BR112021011738A2

BR112021011738A2 - Método melhorado para avaliar condição de tubo

Info

Publication number: BR112021011738A2
Application number: BR112021011738-5A
Authority: BR
Inventors: Karim Claudio; Cyril LECLERC
Original assignee: Suez Groupe
Priority date: 2018-12-20
Filing date: 2019-10-31
Publication date: 2021-08-31
Also published as: CN113272642A; BR112021011732A2; BR112021011738A8; EP3899522A1; CN113518922A; US20220057367A1; WO2020127336A1; WO2020128605A1; EP3671201A1; BR112021011732A8; ES2938909T3; AU2019409127A1; SG11202106416UA; EP3671201B1; AU2019409709A1; US20220057365A1

Abstract

método melhorado para avaliar condição de tubo. a invenção refere-se a um método implementado por computador, programa de computador, e dispositivo para avaliar probabilidades baseadas no tempo de falha de seções de uma rede de tubo. para isso, as seções de tubo são agrupadas em classes com base em parâmetros estruturais e ambientais; dentro de cada classe, uma amostra de seções de tubo é selecionada para ser inspecionada. as pontuações que são obtidas através da inspeção são usadas para treinar um modelo de condições de tubo de uma classe, a fim de estimar as condições de tubo de tubos que não foram inspecionados. as condições de tubo são usadas para parametrizar um modelo preditivo de falhas de tubo.

Description

MÉTODO MELHORADO PARA AVALIAR CONDIÇÃO DE TUBO CAMPO DA INVENÇÃO

[001] A presente invenção refere-se ao campo de gestão de tubo para uma rede de distribuição de fluido. Mais especificamente, refere-se à previsão de falha de tubo.

FUNDAMENTOS DA TÉCNICA ANTERIOR

[002] Os fluidos, por exemplo, água, petróleo ou gás são normalmente fornecidos através de grandes redes que contêm um grande número de tubos. Com o tempo, os tubos estão sujeitos a degradações, por exemplo, devido à corrosão. Severas condições de tubo podem levar a vazamentos na rede. Portanto, é desejável avaliar a probabilidade de falhas de tubo, a fim de reparar ou substituir tubos danificados antes que eles quebrem ou criem vazamentos.

[003] O reparo de tubo pode de fato ser adaptado de acordo com a probabilidade de falha de cada tubo, mas também de acordo com as consequências de falhas. A consequência de uma falha pode ser dependente da importância de um tubo (por exemplo, uma falha em um tubo que fornece água para um hospital pode ser considerada especialmente deletéria), e / ou as consequências da quebra no ambiente circundante (por exemplo, a falha de um tubo de petróleo pode ser considerada muito prejudicial se o tubo estiver localizado em uma reserva natural). Se o reparo de tubo pode estar sujeito a regras diferentes, um reparo preciso do tubo sempre requer uma estimativa precisa da probabilidade de falha de tubo.

[004] Uma primeira solução para prever falhas de tubo consiste em realizar medições de terreno de todos os tubos para avaliar a degradação atual dos tubos e inferir a partir da degradação de tubo uma probabilidade de falha.

[005] Para fazer isso, os tubos podem ser inspecionados diretamente. Existem vários métodos de inspeção direta. Por exemplo, os tubos podem ser inspecionados visualmente. Os tubos também podem ser inspecionados por meio de medições. Por exemplo, um fluxo eletromagnético pode ser aplicado a um tubo e analisado. Também é possível realizar medições acústicas que consistem em enviar sinais acústicos e analisar a resposta de várias porções do tubo ao sinal acústico a fim de determinar sua espessura.

[006] No entanto, tais medições requerem o deslocamento de um operador, ou medições locais, o que limita o número de tubos que podem ser inspecionados. Além disso, permitem apenas uma avaliação de condição atual do tubo, mas não fornecem uma previsão de uma probabilidade futura de falha de tubo.

[007] Outros métodos são baseados em modelos estatísticos que permitem uma previsão de quebra de tubo com base em um histórico de quebras de tubo anteriores, e características do tubo. No entanto, esses métodos são imprecisos, porque um histórico de quebras de tubos anteriores não está disponível para todos os tubos, e a falta de informações relativas ao estado atual do tubo limita a precisão do método.

[008] Há, portanto, a necessidade de um método que permita uma estimativa precisa de falhas de tubo atuais e futuras em uma rede de tubos, mesmo com um histórico limitado de quebras de tubo e um número limitado de inspeções de tubos.

SUMÁRIO DA INVENÇÃO

[009] Para este efeito, a invenção divulga um método implementado por computador compreendendo: uma primeira etapa de agrupamento de seções de tubo de uma rede de tubos em um número de classes, com base em parâmetros de tubo em relação à estrutura ou ao ambiente das seções de tubo; e, para cada classe do referido número de classes: uma segunda etapa de extração de uma amostra de seções de tubo da classe; uma terceira etapa de obtenção, para cada amostra de seção de tubo, de uma ou mais pontuações de condição de tubo determinadas por um procedimento de avaliação de condição; uma quarta etapa de realização de uma estimativa de uma ou mais pontuações de condição de tubo para seções de tubo que não pertencem à amostra com base nos referidos parâmetros de tubo, a referida estimativa sendo parametrizada com as pontuações de condição de tubo e parâmetros de tubo das seções de tubo da amostra extraída na segunda etapa; uma quinta etapa de parametrização de um modelo preditivo de probabilidades de falhas de tubo de acordo com pontuações de condição de tubo; uma sexta etapa de realização de previsões temporizadas de probabilidades de falhas de tubo de acordo com o referido modelo preditivo.

[0010] Tais parâmetros de tubo podem, por exemplo, compreender um ou mais dentre: parâmetros estruturais (comprimento do tubo; material do tubo; diâmetro do tubo; idade do tubo ...), ou parâmetros ambientais ou circundantes (temperaturas do ambiente do tubo; umidade do ambiente do tubo; equipamentos próximos (por exemplo, a presença de uma estrada nas proximidades ou aeroporto que pode criar vibração que diminui a vida útil do tubo); qualidade da água;; pressão; variação de pressão; impulso; carga de tráfego; movimento do solo ...).

[0011] Um procedimento de avaliação de condição designa qualquer procedimento para avaliar a condição de um tubo usando um tipo de inspeção ou análise do tubo. Exemplos não limitativos de procedimentos de avaliação de condição, portanto, incluem inspeção visual, medições que podem ser realizadas no local (análise acústica, análise eletromagnética ...) ou coletar amostras e analisá-las em um laboratório. Mais geralmente, qualquer tipo de inspeção ou medição humana realizada nos tubos que permite avaliar a condição de tubo pode ser usado como um procedimento de avaliação de condição. Uma pontuação de condição de tubo é uma pontuação que caracteriza a condição de uma determinada seção de tubo. Uma pontuação de condição de tubo pode ser expressa usando várias escalas. Por exemplo, escalas que fornecem um estado indicativo do tubo (como "bom", "médio", "ruim" ...), escalas normalizadas entre 0 e 1 ou medições indicativas da condição de tubo (como espessura de tubo) podem ser usadas.

[0012] A primeira etapa agrupa as seções de tubo em um número de classes e, dentro de cada classe, as seções de tubo são afetadas por um processo de degradação substancialmente semelhante.

[0013] Como os procedimentos de avaliação de condição de tubo são longos e dispendiosos, o objetivo da segunda etapa é fornecer, para cada classe, um número limitado de seções de tubo que sejam tão representativas quanto possível das seções de tubo da classe, de modo que a avaliação de condição de um número limitado de seções de tubo na classe permite extrair regras gerais para estimar as condições de tubo de seções de tubo da classe com base em parâmetros de tubo. Os procedimentos de avaliação de condição fornecem, para as seções de tubo selecionadas, pontuações de condição de tubo confiáveis, porque se baseiam em uma inspeção, observações ou medição realizada no tubo real.

