Autor: Stephan Eule
Cómo la IA mejora la inspección de grietas
En resumen:
La tecnología de inspección proporciona ahora datos sobre las tuberías más detallados que nunca. Sin embargo, la detección de grietas sigue siendo uno de los aspectos más exigentes de la integridad de las tuberías, y la interpretación de señales complejas requiere analistas con experiencia.
A medida que los conjuntos de datos aumentan y las señales de inspección se vuelven más complejas, analizar los datos de forma eficiente y mantener la coherencia requiere una gran experiencia, concentración y atención.
En este artículo, nuestro experto en la materia, Stephan Eule, analiza cómo la inteligencia artificial (IA) mejora la detección de grietas al ayudar a los analistas a centrar su experiencia en las señales más importantes, lo que permite un análisis más coherente y la toma de decisiones sobre la integridad con mayor seguridad.
Detección de grietas: una disciplina basada en la evidencia
En las conversaciones con los clientes, a menudo escucho una pregunta sencilla: si las herramientas de inspección modernas recopilan más datos que nunca, ¿por qué el análisis de grietas sigue requiriendo tantos conocimientos especializados? La respuesta radica en la propia señal y en la minuciosidad con la que deben combinarse la tecnología, las pruebas sobre el terreno y el criterio de ingeniería.
La detección de grietas es uno de los ámbitos más exigentes de la integridad de las tuberías. Las grietas por corrosión bajo tensión, las grietas por fatiga y las anomalías en las soldaduras de junta son planas, estrechas y, a menudo, agrupadas, por lo que difieren fundamentalmente de la pérdida de metal tanto en sus mecanismos de fallo como en la forma en que responden a las tecnologías de inspección, lo que genera señales de inspección distintivas que requieren una interpretación especializada. Una interpretación fiable ha requerido décadas de desarrollo de herramientas, verificación estructurada sobre el terreno y experiencia acumulada por parte de los analistas. Hoy en día, el sector lleva a cabo este trabajo con un alto nivel de calidad, y los operadores utilizan los resultados a diario para tomar decisiones críticas sobre la integridad.
La tecnología del transductor acústico electromagnético (EMAT) es un método líder de inspección en línea (ILI) para detectar grietas en gasoductos. Al generar ondas ultrasónicas guiadas directamente en la pared de la tubería mediante acoplamiento electromagnético, evita la necesidad de un líquido acoplante y puede funcionar en condiciones de servicio que las herramientas convencionales de detección de grietas por ultrasonidos no pueden soportar. Una tecnología ultrasónica como la EMAT, que genera reflexiones acústicas a partir de una anomalía plana, es preferible a otras tecnologías que se utilizan a menudo para la detección de pérdida de metal, las cuales se basan en las propiedades volumétricas de la anomalía en cuestión.
Durante la última década, el hardware EMAT ha mejorado sustancialmente, y cada nueva generación de herramientas ha incorporado más canales, un muestreo más denso y una mejor calidad de señal. Como resultado, cada inspección ofrece una visión más detallada de la tubería que antes. El valor de ese progreso radica en convertir esta información adicional en decisiones fiables sobre la integridad, y es aquí donde el aprendizaje automático aporta ahora su contribución más directa.
Por qué el análisis EMAT requiere conocimientos especializados
Un analista que utiliza ultrasonidos de espesor de pared mide la geometría de forma casi directa. La técnica de fuga de flujo magnético (MFL) requiere una mayor interpretación, aunque décadas de pruebas de tracción han permitido establecer con claridad la relación entre las señales de flujo y la geometría de la pérdida de metal.
La técnica EMAT es diferente. Los analistas no deducen la profundidad directamente a partir de la señal. Interpretan el comportamiento de las ondas guiadas, incluyendo los reflejos de las características de la superficie, la amplitud transmitida, la atenuación y cómo varían estos patrones entre canales adyacentes y a lo largo del eje de la tubería.
Aquí es donde el criterio experto resulta esencial, ya que varias condiciones planas no relacionadas entre sí pueden producir reflexiones similares. Las colonias de grietas, las marcas de fresado, la rugosidad superficial, la corrosión general y el desprendimiento del sensor sobre una abolladura pueden afectar a la señal de formas comparables. Distinguir entre ellas depende del contexto, del historial de construcción y funcionamiento de la tubería, y del reconocimiento de patrones adquirido a lo largo de años de trabajo con conjuntos de datos similares. Esa experiencia es un activo fundamental de un servicio de detección de grietas.
