ES2805433T3 - Sistemas y métodos para la predicción rápida del agrietamiento inducido por hidrógeno (HIC) en tuberías, recipientes de presión y sistemas de tuberías, y para tomar medidas en relación con el mismo - Google Patents

Abstract

Un metodo para llevar a cabo evaluaciones de idoneidad para el servicio para una region de un activo que tiene una tasa de crecimiento de dano inducido por hidrogeno, el metodo comprende: ingresar una o mas primeras entradas de datos almacenadas en una base de datos a un modelo mecanicista; caracterizado por las siguientes etapas: procesar la una o mas entradas de datos en una o mas simulaciones parametricas mediante un procesador que ejecuta el modelo mecanicista, para generar una o mas caracteristicas de crecimiento; construir una base de datos de observacion simulada que almacene la salida de una o mas caracteristicas de crecimiento; entrenar y probar un sistema experto mediante la base de datos de observacion simulada; validar el sistema experto mediante la base de datos de observacion simulada; generar, mediante el sistema experto, la tasa de crecimiento del dano inducido por hidrogeno en el activo; y en el caso de que la tasa de crecimiento del dano inducido por hidrogeno exceda un umbral: generar una alerta; y transmitir la alerta a al menos un dispositivo de inspeccion robotico.

Description

DESCRIPCIÓN

Sistemas y métodos para la predicción rápida del agrietamiento inducido por hidrógeno (HIC) en tuberías, recipientes de presión y sistemas de tuberías, y para tomar medidas en relación con el mismo

Campo de la invención

La presente invención se refiere a la evaluación de daños de los equipos a las tuberías metálicas, en particular, a la evaluación del daño inducido por hidrógeno a las tuberías metálicas. Más particularmente, la presente invención se refiere a sistemas de modelos mecanicistas expertos rápidos, robustos y fáciles de usar capaces de predecir la tasa de crecimiento de grietas inducidas por hidrógeno (HIC) y las correspondientes herramientas numéricas desplegables en el campo y para tomar medidas en relación con tales predicciones.

Antecedentes de la invención

El agrietamiento inducido por hidrógeno (HIC) es un problema persistente para las tuberías, particularmente aquellas que están compuestas de acero no resistente a HIC y gas ácido de servicio (por ejemplo, H2S) o gas natural. En términos generales, HIC se refiere a grietas internas que pueden desarrollarse en tuberías de metal (por ejemplo, acero), recipientes de presión y otros sistemas de tuberías, como resultado de la disolución de hidrógeno atómico en el metal. Más específicamente, los átomos de hidrógeno pueden difundirse a través de los sitios intersticiales en el metal, y recombinarse para formar hidrógeno gaseoso a alta presión dentro del metal. A medida que aumenta la presión del gas hidrógeno, se pueden formar ampollas y microgrietas (y posteriormente crecer) en la tubería de metal. Estas ampollas y grietas, a medida que continúan creciendo, pueden provocar la falla de la tubería de metal.

Para los recipientes de la planta, a menos que el daño por HIC sea muy severo (lo que requeriría un reemplazo inmediato), una práctica actual es extender la vida útil de estos activos reduciendo la calificación del recipiente a una presión operativa máxima permitida (MAOP) más baja e introduciendo un programa de monitoreo especial en paralelo a las pruebas estándares y al ciclo de inspección. Este programa de monitoreo especial se basa en el juicio del ingeniero para hacer recomendaciones sobre cuándo los recipientes con daños por agrietamientos por HIC lineales o graduales requieren el monitoreo mediante técnicas avanzadas de prueba ultrasónica (por ejemplo, matrices en fase). Típicamente, el daño lineal se monitorea anualmente, y el daño por agrietamiento gradual se monitorea semestralmente. Desafortunadamente, las inspecciones requieren grandes cantidades de equipos, requieren la disponibilidad de al menos dos registros de inspección histórica (separados en el tiempo), son muy costosos e incluso pueden ser imposibles para las líneas enterradas. La frecuencia de las inspecciones no puede reducirse aún más debido a los estándares actuales de idoneidad para el servicio (por ejemplo, API 579-1/ASMe FFS-1) utilizados por la industria de refinación y petroquímica para evaluar la integridad estructural de los equipos que contienen fallas o daños, y para definir (o redefinir) parámetros operativos seguros. A pesar de estos estándares, hay una falta de herramientas confiables y robustas que pueden predecir la tasa de crecimiento (es decir, la tasa de propagación) del daño por HIC en una estructura metálica dada que opera en condiciones operativas dadas. Predecir la tasa de crecimiento del daño por HIC puede mejorar significativamente la toma de decisiones para las evaluaciones de idoneidad para el servicio (FFS). En particular, conocer la tasa de crecimiento de las grietas preexistentes permite estimar la vida útil restante antes de la rotura, en condiciones de FFS.

Además, las técnicas actuales basadas en las históricas aún no se han automatizado y solo se pueden implementar manualmente (debido a los requisitos para inspectores expertos) en puntos locales para verificar las regiones sospechosas en equipos dañados. Desafortunadamente, un mapeo de prueba ultrasónico avanzado completo de un recipiente de presión o tubería completa es costoso (tanto financieramente como en términos de tiempo de cómputo alto/excesivo - uso de CPU, memoria del ordenador) y, por lo tanto, generalmente no se realiza en la práctica.

Actualmente, no existe un método estándar para determinar la vida útil restante del equipo afectado por HIC. La salida de la evaluación FFS es un resultado aprobado/fallido. La Parte 7.2.1 de API-579, que se dedica a la evaluación de las ampollas de hidrógeno y el daño por hidrógeno asociado con HIC y el agrietamiento inducido por hidrógeno en dirección de la tensión (SOHIC), establece que "actualmente, no existe un método ampliamente aceptado para predecir la tasa de crecimiento del daño por HIC activo; por lo tanto, no se puede establecer un método estándar para evaluar la vida restante de una estructura dañada. Por lo tanto ... se requiere monitoreo periódico."

Se necesita una metodología práctica y confiable para determinar la tasa de crecimiento del daño inducido por hidrógeno, dados los inconvenientes en las operaciones prácticas de campo. Los intentos actuales de estimar la tasa de crecimiento del agrietamiento por HIC no son adecuados para el despliegue práctico de dicha tecnología, por ejemplo, debido a las limitaciones de recursos informáticos (por ejemplo, tiempo de CPU, uso de memoria, etc.), tiempo de cómputo inaceptable para simulaciones a gran escala (por ejemplo, cuando se produce un modelo preciso en el campo cuando hay cientos o miles de grietas), problemas de convergencia de simulación deficientes, incapacidad para generar mapas completos de pruebas ultrasónicas y limitaciones de habilidades (por ejemplo, falta de estaciones de trabajo, licencias, capacitaciones, certificaciones).

Es con respecto a estos problemas y otros que se proporciona la presente invención. El documento US2007/0068605 describe un método de mejora del rendimiento del metal y protección contra la degradación.

Resumen de la invención

De acuerdo con un aspecto amplio de los sistemas y métodos descritos en la presente memoria, se proporciona un método para llevar a cabo evaluaciones de idoneidad para el servicio para una región de un activo que tiene una tasa de crecimiento de daño inducido por hidrógeno en un activo mediante la simulación de la tasa de crecimiento basada en una o más entradas de datos. En un aspecto correspondientemente amplio, tales sistemas y métodos pueden tomar una o más acciones en relación con las evaluaciones.

De acuerdo con una o más implementaciones descritas en la presente memoria, el método incluye ingresar una o más primeras entradas de datos almacenadas en una base de datos a un modelo mecanicista. Por ejemplo, la una o más entradas pueden ser datos de geometría de grietas, datos de ubicación de grietas, datos de propiedades de materiales, datos de condiciones de carga de hidrógeno o una combinación de los mismos. La una o más entradas de datos son procesadas en una o más simulaciones paramétricas por un procesador que ejecuta el modelo mecanicista, para generar una o más características de crecimiento. Por ejemplo, el procesamiento de una o más entradas de datos incluye la selección, por parte del procesador, de una o más entradas de datos para variar dentro de un rango y la selección, por parte del procesador, de cada una de la una o más entradas de datos restantes que se mantendrán constantes. En otro ejemplo, el procesamiento de la una o más entradas de datos incluye la implementación de un diseño de experimento para identificar la una o más entradas de datos que se mantendrán constantes.

Además, el método crea una base de datos de observación simulada que almacena la una o más características de crecimiento de salida. Por ejemplo, la una o más características de crecimiento pueden incluir un tiempo de iniciación (t), una tasa de crecimiento de grietas (CGR), o una combinación de las mismas. A continuación, un sistema experto es entrenado y probado por la base de datos de observación simulada. En una o más implementaciones, el sistema experto es entrenado y probado al dividir el sistema experto en una pluralidad de subsistemas expertos, en los que un primer subsistema experto predice el crecimiento de grietas que tiene una salida condicional, y en el que un segundo subsistema experto predice una o más características de crecimiento. El método luego valida el sistema experto mediante la base de datos de observación simulada. El método luego genera, por el sistema experto, la tasa de crecimiento del daño inducido por hidrógeno en el activo. En una o más implementaciones, donde la tasa de crecimiento del daño inducido por hidrógeno excede un umbral, el método puede generar una alerta y transmitir la alerta a al menos un dispositivo de inspección robótico. En un ejemplo, la alerta incluye información de ubicación del activo que representa una región del activo que tiene la tasa de crecimiento del daño inducido por hidrógeno y además incluye la transmisión a un dispositivo de inspección robótico, la alerta para indicar al dispositivo de inspección robótico que ubique la región, viajar a la región y realizar una evaluación de idoneidad para el servicio en la región. En una o más implementaciones, el método incluye generar una programación para una inspección de idoneidad para el servicio por el al menos un dispositivo robótico, en el que la programación se genera en función de la tasa de crecimiento prevista.

De acuerdo con una o más implementaciones en la presente memoria, el método incluye además recopilar uno o más segundos datos de entrada por uno o más dispositivos de recopilación de datos. Por ejemplo, la una o más segundas entradas de datos de campo es la resistencia a la fractura Kih. La uno o más segundas entradas de datos en el campo se ingresan a la base de datos de observación simulada y la base de datos de observación simulada se actualiza. Posteriormente, el sistema experto se prueba con la base de datos de observación simulada actualizada para la validez de campo, y el sistema experto se vuelve a entrenar si la validez de campo del sistema experto cae por debajo de un umbral.

De acuerdo con otro aspecto de la presente descripción, se proporciona un método para entrenar un sistema experto para predecir la tasa de crecimiento de grietas inducida por hidrógeno a partir de una base de datos de observación simulada (SODB) que tiene una o más observaciones de tasa de crecimiento de grietas (CGR). El método incluye la aplicación de uno o más filtros al SODB para eliminar una o más observaciones de CGR en las que el crecimiento de las grietas no tuvo lugar desde el SODB. El método continúa copiando la una o más observaciones de CGR en las que tuvo lugar el crecimiento de la grieta en una nueva base de datos. Además, la nueva base de datos se divide en uno o más predictores correspondientes a [X]CGC = [g¿, í¿, o,, hj^ ¡=i..M y uno o más objetivos correspondientes a [y]CGC = [Ti,CGRi]=i..M Posteriormente, el uno o más predictores se dividen en un primer conjunto de datos correspondiente a [X]CGC = [x trj CGCu[Xvaí]CGC con [Xtr] CGC n [Xvaí]CGC = 0, y el uno o más objetivos se dividen en un segundo conjunto de datos correspondiente a [Y]CGC = [Ytr]CGCu[Yvaí]CGC, con [Ytr] CGC n [Yvaí]CGC = 0. El método luego entrena el primer conjunto de datos a través de un algoritmo de aprendizaje supervisado y valida el segundo conjunto de datos a través de un algoritmo de aprendizaje supervisado. Por ejemplo, el algoritmo de aprendizaje supervisado es una librería de redes neuronales.

