Autor: Stephan Eule
Wie KI die Rissprüfung verbessert
Kurz gesagt:
Die Inspektionstechnik liefert heute detailliertere Rohrleitungsdaten als je zuvor. Dennoch bleibt die Risserkennung einer der anspruchsvollsten Bereiche der Rohrleitungsintegrität, und die Auswertung komplexer Signale erfordert erfahrene Analysten.
Da die Datensätze immer größer und die Inspektionssignale immer komplexer werden, erfordert die effiziente Analyse der Daten unter Wahrung der Konsistenz umfangreiches Fachwissen, Konzentration und Aufmerksamkeit.
In diesem Artikel untersucht unser Fachexperte Stephan Eule, wie künstliche Intelligenz (KI) die Risserkennung verbessert, indem sie Analysten dabei unterstützt, ihr Fachwissen auf die wichtigsten Signale zu konzentrieren, was eine konsistentere Analyse und fundierte Entscheidungen zur Integrität ermöglicht.
Risserkennung: Ein auf Fakten basierendes Fachgebiet
In Kundengesprächen höre ich oft eine einfache Frage: Wenn moderne Prüfverfahren mehr Daten als je zuvor erfassen, warum erfordert die Rissanalyse dann immer noch so viel Fachwissen? Die Antwort liegt im Signal selbst und darin, wie sorgfältig Technologie, Befunde vor Ort und ingenieurtechnisches Urteilsvermögen miteinander kombiniert werden müssen.
Die Risserkennung ist einer der anspruchsvollsten Bereiche der Rohrleitungsintegrität. Spannungskorrosionsrisse, Ermüdungsrisse und Anomalien an Schweißnähten sind flächig, schmal und treten oft gebündelt auf. Daher unterscheiden sie sich sowohl hinsichtlich ihrer Versagensmechanismen als auch in der Art und Weise, wie sie auf Inspektionstechnologien reagieren, grundlegend von Metallverlusten. Dies führt zu charakteristischen Inspektionssignalen, die eine fachliche Interpretation erfordern. Eine zuverlässige Interpretation ist das Ergebnis jahrzehntelanger Werkzeugentwicklung, strukturierter Überprüfungen vor Ort und des gesammelten Fachwissens der Analysten. Heute führt die Branche diese Arbeit auf hohem Niveau durch, und die Betreiber nutzen die Ergebnisse täglich, um kritische Entscheidungen zur Integrität zu treffen.
Die EMAT-Technologie (Electromagnetic Acoustic Transducer) ist ein führendes Verfahren der Inline-Inspektion (ILI) zur Erkennung von Rissen in Gasleitungen. Durch die Erzeugung geführter Ultraschallwellen direkt in der Rohrwand mittels elektromagnetischer Kopplung kommt sie ohne flüssiges Kopplungsmittel aus und kann unter Betriebsbedingungen eingesetzt werden, die herkömmliche Ultraschall-Risserkennungsgeräte nicht unterstützen. Eine Ultraschalltechnologie wie EMAT, die akustische Reflexionen von einer ebenen Anomalie erzeugt, wird gegenüber anderen Technologien bevorzugt, die häufig zur Erkennung von Materialverlusten eingesetzt werden und sich auf die volumetrischen Eigenschaften der zu untersuchenden Anomalie stützen.
In den letzten zehn Jahren hat sich die EMAT-Hardware erheblich verbessert, wobei jede neue Gerätegeneration mehr Kanäle, eine dichtere Abtastung und eine bessere Signalqualität bietet. Dadurch liefert jede Inspektion ein detaillierteres Bild des Rohrs als zuvor. Der Wert dieses Fortschritts liegt darin, diese zusätzlichen Informationen in verlässliche Entscheidungen zur Rohrintegrität umzusetzen, und genau hier leistet maschinelles Lernen nun seinen unmittelbarsten Beitrag.
Warum die EMAT-Analyse Fachwissen erfordert
Ein Prüfer, der die Wanddicken-Ultraschallprüfung einsetzt, misst die Geometrie nahezu direkt. Die Magnetflussleckageprüfung (MFL) erfordert eine intensivere Auswertung, obwohl der Zusammenhang zwischen Flusssignalen und der Geometrie des Metallverlusts durch jahrzehntelange Zugversuche gut belegt ist.