La determinación de la profundidad y la longitud de las grietas identificadas eleva aún más el listón. Si bien detectar una grieta y asignarla a una categoría de profundidad ya supone un reto, estimar su profundidad real requiere un nivel mucho mayor de precisión y fiabilidad. Una estimación continua de la profundidad exige pruebas más sólidas, ya que debe mantenerse dentro de una tolerancia establecida en características cuya respuesta de señal varía en función de la orientación, la estrechez y la morfología. Alcanzar este nivel de información refleja la madurez de la disciplina.
Los procedimientos de cualificación definidos, los criterios de aceptación y la revisión estructurada mantienen los resultados comunicados en un nivel elevado y auditable. Aun así, persiste cierta variación interpretativa residual, ya que dos analistas cualificados pueden evaluar la misma señal ambigua de forma ligeramente diferente. Estas diferencias son pequeñas y conservadoras. Reducir aún más esta variación es una de las formas más evidentes en que el aprendizaje automático refuerza el servicio.
Unos sensores más avanzados aportan pruebas más sólidas
La mejora de la resolución de los sensores supone un auténtico avance. Un muestreo más denso permite detectar indicios más pequeños y débiles, lo que amplía la información que puede aportar una inspección y ofrece a los operadores una visión más temprana de los fenómenos que se desarrollan en la tubería. Además, aporta mayor detalle diagnóstico a cada señal, lo que refuerza más que antes los indicios para distinguir las colonias de grietas de los reflejos benignos.
Al mismo tiempo, la mayor riqueza de datos aumenta el número de decisiones que hay que tomar durante el análisis. Un mayor número de señales candidatas por kilómetro genera más valoraciones, todas ellas compitiendo por la atención del mismo grupo de analistas expertos.
La experiencia de los analistas sigue siendo el aporte más valioso en la cadena de valor de la detección de grietas. Esa experiencia debe centrarse en aquellos casos en los que pueda cambiar el resultado, en lugar de aplicarse de manera uniforme a todas las señales candidatas. El aprendizaje automático hace posible este uso específico a la escala que generan las herramientas de inspección modernas. A medida que los sensores mejoran, esa capacidad se vuelve cada vez más valiosa.
La búsqueda de la calidad, que es posible gracias a una mayor densidad y volumen de datos, va siempre de la mano de la necesidad de eficiencia y coherencia. Solo un proceso de análisis eficiente y coherente puede alcanzar el nivel de calidad deseado sin verse lastrado por un conservadurismo innecesario y que requiere mucho tiempo.
Qué significa realmente «IA» en este contexto
La inteligencia artificial se ha convertido en uno de los temas más debatidos en nuestro sector, pero también es uno de los más malinterpretados. Cuando hablo con los clientes sobre la inteligencia artificial, comprendo su cautela. En un entorno en el que la seguridad es fundamental, las dudas sobre la confianza, la validación y la supervisión humana son totalmente razonables. Los cuatro conceptos erróneos siguientes suelen generar dudas a la hora de adoptar la inteligencia artificial.
Idea errónea n.º 1: La IA implica una automatización total. En la práctica, el modelo actúa como un asistente que trabaja junto al analista sobre el mismo conjunto de datos: llama la atención sobre las señales relevantes y ayuda a resolver los casos rutinarios. La mamografía de cribado ofrece una analogía útil. Un modelo entrenado puede actuar como un segundo lector, mientras que el radiólogo sigue siendo el responsable del diagnóstico. El objetivo es reducir los hallazgos pasados por alto y el tiempo de lectura sin transferir la responsabilidad clínica al modelo.
Idea errónea n.º 2: la IA debe ser una «caja negra». Un modelo entrenado con datos de campo verificados, validado mediante inspecciones independientes y proporcionado con un nivel de confianza calibrado puede considerarse un sistema de medición con un rendimiento especificado en condiciones definidas. En este caso, la transparencia proviene de las pruebas, la trazabilidad y los registros de validación, y no de revelar cada detalle de la arquitectura del modelo.