De acuerdo con otro aspecto de la presente descripción, se proporciona un sistema para determinar una tasa de crecimiento del daño inducido por hidrógeno en un activo. Por ejemplo, el activo es una tubería de acero, un recipiente de presión, un tanque de almacenamiento o un sistema de tuberías. El sistema incluye una ordenador que tiene un procesador, una memoria y una conexión a una red. La ordenador tiene acceso a una base de datos que almacena datos históricos correspondientes a una pluralidad de parámetros de entrada. Por ejemplo, los datos históricos se almacenan en un mapa de HIC de referencia. Además, el sistema incluye un dispositivo de recopilación de datos configurado para recopilar datos de diseño de activos y datos de condiciones de funcionamiento en una región del activo correspondiente a la pluralidad de parámetros de entrada. La pluralidad de parámetros de entrada puede incluir datos de geometría de grietas, datos de ubicación de grietas, datos de propiedades del material, datos de condiciones de carga de hidrógeno o una combinación de los mismos. Por ejemplo, el dispositivo de recopilación de datos es un robot, un sistema de sonda intrusivo, un sistema de sonda no intrusivo o una sonda de parche. La ordenador del sistema implementa instrucciones para configurar el procesador para que funcione como un sistema experto. El procesador o sistema experto configurado está configurado para recibir de la base de datos los datos históricos correspondientes a la pluralidad de parámetros de entrada y recibir del dispositivo de recopilación de datos los datos de diseño del activo y los datos de la condición operativa en una región del activo correspondiente a la pluralidad de parámetros de entrada. El sistema experto también está configurado para extraer la pluralidad de parámetros de entrada de los datos históricos y los datos de diseño de activos y los datos de condiciones operativas en una región del activo, y procesar la pluralidad extraída de parámetros de entrada para generar la tasa de crecimiento del daño inducido por hidrógeno en la región del activo. En una o más implementaciones, el sistema experto está configurado para procesar la pluralidad extraída de parámetros de entrada para generar un nuevo mapa de HIC, que luego puede proporcionarse como datos históricos al sistema experto.

De acuerdo con otro aspecto de la invención, el sistema está configurado para derivar una curva de una presión de trabajo máxima permisible ("MAWP") frente al tiempo para la región del activo, comparar un valor de los datos de la condición operativa a lo largo del tiempo con la curva para determinar si la diferencia en los valores de los datos de la condición operativa y el MAWP cae por debajo de un umbral, y generar y transmitir una alerta a un operador en la región del activo. Por ejemplo, el valor de los datos de la condición operativa es un valor de la presión operativa en la región del activo. En una o más implementaciones, el sistema también se configura de tal manera que, en respuesta a la recepción de la alerta, el operador ajusta automáticamente las condiciones operativas en la región del activo para aumentar la diferencia en los valores de los datos de condición operativa y el MAWP por encima del umbral. En una o más implementaciones, el sistema está configurado para programar, basado en la tasa de crecimiento de salida del daño inducido por hidrógeno en la región del activo, una inspección de idoneidad para el servicio en la región del activo, incluida la inserción de una entrada programada entre otras entradas en una base de datos de servicio para hacer que los técnicos o robots tengan las regiones de crecimiento identificadas de esta manera inspeccionadas en un momento diferente al programado previamente o que tengan un horario programado cuando aún no había un horario programado para la inspección. En una o más implementaciones, el sistema está configurado para generar y transmitir una alerta al dispositivo de recopilación de datos en función de la tasa de crecimiento de salida del daño inducido por hidrógeno en la región del activo, e instruir al dispositivo de recopilación de datos para que realice una inspección de adaptación al servicio en la región del activo.

Breve descripción de los dibujos

La invención se ilustra en las figuras de los dibujos que se acompañan, que están destinados a ser ilustrativos y no limitativos, en los que las referencias similares pretenden referirse a partes similares o correspondientes, y en los que:

La figura 1 presenta representaciones gráficas de correlaciones entre objetivos y un sistema experto de acuerdo con una o más implementaciones de la presente invención;

La figura 2 presenta un diagrama esquemático que ilustra un sistema para generar un modelo mecanicista de HIC de acuerdo con una o más implementaciones de la presente invención;

La figura 3 presenta un diagrama que ilustra el desarrollo de grietas inducidas por hidrógeno en tuberías de acero;

La figura 4 presenta un diagrama de flujo que ilustra un método para entrenar un sistema experto para predecir la tasa de crecimiento de HIC de acuerdo con una o más implementaciones de la presente invención;

La figura 5 presenta un diagrama de flujo que ilustra un método para entrenar un sistema experto para predecir la tasa de crecimiento de HIC en el que los datos de campo y/o experimentales están disponibles periódicamente de acuerdo con una o más implementaciones de la presente invención;

La figura 6 presenta un diagrama esquemático de una curva R de material para material quebradizo y material dúctil de acuerdo con una o más implementaciones de la presente invención;

La figura 7 presenta un diagrama de flujo que ilustra un método detallado para entrenar un sistema experto para predecir la tasa de crecimiento de HIC de acuerdo con una o más implementaciones de la presente invención;

La figura 8 presenta un diagrama de flujo que ilustra un método para predecir la tasa de crecimiento de HIC con la incorporación de datos de operación en el campo de acuerdo con una o más implementaciones de la presente invención;

La figura 9 presenta un diagrama esquemático de un sistema ilustrativo para predecir una tasa de crecimiento del daño inducido por hidrógeno en uno o más activos de acuerdo con una o más implementaciones de la presente invención;

La figura 10 presenta representaciones gráficas del efecto principal del análisis de diseño de experimento (DOE) de acuerdo con una implementación ilustrativa de la presente invención; y

La figura 11 presenta representaciones gráficas de gráficos de interacción del análisis de diseño de experimento (DOE) de acuerdo con una implementación ilustrativa de la presente invención.

Descripción detallada de la invención

A lo largo de la memoria descriptiva, los términos pueden tener significados matizados sugeridos o implícitos en un contexto más allá de un significado explícitamente establecido. Del mismo modo, la frase "en una implementación" como se usa en la presente memoria no necesariamente se refiere a la misma implementación y la frase "en otra implementación" como se usa en la presente memoria no necesariamente se refiere a una implementación diferente. De manera similar, la frase "una o más implementaciones" como se usa en la presente memoria no necesariamente se refiere a la misma implementación y la frase "al menos una implementación" como se usa en la presente memoria no necesariamente se refiere a una implementación diferente. La intención es, por ejemplo, que el tema reivindicado incluya combinaciones de implementaciones de ejemplo en su totalidad o en parte.

La presente descripción detalla sistemas y métodos para mejorar el modelado de la tasa de crecimiento de HIC. Como los enfoques actuales en el campo técnico de las mediciones y predicciones de HIC no han sido altamente efectivos o eficientes para determinar las características de crecimiento de grietas, los sistemas y métodos actuales emplean hardware, software y/o una combinación de los dos para proporcionar una sistema experto mejorado y rápido para predecir las características de crecimiento de grietas (es decir, tiempo de crecimiento y tasa de crecimiento de grietas (CGR)) de grietas lineales inducidas por hidrógeno preexistentes (HIC lineal o ampollas) detectadas durante inspecciones no destructivas de tuberías de acero, recipientes de presión, tanques de almacenamiento y sistemas de tuberías. En particular, la metodología incluye la construcción de un modelo sustituto (el sistema experto) a partir de un modelo mecanicista de HIC elegido arbitrariamente por el usuario final. Un modelo mecanicista es un primer modelo de principio que captura la interacción entre los diferentes fenómenos físicos y químicos que conducen al crecimiento de HIC. El modelo mecanicista, que requiere vastos recursos informáticos para capturar la física real del problema del crecimiento de grietas, se utiliza para generar una base de datos de observación simulada que se utiliza para entrenar y validar el sistema experto. Después de un entrenamiento exitoso, el sistema experto puede replicar las salidas de cualquier modelo mecanicista arbitrario de HIC lineal con muy buena precisión, pero con requisitos de recursos informáticos considerablemente menores (uso de CPU y memoria), lo que facilita la transferencia del modelo mecanicista (por ejemplo, basado en métodos de elementos finitos) para aplicaciones prácticas de campo. De esta manera, el campo técnico de la medición y análisis de daños por HIC se mejora al reducir el tiempo de CPU y el uso de la memoria en comparación con el modelado mecanicista tradicional, proporcionando así sistemas capaces de usos prácticos en el campo (por ejemplo, análisis de tuberías que tienen cientos o miles de grietas).

En un aspecto de la invención, se proporciona un sistema de predicción experto. Los datos que representan una fuerte no linealidad relacionada con el inicio del crecimiento de grietas (que es específico de la mecánica de fractura) se filtran al construir los datos necesarios para entrenar al predictor de las características de crecimiento de grietas. Para hacer que el sistema de predicción experto sea más robusto, en una o más implementaciones, se genera un sistema experto global que incluye dos subsistemas expertos complementarios, donde cada subsistema experto se usa para un propósito determinado y se entrena y valida en un conjunto de datos específico. Más específicamente, las etapas asociadas con la predicción de un inicio del crecimiento de grietas, que tiene una salida condicional (es decir, CGR = 0 vs CGR> 0), se separan de las características de predicción del crecimiento (es decir, tiempo de inicio (t) y CGR). En una o más implementaciones, esta última se lleva a cabo solo si se confirma el crecimiento de grietas (es decir, CGR>0). De esta forma, la determinación del inicio del crecimiento de grietas se decorrelaciona a partir de la determinación de la etapa de propagación de grietas, y cada etapa es manejada por un sistema experto diferente.

En otro aspecto de la invención, se proporciona una metodología en la presente memoria que se centra en la construcción de una solución dinámica automejorada. Tras la disponibilidad de nuevos datos de pruebas no destructivas (NDT), se puede optimizar un modelo mecanicista (por ejemplo, ajustando la resistencia a la fractura en la dirección de rodadura adecuada) y cada etapa respectiva de la metodología, tal como el diseño de experimentos, base de datos, entrenamiento, pruebas y validación, incorpora los nuevos datos de las NDT para actualizar el sistema experto. En una o más implementaciones, la optimización del sistema está automatizada, de modo que cada vez que hay nuevos datos disponibles, el sistema experto se actualiza automáticamente y se pone a disposición del usuario final. Los datos de las NDT pueden recopilarse mediante técnicas ultrasónicas, como se conoce en la técnica.

En otro aspecto de la invención, los sistemas y la metodología proporcionados en la presente memoria controlan los activos físicos (por ejemplo, tubos, recipientes, tuberías) en el campo y predicen la integridad de los activos afectados por HIC. Por ejemplo, un mapa de referencia de los datos de las NDT y los datos de diseño de equipos de entrada previamente recopilados y los datos de condiciones operativas actuales (por ejemplo, presión, temperatura, carga de hidrógeno) para derivar el mapa de progreso del crecimiento de grietas con el tiempo en el área afectada por HIC. En una o más implementaciones, el sistema incluye hardware y otros dispositivos de campo que recopilan nuevos datos de las NDT para su incorporación y análisis por el sistema predictivo. De esta manera, el sistema puede usar los mapas HIC recién generados para llevar a cabo evaluaciones FFS en el campo.

La metodología propuesta en esta invención tiene una amplia aplicación y puede aplicarse a otros modelos mecanicistas que simulan el crecimiento de grietas inducidas por hidrógeno y puede extenderse a otras formas de grietas ambientales tales como grietas por corrosión bajo tensión (SCC), grietas por tensión de sulfuro (SSC), o corrosión por picadura.