Bei der EMAT-Prüfung verhält es sich anders. Die Prüfer leiten die Tiefe nicht direkt aus dem Signal ab. Sie werten das Verhalten der geführten Wellen aus, einschließlich der Reflexionen an Strukturen, der durchgelassenen Amplitude, der Dämpfung und der Art und Weise, wie sich diese Muster über benachbarte Kanäle hinweg und entlang der Rohrachse verändern.
Hier ist das Fachurteil unerlässlich, da mehrere unabhängige Oberflächenbedingungen ähnliche Reflexionen erzeugen können. Risskolonien, Frässpuren, Oberflächenrauheit, allgemeine Korrosion und das Abheben des Sensors über einer Delle können das Signal auf vergleichbare Weise beeinflussen. Die Unterscheidung zwischen ihnen hängt vom Kontext, der Bauweise und der Betriebsgeschichte der Leitung sowie von der Mustererkennung ab, die durch jahrelange Arbeit mit ähnlichen Datensätzen aufgebaut wurde. Dieses Fachwissen ist ein zentraler Vorteil eines Risserkennungsdienstes.
Die Bestimmung von Tiefe und Länge der identifizierten Risse legt die Messlatte noch höher. Während die Erkennung eines Risses und seine Zuordnung zu einer Tiefenkategorie bereits eine Herausforderung darstellt, erfordert die Abschätzung seiner tatsächlichen Tiefe ein weitaus höheres Maß an Präzision und Sicherheit. Eine kontinuierliche Tiefenschätzung erfordert stichhaltigere Belege, da sie innerhalb einer festgelegten Toleranz für Merkmale bleiben muss, deren Signalantwort je nach Ausrichtung, Dichtheit und Morphologie variiert. Das Erreichen dieses Niveaus bei der Berichterstattung spiegelt die Reife des Fachgebiets wider.
Festgelegte Qualifizierungsverfahren, Abnahmekriterien und strukturierte Überprüfungen sorgen dafür, dass die gemeldeten Ergebnisse einem hohen, überprüfbaren Standard entsprechen. Dennoch bleiben gewisse interpretatorische Abweichungen bestehen, da zwei qualifizierte Analysten dasselbe mehrdeutige Signal möglicherweise leicht unterschiedlich bewerten. Diese Unterschiede sind gering und konservativ. Die weitere Verringerung dieser Abweichungen ist einer der deutlichsten Wege, auf denen maschinelles Lernen den Dienst stärkt.
Bessere Sensoren liefern aussagekräftigere Daten
Die verbesserte Sensorauflösung ist ein echter Fortschritt. Durch eine dichtere Abtastung werden kleinere und schwächere Anzeichen sichtbar, wodurch sich der Umfang der Inspektionsergebnisse erweitert und die Betreiber frühzeitig Einblick in sich entwickelnde Merkmale in der Rohrleitung erhalten. Zudem liefert jedes Signal detailliertere Diagnoseinformationen, wodurch die Unterscheidung zwischen Risskolonien und harmlosen Reflexionen zuverlässiger als zuvor möglich ist.
Gleichzeitig führt der umfangreichere Datensatz zu einer höheren Anzahl an Entscheidungen, die während der Analyse getroffen werden müssen. Mehr potenzielle Signale pro Kilometer führen zu mehr Beurteilungen, die alle um die Aufmerksamkeit derselben Gruppe von Fachanalysten konkurrieren.
Das Fachwissen der Analysten bleibt der wertvollste Beitrag in der Wertschöpfungskette der Risserkennung. Dieses Fachwissen sollte dort konzentriert werden, wo es das Ergebnis beeinflussen kann, anstatt einheitlich auf jedes potenzielle Signal angewendet zu werden. Maschinelles Lernen ermöglicht diesen gezielten Einsatz in dem Umfang, wie ihn moderne Inspektionswerkzeuge erzeugen. Mit der Verbesserung der Sensoren gewinnt diese Fähigkeit zunehmend an Wert.
Das Streben nach Qualität, das durch eine höhere Datendichte und ein größeres Datenvolumen ermöglicht wird, geht stets Hand in Hand mit dem Bedürfnis nach Effizienz und Konsistenz. Nur ein effizienter und konsistenter Analyseprozess kann das gewünschte Qualitätsniveau erreichen, ohne durch unnötige und zeitaufwändige Vorsicht behindert zu werden.