[0014] A quarta etapa consiste em realizar uma estimativa da condição de tubo para as seções de tubo para as quais nenhum procedimento de avaliação de condição foi realizado. Uma vez que as seções de tubo são agrupadas em classes de tubos afetados por processos de degradação substancialmente semelhantes, e um procedimento de avaliação de condição foi conduzido para algumas seções de tubo dentro de cada classe, a quarta etapa é parametrizada com precisão, e fornece uma estimativa confiável da condição de tubo.

[0015] A quinta etapa permite definir valores de parâmetros do modelo preditivo de falhas de tubo com base nas pontuações de condição de tubo. Isso permite obter previsões precisas de falhas de tubo dependendo do tempo porque, como uma pontuação de condição de tubo precisa está disponível para cada tubo, as previsões temporizadas de falha de tubo podem ser ajustadas à condição atual e à probabilidade de falha de cada tubo.

[0016] O método, portanto, permite realizar previsões temporizadas de probabilidades de falhas de tubo que são precisas para cada tubo da rede de tubos, com um número limitado de inspeções de tubos.

[0017] O método, portanto, fornece uma ferramenta muito poderosa para o planejamento de inspeções e renovação de tubo.

[0018] Vantajosamente, o modelo preditivo é um modelo probabilístico que prevê a probabilidade de falha de um tubo em função de pelo menos um histórico de falhas anteriores, a idade do tubo e fatores externos.

[0019] Os fatores externos representam cada parâmetro diferente do histórico de falha anterior, e idade do tubo, que tem um impacto na probabilidade de falha. Tal modelo apresenta, portanto, a vantagem de ser adaptável aos parâmetros disponíveis, pois os parâmetros podem ser integrados como fatores externos de acordo com sua disponibilidade.

[0020] Vantajosamente, as pontuações de condição tubo são integradas como fatores externos.

[0021] Isso permite uma integração eficiente da probabilidade de falha dentro dos modelos existentes.

[0022] Vantajosamente, o modelo preditivo de probabilidades de falhas de tubo consiste em uma combinação de: uma função preditiva de probabilidades de falhas de acordo com o tempo parametrizado com o referido pelo menos um parâmetro; uma probabilidade instantânea de falha determinada com base, pelo menos, nas pontuações de condição de tubo de cada tubo.

[0023] O modelo preditivo, portanto, fornece probabilidades precisas baseadas no tempo de falhas de tubo, porque a função preditiva fornece uma boa estimativa da evolução das probabilidades no tempo, enquanto a probabilidade instantânea de falha determinada com base nas pontuações de condição de tubo fornece boas estimativas da probabilidade de falha de um tubo no tempo atual.

[0024] Vantajosamente, o referido número de classes é um número predefinido de classes e a primeira etapa compreende a aplicação de um Modelo de Mistura Gaussiana

(GMM) aos tubos para agrupar as seções de tubo no referido número predefinido de classes.

[0025] Isso permite agrupar as seções de tubo em classes tendo membros com recursos homogêneos, permitindo assim um agrupamento eficiente das seções de tubo.

[0026] Vantajosamente, a segunda etapa de extração da amostra compreende: uma sétima etapa de inicialização de um conjunto de amostras candidatas de seções de tubo; uma oitava etapa de modificação iterativa do referido conjunto de amostras candidatas usando: um algoritmo genético com base em uma função objetivo compreendendo uma minimização da diferença de parâmetros de tubo médios das seções de tubo da amostra, e os parâmetros de tubo médios das seções de tubo da classe; uma nona etapa de seleção da amostra candidata que otimiza a referida função objetivo.

[0027] O algoritmo genético otimiza, ao longo de iterações sucessivas, a função objetivo que consiste em minimizar as diferenças entre os parâmetros médios da amostra e a classe. O algoritmo genético oferece a vantagem de permitir uma otimização da função enquanto testa amostras compreendendo combinações muito diferentes de seções de tubo. Isso permite, portanto, obter amostras cujos parâmetros de tubo médios são o mais próximo possível dos parâmetros de tubo médios das classes correspondentes. As amostras, portanto, fornecem uma boa representação das classes, e modelos confiáveis das classes podem ser construídos a partir dessas amostras. Além disso, os algoritmos genéticos têm uma complexidade computacional limitada.

[0028] Vantajosamente, o tamanho relativo de cada amostra é correlacionado negativamente com a homogeneidade relativa de cada classe correspondente.

[0029] Em geral, quanto mais homogênea é uma classe, menor o tamanho de amostra precisa ser para modelar com precisão o comportamento de degradação das seções de tubo da classe. Na verdade, um número menor de valores de treinamento é necessário para treinar um modelo, se os membros da classe forem homogêneos. Portanto, correlacionar negativamente os tamanhos relativos das amostras com as homogeneidades relativas das classes permite alocar um tamanho de amostras para otimizar a confiabilidade das previsões para todas as classes para um determinado número de procedimentos de condição de tubo a serem conduzidos.

[0030] Vantajosamente, o procedimento de avaliação de condição da terceira etapa é escolhido de um grupo compreendendo um ou mais dentre: uma análise de um fluxo eletromagnético aplicado à seção de tubo; uma análise acústica da seção de tubo; a extração, e análise em laboratório de uma amostra da seção de tubo; e em que cada um do procedimento de avaliação de condição fornece pontuações de condição de tubo na mesma escala.

[0031] Isso permite selecionar o método de medição ou observação mais adaptado para cada seção de tubo e comparar facilmente as medições ou observações entre as seções de tubo.

[0032] Vantajosamente, os procedimentos de avaliação de condição fornecem duas ou mais pontuações de condição de tubo correspondentes a diferentes partes de seções de tubo e escolhidas em um grupo compreendendo: uma pontuação de condição de revestimento interno; uma pontuação de condição de revestimento externo; uma pontuação de condição de junta.

[0033] Isso permite avaliar a evolução da condição de diferentes partes de seções de tubo. Isso é útil porque a condição de diferentes partes dos tubos pode evoluir de maneiras diferentes, dependendo dos parâmetros estruturais e ambientais do tubo.

[0034] De forma vantajosa, uma única pontuação de condição de tubo é obtida a partir de dois ou mais pontos de condição de tubo que correspondem a diferentes partes de seções de tubo, usando uma soma ponderada ou ortogonal.

[0035] Isso permite resumir a condição de tubo dentro de uma única pontuação de condição de tubo que leva em consideração as degradações específicas de diferentes partes do tubo.

[0036] Vantajosamente, a uma ou mais pontuações de condição de tubo estão associadas a um ou mais índices de confiabilidade.

[0037] Isso permite levar em consideração a confiabilidade de cada medição, a fim de modelar da forma mais eficiente possível a evolução das condições de tubo.

[0038] Vantajosamente, realizar uma estimativa de uma ou mais pontuações de condição de tubo para seções de tubo que não pertencem à amostra compreende: treinar, para uma classe, um mecanismo de aprendizagem de máquina supervisionado que prevê pontuações de condição de tubo com base em parâmetros de tubo usando seções de tubo que pertencem à amostra; usar o referido mecanismo de aprendizagem de máquina supervisionado para prever pontuações de condição de tubo com base nos parâmetros de tubo das seções de tubo da classe que não pertencem à amostra.

[0039] Isso permite uma modelagem eficiente das condições de tubo, porque os tubos foram previamente agrupados em classes de seções de tubo semelhantes e um modelo é treinado para cada classe. O modelo é, portanto, bem adaptado às seções de tubo em que será aplicado.