Idea errónea n.º 3: Un modelo generalista de gran tamaño puede resolver el problema. Estos modelos carecen de conocimientos previos útiles sobre la física de las ondas guiadas en tuberías de acero al carbono. Los modelos eficaces para este ámbito deben reflejar la física de la medición y estar entrenados con datos procedentes de las generaciones de herramientas pertinentes.
Idea errónea n.º 4: Un modelo entrenado ya está terminado. El hardware de las herramientas evoluciona, los datos de los procesos cambian y las prácticas de análisis maduran. Por lo tanto, la gestión del ciclo de vida debe formar parte del producto, y no ser una actividad limitada al proyecto de desarrollo original. Tratar los modelos como activos que requieren mantenimiento es esencial para mantener un rendimiento estable a lo largo de los años de servicio.
Dónde la IA genera más valor
La cuestión no es si la IA puede contribuir a la evaluación de fisuras, sino en qué ámbitos puede aportar un mayor impacto práctico. Las aplicaciones más valiosas son aquellas que ayudan a los analistas a trabajar de forma más eficiente, a aplicar sus conocimientos especializados de manera más coherente y a tomar decisiones mejor fundamentadas. Hay cuatro aplicaciones que destacan cuando se sopesa el valor aportado frente al riesgo de implementación.
- El triaje prioriza las indicaciones candidatas en función de su probabilidad de ser características similares a grietas que deban notificarse. El analista sigue revisando la población completa. La clasificación determina qué señales reciben atención en primer lugar y con qué eficiencia se resuelven los casos restantes.
- La distinción de las señales benignas es lo que más contribuye a mejorar la eficiencia. La desadhesión del recubrimiento, las características del fresado, los residuos y los cambios en el espesor de la pared generan numerosas señales que no son relevantes para la integridad. La clasificación previa de estos casos libera tiempo a los expertos para que se centren en los aspectos que tienen consecuencias reales para la integridad.
- La coherencia se consigue aplicando los mismos criterios a cada ejecución, desde la primera hasta la cuatrocientésima. Al utilizarse como herramienta de verificación de los resultados del analista, el modelo destaca las discrepancias para su revisión, mientras que el analista sigue ejerciendo su criterio.
- Los modelos de calibración aumentan la fiabilidad de las profundidades registradas. Entrenados a partir de mediciones de laboratorio sometidas a un estricto control, proporcionan estimaciones de profundidad para cada disparo EMAT y ofrecen a los analistas de datos una base más sólida para la toma de decisiones.
Ninguna de estas aplicaciones elimina la toma de decisiones humana. Lo que hacen es redirigir la atención humana hacia aquellas decisiones en las que la experiencia es más importante.
Los modelos dependen de los datos en los que se basan
La calidad de las etiquetas y la cobertura de los datos son factores decisivos para los modelos de aprendizaje automático que se utilizan con datos de ILI. Son los que distinguen a los modelos que funcionan de forma fiable sobre el terreno de aquellos que solo funcionan en estudios controlados.
La valoración de un analista es un juicio de experto, no una verdad objetiva. Un modelo entrenado únicamente a partir de valoraciones de analistas reproducirá el flujo de trabajo actual, incluidas sus variaciones y puntos ciegos. La etiqueta más informativa es el resultado verificado sobre el terreno: el resultado de la excavación, la medición no destructiva (NDE) realizada en la zanja y, cuando esté disponible, el tramo de tubería recuperado con las morfologías de las grietas reconstruidas en tres dimensiones mediante tomografías computarizadas por rayos X (XCT).
El mayor valor reside en la conexión entre tres elementos: la señal bruta de la inspección, la interpretación del analista basada en dicha señal y el resultado verificado sobre el terreno que se deriva de ella. Cada uno de ellos puede registrarse por separado, pero mantener un vínculo trazable a lo largo de décadas de campañas de inspección y sucesivas generaciones de herramientas requiere una inversión sostenida. ROSEN ha sentado estas bases a lo largo de décadas de trabajo de inspección y verificación en una amplia red de tuberías. Esto permite desarrollar modelos con un rendimiento declarado, y no solo respaldados por demostraciones prometedoras.
