Autor: Edmund Bennett

Análisis predictivo: superar los obstáculos para su adopción en el sector energético

Edmund Bennett explora el papel de los servicios predictivos en el complejo ecosistema de la gestión de la integridad de las tuberías y responde a la pregunta: ¿Está el sector preparado para adoptar este tipo de medidas?

Ayudando a los operadores con sus problemas reales

"En el país de los ciegos, el tuerto es rey". Este viejo proverbio habla de una verdad simple: incluso una pequeña ventaja en el conocimiento puede marcar una gran diferencia, especialmente cuando se abordan problemas complejos como la integridad de las tuberías. El reto cambia constantemente entre las diversas amenazas, la falta de datos y la evolución de las exigencias operativas. Si a esto añadimos unos perfiles de riesgo cambiantes y unas expectativas crecientes impulsadas por los avances tecnológicos, está claro que para mantenerse a la vanguardia se necesitan estrategias proactivas y con visión de futuro.

No existe una solución milagrosa, sólo las soluciones que conseguimos a base de trabajo duro.

Las tecnologías emergentes, como las herramientas de inspección avanzadas y las técnicas de inspección, son cruciales, especialmente con las nuevas demandas de productos como el hidrógeno, que introducen nuevos problemas de integridad. El sector debe prepararse para afrontar estos riesgos con confianza.

La gestión de la integridad debe ser flexible, utilizando los datos cuando existan, adaptándose cuando no existan y salvando las distancias entre los enfoques basados en riesgos y en reglas.

Las soluciones predictivas deben ser precisas, transparentes y estar preparadas para la toma de decisiones, y lo ideal es que funcionen en todas las áreas, desde las más piggables hasta las que no lo son. Pero, ¿pueden alcanzar ese nivel? Y si lo hacen, ¿será suficiente para que pasen de innovación a estándar del sector?

El motor de predicción: definiciones transparentes

La predicción es y siempre ha sido una parte normal de la gestión de la integridad. Desde el "dedo mojado en el aire" del ingeniero de integridad hasta la toma de decisiones conservadora y fría basada en reglas, los rumbos que marcamos son el resultado de nuestros intentos de navegar por las turbias aguas de la gestión de la integridad. Siempre se hacen predicciones: "Este enfoque nos llevará hasta allí" o "Esto será suficiente". Lo único que ha cambiado en los últimos años son las técnicas aplicadas para generar estas predicciones y su nivel de abstracción del problema en cuestión. Lamentablemente, esta mayor complejidad y abstracción conlleva retos adicionales en su interpretación y validación. La IA moderna debe someterse a una validación rigurosa a través de múltiples etapas, entre las que se incluyen (aunque sin limitarse a ellas):

  • Validación de los datos de entrada: ¿los datos que queremos utilizar están relacionados con el problema que queremos resolver?
  • Validación de los resultados del modelo: ¿son los resultados del modelo "suficientemente buenos" y significan lo que creemos que significan?

Además, la calidad de los resultados debe proporcionarse de forma clara y fácilmente comprensible: no es justo exigir a un operador ocupado que aprenda el lenguaje de la ciencia de datos para poder obtener algo útil, o lo obtendrá. Por eso, dentro de ROSEN, proporcionamos medidas de rendimiento para modelos predictivos de forma clara y coherente para nuestros servicios predictivos de impiggables.

Dando pasos pequeños pero coherentes

¿Cómo respondemos a la disponibilidad de nuevos datos relevantes para predecir la integridad de las tuberías? Puesto que estamos en el juego a largo plazo, debe incorporarse por defecto un proceso claro para integrar nuevas inspecciones o nuevas variables.