[0040] Vantajosamente, o referido mecanismo de aprendizagem de máquina supervisionado é um mecanismo de aprendizagem de máquina de floresta aleatória.

[0041] Um algoritmo de floresta aleatória é especialmente bem adequado para esta tarefa. Na verdade, uma floresta aleatória remove os parâmetros de tubo que não são preditivos das condições de tubo. Isso é especialmente eficaz aqui, porque um grande número de parâmetros estruturais ou ambientais pode ser usado. O algoritmo de floresta aleatória usa automaticamente apenas os parâmetros que realmente permitem prever a condição de tubo.

[0042] A invenção também divulga um produto de programa de computador, armazenado em um meio legível por computador não transitório, o referido produto de programa de computador compreendendo instruções de código para executar um método de acordo com um aspecto da invenção.

[0043] A invenção também divulga um dispositivo compreendendo um processador configurado para executar um método de acordo com um aspecto da invenção.

BREVE DESCRIÇÃO DOS DESENHOS

[0044] A invenção será melhor compreendida e suas várias características e vantagens surgirão a partir da seguinte descrição de um número de modalidades exemplares e suas figuras anexas, nas quais:

A Figura 1 exibe uma rede de tubos na qual um método de acordo com a invenção pode ser implementado; A Figura 2 exibe um método implementado por computador de acordo com a invenção; A Figura 3 exibe um exemplo de agrupamento de tubos em uma modalidade da invenção; A Figura 4 representa um exemplo de parametrização de um modelo preditivo de probabilidades de falhas de tubo de acordo com pontuações de condição de tubo em um número de modalidades da invenção; A Figura 5 representa a relação entre as falhas previstas e reais do tubo, com um modelo, respectivamente, com e sem o uso de pontuações de condição de tubo.

DESCRIÇÃO DETALHADA DA INVENÇÃO

[0045] A Figura 1 exibe uma rede de tubos na qual um método de acordo com a invenção pode ser implementado.

[0046] A rede 100 exibida na Figura 1 representa uma rede de distribuição de água e compreende uma pluralidade de nós 110, 111, 112, 113, 114, 115, 116 e 117, e uma pluralidade de arcos 120, 121, 122, 123, 124, 125, 126, 127 e 128. Os nós normalmente representam as conexões com fontes de água ou reservatórios de água, por exemplo, o reservatório 130 no nó 116, as conexões com o usuário do sistema de distribuição de água, por exemplo, consumo 131 no nó 113 e as conexões entre os arcos. Os arcos representam tubos entre os nós. A rede pode ser equipada com equipamentos como válvulas e bombas. Uma bomba 132 está, por exemplo, presente no arco

120. Mais geralmente, um nó pode ser uma junção entre dois ou três tubos, um ponto no qual as entradas ou saídas da rede são encontradas, por exemplo, um ponto onde um usuário consome água, ou um ponto em que a água é injetada na rede. Um nó também pode representar uma sub-rede, por exemplo, uma vizinhança agrupada em um único nó.

[0047] A rede exemplar da Figura 1 tem um baixo número de tubos. No entanto, uma rede típica de água tem um número muito maior de tubos. Por exemplo, a invenção pode ser aplicada a redes de tubos compreendendo 10.000 km, ou mesmo mais, de tubos. Por exemplo, a invenção pode ser aplicada a redes de tubos que representam uma área metropolitana. Por exemplo, a rede de distribuição de água potável da área de Paris compreende cerca de 37.000 km de tubos; a rede de distribuição de água potável da área de Tóquio compreende cerca de 27.000 km de tubos; a rede de distribuição de água potável da área de Londres compreende cerca de 21.000 km de tubos; a rede de distribuição de água potável da área de Adelaide compreende cerca de 9.000 km de tubos; a rede de distribuição de água potável da área de Casablanca compreende 4.500 km de tubos. O comprimento total dos tubos de água potável na União Europeia é estimado em cerca de 4.230.000 km.

[0048] Cada tubo da rede pode ser progressivamente degradado ao longo do tempo e quebrar quando a degradação se torna muito importante. Um objetivo da invenção é, portanto, obter uma estimativa confiável da condição de tubo e da probabilidade de quebras no futuro, a fim de planejar a inspeção, reparo e renovação do tubo da maneira mais eficiente possível.

[0049] Embora a Figura 1 exiba uma rede de distribuição de água, a invenção pode ser aplicada a outros tipos de redes de fluidos, tais como redes de distribuição de petróleo ou gás.

[0050] A Figura 2 exibe um método implementado por computador de acordo com a invenção.

[0051] Um dos objetivos do método implementado por computador de acordo com a invenção é determinar probabilidades baseadas no tempo de falhas de tubo em uma rede de tubos, ou seja, ser capaz de prever, para qualquer tubo de uma rede de tubos, uma probabilidade confiável de falha em um determinado momento.

[0052] O método 200 se aplica a uma rede de tubos, que pode ser, por exemplo, uma rede de distribuição de água, petróleo ou gás. A rede é formada por tubos interligados. Os tubos são divididos em seções. Uma seção de tubo pode ser um tubo inteiro ou uma parte de um tubo. Pode ser útil dividir tubos grandes em uma pluralidade de seções, porque a seção pode estar localizada em ambientes diferentes e, assim, a condição de tubo pode evoluir de forma diferente ao longo do tempo para as várias seções do mesmo tubo. Por outro lado, tubos adjacentes e interconectados podem ser agrupados dentro da mesma seção de tubo, se eles compartilham certas propriedades (por exemplo, o mesmo material, espessura, etc.). As seções de tubo podem ser definidas de acordo com regras diferentes. Por exemplo, os tubos podem ser divididos em seções: - de acordo com as mudanças nos recursos dos tubos ou mudanças ambientais (ou seja, um tubo pode ser dividido em seções se o material do tubo mudar, se houver uma modificação significativa do ambiente ao longo do comprimento do tubo, etc.); - graficamente, por um usuário definindo manualmente os limites das seções de tubo; - para refletir um comprimento máximo de uma única seção de tubo.

[0053] O método 200 pode ser implementado dentro de uma solução de gestão de ativo que permite controlar a condição dos tubos em uma rede, prevendo as probabilidades de falhas dos tubos e planejando a manutenção e renovação dos tubos. Tal solução também pode permitir a gestão de outros ativos da rede, como reservatório, bombas, etc.

[0054] Uma solução de gestão de ativo tem acesso a um ou mais armazenamentos de dados que armazenam informações relativas aos ativos. Por exemplo, isso pode conceder acesso a valores de vários parâmetros de tubo. Tais parâmetros de tubo podem, por exemplo, compreender um ou mais de: - parâmetros estruturais: - comprimento do tubo; - material do tubo; - diâmetro do tubo; - idade do tubo; - parâmetros ambientais ou circundantes: - temperaturas do ambiente do tubo; - umidade do ambiente do tubo; - equipamentos próximos (por exemplo, a presença de uma estrada ou aeroporto próximo que pode criar vibrações que diminuem a vida útil do tubo); - qualidade da água; - pressão; - variação de pressão; - impulso; - carga de tráfego;

- movimento do solo; - ...

[0055] Esses parâmetros influenciam a evolução das condições de tubo, e a probabilidade de falha de tubo ao longo do tempo. Por exemplo, um tubo que é sujeito a temperaturas extremas, alta umidade, ou vibração criada por uma infraestrutura próxima estará sujeito a uma degradação mais rápida. A taxa de degradação também depende dos parâmetros estruturais dos tubos, por exemplo, o material e o diâmetro do tubo. Certos parâmetros também podem interagir. Por exemplo, o impacto da umidade no tubo pode depender do material do tubo.

