/ Articulos / Integridad Mecánica / pruebas no destructivas

Mejorando la inspección de tuberías con aprendizaje automático en Ensayos No Destructivos

Publicado: Noviembre 2, 2023

Compartir en redes sociales

Autor: Ing. Euclides Quiñonez, 02 noviembre 2023.

Introducción

Las pruebas no destructivas (END) han experimentado un notable auge motivado a la creciente demanda y a las múltiples aplicaciones en el ámbito de la integridad de activos industriales. La amplia variedad de usos de los Ensayos No Destructivos y las rigurosas normativas de control de calidad establecidas han impulsado a los investigadores a buscar enfoques precisos, rentables y eficientes en el tiempo.

Actualmente, se están desarrollando métodos precisos, económicos y eficientes en el tiempo, como los algoritmos de Inteligencia Artificial (IA) y el Machine Learning; los cuales, han demostrado ser herramientas numéricas eficaces¹ que han potenciado la forma en que se realizan las inspecciones de los activos industriales.

Las tuberías están ubicadas en todas las partes de las instalaciones industriales, ocupando una parte significativa del espacio y los recursos, para transportar fluidos (agua, productos químicos, petróleo, gases, etc.) de un sitio a otro dentro. En este contexto es importante garantizar la seguridad, eficiencia y confiabilidad de estos activos, detectando a tiempo los defectos, corrosión y otros problemas que se puedan presentar para evitar posibles fallas; por lo cual, los Ensayos No Destructivos (END) representan las herramientas más adecuadas para ubicar discontinuidades o daños en los materiales.

¿Qué es el aprendizaje automático?

Esta herramienta es una aplicación de inteligencia artificial que utiliza técnicas estadísticas para permitir que las computadoras aprendan y tomen decisiones sin estar programadas explícitamente. Se basa en la noción de que las computadoras pueden aprender de los datos, detectar patrones y emitir juicios con poca ayuda de los humanos.

El proceso de aprendizaje se automatiza y mejora con base en las experiencias de las máquinas durante todo el proceso; las cuales, reciben los datos, que deben ser de buena calidad, y emplean diferentes algoritmos para crear modelos de aprendizaje automático para “entrenar” las máquinas con estos datos. La elección del algoritmo depende del tipo de datos disponibles y del tipo de actividad que debe automatizarse.

Ensayos No Destructivos en la inspección de tuberías

Son métodos que permiten evaluar la integridad de una tubería sin dañarla. Estos métodos incluyen la inspección visual, ultrasónica, radiográfica, tientes penetrantes, partículas magnéticas y termografía, entre muchas otros. Estos ensayos son necesarios en la detección de defectos, corrosión y otros problemas sin interrumpir las operaciones.

Aprendizaje automático en la inspección de tuberías

Esta herramienta está fortaleciendo la forma en que se realizan los END. Los algoritmos de aprendizaje automático pueden procesar grandes cantidades de datos recopilados durante las inspecciones y proporcionar resultados más precisos y rápidos que los métodos tradicionales. Este sistema está en capacidad de procesar de imágenes capturadas por sensores modernos, pueden detectar una variedad de datos, como imágenes, lecturas realizadas por las diferentes técnicas de END a las tuberías.

¿Cómo funciona el aprendizaje automático?

El principio es aprender de los datos sin un conocimiento a priori sobre las leyes físicas y las relaciones entre parámetros. Los modelos de aprendizaje automático se generan mediante algoritmos establecidos para realizar predicciones posteriores con datos desconocidos. Sus métodos de aprendizaje son los siguientes:

Aprendizaje supervisado: significa que hay un gran conjunto de datos etiquetados disponibles, donde la etiqueta representa la respuesta que se supone correcta. El algoritmo será entrenado con esos datos, se validará el entrenamiento correcto y, una vez entrenado el algoritmo, se podrán procesar conjuntos de datos desconocidos. El aprendizaje supervisado cubre tanto datos con etiquetas de valor real, llamados problemas de regresión, como casos con etiquetas discretas llamados problemas de clasificación. Las herramientas típicas son la regresión logística, las máquinas de vectores de soporte o las redes neuronales.

