ES2938909T3 - Un procedimiento mejorado para evaluar el estado de la tubería - Google Patents

Un procedimiento mejorado para evaluar el estado de la tubería Download PDF

Info

Publication number
ES2938909T3
ES2938909T3 ES18306777T ES18306777T ES2938909T3 ES 2938909 T3 ES2938909 T3 ES 2938909T3 ES 18306777 T ES18306777 T ES 18306777T ES 18306777 T ES18306777 T ES 18306777T ES 2938909 T3 ES2938909 T3 ES 2938909T3
Authority
ES
Spain
Prior art keywords
pipe
pipeline
condition
sections
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
ES18306777T
Other languages
English (en)
Inventor
Karim Claudio
Becelaere Thomas Van
Gilles Fay
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suez International SAS
Original Assignee
Suez International SAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suez International SAS filed Critical Suez International SAS
Application granted granted Critical
Publication of ES2938909T3 publication Critical patent/ES2938909T3/es
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
    • G01B17/02—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
    • G01M3/243—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
    • G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
    • G01M3/2815—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes using pressure measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/72—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables
    • G01N27/82—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating magnetic variables for investigating the presence of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/20—Metals
    • G01N33/204—Structure thereof, e.g. crystal structure
    • G01N33/2045—Defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/025—Change of phase or condition
    • G01N2291/0258—Structural degradation, e.g. fatigue of composites, ageing of oils
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/02854—Length, thickness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Acoustics & Sound (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Pipeline Systems (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

La invención se refiere a un método, un programa informático y un dispositivo implementados por ordenador para evaluar el estado de las tuberías de secciones de tuberías de una red de tuberías. Para hacerlo, las secciones de tubería se agrupan en clases basadas en parámetros estructurales y ambientales; dentro de cada clase se selecciona una muestra de secciones de tubería para ser inspeccionadas. Los puntajes que se obtienen a través de la inspección se utilizan para entrenar un modelo de condiciones de tubería de las tuberías de una clase, con el fin de estimar las condiciones de tubería de las tuberías que no han sido inspeccionadas. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN
Un procedimiento mejorado para evaluar el estado de la tubería
Campo de la invención
La presente invención se refiere al campo de la gestión de tuberías para una red de distribución de fluido. Más específicamente, se refiere a la evaluación del estado de la tubería.
Antecedentes de la técnica anterior
Los fluidos, por ejemplo, el agua, el petróleo o el gas, se suministran usualmente a través de grandes redes que contienen un gran número de tuberías. Con el tiempo, las tuberías están sometidas a degradaciones, por ejemplo, debido a la corrosión. Los estados severos de la tubería pueden provocar fugas en la red. Por lo tanto, es deseable evaluar el estado de la tubería, con el fin de reparar o sustituir las tuberías dañadas antes de que se rompan o creen fugas.
La tubería puede inspeccionarse directamente. Existen numerosos procedimientos de inspección directa. Por ejemplo, las tuberías pueden inspeccionarse visualmente. Las tuberías también pueden inspeccionarse utilizando mediciones. Por ejemplo, se puede aplicar un flujo electromagnético a una tubería y analizarlo. También es posible realizar mediciones acústicas que consisten en enviar señales acústicas y analizar la respuesta de varias porciones de la tubería a la señal acústica con el fin de determinar su espesor.
Todos estos procedimientos presentan la desventaja de requerir el desplazamiento de un operador, o mediciones locales. Por lo tanto, una inspección regular de toda una red es, en la práctica, imposible y demasiado costosa para determinar de manera eficiente el estado de la tubería de toda una gran red.
Por lo tanto, una solución consiste en evaluar a priori las tuberías más críticas por inspeccionar, con el fin de centrarse en las tuberías que se encontrarán en el estado más severo. Sin embargo, es difícil determinar a priori qué tubería se encuentra en el estado más severo y, por lo tanto, se debe inspeccionar en primer lugar.
La patente US 9,128,019 divulga un procedimiento que consiste en evaluar al mismo tiempo un estado y una tasa de deterioro de una tubería. Por lo tanto, este procedimiento permite determinar con antelación el momento en el que se espera que el estado de la tubería pase a ser crítico, y en el cual se debe inspeccionar/reparar/sustituir la tubería. Sin embargo, este procedimiento también requiere la inspección, al menos una vez, de todas las tuberías de la red por parte de un operador.