[0056] Em um número de modalidades da invenção, os valores dos parâmetros de tubo podem ser recuperados, para cada seção de tubo, usando algum tipo de armazenamento ou banco de dados.

[0057] O método 200 compreende uma primeira etapa 210 de agrupamento de seções de tubo de uma rede de tubos em um número de classes, com base em parâmetros de tubos.

[0058] Esta primeira etapa 210 consiste em agrupar as seções de tubo que compartilham parâmetros semelhantes dentro da mesma classe. As seções de tubo que pertencem à mesma classe, portanto, provavelmente evoluirão em uma maneira semelhante ao longo do tempo.

[0059] Isso pode ser realizado de diferentes maneiras. Algoritmos de aprendizagem de máquina não supervisionados são especialmente adequados para agrupar os tubos. O agrupamento pode ser realizado com base em qualquer combinação de parâmetros de tubo. Por exemplo, o agrupamento pode ser realizado de acordo com um ou mais parâmetros esperados para ter um impacto na degradação de tubo: material, diâmetro, comprimento, pressão, qualidade da água, qualidade do solo, permanência atual, tráfego rodoviário, etc ... O agrupamento pode ser realizado para dividir as seções de tubo em um número alvo de classes, por exemplo, um número alvo de classes predefinidas por um operador. Por exemplo, um número alvo de quatro classes pode ser usado. O número de classes também pode ser adaptado para evitar classes com um número muito baixo de membros, que pode não ser muito significativo. O número de classes também pode ser adaptado ao tamanho da rede: por exemplo, um número menor de classes pode ser usado para redes pequenas (ou seja, redes com um comprimento total de tubos igual ou inferior a um limiar predefinido). As classes também podem ser mescladas a posteriori. Por exemplo, uma classe com um baixo número de membros pode ser mesclada com uma classe com características semelhantes.

[0060] Diferentes modelos ou algoritmos podem ser usados para realizar o agrupamento. Por exemplo, um modelo Modelo de Mistura Gaussiana (GMM) fornece bons resultados de agrupamento, pois permite a obtenção de classes tendo membros homogêneos.

[0061] A Figura 3 exibe um exemplo de agrupamento de tubos em uma modalidade da invenção.

[0062] Os tubos foram agrupados de acordo com uma pluralidade de variáveis, incluindo o material e o diâmetro do tubo.

[0063] A tabela abaixo exibe algumas características de cada um dos agrupamentos representados na Figura 3 (número de tubos, comprimento total dos tubos e indicador de degradação média dos tubos). O indicador de degradação média é, neste exemplo, um valor entre 0 e 1 que indica a degradação média dos tubos no agrupamento. É calculado com base nos tubos que foram inspecionadas e, quanto mais alto, mais degradados estão os tubos. Indicador Número Comprimento de Agrupamento de total (km) degradação tubo média

1.1.1 1020 13.0638 0,00073396

1.1.2 2258 135,3849 0,0024462

1.1.3 815 120.05081 0,0064775

1.1.4 166 27.93472 0,05668984

1.2.1 530 7.21911 0,00052549

1.2.2 789 62.2254 0,00194201

1.2.3 284 59.06881 0,00553672

1.2.4 47 10.98917 0,03270694

1.3.1 382 28.36028 0,00056146

1.3.2 80 23,96238 0,00243233

2.1.1 782 9.87718 0,00612382

2.1.2 1254 86.93611 0,02006067

2.1.3 510 73,66109 0,05917312

2.1.4 148 31,74353 0,18194432

2.2.1 668 17.24092 0,00573948

2.2.2 306 42,75907 0,02044657

2.2.3 83 27,5024 0,0816995

2.3.1 251 11.7555 0,00253111

2.3.2 89 17,10164 0,00913077

2.3.3 33 12,83664 0,02550907

3.1.1 469 24.27088 0,00239257

4.1.1 50 9,86144 0,0112026 Tabela 1 - Estatísticas relativas a agrupamentos de tubos

[0064] Voltando à Figura 2, o método 200 compreende uma segunda etapa 220 de extrair, para cada classe, uma amostra de seções de tubo da classe.

[0065] Esta etapa consiste em identificar, para cada classe, um número de seções de tubo a serem inspecionadas. Como será explicado em mais detalhes a seguir, essas seções de tubo identificadas serão inspecionadas no local para obter uma pontuação de condição de tubo, a fim de ser capaz de estimar as pontuações de condição de tubo a partir de parâmetros de tubo dentro de cada classe. A segunda etapa 220 fornece, para cada classe, um número limitado de seções de tubo que são tão representativas quanto possível das seções de tubo da classe.

[0066] As seções de tubo da amostra podem ser selecionadas de acordo com um número de técnicas e restrições.

[0067] De acordo com várias modalidades da invenção, a amostra pode ser definida para compreender um número ou porcentagem máximo de seções de tubo da classe. Por exemplo, a amostra pode compreender vinte seções de tubo entre cem seções de tubo que pertencem a uma classe. Esse número ou porcentagem máximo pode ser definido de diferentes maneiras. Por exemplo, pode ser definido por um operador, porque corresponde a um número de tubos que se espera ser suficiente para permitir uma boa estimativa das pontuações de condição de tubo, e / ou devido a um número máximo de seções de tubo que correspondem a um orçamento definido para inspeção de tubo.

[0068] Em um número de modalidades da invenção, um orçamento total para inspeção de tubo, correspondendo a um número definido de procedimentos de avaliação de condição de tubo, é alocado entre as diferentes classes. Este número de procedimentos de condições de tubo pode ser dividido entre as diferentes amostras. Os tamanhos das amostras podem ser definidos de acordo com os tamanhos relativos e homogeneidade das classes. Na verdade, um número menor de procedimentos de inspeção de tubo é necessário para fornecer uma modelagem confiável de classe homogênea. Assim, um tamanho menor da amostra pode ser alocado para classes mais homogêneas.

[0069] O requerente apresentou, no domínio da estimativa em tempo real do consumo de fluido, um pedido de patente internacional publicado sob o No. WO 2014/060655. O método de estimativa do consumo de fluido depende da classificação dos usuários em classes de usuários tendo perfis de consumo semelhantes, a medição em tempo real do consumo de uma amostra de usuários para cada classe, e a estimativa de um consumo total da rede com base nestas medições em tempo real.

[0070] Este pedido de patente enfrenta o mesmo problema de alocar um número ótimo de usuários para diferentes classes, a fim de ter a melhor estimativa global com um número limitado de medições em tempo real. Para resolver este problema, o requerente definiu uma fórmula para definir os tamanhos das amostras em função do tamanho alvo total das amostras, do tamanho e da dispersão de cada classe. Esta fórmula é fornecida p. 7 l. 15-28 da referida publicação internacional. Esta fórmula pode ser aplicada mutadis mutandis à alocação dos tamanhos das amostras de seções de tubo da invenção, com base nos tamanhos relativos e dispersão de valores dos parâmetros de tubo na invenção. A dispersão pode aqui ser a dispersão das pontuações de condição de tubo ou, mais geralmente, um indicador de degradação de cada tubo que pode ser calculado com base em falhas anteriores, ou os mesmos parâmetros que as pontuações de condição de tubo. Aqui, os tamanhos das amostras permitem uma modelagem eficiente de cada classe, pois as classes com tubos mais heterogêneos serão modeladas usando um número relativamente maior de avaliações de condição de tubo.

[0071] Em um número de modalidades da invenção, a amostra compreende seções de tubo, para as quais uma inspeção foi previamente planejada. Isso pode ser, por exemplo, seções de tubo que já se espera que já estejam em um estado crítico e / ou que estão planejadas para serem inspecionadas pelo plano de inspeção do operador. Isso permite economizar orçamento de inspeção de tubo, pois as inspeções já planejadas serão utilizadas para alimentar a amostra.

