Autoren: Daniel Sandana, Rodolphe Jamo und Roland Palmer-Jones
Diese Website wurde automatisch mit Hilfe von KI übersetzt. Es können Übersetzungsfehler auftreten. Die englische Originalversion unserer Website finden Sie hier.
Autoren: Daniel Sandana, Rodolphe Jamo und Roland Palmer-Jones
Seit über 30 Jahren sammelt ILI Technologies Daten über Pipelines aus aller Welt. Jetzt ist der gesammelte Datenbestand so weit ausgereift, dass er als Grundlage für moderne Lösungen der künstlichen Intelligenz (KI) für Inspektions-, Integritäts- und Risikoanalysen dienen kann. Im zweiten Teil dieser Serie untersuchen die ROSEN ExpertInnen Daniel Sandana, Rodolphe Jamo und Roland Palmer-Jones aus unserem Geschäftsbereich Integrity Solutions verschiedene Aspekte des Integrity Data Warehouse (IDW) und setzen das maschinelle Lernen für das Management der Stresskorrosionsrissbildung (SCC) fort.
In Teil I dieser Serie haben wir das Integrity Data Warehouse (IDW) von ROSEN vorgestellt, ein Datenarchiv, das detaillierte Informationen zum Integritätsmanagement für fast 10.000 Pipelines aus der ganzen Welt enthält (Abbildung 1). Das IDW wird in Kürze Informationen zu den meisten Inspektionen seit dem Jahr 2000 sowie Informationen zu allen neu abgeschlossenen Inspektionen enthalten.
Im ersten Artikel haben wir beschrieben, wie überwachte maschinelle Lerntechniken eingesetzt werden können, um den Zustand nicht inspizierter Pipelines vorherzusagen. Das Konzept wurde anhand des konkreten Falls der Vorhersage externer Korrosion veranschaulicht.
In Teil 2 geht es um ein prädiktives Analyseprojekt, das 2020 für einen großen Betreiber von Pipelines durchgeführt wurde. In diesem Projekt haben wir untersucht, wie ähnliche Techniken auf das noch komplexere Phänomen der Stresskorrosionsrissbildung (SCC) angewendet werden können.
Wie vielen von uns bewusst ist, ist die Identifizierung von SCC mit Rissprüfsystemen allein eine Herausforderung, während Alternativen wie die direkte Bewertung und anfälligkeitsbasierte Methoden [1] mit noch größeren Unsicherheiten verbunden sind [2].
Wie in ROSENs Whitepaper von 2020 zu diesem Thema [3] erörtert, bemüht sich die Branche nach wie vor darum, die verschiedenen Facetten innerhalb des Systems Material-Umwelt-Belastung (Abbildung 2) zu verstehen, die SCC beeinflussen.
Zum Beispiel müssen wir noch schlüssige Zusammenhänge zwischen der mikroskaligen Struktur und Chemie, dem makroskopischen Verhalten einer Legierung und ihrem kombinierten Einfluss auf das Auftreten von SCC herstellen. Das Management von Rissen ist nach wie vor ein komplexes technisches Problem, was zum Teil daran liegt, dass es in diesem Bereich noch immer grundlegende Wissenslücken gibt. Es ist informationsintensiv, hängt stark vom Urteil von ExpertInnen ab und das Auftreten und Wachstumsverhalten von Umweltrissen lässt sich nur schwer modellieren. Unter diesen Umständen lohnt es sich, die Frage zu stellen, ob andere Ansätze zur Lösung des Problems herangezogen werden könnten. Maschinelles Lernen ist ein solcher Ansatz.
Die Pipeline, die für die Studie ausgewählt wurde, war eine Rohölpipeline, bei der im Rahmen von historischen Inline-Inspektionen (ILI) und Feldverifizierungen eine bekannte Gefahr von externem SCC bestand. Aufgrund von Einschränkungen bei der Erkennung von Rissen – unabhängig vom eingesetzten ILI-System – war der Betreiber jedoch besorgt über das Vorhandensein von unentdecktem SCC.
