Aprendizaje automático para la gestión de SCC - Almacén de datos de integridad - Parte 2

Desde hace más de 30 años, las tecnologías de ILI recopilan datos sobre tuberías de todo el mundo. Ahora, el lago de datos acumulados ha madurado hasta un punto en el que puede empezar a alimentar modernas soluciones de inteligencia artificial (IA) para la inspección, la integridad y el análisis de riesgos. En la segunda parte de esta serie, los expertos de ROSEN Daniel Sandana, Rodolphe Jamo y Roland Palmer-Jones, de nuestra línea de negocio de Soluciones de Integridad, exploran diferentes aspectos del Almacén de Datos de Integridad (IDW), continuando con el aprendizaje automático para la gestión de grietas por corrosión bajo tensión (SCC).

El Almacén de Datos de Integridad (IDW)

En la Parte I de esta serie, presentamos el Almacén de Datos de Integridad (IDW) de ROSEN, un repositorio de datos que contiene información detallada sobre la gestión de la integridad de casi 10.000 ductos de todo el mundo (Figura 1). En breve, el IDW incluirá información de la mayoría de las inspecciones realizadas desde el año 2000, así como información de todas las nuevas inspecciones realizadas.

Figura que muestra una colección de datos en forma de armarios y cajones en el lado izquierdo y la información contenida en el Almacén de Datos de Integridad (datos de inspección en línea, datos de diseño y construcción, datos medioambientales, datos operativos y encuestas) en el lado derecho.

Figura 1 - Contenido del Almacén de Datos de Integridad (IDW)

En el primer artículo, describimos cómo se podían utilizar las técnicas de aprendizaje automático supervisado para predecir el estado de las tuberías no inspeccionadas. El concepto se ejemplificó examinando el caso específico de la predicción de la corrosión externa.

El tema de la segunda parte es un proyecto de análisis predictivo realizado para un importante operador de ductos en 2020. En este proyecto, exploramos cómo podrían aplicarse técnicas similares al fenómeno aún más complejo del agrietamiento por corrosión bajo tensión (SCC).

¿Por qué SCC?

Como muchos de nosotros sabemos, la identificación de SCC es un reto sólo con los sistemas de inspección de grietas, mientras que las alternativas como la evaluación directa y las metodologías basadas en la susceptibilidad [1] vienen acompañadas de incertidumbres aún mayores [2].

Ilustración de las diferentes facetas dentro del sistema materiales-entorno-estrés que influye o impulsa la SCC.

Figura 2 - Impulsores del SCC

Como se indica en el libro blanco de ROSEN de 2020 sobre el tema [3], la industria aún se esfuerza por comprender las diversas facetas del sistema materiales-entorno-estrés (Figura 2) que influyen en la CAC.
Por ejemplo, aún tenemos que establecer vínculos concluyentes entre la estructura y la química a microescala, el comportamiento macroscópico de una aleación y su influencia combinada en la aparición de la SCC. La gestión de grietas sigue siendo un problema técnico complejo, en parte porque aún existen lagunas fundamentales en nuestros conocimientos. Requiere mucha información, depende en gran medida del juicio de los expertos y es difícil modelizar la aparición y el comportamiento de crecimiento de las grietas ambientales. En estas circunstancias, merece la pena plantearse si podrían aplicarse otros enfoques al problema. El aprendizaje automático es uno de ellos.

El tubería

El tubería objeto del estudio era un oleoducto de petróleo crudo con una amenaza conocida de SCC externa, identificada durante las inspecciones históricas en línea (ILI) y las verificaciones sobre el terreno. Sin embargo, debido a las limitaciones en el rendimiento de la detección de grietas, independientemente del sistema ILI utilizado, el operador estaba preocupado por la presencia de CSC no detectadas.

Para evaluar las ventajas de las técnicas de análisis de datos para la gestión de grietas, el operador encargó a ROSEN un estudio piloto de seis meses para predecir las posibles ubicaciones de las grietas en el tubería. El resultado del estudio fue un modelo predictivo que estimaba la probabilidad de presencia de grietas en cada junta de la tubería en función de las características de la tubería y del entorno local. El objetivo era encontrar grietas que pudieran haber escapado a la detección de los sistemas ILI desplegados, quizá por la naturaleza, morfología y tamaño de la grieta, o por su ubicación dentro de la tubería. Se entrenó un modelo (mediante aprendizaje automático supervisado) utilizando una combinación de datos específicos de la tubería objetivo (información sobre diseño/construcción, entorno, operaciones, protección catódica [CP], ILI y verificación sobre el terreno), además de información del IDW de ROSEN. El conjunto de datos final incluía más de 50 variables, todas ellas relevantes para la física de la SCC y que describían más de 25.000 juntas de tuberías de la tubería.

En la Figura 3 se muestra un ejemplo de los resultados del modelo (probabilidad prevista de presencia de SCC) para una de las secciones de tuberías. Cada punto representa una única junta de tubería y está coloreado según la probabilidad correspondiente. Para mayor claridad, los puntos de mayor probabilidad también se representan más grandes.

Diagrama vertical coloreado que muestra la probabilidad creciente de la presencia de grietas en la tubería objetivo con los diferentes colores.

Figura 3 - Probabilidad de presencia de grietas en la tubería objetivo

Un perfil de probabilidad detallado como éste plantea una pregunta muy natural: ¿Encontraremos grietas si excavamos una de las zonas de mayor probabilidad (amarilla)? Aunque la validación cruzada indica un rendimiento prometedor del modelo, estas preguntas sólo pueden responderse con futuros datos de verificación sobre el terreno.