El documento US 4,998,208 A divulga otro procedimiento de estimación del estado de tuberías en base a la agrupación de tuberías de acuerdo con su entorno de corrosión.
Existe, por lo tanto, la necesidad de un procedimiento que permita una estimación precisa del estado de la tubería, incluso de aquellas que no han sido inspeccionadas, y que a la vez solo requiera la inspección de una pequeña porción de las tuberías de la red.
Sumario de la invención
Para este efecto, la invención divulga un procedimiento implementado por ordenador que comprende: una primera etapa de agrupación de secciones de tubería de una red de tuberías en un número de clases, en base a parámetros de tubería relativos a la estructura o al entorno de las secciones de tubería; y, para cada clase de dicho número de clases: una segunda etapa de extracción de una muestra de secciones de tubería de la clase que comprende: una primera subetapa de inicialización de un conjunto de muestras candidatas de secciones de tubería; una segunda subetapa de modificación iterativa de dicho conjunto de muestras candidatas utilizando: un algoritmo genético en base a una función objetivo que comprende una minimización de la diferencia de los parámetros promedio de tubería de las secciones de tubería de la muestra, y los parámetros promedio de tubería de las secciones de tubería de la clase; una tercera subetapa de selección de la muestra candidata que optimiza dicha función objetivo; una tercera etapa consiste en obtener, para cada muestra de sección de tubería, una o más puntuaciones del estado de la tubería determinadas mediante un procedimiento de evaluación del estado; una cuarta etapa consiste en realizar una estimación de una o más puntuaciones del estado de la tubería para las secciones de tubería que no pertenecen a la muestra en base a dichos parámetros de tubería; siendo dicha estimación parametrizada con las puntuaciones del estado de la tubería y los parámetros de tubería de las secciones de tubería de la muestra extraídos en la segunda etapa.
Tales parámetros de tubería pueden comprender, por ejemplo, uno o más de: parámetros estructurales (longitud de la tubería; material de la tubería; diámetro de la tubería; edad de la tubería...), o parámetros medioambientales (temperaturas del entorno de la tubería; humedad del entorno de la tubería; equipos cercanos (por ejemplo, presencia de una carretera o aeropuerto cercanos que puedan crear vibraciones que disminuyan la vida útil de la tubería); calidad del agua; presión; variación de la presión; sobretensión; carga de tráfico; movimiento del suelo).
Un procedimiento de evaluación del estado designa cualquier procedimiento para evaluar el estado de una tubería utilizando un tipo de inspección o análisis de la tubería. Por lo tanto, los ejemplos no limitativos de procedimientos de evaluación del estado incluyen la inspección visual, mediciones que pueden realizarse in situ (análisis acústico, análisis electromagnético...) o recolección de muestras y análisis de estas en un laboratorio. Más en general, cualquier tipo de inspección humana o medición realizada en las tuberías que permita evaluar el estado de la tubería puede utilizarse como procedimiento de evaluación del estado. La puntuación del estado de la tubería es una puntuación que caracteriza el estado de una sección de tubería determinada. La puntuación del estado de la tubería puede expresarse utilizando varias escalas. Por ejemplo, pueden utilizarse escalas que proporcionen un estado indicativo de la tubería (tal como “bueno”, “medio”, “malo”...), escalas normalizadas entre 0 y 1, o una medición indicativa del estado de la tubería (tal como el espesor de la tubería).
La primera etapa agrupa las secciones de tubería en un número de clases y, dentro de cada clase, las secciones de tubería se ven afectadas por un procedimiento de degradación sustancialmente similar.
Dado que los procedimientos de evaluación del estado de las tuberías son largos y costosos, el objetivo de la segunda etapa es proporcionar, para cada clase, un número limitado de secciones de tubería que sean lo más representativas posible de las secciones de tubería de la clase, de modo que la evaluación del estado de un número limitado de secciones de tubería en la clase permita extraer reglas generales para estimar el estado de la tubería de las secciones de tubería de la clase en base a los parámetros de tubería. Los procedimientos de evaluación del estado proporcionan, para las secciones de tubería seleccionadas, puntuaciones fiables del estado de la tubería, ya que se basan en una inspección, observaciones o mediciones realizadas en la tubería real.