Con respecto al modelado mecanicista convencional para el crecimiento por HIC, la presente invención mejora la técnica al mejorar el funcionamiento de la ordenador para el modelado por HIC, específicamente al requerir mucho menos tiempo de CPU y menos memoria. Por ejemplo, el tiempo de CPU requerido para realizar el modelado de crecimiento de grietas utilizando un sistema experto entrenado (que es del orden de segundos) es en promedio 1000 veces menor que el tiempo que toma un modelo mecanicista común, tal como un modelo tradicional de elementos finitos (FEM), y además utiliza menos memoria que los modelos convencionales. Además, para casos complejos (es decir, cientos o miles de grietas), los modelos FEM tradicionales no podrían converger a una solución en plazos de menos de horas a días, a menos que la malla computacional sea refinada. Los modelos FEM también deben refinarse continuamente, lo que requiere más memoria y CPU. Para la simulación FEM convencional del crecimiento de grietas, se requiere un tamaño de malla fina en el frente de la grieta y en la región inmediatamente cercana a la grieta (es decir, la zona del proceso de fractura). Cuanto más el análisis de crecimiento de grietas sea no lineal, menor será el tamaño de la malla. Si el tamaño de la malla no se selecciona correctamente, la solución nunca convergerá, a menos que la malla se refine. Tales problemas de malla se suprimen completamente cuando se usa el sistema experto de la presente invención, ya que no se requiere malla. De esta manera, el sistema puede ejecutarse más rápido mientras realiza los cálculos.

Además, los presentes sistemas y métodos en la presente memoria mejoran el funcionamiento de la CPU y la memoria con respecto a las etapas de modelado tradicionales de: resolver el problema de FEM de tensión/desplazamiento discreto: formulación y resolución de la matriz (costosa tanto en cuanto a la CPU como a la memoria); calcular los factores de intensidad de tensión (SIF) para cada grieta en cada etapa de tiempo (costoso en cuanto a CPU); y almacenar la solución nodal en cada nodo de elementos finitos a lo largo de la simulación (costosa en cuanto a memoria).

Además, el presente sistema logra tales mejoras mientras aún captura, mediante el sistema experto, tanto el inicio (o no) del crecimiento de grietas como las características de crecimiento, sin pérdida de precisión en comparación con los modelos mecanicistas tradicionales (por ejemplo, método de elementos finitos (FEM)). Por ejemplo, la figura 1 ilustra gráficos de regresión que muestran la alta correlación entre los objetivos y el sistema experto (CGR-ES) en los diferentes conjuntos de datos (datos de entrenamiento 110, datos de prueba 120, datos de validación 130 y todos los datos 140).

Para describir completamente los sistemas y métodos proporcionados en la presente memoria, se proporciona una breve descripción de las técnicas de modelado convencionales que la presente invención mejora. Los métodos predictivos actuales de tasa de crecimiento de HIC basados en datos históricos son extremadamente difíciles o incluso imposibles de implementar en la práctica debido a los recursos informáticos extremadamente altos (procesamiento y memoria) requeridos. En particular, para daños por HIC lineal o ampollas (que es un precursor para el HIC gradual mucho más peligroso) resultantes de la absorción de hidrógeno en la pared interior (por ejemplo, debido a la corrosión por H2S en la superficie), con el fin de intentar predecir el inicio del crecimiento de grietas y la tasa de crecimiento de grietas de HIC lineal preexistente, se implementan ciertos modelos numéricos que utilizan técnicas numéricas que requieren recursos informáticos excesivos, tales como FEM, para discretizar y resolver las ecuaciones acopladas de los modelos mecanicistas.

Con referencia ahora a la Figura 2, se muestra una ilustración esquemática de las principales entradas/salidas de un modelo mecanicista de HIC convencional 205. Dicho modelo 205 tiene una pluralidad de entradas 210, que incluyen: datos de geometría de grietas 212 (g - por ejemplo, forma y tamaño), datos de ubicación de grietas 214 (l - por ejemplo, profundidad medida desde la pared exterior, distancia circunferencial y axial desde un punto de referencia), datos de propiedades del material 216 (m - por ejemplo, resistencia del metal, resistencia a la fractura (K^ih) y propiedades de difusión de hidrógeno), datos de condiciones de funcionamiento 218 (o - por ejemplo, temperatura y presión) y datos de condiciones de carga de hidrógeno medidas/calculadas 220 (h - por ejemplo, tasa de permeación de hidrógeno medida/supuesta, o equivalentemente la concentración de carga de hidrógeno subsuperficial). Las entradas 210 pueden reunirse en tiempo real o recuperarse de una base de datos, tal como una base de datos que contiene datos de pruebas no destructivas previas. En el caso de un material elástico lineal, la salida principal de estos modelos es, generalmente, una curva de crecimiento de grietas 220, con el tamaño de cada defecto individual en función del tiempo. Esta curva se puede caracterizar por dos atributos escalares principales: el período de incubación, también denominado tiempo de crecimiento 222 (t) (o tiempo de inicio) y la tasa de crecimiento de grietas 224 (CGR).

Como se resume esquemáticamente en la Figura 3, y dependiendo de la complejidad del modelo mecanicista 205 utilizado en la simulación FEM, se lleva a cabo un análisis de difusión de hidrógeno dependiente del tiempo para cada defecto para simular: (1) la absorción y difusión de hidrógeno desde la pared interna hacia la cavidad de la grieta, (2) el atrapamiento y acumulación de presión en la superficie de la grieta, (3) la fragilidad y decohesión inducida por hidrógeno a lo largo de la zona del proceso de falla seguido por (4) el crecimiento de la fractura y el crecimiento de la ampolla. Este análisis es necesario para capturar con precisión la distribución de la concentración de hidrógeno alrededor de la punta de la grieta y en los flancos de la grieta. Este último controlará localmente la reacción de recombinación de hidrógeno que ocurre en los flancos de HIC y, por lo tanto, la cantidad de gas de hidrógeno atrapado dentro de la cavidad de HIC. La cinética de presión dentro de la cavidad HIC se calcula a partir del volumen actual de la cavidad y la masa total de gas de hidrógeno atrapado dentro de la cavidad. La presión calculada se usa como entrada (carga en los flancos HIC) para un análisis de tensión de elementos finitos. Dependiendo del nivel de intensidad de tensión alcanzado alrededor de la punta de la grieta, se puede alcanzar la resistencia a la fractura del acero y la grieta HIC avanza aún más. Finalmente, la extensión de la grieta se puede suprimir cuando el aumento del volumen de la cavidad induce una caída significativa en la presión de hidrógeno y luego se necesita más hidrógeno para acumularse para alcanzar nuevamente la presión crítica para el crecimiento de la grieta. Este ciclo completo se realiza hasta que se alcanza la condición final (por ejemplo, el logro de un tiempo de exposición predefinido).

Además de los requisitos potenciales para licencias de paquetes comerciales de FEM y estaciones de trabajo informáticas apropiadas, el tiempo necesario para ejecutar simulaciones convencionales es un factor limitante clave para tales soluciones de FEM. Los tiempos de cómputo son excesivos (en términos de muchas horas a días) para situaciones prácticas en las que se simula el crecimiento de cientos o miles de defectos. Además, como se analizó anteriormente, las soluciones no informáticas son totalmente inadecuadas para uso práctico, ya que esencialmente equivalen a conjeturas por parte del ingeniero y no hacen un análisis preciso y completo de los equipos que tienen cientos de miles de grietas. Se requiere una solución técnica robusta que conserve la precisión del modelo numérico mecanicista, pero con tiempos de cómputo cortos (en términos de unos pocos segundos a minutos) cuando se trata de casos prácticos en el campo.

Con referencia ahora a la figura 4, se ilustra un método para entrenar un sistema experto para predecir la tasa de crecimiento de HIC 400 de acuerdo con una o más implementaciones de la presente invención. Dicho método proporciona una solución que conserva la precisión y la validez de un modelo mecanicista validado para el crecimiento de HIC (en adelante denominado "Modelo-Mec"), tal como el modelo 205 en la figura 2, mientras reduce drásticamente los requisitos para los recursos informáticos. En una o más implementaciones, un sistema experto (por ejemplo, una red neuronal artificial (ANN)) es entrenado y validado en una Base de Datos de Observación Simulada (SODb ). Las observaciones simuladas se almacenan en una base de datos (como se indica en [SODB]), y consisten en entradas discretas y salidas correspondientes obtenidas utilizando el Modelo-Mec (es decir, [SODB] =[g¿, l¿, m¡, o¿, h,, t¡, CGRí]=1..n, donde N es el número total de observaciones/simulaciones). Después de una entrenamiento exitosa del sistema experto en la base de datos de observación simulada, el sistema experto se convierte en el motor de simulación utilizado para hacer nuevas predicciones en cualquier punto de entrada que se encuentre dentro del dominio de validez del Modelo-Mec. En otras palabras, el sistema experto se convierte en un sustituto del Modelo-Mec.

El método 400 comienza en la etapa 405, en el que un modelo mecanicista 205 recibe una o más entradas relacionadas con datos sobre la estructura en la que se va a medir la tasa de crecimiento de HIC. Por ejemplo, las entradas pueden ser uno o más datos de geometría de grietas 212 (g), datos de ubicación de grietas 214 (/), datos de propiedades del material 216 (m), datos de condiciones operativas 218 (o) y datos de condiciones de carga de hidrógeno medidos/calculados 220 (h).

A continuación, el método 400 ejecuta una o más simulaciones paramétricas que implementan el Modelo-Mec para producir resultados que se utilizan para construir una base de datos de observación simulada [SODB], etapa 410. Una simulación paramétrica es aquella en la que todos los parámetros de entrada (por ejemplo, G, l m, o, h) se mantienen constantes, excepto un parámetro elegido, que luego varía dentro de un rango específico para producir un rango de resultados. La simulación luego repite el proceso variando un parámetro diferente dentro de un rango específico, mientras que los otros parámetros se mantienen constantes.

Las simulaciones paramétricas convencionales que tienen un único parámetro variado requieren muchos recursos informáticos (tanto en el procesador como en los recursos de memoria) y además pueden fallar al capturar completamente el efecto de las variaciones de múltiples parámetros (es decir, efectos de interacción). Por ejemplo, si el Modelo-Mec tiene ocho parámetros de entrada escalares (temperatura, presión, tamaño de la grieta, ubicación de la grieta, grosor de la pared, flujo de hidrógeno de carga, tensión de fluencia, resistencia a la fractura) e incrementa el parámetro a través del rango especificado en cinco incrementos iguales para capturar adecuadamente la superficie de respuesta del Modelo-Mec, el número total de simulaciones necesarias para construir la base de datos es de 58 = 390 625 simulaciones. Si el tiempo de cómputo promedia 10 minutos por simulación (en una CPU), el tiempo de cómputo total requerido para generar esta base de datos de ejemplo es de 2712 días (7,5 años). Incluso en una disposición informática con paralelización masiva en 100 CPU, las simulaciones requieren un mes para ejecutar y desarrollar la base de datos.