Um die Vorzüge von Datenanalysetechniken für das Rissmanagement zu bewerten, beauftragte der Betreiber ROSEN mit der Durchführung einer sechsmonatigen Pilotstudie zur Vorhersage der wahrscheinlichen Rissstellen in der Pipeline. Das Ergebnis der Studie war ein Vorhersagemodell, das die Wahrscheinlichkeit des Auftretens von Rissen pro Rohrverbindung auf der Grundlage der Eigenschaften der Pipeline und der lokalen Umgebung schätzte. Ziel war es, Risse zu finden, die von den eingesetzten ILI-Systemen möglicherweise nicht erkannt wurden, sei es aufgrund der Art, Morphologie und Größe der Risse oder aufgrund ihrer Lage innerhalb der Pipeline. Ein Modell wurde (über überwachtes maschinelles Lernen) mit einer Kombination aus Daten, die für die Zielpipeline spezifisch sind (Informationen zu Design/Konstruktion, Umgebung, Betrieb, kathodischem Schutz [CP], ILI und Feldverifizierung), zusätzlich zu Informationen aus dem IDW von ROSEN trainiert. Der endgültige Datensatz umfasste über 50 Variablen, die alle für die Physik von SCC relevant sind und mehr als 25.000 Rohrverbindungen der Pipeline beschreiben.
Ein Beispiel für die Modellausgaben (vorhergesagte Wahrscheinlichkeit des Auftretens von SCC) für einen der Abschnitte der Pipeline ist in Abbildung 3 dargestellt. Jeder Punkt stellt eine einzigartige Rohrverbindung dar und ist entsprechend der entsprechenden Wahrscheinlichkeit farbig gekennzeichnet. Punkte mit höherer Wahrscheinlichkeit sind zur besseren Übersichtlichkeit auch größer dargestellt.
Ein detailliertes Wahrscheinlichkeitsprofil wie dieses wirft eine ganz natürliche Frage auf: Werden wir Risse finden, wenn wir in einem der Bereiche mit höherer Wahrscheinlichkeit (gelb) graben? Obwohl die Kreuzvalidierung auf eine vielversprechende Modellleistung hindeutet, können solche Fragen nur mit zukünftigen Feldverifizierungsdaten beantwortet werden.
Dennoch sollte an dieser Stelle näher darauf eingegangen werden, inwieweit solche Techniken in der Lage sind, Modelle zu erstellen, die die physikalische Natur komplexer Prozesse und Mechanismen wie SCC „berücksichtigen“. Dieser Punkt wird durch Abbildung 4 bestätigt, die den Beitrag der 10 einflussreichsten Variablen im SCC-Modell zeigt. Es ist wichtig zu beachten, dass diese 10 wichtigsten Variablen durch das maschinelle Lernmodell identifiziert wurden, ohne dass sie durch Expertenmeinungen vorab identifiziert oder in irgendeiner Weise vorab gewichtet wurden. Die Daten allein zeigen uns, dass diese Variablen wichtig sind.
Intuitiv gesehen entsprechen die aufgeführten Variablen dem oben erwähnten Material-Umwelt-Stress-Rahmen, der für SCC erforderlich ist, was dem Modell eine gewisse Glaubwürdigkeit verleiht.
Eine Variable verdient besondere Aufmerksamkeit: der IDW-Anfälligkeitsscore. Was war diese Variable und welche Rolle spielte der IDW bei der Vorhersage von SCC in der Zielpipeline? Auf den ersten Blick scheint der Aspekt der Materialien in Abbildung 4 unterrepräsentiert zu sein, da keine expliziten materialbezogenen Parameter unter den Top-10-Variablen erscheinen. In der Praxis ist dies eine häufige Beobachtung bei SCC-Vorhersagemodellen, da die relevantesten Parameter (Mikrostrukturen, chemische Zusammensetzungen usw.) selten über die gesamte Länge einer Pipeline zugänglich sind. Die Standardstrategie besteht darin, Proxy-Variablen wie Nennweite, Hersteller und Schmelznummern zu verwenden. Aufgrund mangelnder Granularität und Zuverlässigkeit (insbesondere bei älteren Systemen) vermitteln diese Variablen jedoch in der Regel nicht so viele Informationen. Im vorliegenden Fall wurde ein großer Teil der Zielpipeline mit API 5L Nennweite X60 (mit einigen kleineren Abschnitten von X52, X42, TSE 360 usw.) gebaut, mit überwiegend unterpulvergeschweißten (UP) Nähten und einer geringeren Anzahl von elektrisch widerstandsgeschweißten (ERW) Nähten. Sofern Risse nicht speziell in Minderheitengruppen identifiziert werden (was hier nicht der Fall ist), ist es unwahrscheinlich, dass Variablen wie Nennweite und Schweißnahttyp eine signifikante Vorhersagekraft haben.