Was KI in diesem Zusammenhang eigentlich bedeutet
KI ist zu einem der meistdiskutierten Themen in unserer Branche geworden, wird aber auch am häufigsten missverstanden. Wenn ich mit Kunden über KI spreche, kann ich ihre Zurückhaltung gut nachvollziehen. In einem sicherheitskritischen Umfeld sind Fragen nach Vertrauen, Validierung und menschlicher Aufsicht völlig berechtigt. Die folgenden vier Missverständnisse führen häufig zu Vorbehalten gegenüber dem Einsatz von KI.
Missverständnis 1: KI bedeutet vollständige Automatisierung. In der Praxis fungiert das Modell als Assistent, der gemeinsam mit dem Analysten denselben Datensatz auswertet: Es macht auf relevante Signale aufmerksam und hilft bei der Bearbeitung von Routinefällen. Die Mammografie-Screening-Untersuchung liefert hierfür eine nützliche Analogie. Ein trainiertes Modell kann als zweiter Befunder dienen, während der Radiologe weiterhin die Verantwortung für die Diagnose trägt. Das Ziel besteht darin, Fehldiagnosen und die Befundungszeit zu reduzieren, ohne die klinische Verantwortung auf das Modell zu übertragen.
Missverständnis 2: KI muss eine „Black Box“ sein. Ein Modell, das anhand verifizierter Felddaten trainiert, anhand separater Inspektionen validiert und mit kalibriertem Konfidenzniveau bereitgestellt wird, kann als Messsystem mit festgelegter Leistungsfähigkeit unter definierten Bedingungen betrachtet werden. Transparenz entsteht hier durch Belege, Rückverfolgbarkeit und Validierungsprotokolle – nicht dadurch, dass jedes Detail der Modellarchitektur offengelegt wird.
Missverständnis 3: Ein großes Allzweckmodell kann das Problem lösen. Solche Modelle verfügen über kein nützliches Vorwissen zur Physik der geführten Wellen in Rohrleitungen aus Kohlenstoffstahl. Wirksame Modelle für diesen Bereich müssen die Physik der Messung widerspiegeln und anhand von Daten der jeweiligen Werkzeuggenerationen trainiert werden.
Missverständnis 4: Ein trainiertes Modell ist fertig. Die Hardware der Tools entwickelt sich weiter, die Datenbestände in den Pipelines ändern sich und die Analyseverfahren werden ausgereifter. Das Lebenszyklusmanagement muss daher Teil des Produkts sein und darf nicht auf das ursprüngliche Entwicklungsprojekt beschränkt bleiben. Die Behandlung von Modellen als zu pflegende Ressourcen ist unerlässlich, um die Leistung über Jahre hinweg stabil zu halten.
Wo KI den größten Mehrwert schafft
Die Frage ist nicht, ob KI die Rissbewertung unterstützen kann, sondern wo sie den größten praktischen Nutzen bringt. Am wertvollsten sind jene Anwendungen, die Analysten dabei helfen, effizienter zu arbeiten, ihr Fachwissen einheitlicher anzuwenden und fundiertere Entscheidungen zu treffen. Wenn man den erzielten Nutzen gegen das Implementierungsrisiko abwägt, stechen vier Anwendungen besonders hervor.
- Bei der Triage werden potenzielle Indikationen nach der Wahrscheinlichkeit priorisiert, dass es sich um meldepflichtige rissartige Merkmale handelt. Der Analyst prüft dennoch die gesamte Population. Die Rangfolge bestimmt, welche Signale zuerst berücksichtigt werden und wie effizient die übrigen Fälle abgearbeitet werden.
- Die Unterscheidung harmloser Signale bietet den größten Einzelgewinn an Effizienz. Ablösungen der Beschichtung, Fräsmerkmale, Fremdkörper und Änderungen der Wandstärke erzeugen viele Signale, die für die Integrität nicht relevant sind. Durch die Vorabklassifizierung dieser Fälle wird den Experten Zeit für Merkmale freigesetzt, die tatsächliche Auswirkungen auf die Integrität haben.
- Konsistenz entsteht dadurch, dass bei jedem Durchlauf – vom ersten bis zum vierhundertsten – dieselben Kriterien angewendet werden. Das Modell dient als Kontrollinstrument für die Ergebnisse der Analysten und hebt Unstimmigkeiten zur Überprüfung hervor, während die Entscheidungsgewalt weiterhin bei den Analysten liegt.