Retrato de Edmund Bennett
La naturaleza de los datos de inspección es que a menudo evolucionan con el tiempo, ya sea por cambios en la tecnología de inspección o por variaciones en la calidad de los datos. Los modelos predictivos y los marcos de integridad deben adaptarse a esta realidad. Un sistema bien estructurado permite incluir sin problemas nuevas inspecciones, revalidando el rendimiento previsto de la tubería con nuevos datos de mayor fidelidad.
Edmund Bennett, Principal Data Scientist, ROSEN Group

Así mismo, las fuentes de datos geoespaciales como el movimiento del terreno, los cambios en el uso del suelo o los registros de invasiones se actualizan con frecuencia. La integración de esta inteligencia permite predecir de forma más dinámica las amenazas relacionadas con los riesgos geológicos. Esto no requiere una reinvención total de los modelos, sino un sistema modular en el que los nuevos conocimientos se utilizan para ajustar las puntuaciones de riesgo o reorientar las investigaciones sobre el terreno.

La flexibilidad también es clave, con la capacidad de incorporar cualquier dato adicional específico que un operador pueda aportar, como protección catódica, estudio de tuberías o datos operativos. Estos datos son a la vez una bendición y una maldición, ya que esta información adicional, aunque enormemente valiosa, nos obliga a excluir datos de inspección para los que no existe esta información adicional. No obstante, prevemos que los modelos pequeños y centrados, con datos más directamente relevantes, conducirán a un mayor rendimiento general. Este punto de vista se ve corroborado por el hecho de que es posible producir predicciones mucho mejores en oleoductos parcialmente inspeccionados.

En última instancia, el mensaje aquí es de pragmatismo. No se trata de crear el modelo perfecto y luego marcharse  - se trata de permanecer abierto a la iteración, la mejora y el aprendizaje. La evolución a través de pequeños pasos consistentes siempre superará la búsqueda de una única solución perfecta.

Servicios útiles, inteligencia procesable

La clave para el éxito de la predicción a escala es la flexibilidad. Como ya se ha dicho, cada persona quiere cosas distintas y por motivos diferentes. Por ejemplo, un ingeniero de integridad puede buscar indicadores tempranos de pérdida de metal localizada, mientras que un gestor de riesgos está más preocupado por la probabilidad de fallo en todo el sistema.

Los servicios predictivos deben ser adaptables a estos variados usos finales. Para las predicciones que utilizan datos de inspección como entrada, la determinación de los parámetros relevantes debe tener en cuenta no sólo la teoría de la ingeniería, sino también el contexto de toma de decisiones en el que se aplicarán. Las predicciones deben ser:

  • Context-aware - Los resultados deben hablar el idioma de la persona que toma la decisión, ya sea en términos de riesgo, coste o planificación operativa.
  • Orientados y modulares: en función de la pregunta que se formule, se debe poder acceder a distintos niveles de confianza, granularidad o alcance.
  • Orientados a la acción: los resultados no deben limitarse a ofrecer una predicción, sino que deben sugerir qué hacer a continuación. Puede tratarse de una inspección recomendada, una prioridad de reparación o un cambio de ruta.

A esto nos referimos cuando hablamos de "inteligencia procesable". No se trata sólo de saber que algo podría ocurrir. Se trata de entender lo que hay que hacer al respecto.

Aprender a aceptar el riesgo

Mientras tanto, los operadores también tienen trabajo por hacer, sobre todo aquellos cuyos enfoques se basan en respuestas a requisitos normativos. El riesgo y la incertidumbre son inherentes a todos los aspectos de la gestión de la integridad de las tuberías, desde la incertidumbre en las propiedades de los materiales, las mediciones de los estudios y la evaluación de las señales de las herramientas de inspección. Las inspecciones son, por supuesto, mediciones puntuales de procesos estocásticos con criterios de inicio complejos y consecuencias variadas. El paradigma fundamental que sustenta la gestión de la integridad es y siempre ha sido el riesgo. Para gestionar la complejidad, como industria, aplicamos reglas pragmáticas para gestionar este riesgo de forma eficiente; sin embargo, bajo el capó, es la interpretación de los fallos históricos, nuestra comprensión cuantitativa de la mecánica de las tuberías y nuestra validación numérica de las mediciones lo que alimenta el fuego de nuestra comprensión y da lugar a las estrategias que empleamos.