Dieses Problem wird bis zu einem gewissen Grad mit dem IDW-Anfälligkeitsscore angegangen. Der Score wurde aus Beobachtungen von mehreren hundert Inspektionen von Rissen abgeleitet, die im IDW dargestellt sind. Die Idee besteht darin, aus Trends in der Beziehung zwischen Konstruktions- und Konstruktionsmerkmalen (wie Nennweite, Schweißnahttyp und Beschichtungstyp) und dem Zustand der Pipelines zu lernen. Diese Trends können dann in einem Vorhersagemodell formalisiert und im IDW-Anfälligkeitsscore zusammengefasst werden.
Da die Trends aus einer viel größeren und vielfältigeren Stichprobe von Pipelines abgeleitet werden, erweist sich der Score als zuverlässiger Prädiktor für das Vorhandensein (oder Nichtvorhandensein) von SCC (daher seine Position als fünftwichtigste Variable im Modell). Es scheint glaubwürdig, dass der IDW-Anfälligkeitsscore einen teilweisen Ersatz für Materialaspekte bietet, die nicht direkt berücksichtigt werden können.
Die im IDW verfügbaren Daten werden weiter wachsen – und damit auch die Möglichkeit, den Zustand von Pipelines vorherzusagen und, noch besser, wirksame Maßnahmen zur Schadensbegrenzung zu ermitteln. Die Stärke liegt sowohl in der Tiefe und Breite der Datenbank als auch in der Qualität der Informationen.
Die Tiefe der Datenbank kann schnell erhöht werden, indem Daten aus vergangenen und zukünftigen Inspektionen auf Metallverlust, Risse, Verformungen, Materialeigenschaften usw. hinzugefügt werden. Die Breite der Datenbank wird zunehmen, wenn wir verschiedene Inspection Technologies berücksichtigen, darunter neuere Technologien wie den Rohrsensor und die axiale Spannungsmessung. Die Breite wird auch zunehmen, wenn wir die Ergebnisse der Feldverifizierung und der Labortests hinzufügen. Diese zusätzlichen Messungen (die zwar viel begrenzter sind als ILI) bieten umfangreiche zusätzliche Ebenen, die unser Verständnis und die Modellierung der vielen Einflussfaktoren unterstützen können.
So wie die relativ einfachen, aber umfangreichen Daten zu Rissen aus dem IDW dazu beigetragen haben, die Lage der Risse in diesem speziellen Fall vorherzusagen, wird die Hinzufügung umfangreicher Informationen über Materialfestigkeit, axiale Spannung und Beschichtungszustand sowie die unzähligen Informationen, die bei der Überprüfung im Graben über Bodentypen, Stahlmikrostruktur und Rissmorphologie verfügbar sind, unsere Fähigkeit verbessern, die Industrie bei der Bewältigung selbst der komplexesten Risiken zu unterstützen und anzuleiten.
Was auch in diesem relativ frühen Stadium klar ist, ist, dass die Qualität der Informationen auch einen großen Einfluss auf die Leistungsfähigkeit des IDW hat. Gute Datenqualität beruht in erster Linie auf der anfänglichen Erfassung und Auswertung der Daten, und danach muss bei der Extraktion der Informationen aus Auflistungen, Feldberichten und Laboruntersuchungen große Sorgfalt walten, um Konsistenz und Relevanz zu gewährleisten.
Der Umfang dieser Maßnahme im Bereich des Data Engineering darf nicht unterschätzt werden, aber wie wir an den Beispielen der Vorhersage von Korrosion in nicht inspizierten Pipelines oder der Vorhersage des Vorhandenseins von SCC in einer bestimmten Pipeline sehen können, kann der Wert für die Branche immens sein.