[0072] Em um número de modalidades da invenção, uma amostra compreende seções de tubo selecionadas aleatoriamente. Isso oferece a vantagem de ser simples, mas falha em garantir que as seções de tubo selecionadas sejam bastante representativas da classe.

[0073] Em um número de modalidades da invenção, uma amostra compreende seções de tubo que se espera que sejam as mais representativas da classe. Isso permite obter uma amostra que fornece, para um determinado número de tubos, a melhor estimativa da condição de tubo com base nos parâmetros de tubo. Pode-se esperar que as seções de tubo sejam as mais representativas da classe, por exemplo, se seus parâmetros de tubo forem o mais próximo possível da média dos parâmetros de tubo dentro da classe. Isso pode ser realizado para cada seção de tubo individualmente, garantindo que os parâmetros de cada seção de tubo selecionada sejam individualmente o mais próximo possível da média das seções de tubo da classe.

[0074] Também pode ser realizado para a amostra como um todo, ao assegurar que a média dos parâmetros dos tubos de amostra estão tão perto quanto possível para a média dos parâmetros de tubo. Isso apresenta a vantagem de garantir que as seções de tubo da amostra sejam, como um todo, representativas das seções de tubo da classe. Também permite selecionar uma amostra de seções de tubo representativas da classe, mesmo que a seleção de algumas seções de tubo das amostras seja restrita (por exemplo, porque algumas seções de tubo são obrigatoriamente selecionadas porque pertencem ao plano de inspeção de tubo do operador). Em um número de modalidades da invenção, as seções de tubo da amostra são selecionadas usando um algoritmo genético. Isso consiste em inicializar um conjunto de amostras candidatas e, em seguida, modificar iterativamente esse conjunto por meio de seleção, cruzamento e mutação, a fim de obter amostras candidatas de forma iterativa.

[0075] Algoritmos genéticos usam uma função objetivo que permite classificar amostras candidatas a fim de selecionar os melhores candidatos. Em um número de modalidades da invenção, a função objetivo compreende uma minimização de uma diferença entre a média dos parâmetros de tubo da amostra e a média dos parâmetros de tubo da classe. Assim, em iterações sucessivas, as amostras de tubo candidatas tornam-se mais representativas da classe.

[0076] De acordo com várias modalidades da invenção, todas as seções de tubo da amostra podem ser modificadas em cada iteração, ou algumas seções de tubo são mantidas em todas as amostras (por exemplo, seções de tubo que serão inspecionadas de qualquer maneira no plano de inspeção de tubo do operador). O algoritmo genético fornece a capacidade de obter amostras de tubos que são representativas da classe, mesmo com restrições relativas à seleção de seções de tubo.

[0077] Finalmente, a amostra candidata que otimiza a função de custo, ou seja, a amostra candidata que é considerada como a mais representativa da classe, é selecionada.

[0078] O método 200 compreende ainda uma terceira etapa 230 de obtenção, para cada seção de tubo em cada amostra para cada classe, de uma ou mais pontuações de condição de tubo determinadas por um procedimento de avaliação de condição.

[0079] Conforme explicado acima, as seções de tubo que são selecionadas por fazerem parte de uma amostra são inspecionadas. Diferentes procedimentos de avaliação de condição podem ser usados. Por exemplo, as condições de tubo podem ser avaliadas usando: - um fluxo eletromagnético; - uma análise acústica; - a extração de amostra dos tubos, que estão sendo analisados em laboratório; - inspeção visual; - CFTV e visão computacional; - tomografia;

- inspeção de drone; - ...

[0080] O procedimento de avaliação de condição pode ser o mesmo para todas as seções de tubo ou pode ser selecionado especificamente para cada seção de tubo. A seleção de um procedimento de avaliação de condição pode ser realizada, dependendo da viabilidade técnica de cada método no ambiente da seção de tubo, ou porque um procedimento é particularmente adequado para uma determinada seção de tubo. Por exemplo, tubos metálicos podem ser inspecionados com técnicas de fluxo eletromagnético ou acústicas, enquanto tubos não metálicos podem ser inspecionados por meio da coleta de uma amostra e envio da mesma para um laboratório. A técnica de inspeção também pode ser escolhida de acordo com a criticidade de um tubo, definida pelo operador. Por exemplo, uma seção de tubo que atende a um hospital, ou ao centro de uma cidade, pode ser considerada mais crítica. Assim, um procedimento de avaliação de condição de tubo mais preciso, ou um procedimento que fornece mais informações sobre o tubo, como coleta de amostra e análise laboratorial, pode ser escolhido, mesmo que seja mais caro.

[0081] O procedimento de inspeção de tubo, também pode ser escolhido de acordo com a sua viabilidade técnica. Por exemplo, a inspeção acústica é um método barato que não requer a abertura de uma vala para alcançar o tubo, mas a inspeção acústica atual pode ser realizada apenas em tubos metálicos com menos de duzentos metros de comprimento. Assim, uma inspeção acústica pode ser realizada sempre que for tecnicamente possível e, se não for, podem ser usados outros métodos mais dispendiosos.

[0082] Cada um desses procedimentos de avaliação de condição permite fornecer uma ou mais pontuações de condição de tubo da seção de tubo que foi inspecionada. A pontuação de condição de tubo indica um nível de degradação da seção de tubo. Quando procedimentos diferentes são usados, sua saída pode ser expressa usando escalas diferentes. Por exemplo, uma análise acústica fornece uma espessura residual de um tubo (ou, inversamente, um valor ou porcentagem de espessura perdida), enquanto um teste de laboratório de uma amostra de um tubo fornece um número de medições do tubo, como a presença de corrosão e tipo de corrosão para corrosão interna e / ou externa, espessura residual, nível de obstrução, nível de grafitização, etc.

[0083] A fim de obter medições homogêneas e comparáveis, as pontuações de condição de tubo podem ser transformadas em uma escala normalizada, de modo que diferentes métodos de inspeção forneçam uma pontuação de condição de tubo usando a mesma escala, e todas as pontuações de condições de tubo possam ser comparadas. Por exemplo, pontuações de condição de tubo variando de 0 a 1 podem ser usadas, em que 0 corresponde a uma condição perfeita e 1 a uma condição de falha. Assim, cada seção de tubo pode ser inspecionada usando o procedimento mais relevante (dependendo das características da seção de tubo e / ou da viabilidade de diferentes métodos de inspeção), enquanto a saída dos procedimentos pode ser comparada. Por exemplo, se for utilizada uma análise acústica, as espessuras residuais podem ser transformadas em valores homogêneos entre 0 e 1; nos testes de laboratório, as pontuações relativas aos diferentes parâmetros de análise podem ser ponderadas de acordo com sua importância relativa.

[0084] As pontuações de condição de tubo também podem pertencer a um número finito de estados, por exemplo 3 estados: "bom", "médio" ou "ruim".

[0085] Em um número de modalidades da invenção, uma pluralidade de pontuações de condição é obtida para cada tubo, o que corresponde a diferentes partes da seção de tubo. Por exemplo, a observação pode gerar um vetor de 3 pontuações de condições de tubo para uma seção de tubo: - uma pontuação de condição de revestimento interno; - uma pontuação de condição de revestimento externo; - uma pontuação de condição de junta.

[0086] Isso permite avaliar a evolução da condição de diferentes partes de seções de tubo. Isso é útil porque a condição de diferentes partes dos tubos pode evoluir de maneiras diferentes, dependendo dos parâmetros estruturais e ambientais do tubo. Usar um vetor de pontuações de condição de tubo que corresponde a várias partes da seção de tubo permite, portanto, leva em consideração a degradação de diferentes partes do tubo.

