Advanced Data Driven Framework for Prediction of Fatigue Crack Behaviour of Materials for Liquefied Gas Tanks considering Multiple Influencing Factors = 액화가스 탱크용 재료의 피로균열 거동 예측 고도화에 대한 연구: 다중 영향 인자 고려 데이터 기반 프레임워크

국문 초록 (Abstract)

전 지구적인 탄소 감축 목표를 달성하기 위해 국제해사기구(IMO)는 해양 및 해양플랜트 공학 시스템에 대해 더욱 엄격한 배출 규제를 시행하고 있다. 주요 대응 전략으로는 액화천연가스(LNG), 암모니아, 수소와 같은 청정 연료의 사용과 이산화탄소 포집·저장(CCS) 기술의 적용이 포함된다. 이러한 방식은 액화 가스의 저장 및 운송 과정에서 극저온 환경에서의 운용을 요구하므로, 액화 가스 운반선의 구조적 건전성과 신뢰성을 확보하는 것이 매우 중요하다. 한편, 해양 구조물은 파랑에 의한 반복 하중을 지속적으로 받게 되며, 그 결과 시간이 지남에 따라 피로 손상이 누적된다. 특히 용접부는 기하학적 불연속, 재료 이질성 및 잔류응력으로 인해 균열 발생과 전파가 가장 취약하게 나타나는 영역이다.
따라서 극저온 조건에서 운용되는 액화 가스 운반선의 용접부에서 발생하는 피로 균열 성장 및 파괴 거동을 규명하는 것은 구조 신뢰성 평가에 필수적이다. 그러나 실험 조건과 실제 운항 환경 사이에는 상당한 차이가 존재하므로, 실험 데이터를 실제 공학 평가에 직접 적용하는 데에는 정확성과 신뢰성의 한계가 따른다. 이를 해결하기 위해 본 연구는 데이터 기반 분석 및 최적화 기법을 활용하여 실험 데이터를 보정·처리함으로써 얻어진 결과를 실제 운용 조건으로 신뢰성 있게 외삽할 수 있도록 한다. 또한, 다양한 하중 및 환경 조건에서 균열 성장 및 파괴 특성을 예측하기 위한 예측 프레임워크를 제안한다.
본 연구에서 제안된 접근법은 온도, 하중비, 잔류응력, 응력 구속 효과를 종합적으로 고려하고, 이론 해석식, 유한요소해석(FEM), 물리정보 신경망(PINN)을 통합하여 피로 균열 거동을 규명하고 예측한다. 기존 평가 방법과 비교할 때, 본 연구는 용접 구조물의 복잡한 피로 균열 성장 및 파괴 거동을 더욱 포괄적으로 반영할 수 있으며, 계산 효율 향상, 예측 정확도 향상, 보수성 감소 등의 장점을 가진다.
결론적으로, 본 연구는 극저온 환경에서 운용되는 액화 가스 운반선 재료의 피로 균열 거동을 분석하고 예측하기 위한 고도화된 데이터 기반 방법론을 제시하며, 극한 환경에서 운용되는 해양 구조물의 설계 및 수명 평가를 위한 견고한 이론적·기술적 기반을 제공한다.

다국어 초록 (Multilingual Abstract)