Los clientes suelen preguntar cuántos datos se necesitan. La respuesta suele ser «más», pero la pregunta más acertada es si los datos abarcan las condiciones que el modelo debe tener en cuenta: calidades y antigüedad de las tuberías, rangos de espesor de pared, tipos de juntas, regiones geográficas, diámetros y otras variables relevantes. Esta amplitud permite que un modelo esté validado para una población con la que se haya encontrado realmente, y solo puede construirse a través de años de experiencia diversa sobre el terreno.
Crear una IA que inspire confianza
La implantación de la inteligencia artificial en un entorno en el que la seguridad es fundamental requiere más de lo que puede ofrecer un prototipo de investigación. Hay cinco requisitos que definen la norma de ingeniería.
Especifique el rendimiento utilizando términos habituales del sector. La norma API 1163 define cómo se declara y valida el rendimiento de los sistemas de inspección en línea, y cualquier componente de aprendizaje automático incluido en dichos sistemas está sujeto a la misma obligación. La probabilidad de detección, la probabilidad de identificación, la tolerancia dimensional y la tasa de falsas alarmas deben indicarse con un nivel de confianza definido para una población de características definida.
Tener en cuenta la correlación en los datos de validación. Las señales procedentes de una misma línea de producción, unión o ciclo de inspección están estrechamente relacionadas, por lo que las divisiones aleatorias entre datos de entrenamiento y de prueba pueden sobrevalorar la precisión. Separar los datos por línea de producción y campaña, y mantener intacto el conjunto de prueba reservado durante el desarrollo, permite obtener cifras de rendimiento en las que los operadores pueden confiar.
Calibrar la incertidumbre. Un modelo que reconoce sus límites resulta más útil que uno que responde a todos los casos con la misma seguridad. La predicción conforme puede ofrecer garantías de cobertura bajo los supuestos establecidos y permitir que el modelo se abstenga de dar una respuesta. En un servicio en el que la seguridad es fundamental, derivar los casos difíciles a una persona es el comportamiento correcto.
Supervisa el rendimiento de forma continua. La supervisión debe abarcar tanto los datos de entrada como los resultados comunicados. De este modo, cualquier desviación respecto a la población objetivo se detecta a tiempo, lo que permite mantener el rendimiento bajo una gestión activa durante todo el proceso de implantación.
Separar las responsabilidades mediante mecanismos de gobernanza. El equipo que desarrolla un modelo debe ser distinto del equipo que lo valida. El control de versiones debe abarcar el código, los modelos, los datos de entrenamiento y las pruebas de validación, y cada decisión comunicada debe poder rastrearse hasta una versión del modelo y un revisor humano identificado. El reentrenamiento requiere la misma disciplina de control de cambios que una modificación de hardware.
IA fiable para la integridad de las tuberías
En muchos ámbitos, el concepto de «IA fiable» se utiliza como término genérico para referirse a la solidez, la cuantificación de la incertidumbre, la explicabilidad, la equidad y la gobernanza. En el ámbito de la integridad de las tuberías, debe definirse en términos más prácticos y verificables.
Un modelo fiable expone claramente sus capacidades, define la población que está cualificado para evaluar, cuantifica el nivel de confianza para cada caso, rechaza las entradas que se encuentran fuera de su ámbito de competencia y deja un registro de auditoría que permite a un ingeniero de integridad defender la decisión ante un organismo regulador.
Razonamiento sobre las distintas tecnologías de inspección
La interpretación de una única tecnología de inspección depende de un conjunto manejable de características de la señal que un analista experimentado puede evaluar en su conjunto. La interpretación combinada de varias tecnologías es mucho más compleja.
Pensemos en una indicación de EMAT en la que el canal geométrico muestra una abolladura, el MFL identifica una pérdida de metal coincidente y tres inspecciones anteriores aportan su propio historial. Cada observación modifica la interpretación de las demás. La abolladura puede afectar a la respuesta EMAT a través del despegue del sensor y la deformación local, mientras que la firma combinada de una abolladura con pérdida de metal y agrietamiento en su base difiere de cualquiera de esas características consideradas de forma aislada.
Estas combinaciones son numerosas, poco frecuentes individualmente y rara vez se recogen en los manuales de normas, lo que hace que los conjuntos de reglas explícitas resulten poco prácticos. Aquí es precisamente donde resulta útil el aprendizaje automático: un modelo puede aprender patrones de interacción a partir de ejemplos, en lugar de requerir que se definan de antemano todos los casos posibles.
