Autores: Hazem Rahmah
Este sitio web ha sido traducido automáticamente con ayuda de IA. Pueden aparecer errores de traducción. La versión original en inglés de nuestro sitio web se encuentra aquí.
Autores: Hazem Rahmah
La tecnología de fuga de flujo magnético (MFL) es el método más utilizado para identificar anomalías de pérdida de metal (volumétricas) en tuberías. Nuestro experto, Hazem Rahmah, Director de Servicio de Fusión de Datos en ROSEN, profundiza en cómo la combinación de los puntos fuertes de las diferentes tecnologías MFL beneficiará a la industria.
ROSEN es líder mundial en las tecnologías MFL-A (axial) y MFL-C (circunferencial) para la inspección en línea (ILI). Las diferentes orientaciones del campo magnético en estas tecnologías ofrecen claras ventajas en la detección de anomalías orientadas tanto circunferencial como axialmente. Sin embargo, ambas tecnologías se basan en una señal magnética unidireccional, lo que impone ciertas limitaciones a la hora de detectar y medir con precisión morfologías de pérdida de metal más complejas.
A medida que el sector solicita evaluaciones de integridad menos conservadoras, aumenta la necesidad de mejorar la precisión de los resultados de las ILI para respaldar programas de mantenimiento y reparación de tuberías más eficaces. Un enfoque que ofrece claras ventajas es la fusión de datos, en la que los datos recopilados de diferentes herramientas de MFL se fusionan para mejorar la precisión.
La gravedad de los incidentes en tuberías, combinada con el aumento del rendimiento de las tuberías, las demandas comerciales y la necesidad de ampliar la vida útil de las tuberías, ha ejercido presión sobre el sector para reducir aún más el riesgo y el coste asociados a la corrosión. Los niveles de incertidumbre tradicionalmente aceptados en los resultados de los ILI ya no son suficientes cuando se trata de tuberías muy corroídas. Esto ha llevado a los operadores a adoptar enfoques conservadores, que a menudo se traducen en elevados costes de excavación para garantizar la seguridad de las tuberías que resultan innecesarios cuando se conocen las dimensiones reales de los daños. La fusión de datos MFL puede aumentar la certidumbre, reduciendo la necesidad de tal conservadurismo.
También existe una creciente necesidad de sustituir la práctica convencional y laboriosa de combinar informes MFL-A y MFL-C por separado por una solución innovadora. Aunque el informe combinado de estos conjuntos de datos analizados de forma independiente pretende mejorar la comprensión, el proceso suele ser subjetivo e ineficaz, lo que crea desafíos a la hora de interpretar los resultados. La fusión de los datos de MFL proporciona una solución objetiva que ofrece una mayor precisión y ventajas adicionales, como los mapas de profundidad de pérdida de metal en 3D.
Los expertos en integridad de tuberías llevan mucho tiempo deseando fusionar datos de diferentes herramientas de ILI en un único resultado completo que maximice los puntos fuertes y minimice las limitaciones de cada tecnología. Gracias a los avances tecnológicos, incluidas las redes neuronales convolucionales (CNN) y el desarrollo de algoritmos, ROSEN lo ha hecho posible para MFL-A y MFL-C.
La combinación de las intensidades de los campos magnéticos axial y circunferencial mejora la caracterización de características en todas las clases de dimensiones de anomalías de POF. La tecnología de fusión de datos de ROSEN combina las señales de las herramientas MFL-A y MFL-C en un único mapa de profundidad 3D mediante un modelo de fusión de datos de aprendizaje automático. Una vez que los conjuntos de datos están correctamente alineados, la red neuronal convolucional (CNN) preentrenada puede aplicarse a cualquier anomalía de corrosión en la tubería.
Este enfoque hace avanzar el análisis desde simples "cajas" de amplitud de señal de anomalía a cuadrículas de área y análisis de perfil 3D, lo que permite una identificación más precisa de la dimensión del defecto y la generación de un perfil de fondo de río (RBP).
Como resultado, los datos fusionados pueden calcular con precisión las presiones de rotura basándose en mapas reales de profundidad de pérdida de metal. Las evaluaciones avanzadas de la presión de rotura, como Psqr, pueden ayudar a reducir aún más el conservadurismo. El mapa de profundidad 3D de alta resolución permite la evaluación de cada anomalía de corrosión en la tubería, de forma similar a un escaneado láser en zanja.
El servicio Data Fusion "Performance Specifications" ofrece una mayor certeza y precisión para todas las características de pérdida de metal, independientemente de su morfología. Los datos ILI fusionados se pueden entregar en forma de mapa de profundidad 3D, muy similar a los datos de escaneo láser pero para toda la tubería, con la capacidad de derivar perfiles precisos del fondo del río (RBP) y diferentes modelos de evaluación de la presión de fallo (área efectiva, Psqr) por anomalía o segmento.
Los dos conjuntos de datos (MFL-A y MFL-C) necesarios para la fusión de datos se pueden recopilar utilizando herramientas ILI separadas en diferentes ejecuciones. Idealmente, el intervalo de tiempo entre las recopilaciones de datos debe ser corto para evitar que los cambios en la morfología de la corrosión afecten al proceso de fusión. En algunos casos, para tuberías de mayor diámetro (más de 20 pulgadas), ambos conjuntos de datos pueden ser recogidos en una sola serie, aunque esto está sujeto a una evaluación caso por caso de las condiciones operativas. Para la fusión de datos como tal no se requiere ninguna configuración particular de la herramienta ILI ni de las condiciones de la tubería, y los datos recopilados previamente, como los datos de escaneado láser, pueden utilizarse para afinar los algoritmos y crear un modelo específico para la tubería de interés.
El servicio de fusión de datos de ROSEn se encuentra actualmente en las fases finales de desarrollo. Aunque ya se han validado el concepto central, los algoritmos y los resultados, el servicio plenamente comercial se probará en varios proyectos piloto a principios de 2025. Se espera que el modelo de servicio inicial esté disponible en la segunda mitad de 2025.