En contraste con el ejemplo tradicional anterior, en una o más implementaciones, en la etapa 407, el método 400 realiza opcionalmente uno o más diseños de experimentos (DOE) antes de ejecutar las simulaciones paramétricas en la etapa 410 para identificar parámetros críticos del modelo. La implementación de la etapa 407 puede realizarse después de la etapa de entrada inicial en 405, o después de completar un bucle del método 400 para mejorar los resultados. La implementación de la etapa DOE en 407 es particularmente ventajosa en situaciones en las que hay parámetros de entrada particulares que no son críticos para predecir una tasa de crecimiento de grietas, dependiendo de la situación (por ejemplo, los datos sobre un parámetro son bien conocidos). Al implementar DOE en la etapa 407, los rangos de uno o más parámetros modelados en los parámetros de entrada se reducen o fijan para que no varíen en absoluto. Esto reduce la cantidad de simulaciones necesarias para construir la base de datos y reduce significativamente el tiempo de cómputo y la memoria usada. Por ejemplo, en un DOE numérico de dos niveles, se puede llevar a cabo un diseño factorial completo dividiendo el rango de los parámetros del modelo en solo dos incrementos mayores (es decir, un total de 28 = 256 simulaciones para un DOE de dos niveles con los parámetros de ejemplo anteriores). Los resultados del DOE numérico se grafican luego en los gráficos de efectos principales y efectos de interacción. En una o más realizaciones, el método 400 analiza estas gráficas para determinar cuál de los parámetros del modelo tiene menos valor predictivo bajo las circunstancias. Para los parámetros que tienen menos valor predictivo, el valor del parámetro puede variarse en incrementos mayores o incluso fijarse a un valor particular. Dicha discriminación de parámetros del modelo reduce el número total de simulaciones necesarias para generar la base de datos, al tiempo que conserva la información más valiosa contenida en el Modelo-Mec. De esta forma, los resultados del análisis del DOE identifican los parámetros dominantes claves y el número de niveles incrementales que se deben considerar para cada parámetro durante la generación de la base de datos.

En la etapa 415, el método 400 construye una base de datos de observación simulada [SODB] a partir de los resultados generados por las simulaciones paramétricas en la etapa 410. Según la metodología convencional, construir un [SODB] es un elemento intensivo de recursos informáticos, y el presente método minimiza los recursos informáticos utilizados al generar el [SODB] solo una vez para entrenar y validar el sistema experto.

En la etapa 420, un [SODB] entrena y prueba un sistema experto. El sistema experto se entrena y se prueba usando redes neuronales. Las pruebas y entrenamiento del sistema experto se describen más detalladamente aquí con referencia a la Figura 7 y al método 700.

A partir de entonces, el método 400 genera una predicción de la tasa de crecimiento de HIC en un activo realizado por el sistema experto, y permite a un usuario final realizar consultas futuras sin necesidad de construir el [SODB] o el sistema experto nuevamente, etapa 425. Las nuevas consultas realizadas por el usuario final (dentro del rango de aplicabilidad del modelo) utilizarán directamente el sistema experto entrenado por el método 400, que genera ahorros considerables en términos de tiempos de cómputo. Por ejemplo, el sistema experto ejecutará una gran cantidad de simulaciones en el orden de segundos a minutos, en comparación con las horas o días requeridos por un Modelo-Mec convencional solo (por ejemplo, el modelo mecanicista 205). En una o más implementaciones, otros requisitos informáticos (por ejemplo, licencias para paquetes FEM comerciales y estaciones de trabajo de alto rendimiento) necesarios para generar la base de datos se limitan a una única ubicación física dentro de una empresa. Por lo tanto, la base de datos se puede generar en una ubicación, pero el sistema experto entrenado se puede implementar en muchas ubicaciones sin aumentar los requisitos de recursos informáticos u otros costos.

Además, el presente método 400 en una o más implementaciones permite el despliegue sin complicaciones por parte de un usuario final (por ejemplo, un ingeniero de campo) en aplicaciones prácticas en el campo. La manipulación de un sistema experto entrenado por parte del usuario final es mucho más simple y segura que la manipulación de un Modelo-Mec tradicional. Por ejemplo, los usuarios finales que realizan evaluaciones de idoneidad para el servicio (por ejemplo, nivel 1 y nivel 2 de API-579) no están necesariamente calificados para usar paquetes FEM comerciales y, por lo tanto, dichos usuarios no pueden implementar enfoques convencionales de solo el Modelo-Mec. Además, incluso si el Modelo-Mec tradicional es implementado por personal calificado, el uso directo del Modelo-Mec aumenta la probabilidad de fallas de simulación en un sitio de campo porque el uso del Modelo-Mec solo conduce a problemas con una mala calidad de malla computacional, mala selección de solucionadores y problemas de convergencia de soluciones. Por el contrario, la presente invención evita tales problemas cuando se implementa un sistema experto en el campo, ya que la calidad de la malla, los solucionadores y los problemas de convergencia de soluciones se manejan durante la generación de la base de datos.

En una o más implementaciones, el sistema experto entrenado en la etapa 420 se puede configurar para el despliegue a gran escala (es decir, muchos usuarios finales y muchas simulaciones). Esto mejora aún más el campo técnico del modelado de la tasa de crecimiento de HIC sin introducir complejidades logísticas adicionales, como ocurriría con un despliegue a gran escala de un Modelo-Mec debido a los requisitos de recursos informáticos excesivos del Modelo-Mec. Por ejemplo, una solución tridimensional completa del Modelo-Mec relacionada con una porción agrietada de una estructura que tiene un área de 500 mm por 500 mm por 30 mm en la que se incrustan múltiples grietas dando como resultado decenas de millones de nodos. Para resolver este modelo, se requieren estaciones de trabajo de alto rendimiento, como las que tienen 36 CPU y 128 GB de memoria o más. El despliegue de tales modelos-Mec a gran escala requeriría que se cumplan los requisitos mencionados anteriormente para cada usuario final o en cada sitio, así como entrenamiento y licencias para paquetes FEM para cada usuario final o en cada sitio, lo cual es muy difícil de lograr, si no imposible.

Con referencia ahora a la Figura 5, en una o más implementaciones, se ilustra un método 500 para entrenar un sistema experto para predecir la tasa de crecimiento de HIC en el que periódicamente se encuentran disponibles datos adicionales de campo y/o experimentales. Por ejemplo, este método aplica el método de la figura 4, como se muestra en las etapas contenidas en el cuadro en líneas discontinuas A, y lo modifica para tener en cuenta los datos de inspección de NDT disponibles recientemente generados en las ubicaciones en el campo. El método 500 comienza reuniendo nuevos datos de pruebas no destructivas (NDT), etapa 505. Los datos de inspección de NDT se pueden recopilar a través de un sistema de control de supervisión y adquisición de datos ("SCa Da "), como se conoce en la técnica. Un sistema SCADA es un sistema de elementos de software y hardware (por ejemplo, controladores lógicos programables ("PLC"), unidades terminales remotas ("RTU"), máquinas de fábrica, dispositivos de interfaz hombremáquina, sensores, dispositivos finales) que administran y controlan procesos industriales local o remotamente. Por ejemplo, un sistema SCADA puede monitorear, recopilar y procesar datos en tiempo real recopilados por dispositivos de inspección, tales como robots, sondas o sensores que recopilan datos de condiciones operativas en un activo tal como una tubería. Los datos de condiciones de funcionamiento se recopilan en una región de inspección, que a su vez son suministrados a uno o más PLC o RTU. Los PLC y RTU luego suministran los datos recopilados a estaciones de trabajo de ordenadores individuales o terminales de operador a través de una red (por ejemplo, inalámbrica, WiFi, redes celulares, etc.). En una o más implementaciones, el método 500 instruye a los dispositivos de recopilación de datos (por ejemplo, robots de recopilación de información, dispositivos de medición ubicados dentro de una tubería, etc.) para obtener automáticamente nuevos datos de vez en cuando. Por ejemplo, el método 500 puede configurar los dispositivos de recopilación de datos para obtener nuevos datos diariamente, semanalmente o mensualmente, o los dispositivos de recopilación de datos pueden tener fechas específicas de calendario en las que se recopilan los datos. El método 500 también puede implementar criterios para determinar los tiempos óptimos para recopilar datos de campo disponibles periódicamente para el entrenamiento del sistema experto, tal como si las predicciones carecen de precisión utilizando los datos actuales.

A continuación, los datos recién recopilados se utilizan para construir una base de datos de medición de campo, etapa 510. La base de datos de medición de campo se puede construir a medida que se construye el [SODB] en la etapa 415. En una o más implementaciones, el método 500 se ramifica a la etapa 420 e integra nuevos datos de campo directamente en una base de datos de observación simulada generada previamente y aplica los datos como un conjunto de entrenamiento o prueba adicional durante un entrenamiento actualizado del sistema experto. Sin embargo, al hacerlo, los nuevos datos de campo deben revisarse para mantener la consistencia con los resultados actuales generados por la presente [SODB]. La aplicación de nuevos datos a una base de datos que contiene resultados no consistentes puede conducir a predicciones de mala calidad (que son, por ejemplo, un inconveniente conocido de las redes neuronales tradicionales).

El método 500 continúa, etapa 515, y divide los datos nuevos en entradas de campo ([INP]f) y salidas de campo ([OUT]f), prueba la consistencia (es decir, la validez de campo) del Sistema Experto (ES) actual comparando las salidas de campo [OUT]f con la predicción de ES en las entradas de campo ES([INP]f) para determinar si el ES actual necesita volver a ser entrenado. Esto se hace de acuerdo con la ecuación

\\[INP]f — ES([INP]f\\ ^

\\[INP]f\\ ~ £'

donde £ es un factor de tolerancia utilizado para controlar el nivel de consistencia requerido. Si la consistencia de los datos de campo está dentro del factor de tolerancia, el sistema experto se valida, etapa 520. Los datos de campo recién adquiridos se utilizan para optimizar el parámetro interno del Modelo-Mec (en tal caso, se debe resolver un problema de optimización auxiliar, como se analiza a continuación) antes de llevar a cabo un nuevo ciclo de entrenamiento/prueba/validación. Si la consistencia de los datos de campo no está dentro del factor de tolerancia, el sistema experto debe volver a ser entrenado, etapa 525. Se vuelve a entrenar el sistema experto como se hace el entrenamiento inicial como se describe en referencia a la figura 7. Dependiendo de los resultados de las pruebas de consistencia, se puede ahorrar tiempo de cómputo si el ES ya se ajusta bien a los datos recién adquiridos, ya que el método evita volver a entrenar el ES. El método descrito en la figura 5 puede automatizarse de modo que el proceso se lleve a cabo con el fin de evaluar la consistencia del ES actual o, alternativamente, mejorar el ES a través de un nuevo entrenamiento a la luz de los datos de campo recientemente disponibles. De esta manera, el sistema experto de la presente invención es dinámico y mejora por sí mismo.

La optimización periódica de los parámetros del Modelo-Mec como se presenta en el método 500 de la figura 5 también puede enfrentar un problema de optimización auxiliar, etapa 530. Como se proporciona en una implementación de ejemplo, los parámetros de entrada del Modelo-Mec están representados por los vectores g, l, m, o, h que representan respectivamente los datos de geometría (tamaño) de grietas, datos de ubicación, propiedades mecánicas del acero, condiciones operativas y condiciones de carga de hidrógeno. En la aplicación de campo, dos parámetros son frecuentemente críticos, es decir, las propiedades mecánicas del acero (particularmente la resistencia a la fractura del material en un entorno de hidrógeno) y las condiciones de carga de hidrógeno. El primer parámetro controla la resistencia a la fractura del material, mientras que el último controla la fuerza de accionamiento para que se produzca la fractura. Otros parámetros del modelo (geometría de grietas, ubicación y condiciones operativas) son con frecuencia relativamente fáciles de determinar con un nivel aceptable de confianza.

Las condiciones de carga de hidrógeno (es decir, el flujo de carga de hidrógeno) son controladas principalmente por el pH y la presión parcial de H2S en el entorno en contacto con las paredes interiores del equipo. Esto también puede verse afectado por la velocidad de formación y/o ruptura de la capa de sulfuro de hierro FeS pasivante que se forma en la pared interna como resultado de la reacción de corrosión. Modelar la reacción de corrosión ácida real y la adsorción/absorción de hidrógeno en el acero es demasiado complicado y aportaría parámetros adicionales al modelo que deben calibrarse adecuadamente. Las sondas portátiles comerciales (por ejemplo, Hydrosteel 6000 ©) están disponibles en el mercado y se pueden usar para medir directamente (cuando sea posible) el flujo de permeación de hidrógeno en cualquier ubicación del equipo dañado. Las mediciones se llevan a cabo desde la superficie exterior del equipo y luego se pueden utilizar como entrada para el Modelo-Mec.

