NDT con Inteligencia Artificial: Automatización para la inspección industrial 

Introducción

Los ensayos no destructivos (NDT) son fundamentales en la industria para garantizar la integridad y seguridad de los componentes sin comprometer su funcionalidad. Tradicionalmente dependientes del conocimiento humano para el análisis de datos y la detección de defectos, la integración de la inteligencia artificial (IA) en las evaluaciones no destructivas está impulsando una automatización sin precedentes en la inspección industrial. 

La IA incrementa la precisión, acelera los procesos, optimiza costos y minimiza el error humano, un factor significativo  en la interpretación de señales y datos. Este artículo explora la influencia de la IA en las inspecciones no destructivas, sus aplicaciones, beneficios, desafíos y el futuro de la automatización de la inspección.

¿Por qué la IA está ganando relevancia en NDT?

La inteligencia artificial constituye una herramienta considerable en la evaluación no destructiva. Mediante esta tecnología avanzada, es posible optimizar el procesamiento de señales, identificar con precisión daños estructurales incipientes y mejorar significativamente la toma de decisiones, mediante la aplicación de algoritmos de aprendizaje automático que operan en tiempo real sobre grandes volúmenes de datos dinámicos.

Adicionalmente, la implementación de NDT con inteligencia artificial en inspecciones automatizadas con IA (drones, robots, cámaras) facilita las evaluaciones en áreas de difícil acceso, incrementando la cobertura sin sacrificar la calidad¹. Los sistemas autónomos, habilitados por IA, realizan inspecciones continuas con mínima intervención humana. Además, la IA permite el análisis automatizado de datos en tiempo real, lo que facilita la programación del mantenimiento predictivo, reduce tiempos de inactividad y mejora la eficiencia operativa.

El técnico en NDT y la adaptación a la IA

El técnico en ensayos no destructivos debe estar capacitado tanto en las metodologías tradicionales de inspección, como en los fundamentos de inteligencia artificial. Debe tener conocimientos sólidos en interpretación de datos, funcionamiento de algoritmos de clasificación y manejo de plataformas digitales de monitoreo. 

Este proceso de adaptación requiere la actualización constante de sus competencias, abarcando tanto la interpretación de los análisis proporcionados por IA como la operación de plataformas automatizadas para optimizar las inspecciones industriales. El técnico en NDT moderno fusiona las capacidades de la IA con su experiencia, colaborando eficazmente con sistemas autónomos para mejorar la precisión y eficiencia de las inspecciones.

Beneficios del uso de la inteligencia artificial en técnicas avanzadas NDT

La IA optimiza el análisis de datos complejos en diversas técnicas no inspección no destructiva, impulsando los avances en reconocimiento de defectos y clasificación automática:

1. Ultrasonido (PAUT/FMC): El análisis automatizado de datos de señales complejas en pruebas ultrasónicas avanzadas optimiza la detección y dimensionamiento de defectos en materiales heterogéneos y geometrías irregulares. En PAUT y FMC, redes neuronales convolucionales (CNNs) como U-Net segmentan defectos en imágenes B-scan, cuantificando de forma precisa su tamaño y forma. Los algoritmos de deep learning caracterizan los defectos por tamaño, forma y orientación, y adaptan dinámicamente los parámetros de escaneo para una cobertura y sensibilidad superior.
2. Radiografía (RT/CR/DR): La IA optimiza el análisis de imágenes radiográficas para mejorar la detección de discontinuidades internas como grietas y porosidades, con mayor fiabilidad y menor índice de falsos positivos. Arquitecturas como Faster R-CNN localizan defectos con alta precisión; así mismo, el procesamiento avanzado mediante IA reduce el ruido y mejora la relación señal-ruido, obteniendo mejores resultados.
3. Termografía (TT): Automatiza la detección y el análisis de anomalías térmicas, identificando defectos superficiales o subsuperficiales y fallas incipientes en equipos. Los algoritmos realizan la segmentación de regiones de interés (ROI) y clasifican las anomalías (problemas eléctricos vs. mecánicos), compensando variaciones ambientales para un análisis preciso.
4. Líquidos Penetrantes (PT): La IA incrementa la sensibilidad en la detección de discontinuidades superficiales, incluso las de tamaño micrométrico mediante sistemas de visión artificial. Técnicas de procesamiento de imágenes como el realce de contraste adaptativo y el filtrado espacial, combinadas con modelos de IA, identifican patrones sutiles indicativos de defectos.
5. Corrientes Inducidas (ECT/ECA): Mejora la detección de defectos superficiales y subsuperficiales en materiales conductores con análisis de señales multifrecuenciales. Redes neuronales recurrentes (RNNs) y arquitecturas transformer analizan secuencias de datos de ECT, modelando respuestas complejas de señales ante diversos defectos y geometrías. Los algoritmos modernos interpretan la información localmente, creando y combinando miles de datos, donde cada uno puede centrarse en una característica diferente de la imagen, mejorando la detección y caracterización de defectos.