Los operadores que han inspeccionado la misma línea con múltiples tecnologías ya disponen de gran parte de estos datos. Las aplicaciones anteriores agilizan y hacen más coherentes los flujos de trabajo establecidos; esta aplicación permite realizar una evaluación que ningún analista podría llevar a cabo manualmente a escala de toda la línea de producción.
Definición de las normas
El próximo reto no es la tecnología en sí misma, sino garantizar que la IA se introduzca de tal forma que se mantengan los altos niveles de confianza, trazabilidad y rigor técnico que se esperan en materia de integridad de las tuberías. A medida que se acelera su adopción, el sector tiene la oportunidad de establecer normas comunes antes de que las prácticas se fragmenten.
Hay varios aspectos que deben abordarse ahora mismo. Los sistemas que aprenden a partir de datos necesitan un marco de cualificación compartido, que incluya requisitos mínimos para los conjuntos de datos de validación. Los informes de inspección deben identificar la versión del modelo utilizada; el reentrenamiento debe tener criterios de requalificación claramente definidos; el rendimiento debe evaluarse para el flujo de trabajo combinado entre el analista y el modelo, en lugar de solo para el modelo; y la procedencia de los datos y la trazabilidad de las etiquetas deben ser requisitos estándar.
Alcanzar ese objetivo requerirá la colaboración de todo el sector. ROSEN tiene la intención de contribuir activamente aportando a la discusión pruebas de campo, conocimientos especializados en inspección y experiencia práctica en la implementación.
La evolución del papel del analista
A medida que los modelos de IA apoyan a los analistas de datos, la función de estos se vuelve más específica —y más valiosa—. El modelo se encarga del análisis rutinario, mientras que el analista resuelve las discrepancias, interpreta las señales inusuales, integra el historial de la línea de producción y el contexto operativo, realiza la evaluación técnica y toma la decisión final. Estas son las actividades en las que los conocimientos especializados tienen mayor impacto, y la IA permite disponer de más tiempo para aplicarlos.
La rendición de cuentas no ha cambiado. Los informes los firman personas cualificadas, con el respaldo de procesos cualificados, utilizando pruebas que el modelo ha ayudado a recopilar.
La próxima década en la detección de grietas vendrá marcada por cuatro avances interrelacionados: sensores que revelen una mayor parte de la tubería, modelos que asuman el trabajo de detección rutinario, analistas que se centren en las decisiones en las que la experiencia marque la diferencia, y un marco de gobernanza lo suficientemente sólido como para que los operadores actúen con confianza. La oportunidad no consiste en sustituir el criterio de los expertos, sino en aplicarlo de forma más coherente, a mayor escala y allí donde genere mayor valor.
En última instancia, los mayores avances en la detección de grietas no provendrán únicamente de la inteligencia artificial, sino de la combinación de la experiencia humana, datos fiables y una tecnología bien gestionada.
Stephan Eule
Senior AI Specialist
Stephan lleva ocho años trabajando en ROSEN, donde se dedica a la investigación y el desarrollo de productos de inteligencia artificial dentro de la gama de detección de grietas. Antes de incorporarse a ROSEN, Stephan dirigió un grupo de investigación en el Instituto Max Planck de Dinámica y Autoorganización y ocupó un puesto de investigador visitante en la Universidad de Harvard. Cuenta con más de diez años de experiencia en la aplicación del aprendizaje profundo a los datos sensoriales y la visión artificial. En la actualidad, Stephan identifica los casos de uso adecuados para las inspecciones asistidas por inteligencia artificial y los transforma en soluciones prácticas.
Thomas Beuker
Head of Market and Service Line Strategy – Advanced Integrity Division
Thomas es responsable de la estrategia de la línea de servicios de inspección de grietas de ROSEN, así como de los servicios de inspección en línea (ILI) que se utilizan para determinar las propiedades de los materiales y el estado de tensión y deformación de las tuberías. Comenzó su carrera en ROSEN en el departamento de Investigación y Desarrollo en Alemania y cuenta con más de 30 años de experiencia en el desarrollo y la implantación de soluciones de inspección de tuberías. Thomas es máster en Geofísica por la Universidad de Münster (Alemania). Desde 1997, representa a ROSEN en el Pipeline Research Council International (PRCI).