Con respecto a las propiedades mecánicas del acero en el entorno de hidrógeno, los datos principales requeridos por el usuario final generalmente están disponibles en la literatura publicada o en los manuales para grados de acero comunes, excepto la resistencia a la fractura en el entorno de hidrógeno Kih en el que la disponibilidad de los datos se limita a la resistencia a la fractura en la dirección transversal corta, se indica K¡‘¡¡ que es para una propagación de grietas en el plano transversal Corto - Transversal (S-T). Sin embargo, la resistencia a la fractura de interés al simular la propagación de HIC lineal (ampollas) es la medida en la dirección de rodadura, lo que significa una grieta que se propaga en el plano Longitudinal-Transversal (L-T). Esta resistencia a la fractura, K¡fi es mucho menor que Kj$ una microestructura de bandas débiles debido al proceso de fabricación (laminado) a lo largo de la dirección de laminación.

K¡fi Los datos no están disponibles en la literatura que, debido a la pared relativamente delgada, está relacionada con la dificultad de extraer una muestra de prueba de fractura estándar consistente con las especificaciones ASTM E1820.

Por lo tanto, K¡‘¡¡ puede considerarse como un límite superior K¡fi el cual puede ajustarse aún más para adaptarse a los datos experimentales/de campo.

Por lo tanto, en una o más implementaciones, el método 500 proporciona K¡fi un parámetro de optimización del modelo para ajustar mejor la predicción numérica del Modelo-Mec con las mediciones de datos de campo en la etapa 530.

En una o más implementaciones, la especificidad de la fase de entrenamiento del sistema experto implementa las precauciones particulares para garantizar una buena estabilidad y predicciones precisas del sistema experto desarrollado. Con referencia a la figura 6, en una o más implementaciones, se usa un enfoque de entrenamiento directo. Por ejemplo, la base de datos numérica [SODB] = [g, í¿, m¡, g, h¿, t¡, CGR¡=i ..n se puede separar en predictores, indicado como [X] = [g, í¿, m¿, O, h¿¡¡=i n, y los objetivos correspondientes, indicados com continuación, los predictores y los objetivos correspondientes se dividen en dos conjuntos de datos distintos: un primer conjunto de datos {[Xtr] = [g, í¡, m¡, O hj¡=i..k, [Ytr] =[t¡, CGR¡¡=i..k} (en general 8 < fe < 98, es decir, aproximadamente el

50-70 % del número total de observaciones que figuran en la base de datos) utilizado para entrenar el sistema experto (usando cualquiera de los algoritmos de aprendizaje supervisados ampliamente disponibles en la literatura); y un segundo conjunto de datos { [X a1] = [g , l¿, mi, O¡, h¡ ¡=k..N, [Y'aí] = [t,CGR¡]¡=k..n} (que contiene el 30-50 % restante de las observaciones) utilizado para validar y evaluar la calidad de la entrenamiento.

Sin embargo, debido a fenómenos de interacción particulares que pueden ocurrir en tuberías o recipientes durante la degradación del hidrógeno, los enfoques de entrenamiento directo pueden tener un éxito limitado. Esto se debe a que durante la fase de entrenamiento de un sistema experto (por ejemplo, una red neuronal), los pesos asociados con los datos de entrada se ajustan en cada iteración hasta que se minimiza el error entre las predicciones del sistema experto y los objetivos de entrenamiento [Y*]. En otras palabras, el sistema experto utilizado en este caso intentará ajustarse durante la fase de entrenamiento para capturar adecuadamente todas las no linealidades que puedan existir entre [Xtr] and [Ytr]. En particular, los siguientes son ejemplos de fenómenos no lineales que pueden hacer que una fase de entrenamiento falle o converja con un coeficiente de correlación pobre (valor R): difusión de hidrógeno en presencia de campo de tensión, trampas metalúrgicas y discontinuidades geométricas (es decir, cavidades HIC preexistentes) que tienden a actuar también como trampas para el hidrógeno; presión acumulada dentro de las grietas de HlC preexistentes asociadas con el equilibrio termodinámico entre el gas hidrógeno en la cavidad y el hidrógeno atómico en la red de acero; reducción en la energía cohesiva del acero (y, por lo tanto, de la resistencia a la fractura) en la zona de proceso de fractura (FPZ) delante de la punta, que está asociada con la acumulación de hidrógeno en la región de alta triaxialidad en la FPZ; liberación repentina de energía potencial (que ya no puede ser acomodada por el material en forma de deformación elástica), lo que resulta en el crecimiento de grietas y la creación de nuevas superficies de grietas; y la propagación de grietas controlada por la cinética de la acumulación de presión dentro de la cavidad y la distribución no uniforme de la resistencia a la fractura del material.

El fenómeno no lineal más severo para manejar numéricamente está asociado con el crecimiento repentino de la grieta. El balance de energía de Griffith en la mecánica de fractura indica que el crecimiento de grietas se produce si

(y solo si) la tasa de liberación de energía potencial dn/dt (definida como la tasa de cambio de energía potencial n asociada con un cambio elemental en el área superficial de la grieta) excede la energía superficial del material Gc (otra medida de la resistencia a la fractura del material). Como se ilustra gráficamente en la figura 6, con respecto a una comparación entre un material dúctil y un material quebradizo, el crecimiento de grietas de acuerdo con el balance de energía de Griffith se puede visualizar mejor en la gráfica de la curva R del material (es decir, resistencia del material a la fractura frente al tamaño de la grieta). El crecimiento repentino de las grietas está representado matemáticamente por una función de paso/salto, que es una función discontinua conocida por introducir una fuerte no linealidad en el modelo. Otros fenómenos no lineales se describen matemáticamente mediante ecuaciones diferenciales parciales continuas y funciones no lineales continuas.

Para superar el problema técnico de modelar fenómenos no lineales asociados con la derogación física inducida por hidrógeno de las tuberías metálicas, en una o más implementaciones, los métodos descritos en la presente memoria dividen el sistema experto global en dos subsistemas expertos complementarios, en los que cada sistema experto se utiliza para un propósito determinado y se entrena y valida en un conjunto de datos específico. Más específicamente, la predicción del inicio del crecimiento de grietas, que es una variable de salida categórica (es decir, CGR = 0 vs. CGR > 0), se separa de la predicción de las características de crecimiento de grietas (es decir, t y CGR), donde este último es solo se lleva a cabo si se confirma el crecimiento de las grietas (es decir, CGR > 0).

Este enfoque contrasta con el enfoque directo convencional como si, durante las simulaciones paramétricas masivas, el crecimiento de las grietas no tuviera lugar (es decir, debido a una fuerza promotora de las grietas insuficiente), la salida de la simulación del Modelo-Mec sería t = ~ y CGR = 0. Por lo tanto, si el enfoque directo lleva a cabo un aprendizaje supervisado, es decir, [X] = [g¡, í¿, m¿, o¿, hj\i=i..N and [V] = [t, CGR] ^í=1..ⁿ , la matriz objetivo [V] contendría un número considerable de elementos [~, 0]. Estas observaciones abarcan la fuerte no linealidad del problema de crecimiento de fracturas y causan problemas importantes durante la fase de entrenamiento del sistema experto y darían como resultado un predictor inestable. En una o más implementaciones, el presente método no incluye tales observaciones en los datos de entrenamiento utilizados para predecir las características de crecimiento de las grietas (es decir, t y CGR).

Con referencia ahora a la figura 7, un diagrama de flujo que ilustra un método 700 para entrenar un sistema experto para predecir la tasa de crecimiento de HIC de acuerdo con una o más implementaciones. El método 700 puede implementarse de acuerdo con otros métodos en la presente memoria; por ejemplo, el método 700 se puede practicar en la etapa 420 de entrenamiento y prueba del método 400. El método 700 procesa los datos almacenados en [SODB] para crear un par de sistemas expertos, un Sistema experto de características de crecimiento de grietas ("CGC-ES") para predecir las características de crecimiento de grietas y un Sistema experto de iniciación de grietas ("INT-ES") para predecir (es decir, confirmando o negando) el inicio del crecimiento de las grietas. El CGC-ES es una versión filtrada del [SODB] en el que las variables de entrada que producen resultados en los que no se simulan características de tasa de crecimiento de grietas ("CGC") se eliminan del conjunto de datos. Es decir, en la etapa 705, se usa un filtro para barrer la base de datos sin procesar [SODB] para discriminar todas las observaciones que verifican la condición: CGR > 0. Todas estas observaciones, que corresponden exclusivamente a simulaciones donde se produjo el crecimiento de fracturas, se copian en una nueva base de datos, denominada [NDB]CGC, que tiene el mismo formato que la base de datos sin procesar (es decir, [SODB]CGC = ¡g¿, l¿, m¿, o¿, h¿, t¡, CGR]m ..^m , con M < N, and V i e [1,M], CGRi > 0). Dado que la base de datos filtrada no contiene la fuerte no linealidad asociada con el inicio del crecimiento de grietas, se puede llevar a cabo un aprendizaje supervisado directo utilizando [NDB]CGC sin afectar la estabilidad del sistema experto producido (CGC-ES).

En una o más implementaciones, el método 700 para entrenar el sistema experto para predecir el CGC, incluye en la etapa 710 dividir la base de datos [SOD]CGC en predictores [X]CGC = [g¿, l¿, m , 0¡, hJi=i--M y los objetivos [Y]cgc =[t, CGR]í=i ..m y dividir los predictores y los objetivos correspondientes en dos conjuntos de datos distintos de la siguiente manera:

a. [X] ^cgc = [Xb]CGCu[Xval]CGC, con [Xt’]CGCn[Xval]CGC = 0.

b. [Y] ^cgc = [vf']CGCu[vvaí]CGC, con [vtn]CGCn[Vvaí]CGC = 0. Posteriormente, en la etapa 715, el CGC-ES se entrena a través de un algoritmo de aprendizaje supervisado en un conjunto de entrenamiento, y las predicciones del CGC-ES se validan en el conjunto de prueba trazando los residuos CGC-ES([Xa/]CGC) - [yva]CGC, etapa 720.

El sistema experto producido CGC-ES (como se muestra en el bloque 725) es insuficiente para caracterizar todo el proceso, ya que, como se describe en otra parte en la presente memoria, no tiene en cuenta la fuerte no linealidad asociada con el equilibrio de energía de Griffith para la aparición del crecimiento de grietas. Por lo tanto, en una o más implementaciones, el método 700 genera luego el INT-ES. Para entrenar el INT-ES, una nueva base de datos [SODB]INT se deriva del conjunto de datos sin procesar de las observaciones:

En una o más implementaciones, el método para entrenar al sistema experto para predecir el inicio del crecimiento de grietas incluye: dividir [NDB] ^int en predictores [X]INT = [g, l¿, mí, o¡, h¿i=1. N y los objetivos [V]INT = [initi]¡=1..N y dividir los predictores y los objetivos correspondientes en dos conjuntos de datos distintos para entrenamiento y validación respectivamente, etapa 730. Posteriormente, en la etapa 735, el INT-ES se entrena en el conjunto de entrenamiento utilizando un algoritmo de aprendizaje supervisado (tenga en cuenta que los objetivos contenidos en [Vtr] son booleanos y, por lo tanto, debe seleccionarse un algoritmo supervisado apropiado); y las predicciones INT-ES se validan en el conjunto de pruebas trazando los residuos INT-ES ([Xva) NT) - [Vva) NT, etapa 740. Esto produce el sistema INT-ES como se ilustra en el bloque 745.