[0087] As pontuações de condição de tubo ou o vetor podem então ser somados usando uma soma ortogonal ou ponderada, a fim de obter uma única pontuação de condição de tubo para a seção de tubo. Isso permite resumir a condição de tubo em uma única pontuação de condição de tubo que leva em consideração as degradações específicas de diferentes partes do tubo.

[0088] Em um número de modalidades da invenção, as pontuações de condição de tubo estão associadas a um ou mais índices de confiabilidade. Os índices de confiabilidade indicam quão precisas e confiáveis são as pontuações de condição de tubo observadas. Por exemplo, os índices de confiabilidade podem depender do método de observação. Por exemplo, pode depender da confiabilidade do instrumento que realizou a medição. Uma medida usando um instrumento também pode ser considerada mais confiável do que a observação visual.

[0089] De acordo com um número de modalidades da invenção, quando um vetor de uma pluralidade de pontuações de condição de tubo correspondentes a diferentes partes de uma seção de tubo é obtido, pode haver ou um único índice de confiabilidade para todo o vetor, ou um índice de confiabilidade para cada condição de tubo no vetor. Usar um índice de confiabilidade para cada condição de tubo no vetor permite ajustar a indicação de confiabilidade das medições ou observações, quando a precisão de um método de observação é variável para as diferentes partes do tubo. Por exemplo, espera-se que uma observação visual seja mais confiável para avaliar a condição do revestimento externo do que a condição do revestimento interno do tubo. Pontuações de condição de tubo resultantes de observações visuais podem, portanto, ser associadas ao índice de confiabilidade médio para revestimento externo, mas baixo índice de confiabilidade para revestimento interno.

[0090] O método 200 compreende ainda uma quarta etapa 240 de realizar uma estimativa de uma ou mais pontuações de condição de tubo para seções de tubo que não pertencem a uma amostra com base nos referidos parâmetros de tubo, a referida estimativa sendo parametrizada com as pontuações de condição de tubo e parâmetros de tubo para as seções de tubo nas amostras.

[0091] Esta etapa consiste em treinar um modelo, para cada uma das classes, com base nas pontuações de condição de tubo que são obtidas por meio de procedimentos de avaliação de condição de tubo, em seguida, usar o modelo para estimar pontuações de condições de tubo que não estavam sujeitas a um procedimento de avaliação de condição.

[0092] Este processo permite uma modelagem eficiente das condições de tubo, porque os tubos foram previamente agrupados em classes de seções de tubo semelhantes, e um modelo é treinado para cada classe. O modelo é, portanto, bem adaptado às seções de tubo em que será aplicado.

[0093] Esta etapa pode ser realizada de maneiras diferentes. Por exemplo, um modelo estatístico de regressão linear pode ser treinado, para cada classe, por ajustar os parâmetros de tubo às pontuações de condição de tubo, para as seções de tubo cujas condições foram avaliadas.

[0094] Isso também pode ser alcançado por treinar um modelo de aprendizagem de máquina supervisionado com os tubos cujas condições foram avaliadas. Assim, um mecanismo de aprendizagem de máquina pode ser alimentado, para cada classe, com os parâmetros de tubo e pontuações de condição de tubo das seções de tubo que foram inspecionadas e, em seguida, usado para prever pontuações de condição de tubo com base em parâmetros de tubo para as seções de tubo que não foram inspecionadas.

[0095] Um algoritmo de floresta aleatória é especialmente bem adequado para esta tarefa. Na verdade, uma floresta aleatória remove os parâmetros de tubo que não são preditivos das condições de tubo. Isso é especialmente eficaz aqui, porque um grande número de parâmetros estruturais ou ambientais pode ser usado. O algoritmo de floresta aleatória usa automaticamente apenas os parâmetros que realmente permitem prever a condição de tubo.

[0096] O método 200, portanto, permite uma estimativa precisa do estado de cada tubo em uma grande rede de tubos, enquanto realiza a inspeção de apenas um número limitado de tubos, o que permite economizar tempo e dinheiro. Além disso, permite a qualquer momento obter uma estimativa confiável do estado de cada tubo da rede.

[0097] O método 200 compreende ainda uma quinta etapa 250 de parametrização de um modelo preditivo de probabilidades de falhas de tubo de acordo com pontuações de condição de tubo.

[0098] O modelo preditivo de probabilidades de falhas de tubo é um modelo que é capaz de calcular uma probabilidade atual ou futura de falha dos tubos. O modelo é assim capaz de determinar, para um determinado tubo, uma probabilidade de falha em um momento t, que é o momento atual ou um momento no futuro.

[0099] O uso de uma pontuação de condição de tubo para parametrizar o modelo permite adaptar as previsões de falha à probabilidade atual de falha de tubo. Como as etapas anteriores permitem obter um valor confiável da condição de tubo para cada tubo da rede, os modelos preditivos podem ser parametrizados para fornecer um valor confiável da condição de tubo para cada tubo, usando um número limitado de inspeção dos tubos.

[00100] De acordo com a invenção, diferentes modelos podem ser usados, como um modelo estocástico (modelo de Yule,

processo de Poisson, modelo de Cox, etc ...), ou um modelo de aprendizagem de máquina (por exemplo, floresta aleatória ou rede neural).

[00101] Mais geralmente, qualquer modelo que seja capaz de prever uma probabilidade de falha de um tubo, no momento atual ou no futuro, pode ser usado.

[00102] Em um número de modalidades da invenção, o modelo preditivo de probabilidades de falhas de tubo prevê a probabilidade de falha de um tubo de acordo com os valores de pelo menos um parâmetro escolhido em um grupo compreendendo: - parâmetros que caracterizam o tubo: comprimento, diâmetro, estrutura, material, profundidade, diâmetro do tubo, idade, número de falhas anteriores, etc.; - parâmetros que caracterizam a operação do tubo: pressão mínima / máxima da rede, qualidade da água, velocidade da água, etc.; - parâmetros que caracterizam o ambiente ou entorno do tubo: qualidade do solo, condições climáticas, presença de tráfego / vibração nas proximidades, etc.

[00103] O ambiente ou entorno do tubo pode, de acordo com várias modalidades da invenção, abranger, conforme definido acima, qualquer parâmetro do ambiente / entorno imediato do tubo, que tenha um impacto sobre a condição de tubo: temperaturas do ambiente do tubo; umidade do ambiente do tubo; equipamentos próximos (por exemplo, a presença de uma estrada ou aeroporto próximo que pode criar vibrações que diminuem a vida útil do tubo); qualidade da água; pressão; variação de pressão; impulso; carga de tráfego; movimento do solo ... Mais geralmente, os parâmetros que caracterizam o ambiente ou entorno do tubo podem ser qualquer parâmetro tendo um impacto na degradação do tubo, e que não esteja relacionado às características intrínsecas do tubo.

[00104] O uso de tais parâmetros permite estimar a probabilidade de falha de cada tubo de acordo com suas especificidades.

[00105] Em um número de modalidades da invenção, o modelo preditivo é um modelo probabilístico que prevê a probabilidade de falha de um tubo em função de pelo menos um histórico de falhas anteriores, a idade e fatores externos. Por exemplo, o modelo LEYP (Extensão Linear de Processo de Yule, Linear Extension of Yule Process), descrito em Claudio, K., Couallier, V., & Le Gat, Y. (2014). Integration of time- dependent covariates in recurrent events modelling: application to failures on drinking water networks. Journal de la Société Française de Statistique, 155 (3), 62-77, fornece uma solução muito completa e precisa para estimar a probabilidade de falha de um tubo no futuro. O modelo LEYP é baseado em 3 fatores: - O fator Yule: impacto das falhas do passado; - O fator Weibull: impacto da idade; - O fator Cox: impacto de fatores “externos”.