- Modelle zur Größenbestimmung erhöhen die Zuverlässigkeit der gemeldeten Tiefenangaben. Sie wurden anhand streng kontrollierter Labormessungen trainiert, liefern Tiefenschätzungen für einzelne EMAT-Messungen und bieten Datenanalysten eine solidere Grundlage für ihre Entscheidungsfindung.
Keine dieser Anwendungen ersetzt menschliche Entscheidungen. Sie lenken die Aufmerksamkeit des Menschen auf die Entscheidungen, bei denen Fachwissen am wichtigsten ist.
Modelle hängen von den ihnen zugrunde liegenden Daten ab
Die Qualität der Labels und die Datenabdeckung sind entscheidend für Machine-Learning-Modelle, die mit ILI-Daten verwendet werden. Sie unterscheiden Modelle, die in der Praxis zuverlässig funktionieren, von solchen, die nur in kontrollierten Studien funktionieren.
Eine Analysteneinschätzung ist ein Expertenurteil, keine „Ground Truth“. Ein Modell, das ausschließlich auf der Grundlage von Analysteneinschätzungen trainiert wurde, wird den aktuellen Arbeitsablauf reproduzieren – einschließlich seiner Abweichungen und blinden Flecken. Die aussagekräftigste Kennzeichnung ist das verifizierte Ergebnis vor Ort: das Ausgrabungsergebnis, die NDE-Messung im Graben und, sofern verfügbar, der geborgene Rohrabschnitt mit Rissmorphologien, die mithilfe von Röntgen-Computertomographie-Scans (XCT) dreidimensional rekonstruiert wurden.
Der größte Mehrwert entsteht durch die Verknüpfung von drei Elementen: dem rohen Inspektionssignal, der darauf basierenden Interpretation durch den Analysten und dem darauf folgenden, verifizierten Ergebnis vor Ort. Jedes dieser Elemente kann zwar separat erfasst werden, doch die Aufrechterhaltung einer rückverfolgbaren Verbindung über Jahrzehnte hinweg bei Inspektionskampagnen und aufeinanderfolgenden Werkzeuggenerationen erfordert nachhaltige Investitionen. ROSEN hat diese Grundlage durch jahrzehntelange Inspektions- und Verifizierungsarbeiten an einem breiten Spektrum von Rohrleitungen geschaffen. Dies ermöglicht die Entwicklung von Modellen mit festgelegter Leistungsfähigkeit, die nicht lediglich auf vielversprechenden Demonstrationen beruhen.
Kunden fragen oft, wie viele Daten benötigt werden. Die Antwort lautet in der Regel „mehr“, doch die bessere Frage ist, ob die Daten die Bedingungen abdecken, die das Modell bewältigen muss: Rohrqualitäten und Baujahre, Wanddickenbereiche, Nahtarten, geografische Regionen, Durchmesser und andere relevante Variablen. Diese Bandbreite ermöglicht es, ein Modell für eine Population zu qualifizieren, mit der es tatsächlich schon in Berührung gekommen ist, und sie lässt sich nur durch jahrelange, vielfältige Praxiserfahrung aufbauen.
KI entwickeln, die Vertrauen schafft
Der Einsatz von KI in einer sicherheitskritischen Umgebung erfordert mehr, als ein Forschungsprototyp bieten kann. Fünf Anforderungen definieren den technischen Standard.
Die Leistungsfähigkeit ist in branchenüblichen Begriffen anzugeben. Die Norm API 1163 legt fest, wie die Leistungsfähigkeit von Inline-Prüfsystemen angegeben und validiert wird, und diese Verpflichtung gilt auch für alle Komponenten solcher Systeme, die auf maschinellem Lernen basieren. Die Erkennungswahrscheinlichkeit, die Identifizierungswahrscheinlichkeit, die Toleranz bei der Größenbestimmung und die Falschalarmrate sollten auf einem festgelegten Konfidenzniveau für eine definierte Merkmalspopulation angegeben werden.
Berücksichtige Korrelationen in den Validierungsdaten. Signale aus derselben Pipeline, demselben Gelenk oder demselben Prüfdurchlauf stehen in engem Zusammenhang, sodass zufällige Aufteilungen in Trainings- und Testdaten die Genauigkeit überbewerten können. Durch die Trennung der Daten nach Pipeline und Kampagne sowie die unveränderte Beibehaltung des zurückbehaltenen Testdatensatzes während der Entwicklung lassen sich Leistungswerte erzielen, auf die sich die Bediener verlassen können.