No obstante, lo que merece un debate más profundo en esta fase es la capacidad de estas técnicas para crear modelos que "respeten" la naturaleza física de procesos y mecanismos complejos como el CCE. Este punto queda corroborado por la Figura 4, que muestra la contribución de las 10 variables más influyentes en el modelo SCC. Es importante señalar que estas 10 variables principales fueron identificadas por el modelo de aprendizaje automático sin haber sido preidentificadas o ponderadas previamente en modo alguno por la opinión de expertos. Los datos por sí solos nos dicen que estas variables son importantes.

Intuitivamente, las variables enumeradas están en consonancia con el mencionado marco de materiales-entorno-estrés necesario para el SCC, lo que da cierta credibilidad real al modelo.

Gráfico que muestra las 10 variables más influyentes para la predicción de la SCC en la tubería objetivo.

Figura 4 - Las 10 variables más influyentes en la predicción de la SCC en el ducto objetivo

Una variable, en particular, merece mayor atención: la puntuación de susceptibilidad IDW. ¿Qué era esta variable y cuál era exactamente el papel del IDW en la predicción del CCE en la tubería diana? A primera vista, el aspecto de materiales parece estar poco representado en la Figura 4, ya que no aparece ningún parámetro explícito relacionado con los materiales entre las 10 variables principales. En la práctica, se trata de una observación habitual en los modelos de predicción de CSC, ya que los parámetros más relevantes (microestructuras, química, etc.) rara vez son accesibles en toda la longitud de una tubería. La estrategia por defecto consiste en utilizar variables indirectas como el grado de la tubería, el fabricante y los números térmicos, pero debido a la falta de granularidad y fiabilidad (sobre todo en los sistemas más antiguos), estas variables tienden a no transmitir tanta información. En el caso que nos ocupa, una gran parte de la tubería objetivo se construyó con API 5L Grado X60 (con algunas secciones más pequeñas de X52, X42, TSE 360, etc.), con costuras predominantemente soldadas por arco sumergido (SAW) y un número menor de costuras soldadas por resistencia eléctrica (ERW). A menos que el agrietamiento se identifique específicamente en poblaciones minoritarias (que no es el caso aquí), es improbable que variables como el grado de la tubería y el tipo de soldadura tengan un poder predictivo significativo.

Este problema se aborda en cierta medida con la puntuación de susceptibilidad a IDW. La puntuación se obtuvo a partir de observaciones de varios cientos de inspecciones de grietas representadas en el IDW. La idea es aprender de las tendencias en la relación entre las características de diseño y construcción (como el grado de la tubería, el tipo de soldadura y el tipo de revestimiento) y el estado de las tuberías. Estas tendencias pueden formalizarse en un modelo predictivo y encapsularse en la puntuación de susceptibilidad IDW.

Dado que las tendencias se aprenden de una muestra mucho mayor y más diversa de tuberías, la puntuación resulta ser un predictor fiable de la presencia (o no) de SCC (de ahí su posición como 5ª variable más importante en el modelo). Parece creíble que la puntuación de susceptibilidad de IDW proporcione una aproximación parcial a aspectos de los materiales que no pueden considerarse directamente.

Mirando hacia el futuro

Los datos disponibles en IDW seguirán creciendo, y con ellos el poder de predecir el estado de las tuberías y, aún mejor, de identificar actividades de mitigación eficaces. La fuerza reside tanto en la profundidad como en la amplitud de la base de datos, así como en la calidad de la información.

La profundidad de la base de datos puede aumentarse rápidamente añadiendo datos de inspecciones en línea pasadas y futuras para detectar pérdidas de metal, grietas, deformaciones, propiedades de los materiales, etcétera. La amplitud aumentará a medida que consideremos diferentes tecnologías de inspección, incluidas las más recientes, como el sensor de grado de tuberías y la medición de la tensión axial. La amplitud también aumentará a medida que añadamos los resultados de la verificación sobre el terreno y las pruebas de laboratorio. Estas mediciones adicionales (aunque mucho más limitadas en su alcance que las ILI) proporcionan ricas capas adicionales que pueden ayudar a nuestra comprensión y modelización de los muchos factores influyentes.

Así como los datos relativamente sencillos pero extensos de la grieta del IDW ayudaron a predecir la localización de la grieta en este caso específico, la adición de amplia información sobre la resistencia del material, la tensión axial y el estado del revestimiento, además de la miríada de información disponible de la verificación en la zanja sobre los tipos de suelo, la microestructura del acero y la morfología de la grieta, mejorará nuestra capacidad para apoyar y guiar a la industria en la gestión incluso de las amenazas más complejas.

Lo que también está claro, incluso en esta fase relativamente temprana, es que la calidad de la información también tiene un gran impacto en la potencia del IDW. Los datos de buena calidad dependen en primer lugar de la recopilación y evaluación inicial de los datos, y a partir de ahí hay que tener mucho cuidado al extraer la información de los listados, los informes de campo y las investigaciones de laboratorio para garantizar la coherencia y la relevancia.

No hay que subestimar la escala de este ejercicio de ingeniería de datos, pero como podemos ver en los ejemplos de predicción de la corrosión en tuberías no inspeccionadas o de predicción de la presencia de SCC en una tubería específica, el valor para la industria puede ser inmenso.