[00106] Além disso, o modelo LEYP é adaptável a uma ampla gama de parâmetros diferentes e, portanto, pode ser usado de acordo com os valores dos parâmetros que estão atualmente disponíveis para um tubo. Por exemplo, o modelo também pode levar em consideração alguns ou todos os parâmetros que caracterizam o tubo, os parâmetros que caracterizam a operação do tubo, e os parâmetros que caracterizam o entorno ou ambiente do tubo para os quais os valores estão disponíveis.

[00107] De acordo com várias modalidades da invenção, as pontuações de condição de tubo podem ser usadas para parametrizar o modelo preditivo em um número de maneiras diferentes.

[00108] Por exemplo, se o modelo preditivo prevê a probabilidade de falha de um tubo em função de pelo menos um histórico de falhas anteriores, a idade e fatores externos, a pontuação de condição de tubo pode ser integrada como um fator externo. Pode, por exemplo, ser integrado no fator Cox do modelo LEYP. Isso permite uma integração eficiente da probabilidade de falha nos modelos existentes.

[00109] A Figura 4 representa um exemplo de parametrização de um modelo preditivo de probabilidades de falhas de tubo de acordo com pontuações de condição de tubo em um número de modalidades da invenção.

[00110] Em um número de modalidades da invenção, o modelo preditivo permite uma determinação da probabilidade de falha de um tubo em função do tempo 410, dependendo de um número de parâmetros que podem ser, por exemplo, os exemplos divulgados acima.

[00111] Além disso, uma probabilidade instantânea de falha 420 é calculada com base na pontuação de condição de tubo para o tubo. Na verdade, a probabilidade de falha de tubo depende da pontuação de condição de tubo: quanto mais degradado estiver o tubo, maior será a probabilidade de falha.

[00112] A probabilidade instantânea de falha 420 é então combinada com a função de tempo 410, para obter uma função 430 indicando a probabilidade de falha de acordo com o tempo. Por exemplo, a probabilidade instantânea de falha 420 pode ser adicionada à função 410 para obter a função

430. A função 430, portanto, leva em consideração um número de parâmetros que caracterizam o tubo, o ambiente do tubo e a operação do tubo, mas também a condição atual do tubo. Isso, portanto, fornece uma previsão muito mais precisa da probabilidade de falha de tubo do que os modelos existentes que dependem apenas dos parâmetros de tubo, ambientais e / ou operacionais.

[00113] O modelo 430 fornece, assim, uma probabilidade precisa com base no tempo de falhas de tubo, porque a função 410 fornece uma boa estimativa da evolução das probabilidades no tempo, enquanto a probabilidade de falha 420 fornece uma boa estimativa da probabilidade de falha de um tubo no momento atual.

[00114] Um exemplo de tal combinação é fornecido pela integração de uma pontuação de condição de tubo dentro do modelo LEYP. O modelo LEYP, explicado em detalhes por Renaud, E., Le Gat, Y., & Poulton, M. (2012). Usando um modelo de previsão de quebra para gestão de ativos de redes de água potável: da pesquisa à prática. From research to practice. Water Science and Technology: Water Supply, 12 (5), 674-682, é baseado em uma intensidade de falha em um tempo t, expressa como a idade do tubo, para um tubo notado 𝜆(𝑡), e igual a: 𝜆(𝑡) = (1 + 𝛼𝑁(𝑡 −))𝛿𝑡 𝑒𝑥𝑝 (𝛽 + 𝛽 𝑋 + 𝛽 𝑋 + ⋯ + 𝛽 𝑋 ) (Equação 1) Em que: - 𝑁(𝑡 −) representa o número de explosões que ocorreram no tubo antes do tempo t; - 𝛿𝑡 representa o efeito da idade do tubo;

- 𝑋, 𝑋 …𝑋 representam parâmetros externos. - 𝛼, 𝛽 , 𝛽 … 𝛽 representam os parâmetros do modelo.

[00115] Vários recursos podem ser integrados dentro dos parâmetros externos. Por exemplo, os seguintes recursos podem ser usados: - 𝑋 : comprimento do tubo; - 𝑋 : diâmetro do tubo; - 𝑋 : pressão do tubo; - 𝑋 : agressividade do solo; - 𝑋 : pontuação de condição de tubo, conforme calculado pela etapa 240, em uma escala que varia de 0 (sem degradação) a 1 (tubo completamente degradado).

[00116] Os valores dos parâmetros 𝛼, 𝛽 , 𝛽 … 𝛽 podem ser obtidos em um número de maneiras diferentes. Por exemplo, eles podem ser obtidos através da otimização de uma Estimativa de Máxima Verossimilhança.

[00117] No modelo LEYP, a probabilidade de falha, e o número de falhas esperadas são calculados com base em uma "intensidade de linha de base", que é interpretada como a intensidade da primeira falha (N (t-) = 0): 𝜆 (𝑡) = 𝛿𝑡 𝑒𝑥𝑝 (𝛽 + 𝛽 𝑋 + 𝛽 𝑋 + ⋯ + 𝛽 𝑋 ) (Equação 2)

[00118] Então, a probabilidade de que pelo menos uma falha ocorra em um período [C; D], sabendo que um número m de explosões ocorreu em um período [A; B] (A, B, C, D sendo tempos, expresso como idades de um tubo) é definido como: 𝜇 −𝜇 +1 𝑃 𝑋| | > 0 𝑚| | = 𝜇 −𝜇 +𝜇 −𝜇 +1 (Equação 3) Onde 𝜇 é calculado como:

𝜇 = 𝑒𝑥𝑝 𝛼 𝜆 (𝑢)𝑑𝑢 (Equação 4)

[00119] O modelo LEYP também permite calcular o número esperado de falhas em um período [C; D], sabendo que um número m de explosões ocorreram em um período [A; B] como: 1 𝜇 −𝜇 𝐸 𝑋| | 𝑚| | = +𝑚 𝛼 𝜇 −𝜇 +1 (Equação 5)

[00120] Estes exemplos demonstram a capacidade da invenção de introduzir um parâmetro representativo da condição de um tubo dentro do modelo que prevê falhas de tubo. No entanto, essa integração dentro do modelo LEYP é fornecida apenas por meio de exemplo, e as pontuações de condição de tubo podem ser integradas dentro de um número de modelos diferentes de previsão de falha de tubo, porque a pontuação de condição de tubo fornece uma boa visão do risco instantâneo de falha de um tubo.

[00121] Voltando à Figura 2, o método 200 compreende uma sexta etapa de realização 260 de previsões temporizadas de probabilidades de falhas de tubo de acordo com o referido modelo preditivo.

[00122] Esta etapa consiste em usar o modelo preditivo para prever falhas de tubo dependendo dos tempos. Por exemplo, isso pode ser usado para determinar para cada tubo e em vários momentos as probabilidades de falhas do tubo. Por exemplo, as equações para calcular as probabilidades de falha foram fornecidas abaixo no exemplo do modelo LEYP.

[00123] Conforme explicado acima, a parametrização do modelo usando valores confiáveis das condições de tubo permite realizar previsões temporizadas de probabilidades de falhas de tubo que são precisas para cada tubo da rede de tubo, com um número limitado de inspeções de tubo.

[00124] Portanto, previsões temporizadas podem melhorar o planejamento de inspeções e renovação de tubo em um número de maneiras diferentes. Por exemplo, renovação de tubo pode ser planejada com antecedência a fim de evitar que os tubos excedam um limiar de probabilidade de falha de tubo. Os tubos também podem ser classificados por probabilidades de falhas em um momento definido.

