The current design process of mooring systems for Floating Production, Storage and Offloading units (FPSOs) is highly dependent on the availability of the platforms mathematical model and accuracy of dynamic simulations, through which resulting time series motion is evaluated according to design constraints. This process can be time-consuming and present inaccurate results due to the mathematical models limitations and overall complexity of the vessels dynamics. We propose a Neural Simulator, a set of data-based surrogate models with environmental data as input, each specialized in the prediction of different motion statistics relevant to mooring system design: Maximum Roll, Platform Offset and Fairlead Displacements. The meta-models are trained by current, wind and wave data given in 3h periods at the Campos Basin (Brazil) from 2003 to 2010 and the associated dynamic response of a spread-moored FPSO obtained through time-domain simulations using the Dynasim software. Hyperparameter Optimization techniques are performed in order to obtain optimal Artificial Neural Network (ANN) models specialized in different platform drafts. Finally, the proposed models are shown to correctly capture platform dynamics, providing good results when compared to motion statistics obtained from Dynasim. We conclude that an ANN surrogate model can be trained directly on real metocean conditions and corresponding measured FPSO motion statistics to provide increased accuracy and reduced computational time over traditional methods based on dynamic simulation. Moreover, the proposed architecture can be integrated into an automated learning framework: The data-based surrogate models can be continuously fine-tuned and updated with newly measured data, resulting in improved accuracy over time.

O processo atual de projeto de sistemas de amarração de unidades flutuantes de produção, armazenamento e transferência (em inglês Floating Production, Storage, Offloading, ou FPSOs) é altamente dependente de um modelo matemático hidrodinâmico da plataforma e da precisão de simulações dinâmicas, através das quais séries temporais de movimento são avaliadas de acordo com requisitos de projeto. Esse processo é demorado e pode apresentar resultados imprecisos devido às limitações do modelo matemático e à complexidade geral da dinâmica da plataforma. Neste trabalho é proposto um Simulador Neural, um conjunto de modelos alternativos baseados em dados, que recebem condições meteoceânicas como entrada e são especializados na previsão de diferentes estatísticas de movimento relevantes ao projeto do sistema de amarracao de uma FPSO: Máximo ângulo de roll, Máximo Offset do centro de gravidade da plataforma e deslocamentos de seus fairleads. Os meta-modelos são treinados por dados de correntes, ventos e ondas fornecidos em períodos de 3 horas da Bacia de Campos de 2003 a 2010 e a resposta dinâmica associada de uma FPSO do tipo spread-moored obtida por simulação através do software Dynasim. Técnicas de otimização de hiperparâmetros são realizadas para obtenção de arquiteturas de Redes Neurais Artificiais (ANNs) otimizadas para previsão de cada variável de projeto e para diferentes calados da FPSO. Finalmente, mostra-se que os modelos propostos capturam corretamente a dinâmica da plataforma quando comparados com os resultados obtidos pelo Dynasim. Conclui-se que redes neurais podem ser treinadas em dados meteoceânicos reais para previsão adequada de variáveis de projeto em tempo computacional reduzido em comparação com métodos tradicionais baseados em simulação dinâmica. A arquitetura proposta pode ainda ser integrada em um framework de aprendizado automatizado por meio do treinamento contínuo dos modelos conforme novos dados são medidos.