El método 700 de la figura 7 ilustra adicionalmente la forma en que se utilizan los sistemas expertos para hacer nuevas predicciones después de recibir una nueva entrada (g0,l0,m0,00,h0). En una o más implementaciones, el método 700 del flujo de trabajo de predicciones incluye: pasar [X0] = (g0,l0,m0,00,h0) como argumento de entrada a INT-ES, etapa 750. Si se confirma el inicio del crecimiento de grietas (es decir, INT-ES([Xí)])=1), entonces el método 700 se ramifica de regreso al CGC-ES generado en el bloque 725 pasando [X0] como argumento de entrada al CGC-ES. Posteriormente, el CGC-ES genera el resultado de [70, CGR0] = INT-Es ([Xü]), que luego se envía al usuario final, etapa 755. Si no se confirma el inicio del crecimiento de grietas (es decir, INT-ES([Xq] ) ^ 1), el método 700 se ramifica a la etapa 760 y termina la simulación con el siguiente resultado: t = ~ and CGR = 0. En ese caso, las características de crecimiento de las grietas se predicen usando: [7, CGR] = CGR-ES([Xü]).

Con referencia ahora a la figura 8, en una o más implementaciones, los sistemas y métodos actuales incluyen usos de campo prácticos en los que la tasa de crecimiento de HIC se puede predecir mediante la recopilación e incorporación de datos de operación en el campo. Por ejemplo, los datos de NDT obtenidos de la supervisión de un equipo físico/activo (por ejemplo, una tubería), se pueden usar para predecir la integridad y la vida útil de ese activo físico.

La figura 8 ilustra un flujo de método 800 en el que los nuevos datos del entorno que se generan en un activo físico (como se indica con la referencia "B") se pasan periódicamente a un sistema experto entrenado (como en el método 700) para refinar las predicciones y la idoneidad para el servicio del activo físico B a lo largo del tiempo. Para una determinada pieza de equipo B, puede haber una o más regiones afectadas por HIC identificadas (por ejemplo, Ri, R2,... Ri, donde i es el número de regiones afectadas por HIC para analizar). El método 800 comienza en la etapa 805 creando un mapa de crecimiento de HIC de referencia para una región Ri afectada por HIC usando datos históricos de NDT de acuerdo con una o más implementaciones proporcionadas en otra parte de la presente memoria. Se puede crear un mapa de HIC, por ejemplo, usando mapeo ultrasónico, como se conoce en la técnica. En cada región Ri de HIC, se miden los datos de diseño del equipo y las condiciones de funcionamiento actuales (por ejemplo, presión, temperatura y carga de hidrógeno) utilizando sensores e instrumentos convencionales, etapa 810. Posteriormente, en la etapa 815, el mapa de HIC de referencia, los datos de diseño del equipo y las condiciones operativas actuales medidas en el sitio de campo se ingresan a un sistema experto como en una o más implementaciones descritas en otra parte de la presente memoria, etapa 815. El sistema experto procesa estos datos sin procesar para extraer las entradas (por ejemplo, [g,l,m,o,h], como en la figura 2) necesarias para ejecutar el análisis de crecimiento de HIC para cada región Ri para calcular la tasa del crecimiento de grietas correspondiente (CGR).

Para cada región Ri, los valores de CGR calculados se usan para predecir nuevos mapas HIC para cada región haciendo crecer artificialmente cada defecto de HIC existente desde el mapa de HIC de referencia en el CGR calculado correspondiente para formar uno o más nuevos mapas de prueba no destructivos de HIC en cada región analizada, etapa 820. El método 800 continúa en la etapa 825, en el que los mapas HIC recién pronosticados se utilizan como entrada para llevar a cabo evaluaciones múltiples de idoneidad para el servicio (FFS) (por ejemplo, según API-579). En una o más implementaciones, el método deriva las curvas de presión de trabajo máxima permitida ("MAWP") frente al tiempo para cada región Ri en la etapa 830. Por ejemplo, si la presión mínima de operación del equipo de interés se ingresa al sistema, entonces la vida útil restante de cada región Ri (indicada por r Lí en el bloque 830 de la figura 8) del equipo puede calcularse rápida y directamente trazando MAWP vs. tiempo para esa región. La vida útil restante del equipo ("ERL"), que corresponde al mínimo de todos los RLi calculados (la región más débil del equipo determinará el valor de ERL), se puede utilizar para configurar la frecuencia de futuras inspecciones de NDT y automáticamente configurar una alarma para los inspectores (por ejemplo, usando SCADA). En el bloque 835 se muestra un ejemplo de un diagrama de MAWP vs. tiempo con ERL indicado.

Además, el MAWP calculado del equipo en función del tiempo se puede utilizar para garantizar que el equipo esté continuamente en condiciones de servicio. En otras palabras, en todo momento (t) el valor de la presión de operación (OP) se compara con el valor calculado de MAWP(t). En una o más implementaciones, el método 800 genera una alerta (por ejemplo, usando SCADA) cuando los valores de OP y MAWP se acercan demasiado. Esta alerta se envía a un operador mediante el cual la presión de operación se ajusta automáticamente a un margen suficiente por debajo del m Aw P, etapa 840.

También se apreciará que este tipo de sistema de alerta puede ser parte de un proceso automatizado en el que la alerta generada por el sistema se envía a través de una red (por ejemplo, de manera inalámbrica) o similar a una parte automatizada de un equipo, tal como un dispositivo de inspección robótico. El dispositivo de inspección robótico recibe la información de alerta que incluye información de ubicación calculada y el dispositivo de inspección robótico puede viajar a la ubicación objetivo para su inspección. La información de inspección en tiempo real se puede entregar a un centro de comando (por ejemplo, estación central) y/o la información de inspección se puede recopilar y almacenar en la memoria para su posterior descarga. También se entenderá que el presente sistema puede generar información de programación basada en la salida del sistema y dicha información de programación representa un momento en el que una superficie particular debe o necesita ser inspeccionada. La información de programación se puede almacenar en la memoria y luego se alerta a una persona y/o un equipo automatizado cuando es hora de inspeccionar dicha superficie. En una o más implementaciones, en respuesta a una alerta, el método 800 programa opcionalmente una inspección de prueba no destructiva, etapa 845. En un momento posterior, se puede realizar una inspección in situ y los datos recién reunidos se pueden usar para actualizar el mapa de HIC de referencia, etapa 850. El método 800 puede entonces repetirse.

Con referencia ahora a la figura 9, se proporciona un sistema 900 para predecir una tasa de crecimiento de daño inducido por hidrógeno en uno o más activos. El sistema 900 se proporciona como un ejemplo de una aplicación práctica de los métodos para predecir la tasa de crecimiento de HIC como se describe en otra parte de la presente memoria. El sistema 900 incluye un dispositivo informático 910, el dispositivo informático tiene un procesador 915, una memoria 920 y está en conexión con una red 925. La red 925 puede ser, por ejemplo, una red cableada o inalámbrica, una red celular, una red de área amplia ("WAN") o una red de área local ("LAN"). En una o más implementaciones, el dispositivo informático 910 tiene acceso a una base de datos 930 a través de la red 925. En una o más implementaciones, el dispositivo informático 910 incluye una base de datos local. La base de datos 930 incluye datos históricos de NDT 935, que incluye información sobre condiciones operativas y datos estructurales de un activo tal como se capturó en el pasado. Por ejemplo, como se muestra en la figura 9, uno o más dispositivos de recopilación de datos 940 se implementan para recopilar condiciones operativas y datos estructurales de un activo 945, y en particular, en una región 950 del activo. En una o más implementaciones, los datos históricos 935 se almacenan en un mapa de HIC de referencia. Los dispositivos de recopilación de datos 940 pueden incluir dispositivos de inspección robóticos que tienen sensores ultrasónicos o escáneres, sondas in situ o similares. El procesador 915 recibe los datos históricos 935 pertenecientes a la región particular 950 como parámetros de entrada (por ejemplo, g, /, m, o, h), que luego se procesan utilizando una red neuronal 955 de acuerdo con los métodos de la presente memoria (por ejemplo, método 400, método 500, método 700) para generar una predicción de la tasa de crecimiento de HIC.

El sistema 900 también puede funcionar para actualizar periódicamente sus predicciones de tasa de crecimiento de salida incorporando nuevas NDT capturados por los dispositivos de recopilación de datos 940. El procesador 915 del dispositivo informático 910 está en comunicación con los dispositivos de recopilación de datos 940 a través de la red 925 y puede implementar instrucciones almacenadas en la memoria 920 (por ejemplo, código de programa) para configurar los dispositivos de recopilación de datos para recopilar datos de diseño de activos actuales y operar datos de condición en una región 950 de un activo 945 correspondiente a la pluralidad de parámetros de entrada. Los datos de diseño del activo actual y los datos de la condición operativa se transmiten luego por los dispositivos de recopilación de datos 940 al dispositivo informático 910 a través de la red 925. El dispositivo informático 910 luego implementa instrucciones para configurar el procesador 915 para que funcione como un sistema experto. El procesador configurado 915 luego recibe de la base de datos 930 los datos históricos 935 correspondientes a la pluralidad de parámetros de entrada correspondientes a la región 950 del activo 945, y recibe los datos de diseño del activo actual transmitidos y los datos de la condición operativa de los dispositivos de recopilación de datos 940 para la región correspondiente a la misma pluralidad de parámetros de entrada que con los datos históricos. El procesador configurado 915 luego extrae la pluralidad de parámetros de entrada de los datos históricos y los datos de diseño de activos actuales y los datos de condición de operación y luego procesa la pluralidad extraída de parámetros de entrada para generar la tasa de crecimiento del daño inducido por hidrógeno en la región 950 en el activo 945, como se describe en la presente memoria (por ejemplo, método 400, método 500, método 700). En una o más implementaciones, el procesador configurado 915 procesa la pluralidad extraída de parámetros de entrada para generar un nuevo mapa de HIC, que luego puede almacenarse en la memoria 920 o en la base de datos 930. El nuevo mapa de HIC se puede proporcionar como datos históricos 935 para predicciones de tasas de crecimiento futuras.

Basado en la tasa de crecimiento pronosticada generada por el procesador configurado 915 después de tomar en cuenta las condiciones operativas actuales y los datos estructurales en la región 950, en una o más implementaciones, el sistema 900 puede programar una inspección de idoneidad para el servicio en la región del activo. Por ejemplo, si hay una predicción de una alta tasa de crecimiento de grietas, se puede programar una inspección inmediatamente operando el código implementado en el procesador del sistema 900. Como otro ejemplo, tal predicción de una alta tasa de crecimiento de grietas puede hacer que una inspección existente se reprograme desde un tiempo remoto en el futuro para que se ponga en cola para una inspección comparativamente más inmediata. Al hacerlo, el sistema 900 puede crear o modificar entradas de programación entre otras entradas en una base de datos de servicio para hacer que los técnicos o robots inspeccionen las regiones pronosticadas de alto crecimiento de grietas en un momento diferente al que se había programado previamente, o que tengan un tiempo programado cuando no había tiempo programado para la inspección. En una o más implementaciones, el sistema 900 puede generar y transmitir una alerta a un dispositivo de recopilación de datos 940 en función de la tasa de crecimiento de salida del daño inducido por hidrógeno en la región 950 del activo 945, e instruir al dispositivo de recopilación de datos para que realice una inspección de la idoneidad para el servicio en la región del activo.

