Autor: Roland Palmer-Jones
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.
Autor: Roland Palmer-Jones
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 esta nueva serie de artículos, Roland Palmer-Jones explora diferentes aspectos del Almacén de Datos de Integridad (IDW) - comenzando por la predicción del estado de las tuberías no inspeccionadas.
En este artículo se analizan algunas de las nuevas e interesantes aplicaciones generadas por la iniciativa Integrity Analytics de ROSEN, un proyecto diseñado para investigar cómo las técnicas de IA pueden ayudar a los operadores de tuberías en sus decisiones de gestión de la integridad. La iniciativa ofrece una visión significativa de lo que puede lograrse cuando se recopilan grandes cantidades de información.
Pero, ¿dónde está exactamente la información?
Como parte del proyecto Integrity Analytics, ROSEN está desarrollando un gran repositorio de resultados históricos de ILI (listados de características) y la correspondiente información de tuberías, llamado Integrity Data Warehouse (IDW). Hasta la fecha, el IDW contiene información detallada de casi 10.000 oleoductos de todo el mundo (Figura 1). El IDW está creciendo rápidamente y pronto incluirá información de la mayoría de las inspecciones realizadas desde el año 2000, así como información de todas las nuevas inspecciones realizadas.
En este artículo, echaremos un vistazo a la primera gran aplicación que permite el IDW: la predicción del estado de tuberías no inspeccionadas.
Aunque la actividad principal del Grupo ROSEN es la inspección de tuberías, sabemos que aproximadamente el 40% de las tuberías del mundo no pueden inspeccionarse mediante ILI (incluso cuando desplegamos tecnologías novedosas).
También sabemos que hay una gran cantidad de información valiosa disponible para muchos de los 60% que pueden ser inspeccionados.
Esto nos lleva naturalmente hacia el aprendizaje automático supervisado como una solución de control para las tuberías que no pueden ser inspeccionadas. Podemos observar tendencias en los oleoductos inspeccionados y aplicar lo que hemos aprendido a los oleoductos no inspeccionados (Figura 2).
Esta técnica puede aplicarse a diversas amenazas para las tuberías (Figura 3), pero el trabajo inicial se ha centrado en gran medida en la amenaza endémica y siempre presente de la corrosión externa.
Como primer intento de predicción del estado de las tuberías, hemos probado la factibilidad de predecir el número de anomalías de corrosión externa en tuberías, utilizando únicamente información básica de diseño y construcción, como la edad, el tipo de revestimiento y la ubicación geográfica. Más concretamente, la variable objetivo era la densidad de anomalías, es decir, el número de anomalías por unidad de longitud. Se trata de una indicación primitiva pero útil del estado general de integridad.
Al observar la distribución de la densidad de anomalías (anomalías por kilómetro) de una muestra aleatoria de oleoductos del IDW, podemos ver que los valores varían en varios órdenes de magnitud. En el extremo inferior de la distribución, encontramos oleoductos prístinos con menos de una anomalía cada 100 kilómetros, mientras que en el extremo superior, hay oleoductos con más de 10.000 anomalías por kilómetro.
Para facilitar las cosas al algoritmo de aprendizaje automático, dividimos las densidades de anomalías en cuatro clases, como se muestra en la Figura 5.
Al introducir las variables de diseño y construcción y las clases de densidad de anomalías observadas en un algoritmo de aprendizaje automático supervisado, podemos crear un modelo predictivo. A continuación, el modelo puede probarse en una muestra no observada de tuberías para medir su rendimiento.
El primer modelo prototipo (un "árbol de decisión reforzado") se entrenó con ~4.000 tuberías del IDW y se probó con ~1.000 tuberías desconocidas. Aunque estas ~1.000 tuberías también habían sido inspeccionadas en el pasado, sus resultados ILI no se utilizaron para entrenar el modelo. Las predicciones para estas tuberías se generaron basándose únicamente en sus variables de diseño y construcción (como sería el caso de las tuberías realmente no inspeccionadas), y su información ILI se utilizó exclusivamente para la validación.
A pesar de que la corrosión externa es un fenómeno excepcionalmente complejo, el rendimiento del modelo preliminar fue sorprendentemente bueno (Figura 6).
El 58% de las tuberías de prueba se clasificaron perfectamente, y el 92% de las tuberías se predijeron dentro de una clase del valor verdadero (en términos generales, dentro de un orden de magnitud de la verdadera densidad de anomalías). Aunque las predicciones del orden de magnitud parezcan modestas, el modelo supera con creces las soluciones tradicionales de evaluación de riesgos.
No obstante, los que presten atención detectarán los valores atípicos en las esquinas inferior izquierda y superior derecha de la matriz de confusión. Para corregir esas predicciones inexactas, el siguiente paso consiste en incorporar nuevas variables predictoras, incluidas las propiedades locales del suelo (pH, resistividad, etc.), el uso del suelo, el clima, el terreno e incluso la situación socioeconómica. Con datos de mayor granularidad, también será posible predecir densidades anómalas (u otros aspectos del estado de corrosión externa) para segmentos más pequeños, o incluso juntas de tuberías (Figura 7).
Este método se está desarrollando ahora con el apoyo de un importante operador de tuberías, y los primeros resultados son muy prometedores. A medida que mejore la precisión de las predicciones, se utilizarán para priorizar las actividades de rehabilitación y, en su caso, justificar los costes de las modificaciones necesarias para permitir la inspección interna. Hay muchas otras aplicaciones potenciales, como la predicción del estado futuro de las líneas inspeccionadas, así que busque más ejemplos en futuros artículos. Además, si tiene alguna idea sobre aplicaciones del IDW, no dude en ponerse en contacto con los autores.
Referencias
De Leon, C y Smith, M S (2020). Machine Learning to Support Risk and Integrity Management. Pipeline Pigging & Integrity Management (PPIM) Conference, February 2020, Houston, Texas, United States of America.
Autor
Chief Operating Officer (COO) – Central Business