En el siguiente video, Acuren, una empresa dedicada a la inspección industrial, explica como está adoptando la transformación digital y la inteligencia artificial para optimizar los ensayos no destructivos. Su enfoque en la seguridad se complementa con la automatización y el análisis de datos para mejorar la eficiencia y reducir costos de inspección, buscando una industria más inteligente y segura.

Consideraciones de robustez y generalización de los modelos de IA

La robustez de los modelos de IA en NDT es necesaria para su rendimiento en entornos industriales reales, donde deben adaptarse a variaciones en los datos de entrada, como diferentes equipos de inspección industrial, variables operacionales o condiciones ambientales cambiantes. La generalización, es decir, la capacidad del modelo para identificar nuevos defectos y analizar materiales no vistos durante el entrenamiento, es otro reto importante.

Técnicas como la aumentación de datos (data augmentation), genera variaciones sintéticas de los datos de entrenamiento, y el aprendizaje por transferencia (transfer learning), reutiliza conocimientos de tareas similares, son estrategias clave para mejorar la robustez y la generalización en el análisis automatizado de datos para las pruebas no destructivas.

Explicabilidad e interpretabilidad de los modelos de inteligencia artificial (XAI)

La interpretabilidad de los modelos de IA es fundamental en las aplicaciones de pruebas no destructivas, donde las decisiones deben ser claras y completamente comprensibles. La Inteligencia Artificial Explicable (XAI) busca aumentar la transparencia en los procesos de toma de decisiones, permitiendo al técnico en NDT entender qué partes de los datos de entrada influyen en la predicción del modelo, lo que refuerza la confianza en los resultados obtenidos y facilita la validación del proceso de inspección.

La integración de IA con sensores avanzados y plataformas de Internet de las Cosas (IoT) facilita la creación de sistemas de inspección industrial automatizada y en tiempo real, incluyendo el uso de escaneo robotizado. Estos sistemas permiten la monitorización remota continua de infraestructuras críticas, como puentes, gasoductos y plantas industriales, donde los datos recopilados por sensores multimodales se procesan y analizan mediante algoritmos de IA. 

Mediante este análisis se logra la  detección a tiempo de anomalías, optimizando la identificación de posibles fallos estructurales, de corrosión o de rendimiento. Los sistemas habilitados por IA generan  señales de alertas antes de que se produzcan fallos, de esta forma se mejora  la fiabilidad operativa y minimiza los tiempos de inactividad no programados.

¿Puede la IA reemplazar al inspector humano en NDT?

Es comprensible la preocupación sobre si la inteligencia artificial podría reemplazar a los inspectores humanos en los ensayos no destructivos. Sin embargo, la realidad es todo lo contrario. La IA no reemplaza al inspector, representa una herramienta laboral complementaria , automatizando tareas repetitivas y optimizando el análisis de datos. A pesar de las mejoras en procesamiento de datos, la experiencia y el juicio del inspector siguen siendo necesarios para tomar decisiones finales, especialmente en situaciones complejas.

La integración de técnicas avanzadas de NDT, inteligencia artificial y robotización no reduce la importancia del trabajo del técnico; por el contrario, enfatiza la necesidad de contar con profesionales altamente capacitados que puedan operar y comprender estos nuevos equipos. A medida que la tecnología avanza, crece también la demanda de técnicos que manejen las herramientas, y que entiendan sus limitaciones y potencialidades; los sistemas de IA aplicados en NDT están concebidos para apoyar y facilitar el trabajo del inspector, no para sustituirlo. 