Para desarrollar aún más la naturaleza técnica y verificar la presente invención, se realizó un experimento de estudio piloto en cuanto a una implementación de la invención y se detalla a continuación. Este estudio piloto representa un ejemplo de una implementación de la presente invención, y no pretende limitar la presente invención a solo esta implementación de ejemplo.

Estudio piloto

La base matemática del modelo mecanicista de crecimiento de HIC se basa en los siguientes supuestos fundamentales. Se supone que el material a granel es isotrópico y elástico lineal, lo que se ve respaldado por el hecho de que HIC se desarrolla en las bandas de segregación (es decir, regiones frágiles) en las que la resistencia a la fractura está muy por debajo de la registrada para el material base, y como resultado, se evita el rendimiento difuso y la plasticidad se limita a una zona de proceso cercana a una punta muy pequeña. Se asume una sola grieta en modo I que se propaga en la dirección paralela a la pared de la tubería, que está respaldado por hallazgos experimentales del campo, es decir, que los datos de mapeo de espesor ultrasónico revelaron que el daño por HIC generalmente se desencadena en el espesor de la pared media de la tubería. Un solo HIC se modela como una grieta en forma de centavo bajo condiciones axisimétricas bidimensionales, lo cual es apropiado siempre que el radio de la grieta sea pequeño en comparación con el radio interno de la tubería (generalmente por encima de 16 pulgadas).

Desde un punto de vista teórico, la originalidad de este modelo mecanicista es que considera los acoplamientos entre diferentes físicas en un entorno dependiente del tiempo (es decir, dinámico), con enlace directo a las condiciones reales en el campo (pH y pH2S). Más específicamente, con referencia a la Figura 3 analizada previamente, se lleva a cabo un análisis de difusión (1) para modelar la absorción y el transporte de hidrógeno desde la pared interior (en contacto con el ambiente ácido) al interior de la tubería. Este análisis permite el acceso a la distribución de hidrógeno alrededor de la punta de la grieta y al flujo de hidrógeno en los flancos de la grieta. Esto también controla la reacción de recombinación de hidrógeno en la superficie de la grieta y, por lo tanto, afecta el mecanismo de acumulación de presión (2). La presión dentro de la grieta se puede determinar sobre la base del volumen de la grieta actual y la masa total de hidrógeno molecular dentro de la cavidad. La presión se emplea como parámetro de entrada para realizar el análisis de tensión (3). Dependiendo del nivel de tensión alcanzado alrededor de la punta de la grieta, se puede alcanzar la resistencia a la fractura del acero afectada por el hidrógeno y el proceso HIC avanza aún más. Finalmente, la extensión de la grieta (4) se puede suprimir cuando el aumento del volumen de la cavidad induce una caída significativa en la presión de hidrógeno. El ciclo completo se realiza hasta que se alcanza la condición final (por ejemplo, el logro de un tiempo de exposición predefinido). El paquete FEM comercial COMSOL Multiphysics se utilizó para implementar y resolver las ecuaciones del modelo.

Diseño numérico de experimento (DOE)

En este estudio, un modelo mecanicista como se presentó previamente hace uso de 5 parámetros de entrada, que son: la concentración de carga de hidrógeno en la pared interior C0 (que dicta el valor de pH del medio ácido y la presión parcial de H2S), el espesor de la pared de la tubería (dp), el radio inicial de HIC (a0), la profundidad de HIC en porcentaje del espesor de la pared (h%, medido desde la pared interna) y la resistencia a la fractura del material en el entorno de hidrógeno (K ^ic). La Tabla 1 a continuación muestra el rango de los 5 parámetros del modelo. Este rango se selecciona para cubrir una amplia gama de escenarios posibles (los límites para C0 se calculan a partir de los límites de pH y pH2S).

Tabla 1: Rangos de variación para los parámetros críticos del modelo

Para el análisis numérico DOE, se consideró un diseño factorial completo con dos niveles por parámetro del modelo (nivel superior = valor máximo, nivel inferior = valor mínimo), lo que condujo a un total de 25 (es decir, 32) simulaciones ejecutadas en una estación de trabajo estándar durante 10 horas de tiempo de CPU.

Los resultados del análisis DOE para la salida de la tasa de crecimiento de grietas (CGR) se muestran en las figuras 10-11. La Figura 10 presenta las representaciones gráficas del efecto principal del análisis DOE para cada parámetro del modelo. El gráfico muestra que CGR está fuertemente correlacionado positivamente con la concentración de carga de hidrógeno (C0) y el tamaño de grieta inicial (a0), mientras que está fuertemente correlacionado negativamente con la resistencia a la fractura del acero (K^ic) y la profundidad de la grieta (h%). Sin embargo, las variaciones en el grosor de la pared de la tubería tienen un efecto muy pequeño en la CGR calculada. Además, la figura 11, que presenta representaciones gráficas de gráficos de interacción del análisis DOE para cada par de parámetros del modelo, muestra que el grosor de la pared también tiene un efecto muy pequeño en las co-variaciones (variación de dos parámetros a la vez). El grosor de la pared de la tubería controla principalmente el tiempo requerido para que el hidrógeno alcance la cavidad de la grieta y, por lo tanto, influye en el tiempo de crecimiento ^t, pero aún en menor medida en comparación con los otros 4 parámetros. Como consecuencia, se puede tomar un valor medio constante para el grosor de la pared durante la generación de la base de datos de observación numérica simulada.

Base de datos de observación simulada

Las principales salidas del análisis del DOE requeridos para generar la base de datos de observación numérica simulada ("SODB") con un costo de cómputo mínimo se pueden resumir de la siguiente manera: se puede utilizar razonablemente un valor constante principal del grosor de la pared; se considerarán 5 niveles para la resistencia a la fractura y la concentración de carga de hidrógeno; y 3 niveles para el tamaño inicial de la grieta y la profundidad de la grieta. Esto da como resultado un número total de 225 simulaciones (ejecutadas en aproximadamente 3,5 días de tiempo de CPU), necesarias para construir el SODB.

Formación y validación del sistema experto

Se han creado y entrenado dos redes neuronales artificiales de prealimentación, CGC-ES e INT-ES, en un SODB, de acuerdo con el flujo del método en la figura 7. Una red neuronal CGC-ES consta de 4 nodos en la capa de entrada (un nodo por parámetro de modelo) y dos nodos en la capa de salida (^t y CGR). Además, el INT-ES también consta de 4 nodos en la capa de entrada y solo un nodo categórico en la capa de salida (utilizado para la variable categórica init). Se eligieron tres capas ocultas entre las entradas y salidas para cada red neuronal. La primera capa oculta tiene 16 nodos, la segunda capa tiene 8 nodos y la tercera capa tiene 2 nodos.

El aprendizaje supervisado de las redes neuronales se logró utilizando las herramientas de la Red neuronal (NN) del software MAT-LAB© solo por conveniencia, aunque podría haberse solucionado fácilmente utilizando cualquier otra librería de red neuronal de código abierto (por ejemplo, OpenANN). El rendimiento de la NN entrenada se validó contra el modelo FEM y mostró una muy buena reproducibilidad.

Por lo tanto, como se muestra y describe en la presente memoria, la presente invención proporciona soluciones técnicas a problemas técnicos asociados con las mediciones de grietas inducidas por hidrógeno y para proporcionar una capacidad predictiva altamente efectiva o eficiente para determinar, por ejemplo, las características de crecimiento de grietas. La presente invención incluye un sistema experto dinámico, autoprogresivo y rápido para predecir el tiempo de crecimiento y la tasa de crecimiento de grietas, de las grietas lineales inducidas por hidrógeno preexistentes (tales como HIC lineales o ampollas). Además, la estructura técnica de la presente invención hace posible el despliegue en el campo, de formas que antes no estaban disponibles.

En una o más implementaciones, una solución técnica incluye la eliminación de programas de monitoreo especiales que de otro modo se habrían requerido para proporcionar mediciones de HIC y capacidad de predicción. Esto puede incluir, por ejemplo, eliminar la necesidad de una inspección local predeterminada de regiones de equipos dañados a intervalos periódicos, ya que la inspección local se puede programar para coordinarse con las tasas de crecimiento de grietas previstas. Además, la presente invención va mucho más allá de la idoneidad para las evaluaciones de servicio que dan como resultado resultados binarios (por ejemplo, aprobado/fallido). La presente invención puede configurarse para proporcionar mapeo basado en ultrasonido, proporcionando así información precisa e intuitiva para máquinas.

Además, la presente invención reduce el tiempo de procesamiento de la CPU y el uso de la memoria, al menos en parte al eliminar los problemas de convergencia que de otro modo serían frecuentes durante la simulación. Esto puede incluir, por ejemplo, la eliminación o reducción de licencias de hardware/software, estaciones de trabajo informáticas o similares, así como una reducción significativa de los requisitos de tiempo de los programas de simulación convencionales. Además, en una o más implementaciones, el sistema experto (por ejemplo, una red neuronal artificial) está entrenado y, a partir de entonces, puede evolucionar a un programa de simulación configurado para hacer predicciones, por ejemplo, de las características de crecimiento de grietas. Esto proporciona una solución técnica al alterar la información y la funcionalidad en un solo aspecto de la presente invención, desde el aprendizaje de datos, por ejemplo, hasta las operaciones de datos y, finalmente, el despliegue en el campo.

Además, en una o más implementaciones, el diseño de experimentos es ejecutado por uno o más procesadores antes de ejecutar simulaciones paramétricas, lo que elimina las variables menos significativas que de otro modo se usarían en las simulaciones. Por ejemplo, la calidad de la malla, los solucionadores y los problemas de convergencia de soluciones se manejan por adelantado, durante la generación de la base de datos. Esto da como resultado menos simulaciones que hubieran sido necesarias para predecir HIC, lo que resulta en un mejor rendimiento y funcionamiento del dispositivo, menos demanda del dispositivo, y reduce los costos al mismo tiempo que mantiene y/o mejora la predictibilidad de HIC y/o proporciona la predictibilidad de HIC de maneras que eran hasta ahora imposibles.

Por ejemplo, la presente invención elimina la necesidad de licencias costosas y requisitos de dispositivos informáticos para entrenar y desplegar paquetes FFM, incluso para una gran cantidad de estaciones de trabajo asociadas con una solución tridimensional convencional del Modelo-Mec. Como se señala en la presente memoria, dicha solución sería necesaria para el modelado y las medidas predictivas relativas a una porción agrietada de una estructura que tiene un área de 500 mm por 500 mm por 30 mm en la que se incrustan múltiples grietas. Al eliminar la necesidad de estaciones de trabajo de alto rendimiento, como las que tienen docenas de CPU y gigabytes de memoria, la presente invención hace que la capacidad de determinar una tasa de crecimiento del daño inducido por hidrógeno en un activo no solo sea asequible, sino posible mediante la simulación de la tasa de crecimiento basada en una o más entradas de datos, y predicen el crecimiento de la grieta. Esto se efectúa como una función de inspección no destructiva a través del control de supervisión y adquisición de datos (SCADA), que está configurado para generar alertas y transmitir las alertas a los operadores para que la presión de operación se ajuste, automáticamente.

Las figuras 1 a la 11 son ilustraciones conceptuales que permiten una explicación de la presente invención. Los expertos en la materia deberían comprender que diversos aspectos de las implementaciones de la presente invención podrían implementarse en hardware, firmware, software o combinaciones de los mismos. En tales implementaciones, los diversos componentes y/o etapas se implementarían en hardware, firmware y/o software para realizar las funciones de la presente invención. Es decir, la misma pieza de hardware, firmware o módulo de software podría realizar uno o más de los bloques ilustrados (por ejemplo, componentes o etapas).

