khoan, tải trọng dao động theo chu kỳ. Vị trí cần khoan quyết định phân bố tải trên sàn thao tác. Tải trọng giàn khoan không đều gây mô-men lệch tâm. Mô-men này buộc hệ thống nâng phải bù trừ liên tục. Nếu tải trọng vượt quá khả năng bù, giàn mất cân bằng. Phân tích cho thấy tải trọng dao động 10% gây nghiêng 0.2-0.3 độ. Đây là giá trị đáng kể so với giới hạn cho phép. Giải pháp gồm: giám sát tải trọng thời gian thực bằng cảm biến lực, tính toán lại trọng tâm sau mỗi thay đổi tải, và điều chỉnh phân bố tải trước khi nâng giàn. Tối ưu phân bố tải trọng giàn khoan là phần quan trọng của giải pháp cân bằng.

Bộ điều khiển PID là giải pháp được áp dụng rộng rãi trong công nghiệp. Với giàn khoan tự nâng, PID điều khiển tốc độ motor nâng từng chân giò. Đầu vào là sai lệch góc nghiêng. Đầu ra là lệnh tốc độ motor. Ba tham số Kp, Ki, Kd quyết định chất lượng điều khiển. Phương pháp tối ưu tham số PID sử dụng thuật toán di truyền (GA) và thuật toán bầy đàn (PSO). Hàm mục tiêu là tích phân sai số bình phương (ISE). Kết quả tối ưu cho thấy: Kp quyết định tốc độ đáp ứng, Ki loại bỏ sai số tĩnh, Kd giảm overshoot. So với PID chỉnh tay, PID tối ưu giảm 40% thời gian settling, giảm 60% overshoot, và giảm 25% năng lượng tiêu thụ. Bộ điều khiển PID tối ưu đáp ứng yêu cầu cân bằng giàn khoan trong thời gian ngắn. Độ ổn định giàn khoan đạt tiêu chuẩn quốc tế.

Trí tuệ nhân tạo (AI) mở ra hướng tiếp cận mới cho điều khiển giàn khoan tự nâng. Mạng nơ-ron nhân tạo (ANN) được sử dụng để dự đoán mô hình phi tuyến của hệ thống. ANN học từ dữ liệu vận hành thực tế. Sau khi huấn luyện, ANN thay thế mô hình toán học truyền thống. Điều khiển dự báo mô hình (MPC) kết hợp ANN cho hiệu suất cao. MPC dự đoán hành vi giàn khoan trong tương lai. MPC tính toán lệnh điều khiển tối ưu dựa trên dự đoán. Kết quả mô phỏng cho thấy MPC-ANN giảm 50% góc nghiêng so với PID. Thuật toán học tăng cường (Reinforcement Learning) cũng được thử nghiệm. Agent học chính sách điều khiển qua thử-sai trong môi trường mô phỏng. Sau hàng nghìn episode, agent đạt chính sách tối ưu. Giải pháp AI giúp cân bằng giàn khoan thích nghi với điều kiện thay đổi. Đây là xu hướng tương lai cho hệ thống nâng giàn khoan tự nâng.

Tiết kiệm năng lượng là mục tiêu quan trọng trong vận hành giàn khoan tự nâng. Hệ thống nâng tiêu thụ điện năng lớn. Motor công suất cao hoạt động liên tục trong nhiều giờ. Giải pháp tiết kiệm năng lượng gồm nhiều lớp. Thứ nhất, tối ưu quỹ đạo nâng để giảm gia tốc không cần thiết. Quỹ đạo mượt mà giảm dòng khởi động motor. Thứ hai, sử dụng bộ biến tần hiệu suất cao. Biến tần tái sinh thu hồi năng lượng khi hạ chân giò. Thứ ba, điều phối tải trọng giàn khoan trước khi nâng. Phân bố tải đều giảm công suất motor tối đa. Về an toàn, giải pháp tích hợp hệ thống giám sát liên tục. Cảnh báo sớm khi góc nghiêng vượt ngưỡng. Cơ chế dừng khẩn cấp khi phát hiện bất thường. Dự báo tình trạng thiết bị bằng dữ liệu thời gian thực. Hệ thống an toàn tuân thủ tiêu chuẩn API và DNV. Giải pháp tổng thể đảm bảo vận hành an toàn, hiệu quả, và bền vững.

Mô phỏng trên MATLAB/Simulink xác nhận tính hiệu quả của giải pháp. Kịch bản mô phỏng gồm nhiều điều kiện vận hành khác nhau. Điều kiện yên, điều kiện sóng cấp 4, và điều kiện gió cấp 6. Kết quả cho thấy: góc nghiêng tối đa giảm từ 0.8 độ xuống 0.2 độ. Thời gian cân bằng giảm từ 45 phút xuống 20 phút. Năng lượng tiêu thụ giảm 25%. Giải pháp PID tối ưu hoạt động ổn định trong mọi kịch bản. Giải pháp MPC-ANN cho kết quả tốt hơn nhưng yêu cầu tính toán nhiều hơn. Kiểm chứng với dữ liệu giàn khoan thực tế cho kết quả tương đồng. Sai số giữa mô phỏng và thực tế nhỏ hơn 8%. Kết quả chứng minh giải pháp tối ưu cân bằng giàn khoan tự nâng có tính khả thi cao.

Giải pháp được áp dụng thử nghiệm trên giàn khoan tự nâng hoạt động tại thềm lục địa Việt Nam. Quá trình thử nghiệm kéo dài 6 tháng. Kết quả thực tế cho thấy: thời gian thiết lập giàn giảm 30%. Số lần phải hiệu chỉnh lại giảm 50%. Chi phí bảo dưỡng hệ thống nâng giảm do tải trọng phân bố đều hơn. Nhân viên vận hành đánh giá hệ thống dễ sử dụng. Giao diện giám sát trực quan, hiển thị trạng thái real-time. Giải pháp tích hợp được với hệ thống điều khiển hiện có. Không yêu cầu thay đổi phần cứng lớn. Nâng cấp phần mềm là chính. Kết quả thực tế khẳng định giá trị của nghiên cứu. Giải pháp có tiềm năng thương mại hóa cho thị trường giàn khoan trong nước và khu vực.

Nghiên cứu mở ra nhiều hướng phát triển tiếp theo. Thứ nhất, mở rộng mô hình cho giàn khoan ở vùng nước sâu hơn (>120m). Thứ hai, tích hợp IoT để giám sát từ xa toàn bộ hệ thống nâng. Thứ ba, phát triển digital twin cho giàn khoan tự nâng. Digital twin cho phép mô phỏng và dự đoán trước khi vận hành thực. Thứ tư, ứng dụng deep learning để dự báo tình trạng thiết bị. Về thương mại hóa, giải pháp phù hợp với xu hướng chuyển đổi số ngành dầu khí. Thị trường giàn khoan Đông Nam Á đang phát triển mạnh. Nhu cầu nâng cấp hệ thống điều khiển giàn khoan hiện hữu rất lớn. Giải pháp tối ưu cân bằng giàn khoan tự nâng có chi phí triển khai hợp lý. Thời gian hoàn vốn ngắn. Đây là cơ hội để công nghệ Việt Nam tham gia chuỗi cung ứng toàn cầu.