Es con esta perspectiva con la que insto a que la industria se prepare para aceptar la naturaleza fundamentalmente basada en el riesgo de la gestión de la integridad. Con esto quiero decir que los operadores deberían:

  • Identificar y recopilar los datos que, según la sabiduría tradicional de la ingeniería, deberían ser relevantes para la integridad de una tubería determinada. Los datos necesarios variarán en función de la amenaza de que se trate. En muchos casos, esto se alineará con los propios planes de los operadores para la captura de datos.
  • Asegurarse de que se mantienen registros adecuados de fallos (indicadores de seguimiento) y otras mediciones relevantes (indicadores principales) dentro de la organización.
  • Asegurarse de que se mantienen registros adecuados de las tuberías, incluidas las reparaciones y los cambios de ruta. Los datos de inspección de múltiples proveedores deben transformarse en un formato común y debe establecerse un vínculo con los datos de inspección originales para determinar su procedencia.
  • Involucrarse de forma proactiva en empresas de colaboración, compartiendo los valiosos datos de las tuberías que contribuirán a una industria más segura y eficiente en general.

Estas acciones relativamente sencillas ayudarán a los operadores a responder bien a los cambios que se produzcan en el sector, por ejemplo, las actualizaciones de los requisitos normativos.

Ciclos de retroalimentación y verificación sobre el terreno

Las predicciones por sí solas nunca son suficientes. Hay que validarlas, refinarlas y cuestionarlas. Sin retroalimentación, incluso los modelos más sofisticados corren el riesgo de perder relevancia. Por lo tanto, la gestión de la integridad debe incluir mecanismos sólidos de retroalimentación y verificación sobre el terreno.

Esto incluye:

  • Verificación posterior a la actividad - Comparación de las condiciones previstas con las observadas durante los programas de excavación o los trabajos de reparación. ¿Era correcto el modelo? Si no, ¿por qué no?
  • Análisis retrospectivo de predicciones fallidas - Cuando se producen fallos o anomalías sin previo aviso, debe realizarse un análisis exhaustivo. ¿Se han perdido señales? ¿Fueron erróneos los datos de entrada? ¿Se basaba el modelo en suposiciones incorrectas?
  • Los circuitos de retroalimentación de los operadores - Los ingenieros y técnicos de campo suelen ser los primeros en detectar cuando algo no cuadra. Su aportación debe solicitarse activamente e integrarse en el diseño del sistema y el perfeccionamiento del modelo.

Este proceso de retroalimentación no es sólo un mecanismo de control de calidad  - forma parte del ciclo científico: predicción, observación y corrección. Un sistema de aprendizaje vivo siempre superará a uno estático.

Un mandato para la gestión de la integridad de los oleoductos

Cuando existen procesos de apoyo a los servicios predictivos, su valor aumenta inmediatamente con el reconocimiento formal dentro del marco organizativo. Sin un mandato  - ya sea normativo, comercial o cultural - el análisis predictivo puede quedar marginado, tratado como un extra opcional en lugar de como un activo empresarial básico.

Para evitar este destino, las organizaciones deben hacer algo más que invertir en modelos o tecnologías. Deben crear las condiciones para que estas herramientas se utilicen con eficacia. Esto incluye:

  • Claridad en la rendición de cuentas - Definir quién es el responsable de actuar sobre la base de la información predictiva y capacitarlo para tomar decisiones basadas en pruebas prospectivas.
  • Compromiso institucional - La gestión de la integridad predictiva debe incluirse en los procedimientos de integridad, los marcos de riesgo y los informes de rendimiento.
  • Alineación estratégica - Garantizar que el análisis predictivo se alinee con objetivos más amplios, como la seguridad, la sostenibilidad, la eficiencia y la longevidad de los activos.

El valor de la predicción sólo se hace real cuando cambia el comportamiento de las personas. Ese cambio sólo se producirá a escala cuando la organización se comprometa con el enfoque predictivo no sólo como herramienta, sino como mentalidad.

Retrato de Edmund Bennett

Edmund Bennett

Principal Data Scientist, ROSEN Group

Póngase en contacto conmigo
Social Sharing Component
Primer plano de una mano que sostiene un teléfono móvil en el que se puede ver el boletín de facetas.

¿Aún no se ha registrado en Facets?

Regístrese ahora si desea ver más historias como ésta y recibir las últimas noticias y actualizaciones.
Seguir leyendo