To achieve global carbon reduction goals, the International Maritime Organization (IMO) has implemented stringent emission regulations for marine and offshore engineering systems. The main strategies include the use of clean fuels such as liquefied natural gas (LNG), ammonia, and hydrogen, as well as the adoption of carbon capture and storage (CCS) technologies. Both approaches require operation under cryogenic conditions for the storage and transportation of liquefied gases, making the structural integrity and reliability of liquefied gas vessels a critical concern. Meanwhile, marine structures are continuously subjected to cyclic wave-induced loads, which cause progressive fatigue damage over time. Fatigue cracks are inevitably generated and propagated within structures, particularly at welded joints, which are the most vulnerable regions due to geometric discontinuities, material heterogeneity, and residual stresses.
Therefore, investigating the fatigue crack growth and fracture behaviour at welded regions is essential for evaluating the reliability of liquefied gas vessels operating at low temperatures. However, significant discrepancies exist between laboratory conditions and actual service environments, which limit the accuracy and reliability of directly applying experimental data in practical engineering assessments. To address this challenge, this study employs advanced data-driven analysis and optimisation techniques to process and correct data, enabling reliable extrapolation of laboratory results to real operating conditions. Furthermore, a predictive framework is proposed to estimate crack growth and fracture characteristics of materials under various practical loading and environmental conditions.
The proposed approach comprehensively considers temperature, load ratio, residual stress, and stress constraint effects, and integrates theoretical analytical formulations, finite element simulations (FEM), and Physics-Informed Neural Networks (PINN) to investigate and predict fatigue crack behaviour. Compared with conventional assessment methods, the present study provides a more comprehensive representation of the complex fatigue crack growth and fracture behaviour in welded structures, while achieving improved computational efficiency, enhanced predictive accuracy, and reduced conservatism.
In conclusion, this research presents an advanced and reliable data-driven methodology for analysing and predicting the fatigue crack behaviour of materials in liquefied gas vessels under cryogenic conditions, providing a robust theoretical and technical basis for the design and life assessment of marine structures operating under extreme environments.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1. Research Background 1
• 1.2. Problem statement 13
• 1.3. Research objectives 15
• Chapter 2. Literature Review 16
• 2.1. Introduction 16
• 2.2. Existing method for study FCGR 17
• 2.2.1. Crack closure effect 18
• 2.2.2. Residual stress effect 19
• 2.2.3. Normalised SIF 24
• 2.3. Data-driven approach in FCGR 25
• 2.3.1. Bayesian method 25
• 2.3.2. Physics-informed neural network (PINN) 26
• 2.4. FEM-based fracture simulation 27
• 2.4.1. Stress-modified fracture strain 29
• 2.4.2. Residual stress in fracture toughness test 31
• 2.5. Summary 34
• Chapter 3. Methodology 36
• 3.1. Introduction 36
• 3.2. Fatigue crack growth rate study 38
• 3.2.1. Paris law 38
• 3.2.2. Effective stress intensity factor range 40
• 3.2.3. Residual stress induced SIF 55
• 3.2.4. Normalised stress intensity factor 67
• 3.2.5. Design Curve 68
• 3.3. Bayesian-based predictive model 69
• 3.3.1. Bayesian theory 70
• 3.3.2. Physical information on crack growth 72
• 3.3.3. Model 1: Gaussian Process (GP) model 74
• 3.3.4. Model 2: Gaussian Process w/ Physics–Informed term (GP-P-T) model 75
• 3.3.5. Model 3: Physics-Informed model with GP Residuals (PI-GPR) 77
• 3.3.6. Model 4: PIBNN model 79
• 3.3.7. Bayesian-based design curve 82
• 3.4. Fracture toughness simulation 84
• 3.4.1. Stress-strain relationship 86
• 3.4.2. Modified fracture strain (SMFS) 88
• 3.4.3. Material in HAZ specimen 92
• 3.4.4. Residual stress effect 97
• 3.4.5. Finite element modelling 99
• 3.5. Test introduction 103
• 3.5.1. Test facilities 103
• 3.5.2. Fatigue crack growth rate test 105
• 3.5.3. Fracture toughness test 106
• 3.6. Conclusions 107
• Chapter 4. Method validation 109
• 4.1. Introduction 109
• 4.2. Validation of the FCGR study method 109
• 4.2.1. Crack closure in 9% Ni steel 109
• 4.2.2. Residual stress in FH36 steel and 9% Ni steel 116
• 4.3. Validation of the Bayesian predictive model 125
• 4.3.1. Training and validation of the model 125
• 4.3.2. Comparison between different models 129
• 4.3.3. Design curve for 9% Ni steel 132
• 4.4. Fracture toughness simulation method validation 135
• 4.4.1. Fracture toughness test specimen 135
• 4.4.2. Tensile test simulation 137
• 4.4.3. Validation of the method for determining material parameters 139
• 4.5. Conclusions 143
• Chapter 5. Applied examples 146
• 5.1. Introduction 146
• 5.2. FCGR prediction for specimens with different orientations 146
• 5.2.1. Crack closure for based and HAZ specimen 148
• 5.2.2. Residual stress for T-S and T-L specimen 156
• 5.2.3. Prediction FCGR using PIBNN 168
• 5.3. HAZ specimen FEM-based fracture simulation 183
• 5.3.1. Room temp. HAZ specimen simulation 183
• 5.3.2. Low temp. HAZ specimen simulation (–60℃) 189
• 5.3.3. HAZ specimen fracture toughness. 191
• 5.4. Estimated time required for investigating a new material 195
• 5.5. Conclusions 197
• Chapter 6. Summary 199
• 6.1. Conclusions 199
• 6.2. Limitations and recommendations 202
• Bibliography 204
• 초 록 217