ANALÍTICA AVANZADA PARA DETECCIÓN DE ANOMALÍAS
ANALÍTICA AVANZADA PARA DETECCIÓN DE ANOMALÍAS
- 11 p. .PDF
Este proyecto presenta un caso de estudio aplicado a un operador de líneas de transmisión de gas, con el objetivo de aumentar la confiabilidad en la detección y clasificación de defectos en ductos mediante inteligencia artificial. La solución desarrollada se integra como una herramienta complementaria al sistema de inspección ILI (Inline Inspection), permitiendo validar y enriquecer los reportes generados por el proveedor de servicios ILI. El proceso comienza con la captura automatizada de imágenes de inspección, utilizando una aplicación de escritorio que registra pantallas a intervalos definidos. Estas imágenes se almacenan en una librería estructurada que sirve como base para el entrenamiento de modelos de IA. Para la detección de defectos no reportados, se aplica el algoritmo YOLO (You Only Look Once), que permite identificar anomalías en las imágenes con alta velocidad y precisión. Luego, los defectos detectados son dimensionados mediante un modelo de regresión basado en redes neuronales convolucionales (CNN), que estima parámetros como largo, ancho y profundidad, eliminando la subjetividad del análisis manual. Una vez dimensionados, los defectos se clasifican automáticamente según el estándar del Pipeline Operators Forum (POF), utilizando una herramienta que genera visualizaciones gráficas y reportes (Pipe tally) para todos los defectos detectados. Esta clasificación permite al operador de la línea de transmisión contrastar los resultados obtenidos por IA con los datos originales del pipe tally, identificando posibles omisiones o inconsistencias en el informe del proveedor ILI. El caso de estudio demuestra cómo esta herramienta puede integrarse en el flujo de trabajo del operador, proporcionando una segunda capa de validación técnica y facilitando la toma de decisiones en mantenimiento y gestión de integridad. La aplicación de modelos de inteligencia artificial en este contexto permite mejorar la eficiencia operativa, reducir el riesgo asociado a errores humanos, y optimizar los recursos destinados a la evaluación de integridad. Además, ofrece escalabilidad, adaptabilidad a distintos entornos operativos y la posibilidad de incorporar datos históricos y de campo para mejorar continuamente su desempeño. Este enfoque representa un avance significativo en la automatización del análisis ILI, con potencial para transformar los procesos de inspección en la industria del transporte de gas, promoviendo una gestión más proactiva y confiable de la infraestructura.
Este proyecto presenta un caso de estudio aplicado a un operador de líneas de transmisión de gas, con el objetivo de aumentar la confiabilidad en la detección y clasificación de defectos en ductos mediante inteligencia artificial. La solución desarrollada se integra como una herramienta complementaria al sistema de inspección ILI (Inline Inspection), permitiendo validar y enriquecer los reportes generados por el proveedor de servicios ILI. El proceso comienza con la captura automatizada de imágenes de inspección, utilizando una aplicación de escritorio que registra pantallas a intervalos definidos. Estas imágenes se almacenan en una librería estructurada que sirve como base para el entrenamiento de modelos de IA. Para la detección de defectos no reportados, se aplica el algoritmo YOLO (You Only Look Once), que permite identificar anomalías en las imágenes con alta velocidad y precisión. Luego, los defectos detectados son dimensionados mediante un modelo de regresión basado en redes neuronales convolucionales (CNN), que estima parámetros como largo, ancho y profundidad, eliminando la subjetividad del análisis manual. Una vez dimensionados, los defectos se clasifican automáticamente según el estándar del Pipeline Operators Forum (POF), utilizando una herramienta que genera visualizaciones gráficas y reportes (Pipe tally) para todos los defectos detectados. Esta clasificación permite al operador de la línea de transmisión contrastar los resultados obtenidos por IA con los datos originales del pipe tally, identificando posibles omisiones o inconsistencias en el informe del proveedor ILI. El caso de estudio demuestra cómo esta herramienta puede integrarse en el flujo de trabajo del operador, proporcionando una segunda capa de validación técnica y facilitando la toma de decisiones en mantenimiento y gestión de integridad. La aplicación de modelos de inteligencia artificial en este contexto permite mejorar la eficiencia operativa, reducir el riesgo asociado a errores humanos, y optimizar los recursos destinados a la evaluación de integridad. Además, ofrece escalabilidad, adaptabilidad a distintos entornos operativos y la posibilidad de incorporar datos históricos y de campo para mejorar continuamente su desempeño. Este enfoque representa un avance significativo en la automatización del análisis ILI, con potencial para transformar los procesos de inspección en la industria del transporte de gas, promoviendo una gestión más proactiva y confiable de la infraestructura.
