Introducción
La soldadura es el único proceso de fabricación de tuberías que se realiza en el campo. Debido a la falta de consistencia, las soldaduras son los lugares más comunes de fallas en una tubería. Incluso un proceso de soldadura perfectamente ejecutado introduce heterogeneidad en el material, particularmente en la zona afectada por el calor (ZAT) adyacente a la soldadura. Esta zona experimenta cambios térmicos y mecánicos significativos, incluido el engrosamiento del grano, transformaciones de fase y tensiones residuales. La ZAT también es especialmente susceptible al agrietamiento y la corrosión inducidos por tensión.
Además, los defectos de soldadura como la porosidad, la fusión incompleta y las inclusiones de escoria actúan como concentradores de tensión, lo que aumenta aún más el riesgo de falla en estos lugares de la tubería. La detección de estos defectos es un objetivo clave de la gestión de la integridad de las tuberías. Si bien los dispositivos tradicionales de fuga de flujo magnético (FFM) han logrado avances significativos en el área de inspección de soldaduras, enfrentan limitaciones en el manejo de tuberías con geometrías complejas.
La magnetometría remanente ofrece un enfoque alternativo al analizar las firmas magnéticas residuales dejadas por la soldadura y otros procesos que inducen estrés. Estas firmas proporcionan información valiosa sobre la integridad estructural de las soldaduras de las tuberías, lo que permite la identificación de posibles defectos.
Identificación de soldaduras
Lado izquierdo: Se podrían encontrar uniones claras al buscar picos. Lado derecho: No se podrían encontrar uniones claras al buscar picos.
Como la identificación de soldaduras carece de atributos articulables precisos que puedan permitir una programación imperativa, la solución más prometedora es una red neuronal (NN).
INGU Weld Net, la red neuronal de identificación de soldaduras de INGU, es una implementación de U-Net, una arquitectura de aprendizaje profunda ampliamente utilizada que se introdujo por primera vez en el trabajo “U-Net: Convolutional Networks for Biomedical Image Segmentation” (U-Net: Redes convolucionales para segmentación de imágenes biomédicas). Utilizamos un conjunto de entrenamiento de 110.000 muestras para entrenar INGU Weld Net, lo que dio como resultado un reconocimiento de soldadura automatizado del 95 %. Una tarea que normalmente llevaría días ahora se realiza en menos de una hora.
Los resultados de este trabajo se presentaron por primera vez en la Pipeline Technology Conference (Conferencia de Tecnología de Oleoductos) de 2023 en Berlín. Consulte nuestro artículo Pipeline joint identification using neural networks (Identificación de uniones de oleoductos mediante redes neuronales).
Clasificación de soldaduras
Las firmas magnéticas de las soldaduras en una tubería determinada tendrán algunas propiedades de soldadura genéricas y algunas características específicas de la tubería. Al aplicar el análisis de componentes principales (ACP), un método estadístico que transforma datos de alta dimensión en un espacio de menor dimensión preservando la mayor variación posible, se pueden clasificar las soldaduras en una tubería y se logran identificar las soldaduras anómalas en la tubería.
La esencia del método es que se identifican varias formas de núcleo (eigenwelds) en una soldadura y para cada soldadura en una tubería se determina qué combinación lineal de estas eigenwelds describe mejor la soldadura. En consecuencia, las eigenwelds no pueden describirse con las soldaduras propias más dominantes ya que son anómalas y vale la pena investigar.
Se pueden encontrar más detalles sobre este método en nuestro artículo Anomalous Weld Identification by Applying Principal Component Analysis to Magnetic Flux Density Data Captured by a Free-Floating ILI Tool (Identificación de soldaduras anómalas mediante la aplicación del análisis de componentes principales a los datos de densidad de flujo magnético capturados por una herramienta ILI de flotación libre).
Caso práctico de Cliente
Uno de los campos petrolíferos de nuestro cliente tenía una infraestructura de tuberías muy antigua que consistía en tuberías de dos y tres pulgadas. Cuando se creó la infraestructura, ninguna de las herramientas de inspección en línea convencionales con las que estamos familiarizados hoy tenía la capacidad de inspeccionar estas pequeñas tuberías y, por lo tanto, las tuberías de nuestro cliente nunca habían sido inspeccionadas. Cuando nuestro cliente detectó una falla en una tubería en el área, comenzaron a buscar una solución para inspeccionar de manera proactiva las tuberías en este campo. El cliente eligió utilizar Pipers® como su solución de evaluación del estado de sus tuberías.
Resultados de una inspección con Pipers®
Datos de Densidad de flujo magnético de Pipers
Corte de una soldadura. Lado izquierdo: interior del oleoducto. Lado derecho: exterior del oleoducto.