La colaboración efectiva entre humanos e IA es clave. Los inspectores pueden utilizar los análisis proporcionados por la IA para fundamentar sus decisiones con mayor precisión y eficiencia, la capacitación continua en estas herramientas asegura que los sistemas de IA se conviertan en aliados estratégicos, reforzando la responsabilidad final del inspector y mejorando la calidad general de las inspecciones.

Aplicaciones industriales de la IA en NDT

La integración de la IA en las evaluaciones no destructivas ha permitido nuevas aplicaciones industriales que mejoran la eficiencia y seguridad de las inspecciones:

• Inspección autónoma con drones y robots: Los drones y robots equipados con IA permiten realizar inspecciones detalladas en áreas de difícil acceso como plataformas offshore o estructuras de gran altura. Esto mejora la precisión y reduce los riesgos para los inspectores².
• Mantenimiento predictivo basado en IA: Los algoritmos permiten identificar patrones de fallo en los activos, anticipando problemas y facilitando la programación de modelos predictivos para mantenimiento basado en condición.
• Digitalización y transformación del mantenimiento: La digitalización de los datos generados por las inspecciones no destructivas, combinada con la IA, permite el desarrollo de plataformas de mantenimiento inteligentes que gestionan grandes volúmenes de datos, optimizan la trazabilidad de las actividades y facilitan la integración de diversas fuentes de datos en un sistema centralizado y accesible.

Métricas de evaluación del rendimiento de la IA en NDT

La eficacia de los modelos de IA en NDT se evalúa mediante métricas clave como la Precisión, la Recuperación, la Puntuación F1, el Área bajo la curva ROC (AUC) y la matriz de confusión.

Aunque la Probabilidad de Detección (POD) es una métrica utilizada en las pruebas no destructivas, su aplicación también se ve influenciada por los avances en IA, ya que los modelos pueden mejorar la POD al identificar defectos con mayor precisión y fiabilidad, optimizando así el cumplimiento de los estándares de calidad de la inspección. Los avances tecnológicos y la digitalización de la revolución industrial mejoran la POD, con la capacidad de los modelos de IA para realizar un análisis automatizado de datos con mayor exactitud. 

¿Cuál es el principal reto para implementar IA en NDT?

Uno de los principales problemas  en la implementación de IA en las evaluaciones no destructivas es la disponibilidad de grandes volúmenes de datos de alta calidad para entrenar los algoritmos utilizados. La recopilación de estos datos, especialmente en industrias con equipos obsoletos o en entornos complejos, puede ser una adversidad.

La integración de la IA con sistemas industriales existentes, requiere inversiones y tiempo de adaptación, ya que modificar los equipos y procesos en uso implica costos operativos; así mismo, es necesario garantizar la confiabilidad y trazabilidad de los resultados obtenidos, asegurando que los profesionales estén capacitados en el uso de IA y promoviendo una cultura organizacional que valore la colaboración entre la IA y los humanos para optimizar los resultados.

Conclusiones

La inteligencia artificial es un vector de transformación en los ensayos no destructivos. Su integración, desde inspección automatizada con IA hasta el análisis automatizado de datos predictivo y el mantenimiento basado en condición, redefine la gestión de la integridad de activos industriales. Pese a las complejidades relacionadas a su implementación, las ventajas inherentes son sustanciales. 

La correlación humano-máquina, potenciada por IA, optimiza la precisión y la eficiencia, al tiempo que abre nuevos paradigmas para la inspección industrial. La investigación y el desarrollo continuos en interpretabilidad, robustez e integración con sensores avanzados proyectan un futuro de optimización disruptiva para el dominio de los NDT.

Referencias

1. Sharma, K., Kumar, A., & Sharma, K. (2023). Integration of robotics and artificial intelligence in non-destructive testing: A review of applications and challenges. International Journal of Creative Research Thoughts (IJCRT), 11(11), 285–295. https://www.researchgate.net/publication/372817358_Integration_of_Robotics_and_Artificial_Intelligence_in_Non-Destructive_Testing_A_Review_of_Applications_and_Challenges
2. Mitchell, D., Blanche, J., Harper, S., Lim, T., Gupta, R., Zaki, O., Tang, W., Robu, V., Watson, S., & Flynn, D. (2022). A review: Challenges and opportunities for artificial intelligence and robotics in the offshore wind sector. Energy and AI, 8, 100146. https://doi.org/10.1016/j.egyai.2022.100146