Comprobación de la coherencia de la evaluación de datos EMAT-C con ayuda del aprendizaje profundo
Reconocimiento de patrones complejos mediante inteligencia artificial
Analistas de datos altamente capacitados y experimentados llevan a cabo la evaluación de los diferentes conjuntos de datos complejos recopilados durante las inspecciones EMAT-C. La evaluación de la calidad y el control de calidad (QA/QC) se apoyan con el uso del aprendizaje automático mediante la novedosa "comprobación de consistencia".
El reto
La evaluación de los datos de inspección en línea de EMAT es una tarea difícil que requiere analistas de datos experimentados y una amplia formación. Es necesario combinar y analizar simultáneamente múltiples canales de información. Una parte importante del proceso de evaluación es el análisis y la interpretación de los patrones de datos, que se traduce en la detección, clasificación y dimensionamiento de las características de las tuberías. Por lo tanto, la interpretación de los datos de inspección EMAT puede considerarse como el enunciado de un complejo problema de reconocimiento de patrones. Es de suma importancia que el proceso de análisis general realizado por el analista de datos alcance los niveles más altos posibles de calidad y repetibilidad.
Nuestra solución
En los últimos años, el aprendizaje automático supervisado, y especialmente el aprendizaje profundo, ha surgido como la técnica dominante para abordar computacionalmente tales tareas de reconocimiento de patrones. Durante el análisis de los datos de una inspección EMAT, es habitual que deban analizarse decenas de miles de indicaciones de señales. Debido a la naturaleza desafiante del proceso de análisis, algunas de estas indicaciones pueden clasificarse erróneamente. Es evidente que el riesgo de tales errores aumenta con el número total de características.
Además, el análisis de una inspección por parte de más de un analista de datos podría dar lugar a una evaluación incoherente. Estos riesgos son bien conocidos y suelen abordarse mediante controles de calidad (QA/QC). Sin embargo, a menudo no es fácil definir de forma transparente cuáles y cuántas anomalías deben volver a comprobarse.
Para hacer frente a este reto, ROSEN ha desarrollado una herramienta única de comprobación de la coherencia. Se trata de un proceso basado en el aprendizaje profundo, entrenado con datos etiquetados de alta calidad. Es capaz de identificar anomalías, que están cerca de un límite de decisión, por ejemplo, entre grieta o no grieta. Una vez finalizado el proceso, cada característica tiene una puntuación de grieta, es decir, una puntuación de lo parecida a una grieta que el modelo de aprendizaje profundo predice que es una característica, basándose en las otras características que ha visto durante el entrenamiento. A continuación, para minimizar el riesgo de falsos positivos, se revisan todas las características etiquetadas como grietas pero que recibieron una puntuación baja. Del mismo modo, todas las características que recibieron puntuaciones altas de grietas, pero no fueron etiquetadas como grietas, se vuelven a evaluar para evitar el riesgo de falsas llamadas negativas.
Su beneficio
La implementación del verificador de consistencia basado en aprendizaje profundo aborda el riesgo de clasificación errónea durante la realización de la evaluación de datos EMAT-C. No sustituye al analista de datos, sino que sirve de apoyo durante el QA/QC para lograr el mayor nivel posible de coherencia y repetibilidad de los resultados comunicados. La aplicación de la comprobación de la coherencia ayuda a evitar tanto los falsos positivos como los falsos negativos. Por lo tanto, se logra una mayor calidad y coherencia de los resultados de la evaluación, evitando costes debidos a excavaciones innecesarias y reduciendo aún más el riesgo de pasar por alto anomalías con un POX mejorado.