[00125] As probabilidades de falhas podem ser exibidas para um operador, de modo que o operador seja capaz de determinar quais são as seções de tubo a inspecionar ou reparar com prioridade. Isso permite adaptar planos de inspeção de tubo. Isso também pode ser realizado por exibir um mapa com cores correspondentes às probabilidades esperadas de falha dos tubos.

[00126] A Figura 5 representa a relação entre as falhas de tubo previstas e reais, com um modelo, respectivamente, com e sem o uso de pontuações de condição de tubo.

[00127] As curvas 530 e 540 representam resultados experimentais usando, respectivamente, um modelo sem usar pontuações de condições de tubo 530, e usando pontuações de condições de tubo 540.

[00128] Para cada modelo, uma probabilidade de falha em um momento t é calculada para cada tubo de uma rede de tubo. Os tubos são classificados da maior para a menor probabilidade de falha. O eixo horizontal representa a porcentagem acumulada de tubos por probabilidades de falha: 10% representa 10% de tubos com maior probabilidade de falha,

20% a 20% de tubos com maior probabilidade de falha, etc.

[00129] O eixo vertical 520 representa as porcentagens acumuladas das explosões totais na rede que realmente ocorreram para a porcentagem selecionada de tubos com as maiores probabilidades de falha. Por exemplo, o ponto 531 significa que no modelo que não usa as pontuações de condição de tubo (ou seja, modelo da técnica anterior, por exemplo o modelo LEYP sem integração das pontuações de condição de tubo), os 10% dos tubos que foram determinados como tendo os probabilidade de falha forma responsáveis por 20% do total de explosões. Enquanto isso, o ponto 541 significa que, no modelo que usa as pontuações de condição de tubo (modelo de acordo com a invenção, por exemplo, modelo LEYP combinado com pontuações de condição de tubo), os 10% de tubos que foram determinados como tendo a maior probabilidade de falha representaram 40% das explosões totais.

[00130] De forma mais geral, as curvas mostram que a invenção fornece uma melhor previsão dos tubos que estão propensos a falhar, desde que os tubos com as maiores probabilidades de falhas sejam responsáveis por mais explosões quando são calculados usando a invenção do que usando os modelos da técnica anterior.

[00131] Os exemplos descritos acima são dados como ilustrações de modalidades da invenção e demonstram a capacidade da invenção de fornecer uma estimativa temporizada confiável das probabilidades de falha de tubos de uma rede ao inspecionar apenas um subconjunto dos tubos e, portanto, a um custo moderado. Eles não limitam de forma alguma o escopo da invenção que é definido pelas seguintes reivindicações.

Claims

REIVINDICAÇÕES

1. Método implementado por computador (200), CARACTERIZADO pelo fato de que compreende: - uma primeira etapa de agrupar (210) seções de tubo de uma rede de tubos em um número de classes, com base em parâmetros de tubo em relação à estrutura ou ao ambiente das seções de tubo; - e, para cada classe do referido número de classes: - uma segunda etapa de extração (220) de uma amostra de seções de tubo da classe; - uma terceira etapa de obtenção (230), para cada amostra de seção de tubo, de uma ou mais pontuações de condição de tubo determinadas por um procedimento de avaliação de condição; - uma quarta etapa de realização (240) de uma estimativa de uma ou mais pontuações de condição de tubo para seções de tubo que não pertencem à amostra com base nos referidos parâmetros de tubo, a referida estimativa sendo parametrizada com as pontuações de condição de tubo e parâmetros de tubo das seções de tubo da amostra extraída na segunda etapa; - uma quinta etapa de parametrização (250) de um modelo preditivo de probabilidades de falhas de tubo de acordo com pontuações de condição de tubo; - uma sexta etapa de realização (260) de previsões temporizadas de probabilidades de falhas de tubo de acordo com o referido modelo preditivo.

2. Método implementado por computador, de acordo com a reivindicação 1, CARACTERIZADO pelo fato de que o modelo preditivo é um modelo probabilístico que prevê a probabilidade de falha de um tubo em função de pelo menos um histórico de falhas anteriores, a idade do tubo e fatores externos.

3. Implementado por computador, de acordo com a reivindicação 2, CARACTERIZADO pelo fato de que as pontuações de condição de tubo são integradas como fatores externos.

4. Método implementado por computador, de acordo com a reivindicação 2 ou 3, dependendo da reivindicação 2, CARACTERIZADO pelo fato de que o modelo preditivo de probabilidades de falhas de tubo (430) consiste em uma combinação de: o uma função preditiva de probabilidades de falhas de acordo com o tempo (410) parametrizado com o referido pelo menos um parâmetro; o uma probabilidade instantânea de falha (420) determinada com base, pelo menos, nas pontuações de condição de tubo de cada tubo.

5. Método implementado por computador, de acordo com qualquer uma das reivindicações de 1 a 4, CARACTERIZADO pelo fato de que o referido número de classes é um número predefinido de classes, e a primeira etapa compreende a aplicação de um Modelo de Mistura Gaussiana (GMM) aos tubos para agrupar as seções de tubo no referido número predefinido de classes.

6. Método implementado por computador, de acordo com qualquer uma das reivindicações de 1 a 5, CARACTERIZADO pelo fato de que a segunda etapa de extração da amostra compreende: - uma sétima etapa de inicialização de um conjunto de amostras candidatas de seções de tubo;

- uma oitava etapa de modificação iterativa do referido conjunto de amostras candidatas usando: o um algoritmo genético com base em uma função objetivo compreendendo uma minimização da diferença dos parâmetros de tubo médios das seções de tubo da amostra, e o os parâmetros de tubo médios das seções de tubo da classe; - uma nona etapa de seleção da amostra candidata que otimiza a referida função objetivo.

7. Método implementado por computador, de acordo com qualquer uma das reivindicações de 1 a 6, CARACTERIZADO pelo fato de que o tamanho de cada amostra está negativamente correlacionado com a homogeneidade de cada classe correspondente.

8. Método implementado por computador, de acordo com qualquer uma das reivindicações de 1 a 7, CARACTERIZADO pelo fato de que o procedimento de avaliação de condição da terceira etapa é escolhido em um grupo compreendendo um ou mais dentre: - uma análise de um fluxo eletromagnético aplicado à seção de tubo; - uma análise acústica da seção de tubo; - a extração, e análise em um laboratório de uma amostra da seção de tubo; e em que cada um do procedimento de avaliação de condição fornece pontuações de condição de tubo na mesma escala.

9. Método implementado por computador, de acordo com a reivindicação 8, CARACTERIZADO pelo fato de que os procedimentos de avaliação de condição fornecem duas ou mais pontuações de condição de tubo correspondentes a diferentes partes de seções de tubo e escolhidas em um grupo compreendendo: - uma pontuação de condição de revestimento interno; - uma pontuação de condição de revestimento externo; - uma pontuação de condição de junta.

10. Método implementado por computador, de acordo com a reivindicação 9, CARACTERIZADO pelo fato de que uma única pontuação de condição de tubo é obtida a partir de duas ou mais pontuações de condição de tubo correspondentes a diferentes partes de seções de tubo, usando uma soma ponderada ou ortogonal.

11. Método implementado por computador, de acordo com qualquer uma das reivindicações de 8 a 10, CARACTERIZADO pelo fato de que a uma ou mais pontuações de condição de tubo estão associadas a um ou mais índices de confiabilidade indicando a precisão das pontuações de condição de tubo.

12. Produto de programa de computador, armazenado em um meio legível por computador não transitório, o referido produto de programa de computador CARACTERIZADO pelo fato de que compreende instruções de código para executar um método conforme definido em qualquer uma das reivindicações de 1 a

11.

13. Dispositivo CARACTERIZADO pelo fato de que compreende um processador configurado para executar um método conforme definido em qualquer uma das reivindicações de 1 a 11.