En implementaciones de software, el software informático (por ejemplo, programas u otras instrucciones) y/o los datos se almacenan en un medio legible por máquina como parte de un producto de programa informático, y se cargan en un sistema informático u otro dispositivo o máquina a través de una unidad de almacenamiento extraíble, un disco duro o interfaz de comunicaciones. Los programas informáticos (también denominados lógica de control de ordenador o código de programa legible por ordenador) se almacenan en una memoria principal y/o secundaria, y son implementados por uno o más procesadores (controladores o similares) para hacer que uno o más procesadores realicen las funciones de la invención como se describe en la presente memoria. En este documento, los términos "medio legible por máquina", "medio de programa de ordenador" y "medio utilizable por ordenador" se usan generalmente para referirse a medios tales como una memoria de acceso aleatorio (RAM); una memoria de solo lectura (ROM); una unidad de almacenamiento extraíble (por ejemplo, un disco magnético u óptico, un dispositivo de memoria flash o similar); un disco duro; o similar.

Notablemente, las figuras y ejemplos anteriores no pretenden limitar el alcance de la presente invención a una sola implementación, ya que otras implementaciones son posibles mediante el intercambio de algunos o todos los elementos descritos o ilustrados. Además, cuando ciertos elementos de la presente invención pueden implementarse parcial o totalmente utilizando los componentes conocidos, solo se describen aquellas partes de dichos componentes conocidos que son necesarias para comprender la presente invención, y las descripciones detalladas de otras partes de dichos componentes conocidos se omiten para no entorpecer la invención. En la presente memoria descriptiva, una implementación que muestra un componente singular no debe limitarse necesariamente a otras implementaciones que incluyen una pluralidad del mismo componente, y viceversa, a menos que se indique explícitamente lo contrario en la presente memoria. Además, los solicitantes no tienen la intención de atribuir a ningún término en la memoria descriptiva o las reivindicaciones un significado poco común o especial a menos que se establezca explícitamente como tal. Además, la presente invención abarca equivalentes conocidos presentes y futuros de los componentes conocidos a los que se hace referencia en la presente memoria a modo de ilustración.

La descripción anterior de las implementaciones específicas revelará tan completamente la naturaleza general de la invención de manera que otros puedan, aplicando el conocimiento dentro de la habilidad de la(s) técnica(s) relevante(s), modificar y/o adaptar fácilmente para diversas aplicaciones tales implementaciones específicas, sin excesiva experimentación, sin apartarse del concepto general de la presente invención. Por lo tanto, tales adaptaciones y modificaciones están destinadas a estar dentro del significado y el rango de equivalentes de las implementaciones divulgadas, en base a la enseñanza y orientación presentadas en la presente memoria. Debe entenderse que la fraseología o terminología en la presente memoria tiene el propósito de descripción y no de limitación, de modo que la terminología o fraseología de la presente memoria descriptiva debe ser interpretada por el experto en la materia a la luz de las enseñanzas y guía presentadas en la presente memoria, en combinación con el conocimiento de un experto en la(s) técnica(s) relevante(s).

Si bien se han descrito anteriormente diversas implementaciones de la presente invención, debe entenderse que estas se han presentado a modo de ejemplo, y no de limitación. Sería evidente para un experto en la(s) técnica(s) relevante(s) que podrían realizarse diversos cambios en la forma y el detalle sin apartarse del alcance de la invención. Por lo tanto, la presente invención no debe estar limitada por ninguna de las implementaciones ilustrativas descritas anteriormente, sino que debe definirse solo de acuerdo con las siguientes reivindicaciones.

Claims (20)

1. REIVINDICACIONES

   i. Un método para llevar a cabo evaluaciones de idoneidad para el servicio para una región de un activo que tiene

   una tasa de crecimiento de daño inducido por hidrógeno, el método comprende:

   ingresar una o más primeras entradas de datos almacenadas en una base de datos a un modelo mecanicista;

   caracterizado por las siguientes etapas:

   procesar la una o más entradas de datos en una o más simulaciones paramétricas mediante un procesador que ejecuta el modelo mecanicista, para generar una o más características de crecimiento; construir una base de datos de observación simulada que almacene la salida de una o más características de crecimiento;

   entrenar y probar un sistema experto mediante la base de datos de observación simulada;

   validar el sistema experto mediante la base de datos de observación simulada;

   generar, mediante el sistema experto, la tasa de crecimiento del daño inducido por hidrógeno en el activo; y

   en el caso de que la tasa de crecimiento del daño inducido por hidrógeno exceda un umbral:

   generar una alerta; y

   transmitir la alerta a al menos un dispositivo de inspección robótico.
2. 2. El método de acuerdo con la reivindicación 1, en donde la etapa de procesar la una o más entradas de datos comprende:

   seleccionar, mediante el procesador, una de las una o más entradas de datos para variar dentro de un rango y seleccionar, mediante el procesador, cada una de las entradas de datos restantes que se mantendrán constantes.
3. 3. El método de acuerdo con la reivindicación 1, en donde la etapa de procesar la una o más entradas de datos comprende:

   realizar un diseño de experimento para identificar la una o más entradas de datos que se mantendrán constantes.
4. 4. El método de acuerdo con la reivindicación 1, en donde la etapa de entrenar y probar un sistema experto mediante la base de datos de observación simulada comprende:

   dividir el sistema experto en una pluralidad de subsistemas expertos, en donde un primer subsistema experto predice el crecimiento de grietas que tiene una salida condicional, y en donde un segundo subsistema experto predice una o más características de crecimiento.
5. 5. El método de acuerdo con la reivindicación 1, en donde la una o más primeras entradas de datos incluyen datos de geometría de grietas, datos de ubicación de grietas, datos de propiedades del material, datos de condiciones de carga de hidrógeno, o una combinación de los mismos, y en donde la una o más características de crecimiento incluyen un tiempo de iniciación (^t), una tasa de crecimiento de grietas (CGR), o una combinación de los mismos.
6. 6. El método de acuerdo con la reivindicación 1, que comprende además:

   recopilar una o más segundas entradas de datos mediante uno o más dispositivos de recopilación de datos; ingresar la una o más segundas estradas de datos de campo en la base de datos de observación simulada; actualizar la base de datos de observación simulada;

   probar el sistema experto con la base de datos de observación simulada actualizada para la validez de campo; y

   volver a entrenar el sistema experto si la validez de campo del sistema experto cae por debajo de un umbral.
7. 7. El método de acuerdo con la reivindicación 1, que comprende además la generación de un programa para una inspección de idoneidad para el servicio por parte del al menos un dispositivo robótico, en donde el programa se genera en función de la tasa de crecimiento prevista.
8. 8. El método de acuerdo con la reivindicación 1, en donde la alerta incluye información de ubicación de activos que representa una región del activo que tiene la tasa de crecimiento de daño inducido por hidrógeno y que comprende además:

   transmitir a un dispositivo de inspección robótica, la alerta para instruir al dispositivo de inspección robótica que ubique la región, viajar a la región y realizar una evaluación de idoneidad para el servicio en la región.
9. 9. El método de acuerdo con la reivindicación 1, en donde el sistema experto es para predecir la tasa de crecimiento de grietas inducidas por hidrógeno, y este se entrena a partir de una base de datos de observación simulada (SODB) que tiene una o más observaciones de tasa de crecimiento de grietas (CGR) mediante: la aplicación de uno o más filtros al SODB para eliminar una o más observaciones de CGR en las que el crecimiento de las grietas no tuvo lugar desde el SODB;

   la copia de una o más observaciones de CGR en las que tuvo lugar el crecimiento de las grietas en una nueva base de datos;

   la división de la nueva base de datos en uno o más predictores correspondientes a [X]CGC = [g, l¿, m¿, g, hj]=i..M y uno o más objetivos correspondientes a [Y]CGC = [t, CGRÍ]=i ..m;

   la división de uno o más predictores en un primer conjunto de datos correspondiente a [X]CGC = [.Xtr]CGC\j[x val]CGC, con [Xtr]CGC n [X al]CGC = 0, y dividir el uno o más objetivos en un segundo conjunto de datos correspondiente a [Y]CGC = ¡y tr]CGCu[Yval]CGC, con [Ytr]CGC n[Yval]CGC = 0;

   entrenar el primer conjunto de datos mediante un algoritmo de aprendizaje supervisado; y

   validar el segundo conjunto de datos a través de un algoritmo de aprendizaje supervisado.
10. 10. El método de acuerdo con la reivindicación 9, en donde el algoritmo de aprendizaje supervisado es una librería de redes neuronales.
11. 11. Un sistema para determinar una tasa de crecimiento del daño inducido por hidrógeno en un activo, el sistema se caracteriza por las siguientes características:

    un ordenador que tiene un procesador, una memoria y una conexión a una red, el ordenador tiene acceso a una base de datos que almacena datos históricos correspondientes a una pluralidad de parámetros de entrada;

    un dispositivo de recopilación de datos configurado para recopilar datos de diseño de activos y datos de condiciones de funcionamiento en una región del activo correspondiente a la pluralidad de parámetros de entrada; y

    en donde la ordenador implementa instrucciones para configurar el procesador para operar como un sistema experto que está configurado para:

    recibir de la base de datos los datos históricos correspondientes a la pluralidad de parámetros de entrada, recibir del dispositivo de recopilación de datos los datos de diseño del activo y los datos de la condición operativa en una región del activo correspondiente a la pluralidad de parámetros de entrada, extraer la pluralidad de parámetros de entrada a partir de los datos históricos y los datos de diseño del activo y los datos de la condición operativa en una región del activo, y procesar la pluralidad extraída de parámetros de entrada para generar la tasa de crecimiento del daño inducido por hidrógeno en la región en el activo.
12. 12. El sistema de acuerdo con la reivindicación 11, en donde los datos históricos se almacenan en un mapa de HIC de referencia.
13. 13. El sistema de acuerdo con la reivindicación 11, en donde el dispositivo de recopilación de datos es un robot, un sistema de sonda intrusivo, un sistema de sonda no intrusivo o una sonda de parche.
14. 14. El sistema de acuerdo con la reivindicación 11, en donde la pluralidad de parámetros de entrada incluye datos de geometría de grietas, datos de ubicación de grietas, datos de propiedades del material, datos de condiciones de carga de hidrógeno, o una combinación de los mismos.
15. 15. El sistema de acuerdo con la reivindicación 11, en donde el sistema experto está configurado para procesar la pluralidad extraída de parámetros de entrada para generar un nuevo mapa de HIC.
16. 16. El sistema de acuerdo con la reivindicación 15, en donde el nuevo mapa de HIC se proporciona como datos históricos al sistema experto.
17. 17. El sistema de acuerdo con la reivindicación 11, en donde el sistema experto está configurado para derivar una curva de una presión de trabajo máxima permisible ("MAWP") versus el tiempo para la región del activo, comparar un valor de los datos de la condición operativa a lo largo del tiempo con la curva para determinar si la diferencia en los valores de los datos de la condición operativa y el MAWP cae por debajo de un umbral, y generar y transmitir una alerta a un operador en la región del activo.
18. 18. El sistema de acuerdo con la reivindicación 17, en donde, en respuesta a la recepción de la alerta, el operador ajusta automáticamente las condiciones operativas en la región del activo para aumentar la diferencia en los valores de los datos de la condición de operación y el MAWP por encima del umbral.
19. 19. El sistema de acuerdo con la reivindicación 11, en donde el sistema experto está configurado para programar, en base a la tasa de crecimiento de salida del daño inducido por hidrógeno en la región del activo, una inspección de idoneidad para el servicio en la región del activo.
20. 20. El sistema de acuerdo con la reivindicación 11, en donde el sistema experto está configurado para generar y transmitir una alerta al dispositivo de recopilación de datos en función de la tasa de crecimiento de salida del daño inducido por hidrógeno en la región del activo, e instruir al dispositivo de recopilación de datos para que realice una inspección de idoneidad para el servicio en la región del activo.