Aprendizaje no supervisado: significa el descubrimiento de regularidades ocultas o anomalías en los datos (por ejemplo, alguna función inusual de la máquina o una intrusión en la red). Por tanto, el aprendizaje no supervisado no requiere ningún dato anotado. Las herramientas típicas son los métodos de conjunto, los algoritmos de agrupamiento o el análisis de componentes principales.

Aprendizaje por refuerzo: el algoritmo toma medidas activas y aprende a optimizar sus acciones para maximizar alguna recompensa, es decir, el resultado deseado, en un desarrollo continuo de sí mismo. Tal algoritmo se puede utilizar, para aprender a jugar un juego interactivo, donde el dominio del problema debe ser explorado para crear el conjunto de datos de aprendizaje.

Si bien todos estos modelos de aprendizaje automático ofrecen beneficios potenciales en el campo de las END, los modelos de aprendizaje supervisado pueden integrarse más fácilmente en este marco actual. Pero estos métodos se pueden aplicar a un lote de datos ya disponible (aprendizaje por lotes) o a un flujo de datos entrante (aprendizaje en línea).

Aplicaciones del aprendizaje automático en los END para tuberías

Detección de defectos: Los algoritmos pueden identificar defectos o anomalías en las tuberías mediante el análisis de imágenes y datos recopilados. Esto permite una detección temprana y precisa de problemas que podrían dar lugar a fallas costosas.

Mantenimiento predictivo: Los modelos pueden predecir cuándo es probable que ocurra una falla en una tubería en función de datos históricos, condiciones operativas y patrones de desgaste. Esto permite predecir cuándo es necesario realizar mantenimiento en una tubería, reduciendo los riesgos de falla, el tiempo de inactividad no planificado y los costos asociados.

Optimización de recursos: Al analizar los datos de inspección, con este método, se puede ayudar a las empresas a asignar recursos de manera más eficiente, centrándose en las áreas que requieren una atención inmediata

Reducción de errores humanos: La automatización de la inspección con aprendizaje automático reduce la dependencia de la interpretación humana, lo que disminuye los errores y aumenta la confiabilidad de los resultados.

Análisis de historiales: Se pueden analizar los datos recopilados a lo largo del tiempo para identificar tendencias y patrones que pueden ser indicativos de problemas potenciales en el futuro.

Desafíos en la implementación del aprendizaje automático

Si bien esta herramienta ofrece muchas ventajas en la inspección de tuberías, su implementación no está exenta de desafíos. Algunos de los desafíos incluyen:

Recopilación de datos de calidad: Los datos deben ser precisos y representativos, esta recopilación puede ser complicada en entornos industriales. Uno de los primeros pasos a la hora de enfrentarse a los Ensayos No Destructivos en tuberías con el aprendizaje automático, es el disponer de datos de calidad y adecuado que sirvan de ejemplo para que los algoritmos aprendan.
Entrenamiento de modelos: La creación de modelos en este ámbito requiere una cantidad significativa de datos etiquetados y conocimientos en la selección y ajuste de algoritmos.

Interpretación de resultados: Puede ser compleja, y requiere de experiencia para tomar decisiones informadas basadas en los resultados del modelo.

Conclusiones

La inspección de tuberías es un aspecto crítico en una variedad de industrias. La detección temprana de defectos, la optimización de recursos y la reducción de errores humanos son solo algunas de las ventajas que ofrece esta tecnología.

La implementación exitosa del aprendizaje automático en la inspección de tuberías requiere una colaboración estrecha entre expertos en END, ingenieros de datos y profesionales. Además, de la recopilación de datos de alta calidad y el entrenamiento.