Unsicherheit einkalkulieren. Ein Modell, das seine Grenzen erkennt, ist nützlicher als eines, das jeden Fall mit derselben Sicherheit beantwortet. Konforme Vorhersagen können unter festgelegten Annahmen Abdeckungsgarantien bieten und es einem Modell ermöglichen, sich der Entscheidung zu enthalten. Bei einem sicherheitskritischen Dienst ist es das richtige Vorgehen, schwierige Fälle an einen Menschen weiterzuleiten.
Überwache die Leistung kontinuierlich. Die Überwachung sollte sowohl die Eingabedaten als auch die gemeldeten Ergebnisse umfassen. Abweichungen von der qualifizierten Population werden so frühzeitig erkennbar, sodass die Leistung während der gesamten Bereitstellung aktiv gesteuert werden kann.
Trennung der Zuständigkeiten durch Governance. Das Team, das ein Modell entwickelt, sollte von dem Team getrennt sein, das es validiert. Die Versionskontrolle muss Code, Modelle, Trainingsdaten und Validierungsnachweise umfassen, und jeder gemeldete Aufruf sollte auf eine Modellversion und einen namentlich genannten menschlichen Prüfer zurückverfolgbar sein. Das Nachtrainieren erfordert dieselbe Disziplin bei der Änderungskontrolle wie eine Hardware-Modifikation.
Zuverlässige KI für die Integrität von Rohrleitungen
In vielen Bereichen wird der Begriff „vertrauenswürdige KI“ als Oberbegriff für Robustheit, Unsicherheitsquantifizierung, Erklärbarkeit, Fairness und Governance verwendet. Im Bereich der Pipeline-Integrität muss er jedoch in praktischeren und überprüfbaren Begriffen definiert werden.
Ein vertrauenswürdiges Modell gibt seine Fähigkeiten klar an, definiert die Population, für deren Bewertung es qualifiziert ist, quantifiziert das Konfidenzniveau für jeden Einzelfall, lehnt Eingaben außerhalb seines qualifizierten Anwendungsbereichs ab und hinterlässt einen Prüfpfad, der es einem Integritätsingenieur ermöglicht, die Entscheidung gegenüber einer Aufsichtsbehörde zu begründen.
Schlussfolgerungen über verschiedene Inspektionstechnologien hinweg
Die Auswertung einer einzelnen Prüfverfahren hängt von einer überschaubaren Reihe von Signalmerkmalen ab, die ein erfahrener Analytiker gemeinsam beurteilen kann. Die Auswertung mehrerer Verfahren in Kombination ist weitaus komplexer.
Betrachten wir eine EMAT-Anzeige, bei der der Geometriekanal eine Delle anzeigt, MFL einen damit zusammenfallenden Metallverlust identifiziert und drei frühere Prüfungen ihre eigenen Informationen beisteuern. Jede Beobachtung beeinflusst die Interpretation der anderen. Die Delle kann die EMAT-Antwort durch das Abheben des Sensors und lokale Dehnung beeinflussen, während sich das kombinierte Muster einer Delle mit Metallverlust und Rissen an ihrer Basis von jedem dieser Merkmale unterscheidet, wenn es isoliert betrachtet wird.
Solche Kombinationen sind zahlreich, einzeln betrachtet selten und werden in Regelwerken kaum erfasst, was explizite Regelsätze unpraktisch macht. Genau hier kommt maschinelles Lernen zum Einsatz: Ein Modell kann Interaktionsmuster aus Beispielen lernen, anstatt dass jeder mögliche Fall im Voraus definiert werden muss.
Betreiber, die dieselbe Leitung bereits mit mehreren Technologien inspiziert haben, verfügen bereits über einen Großteil dieser Daten. Frühere Anwendungen beschleunigen etablierte Arbeitsabläufe und sorgen für mehr Konsistenz; diese Anwendung ermöglicht eine Bewertung, die kein Analyst manuell im Maßstab der gesamten Pipeline durchführen könnte.
Festlegung der Standards
Die nächste Herausforderung liegt nicht in der Technologie selbst. Es gilt vielmehr sicherzustellen, dass KI so eingeführt wird, dass das hohe Maß an Vertrauen, Rückverfolgbarkeit und technischer Sorgfalt gewahrt bleibt, das im Bereich der Pipeline-Integrität erwartet wird. Angesichts der zunehmenden Verbreitung hat die Branche nun die Chance, gemeinsame Standards zu etablieren, bevor es zu einer Zersplitterung der Vorgehensweisen kommt.
