DE MODELOS PRESCRIPTIVOS A PROACTIVOS DATA SCIENCE: UNA OPORTUNIDAD PARA LA GESTION DE INTEGRIDAD
DE MODELOS PRESCRIPTIVOS A PROACTIVOS DATA SCIENCE: UNA OPORTUNIDAD PARA LA GESTION DE INTEGRIDAD
- 14 p. .PDF
Los marcos normativos y las prácticas recomendadas de gestión de integridad suelen definir dos posibles modelos de gestión de integridad. Los modelos prescriptivos establecen metodologías y plazos preestablecidos para realizar las evaluaciones de integridad. Además, están integrados dentro de un proceso de mejora continua que busca capitalizar las lecciones aprendidas y optimizar el proceso. Por otro lado, también contemplan la opción de migrar desde un modelo prescriptivo a uno proactivo, donde las definiciones y plazos no estén preestablecidos, sino que se determinan según la condición del activo. De esa manera, la operación puede ganar eficiencia, competitividad y generar optimizar los costos operativos mientras se mitigan los riesgos de manera dirigida. Para ello, es necesario capturar valor del comportamiento previo de los activos y desarrollar modelos confiables. El presente trabajo describe el desarrollo y validación de un modelo predictivo de integridad utilizando la base de datos AIIM Onshore Pipeline Database [1], la cual integra más de 350 variables ambientales y operativas. Además, se desarrolla un sistema para priorizar intervenciones en función del riesgo y se estiman los beneficios económicos asociados a la implementación de un sistema de integridad proactivo basado en ciencia de datos. La metodología propuesta se aleja de los calendarios fijos de inspección para centrarse en la condición y el entorno real del activo. Mediante técnicas de ciencia de datos (Data Science), se realizó un preprocesamiento exhaustivo y se compararon modelos estadísticos clásicos, como la Regresión Logística, con algoritmos de aprendizaje automático, específicamente Random Forest. Los resultados demuestran que el modelo de Random Forest clasifier (binario falla/no falla) presenta una capacidad superior para identificar segmentos con mayor susceptibilidad a fallas por corrosión, logrando un área bajo la curva (AUC) significativamente mayor que los métodos tradicionales, lo cual implica que el modelo es altamente eficaz para predecir condición. Adicionalmente al análisis del rendimiento técnico de los modelos, el trabajo introduce un análisis de captura de riesgo económico. Se demuestra que, mediante la jerarquización predictiva, es posible capturar una fracción dominante del riesgo económico (representado por el valor de construcción y agrícola de las áreas afectadas) asignando recursos en solo una pequeña fracción de los activos. Particularmente, limitando las actividades a un determinado porcentaje de los activos (ej: 20%), el modelo permitió capturar un 40% más de riesgo económico esperado respecto a modelos estadísticos clásicos (92,6% vs 65,3), mejorando sustancialmente la eficiencia en la asignación de recursos bajo restricciones presupuestarias.
Los marcos normativos y las prácticas recomendadas de gestión de integridad suelen definir dos posibles modelos de gestión de integridad. Los modelos prescriptivos establecen metodologías y plazos preestablecidos para realizar las evaluaciones de integridad. Además, están integrados dentro de un proceso de mejora continua que busca capitalizar las lecciones aprendidas y optimizar el proceso. Por otro lado, también contemplan la opción de migrar desde un modelo prescriptivo a uno proactivo, donde las definiciones y plazos no estén preestablecidos, sino que se determinan según la condición del activo. De esa manera, la operación puede ganar eficiencia, competitividad y generar optimizar los costos operativos mientras se mitigan los riesgos de manera dirigida. Para ello, es necesario capturar valor del comportamiento previo de los activos y desarrollar modelos confiables. El presente trabajo describe el desarrollo y validación de un modelo predictivo de integridad utilizando la base de datos AIIM Onshore Pipeline Database [1], la cual integra más de 350 variables ambientales y operativas. Además, se desarrolla un sistema para priorizar intervenciones en función del riesgo y se estiman los beneficios económicos asociados a la implementación de un sistema de integridad proactivo basado en ciencia de datos. La metodología propuesta se aleja de los calendarios fijos de inspección para centrarse en la condición y el entorno real del activo. Mediante técnicas de ciencia de datos (Data Science), se realizó un preprocesamiento exhaustivo y se compararon modelos estadísticos clásicos, como la Regresión Logística, con algoritmos de aprendizaje automático, específicamente Random Forest. Los resultados demuestran que el modelo de Random Forest clasifier (binario falla/no falla) presenta una capacidad superior para identificar segmentos con mayor susceptibilidad a fallas por corrosión, logrando un área bajo la curva (AUC) significativamente mayor que los métodos tradicionales, lo cual implica que el modelo es altamente eficaz para predecir condición. Adicionalmente al análisis del rendimiento técnico de los modelos, el trabajo introduce un análisis de captura de riesgo económico. Se demuestra que, mediante la jerarquización predictiva, es posible capturar una fracción dominante del riesgo económico (representado por el valor de construcción y agrícola de las áreas afectadas) asignando recursos en solo una pequeña fracción de los activos. Particularmente, limitando las actividades a un determinado porcentaje de los activos (ej: 20%), el modelo permitió capturar un 40% más de riesgo económico esperado respecto a modelos estadísticos clásicos (92,6% vs 65,3), mejorando sustancialmente la eficiencia en la asignación de recursos bajo restricciones presupuestarias.