Mehrere Bereiche sollten bereits jetzt angegangen werden. Systeme, die aus Daten lernen, benötigen einen gemeinsamen Qualifizierungsrahmen, einschließlich Mindestanforderungen für Validierungsdatensätze. In Inspektionsberichten sollte die verwendete Modellversion angegeben werden; für das erneute Training sollten klar definierte Auslöser für eine erneute Qualifizierung festgelegt werden; die Leistung sollte für den kombinierten Arbeitsablauf aus Analyst und Modell und nicht nur für das Modell allein bewertet werden; und die Datenherkunft sowie die Rückverfolgbarkeit von Kennzeichnungen sollten Standardanforderungen sein.
Um dieses Ziel zu erreichen, ist eine branchenweite Zusammenarbeit erforderlich. ROSEN beabsichtigt, einen aktiven Beitrag zu leisten, indem das Unternehmen Praxiserfahrungen, Inspektionsfachwissen und praktische Erfahrungen aus der Umsetzung in die Diskussion einbringt.
Die sich wandelnde Rolle des Analysten
Da KI-Modelle Datenanalysten unterstützen, wird die Rolle des Analysten fokussierter – und wertvoller. Das Modell übernimmt die routinemäßige Überprüfung, während der Analyst Unstimmigkeiten klärt, ungewöhnliche Signale interpretiert, die Historie der Pipeline und den betrieblichen Kontext einbezieht, die technische Bewertung vornimmt und die endgültige Entscheidung trifft. Dies sind die Tätigkeiten, bei denen fundiertes Fachwissen den größten Einfluss hat, und KI schafft mehr Zeit, um dieses Wissen anzuwenden.
Die Rechenschaftspflicht bleibt unverändert. Die Berichte werden von qualifizierten Personen unterzeichnet, gestützt auf qualifizierte Prozesse und unter Verwendung von Belegen, die mithilfe des Modells zusammengestellt wurden.
Das nächste Jahrzehnt der Risserkennung wird von vier miteinander verbundenen Fortschritten geprägt sein: Sensoren, die mehr vom Rohrinneren sichtbar machen; Modelle, die den Aufwand für Routineüberprüfungen übernehmen; Analysten, die sich auf Entscheidungen konzentrieren, bei denen Fachwissen den Ausgang beeinflusst; und eine Governance, die stark genug ist, damit Betreiber mit Zuversicht handeln können. Die Chance besteht nicht darin, das Expertenurteil zu ersetzen, sondern es konsequenter, in größerem Maßstab und dort anzuwenden, wo es den größten Mehrwert schafft.
Letztendlich werden die größten Fortschritte bei der Risserkennung nicht allein durch KI erzielt, sondern durch die Kombination aus menschlichem Fachwissen, verlässlichen Daten und gut gesteuerter Technologie.
Stephan Eule
Senior AI Specialist
Stephan ist seit acht Jahren bei ROSEN tätig und konzentriert sich auf die Forschung und Entwicklung von KI-Produkten im Bereich der Risserkennung. Bevor er zu ROSEN kam, leitete Stephan eine Forschungsgruppe am Max-Planck-Institut für Dynamik und Selbstorganisation und war als Gastwissenschaftler an der Harvard University tätig. Er verfügt über mehr als zehn Jahre Erfahrung in der Anwendung von Deep Learning auf Sensordaten und im Bereich Computer Vision. Derzeit identifiziert Stephan geeignete Anwendungsfälle für KI-gestützte Inspektionen und setzt diese in praktische Lösungen um.
Thomas Beuker
Head of Market and Service Line Strategy – Advanced Integrity Division
Thomas ist verantwortlich für die Strategie des Geschäftsbereichs „Rissinspektion“ bei ROSEN sowie für die Inline-Inspektion (ILI), mit der die Materialeigenschaften sowie der Spannungs- und Dehnungszustand von Rohrleitungen ermittelt werden. Er begann seine Karriere bei ROSEN in der Forschungs- und Entwicklungsabteilung in Deutschland und verfügt über mehr als 30 Jahre Erfahrung in der Entwicklung und dem Einsatz von Lösungen zur Rohrleitungsinspektion. Thomas hat einen Master of Science (MSc) in Geophysik von der Universität Münster, Deutschland. Seit 1997 vertritt er ROSEN beim Pipeline Research Council International (PRCI).