La cuarta etapa consiste en realizar una estimación del estado de la tubería para las secciones de tubería para las cuales no se ha llevado a cabo ningún procedimiento de evaluación del estado. Dado que las secciones de tubería se agrupan en clases de tuberías afectadas por procedimientos de degradación sustancialmente similares, y que se ha llevado a cabo un procedimiento de evaluación del estado para algunas secciones de tubería dentro de cada clase, la cuarta etapa está parametrizada con precisión, y proporciona una estimación fiable del estado de la tubería.
Por lo tanto, el procedimiento de la invención permite una estimación precisa del estado de la tubería de las tuberías en una gran red de tuberías, sin requerir una inspección exhaustiva de las tuberías y, por lo tanto, con unos costes de inspección limitados.
El procedimiento de la invención reduce los costes de estimación del estado de la tubería, y de planificación de su renovación.
El procedimiento de la invención permite planes eficientes de inspección y renovación de las tuberías, y por lo tanto permite un mantenimiento eficiente de la red de tuberías.
Ventajosamente, dicho número de clases es un número predefinido de clases, y la primera etapa comprende la aplicación de un Modelo Mixto General (GMM) a las tuberías para agrupar las secciones de tubería en dicho número predefinido de clases.
Esto permite agrupar las secciones de tubería en clases que tengan miembros con características homogéneas, permitiendo así una agrupación eficiente de las secciones de tubería.
Como se ha indicado anteriormente, la segunda etapa de extracción de la muestra comprende: una primera subetapa de inicialización de un conjunto de muestras candidatas de secciones de tubería; una segunda subetapa de modificación iterativa de dicho conjunto de muestras candidatas utilizando: un algoritmo genético en base a una función objetivo que comprende una minimización de la diferencia de los parámetros promedio de tubería de las secciones de tubería de la muestra, y los parámetros promedio de tubería de las secciones de tubería de la clase; una tercera subetapa de selección de la muestra candidata que optimiza dicha función objetivo.
El algoritmo genético optimiza, en iteraciones sucesivas, la función objetivo que consiste en minimizar las diferencias entre los parámetros promedio de la muestra y la clase. El algoritmo genético proporciona la ventaja de permitir una optimización de la función a la vez que se prueban muestras que comprenden combinaciones muy diferentes de secciones de tubería. Esto permite, por lo tanto, obtener muestras cuyos parámetros promedio de tubería se aproximen lo más posible a los parámetros promedio de tubería de las clases correspondientes. Por lo tanto, las muestras proporcionan una buena representación de las clases, y a partir de ellas pueden construirse modelos fiables de las mismas. Además, los algoritmos genéticos tienen una complejidad computacional limitada.
Ventajosamente, el tamaño relativo de cada muestra está negativamente correlacionado con la homogeneidad de cada clase correspondiente.
En general, cuanto más homogénea es una clase, menor debe ser el tamaño de la muestra para modelar con precisión el comportamiento de degradación de las secciones de tubería de la clase. En efecto, se necesita un número menor de valores de entrenamiento para entrenar un modelo, si los miembros de la clase son homogéneos. Por lo tanto, correlacionar negativamente los tamaños relativos de las muestras con las homogeneidades relativas de las clases permite asignar un tamaño de muestras para optimizar la fiabilidad de las predicciones de todas las clases para un número determinado de procedimientos del estado de la tubería por llevar a cabo.
Ventajosamente, el procedimiento de evaluación del estado de la tercera etapa se elige en un grupo que comprende uno o más de: un análisis de un flujo electromagnético aplicado a la sección de tubería; un análisis acústico de la sección de tubería; la extracción, y el análisis en un laboratorio de una muestra de la sección de tubería; y en el que cada uno de los procedimientos de evaluación del estado proporciona puntuaciones del estado de la tubería a la misma escala.
Esto permite seleccionar el procedimiento de medición u observación más adecuado para cada sección de tubería, y comparar fácilmente las mediciones u observaciones entre las secciones de tubería.
Ventajosamente, los procedimientos de evaluación del estado proporcionan dos o más puntuaciones del estado de la tubería correspondientes a diferentes partes de las secciones de tubería y elegidas en un grupo que comprende: una puntuación del estado del revestimiento interior; una puntuación del estado del revestimiento exterior; una puntuación del estado de la junta.
Esto permite evaluar la evolución del estado de diferentes partes de las secciones de tubería. Esto es útil, ya que el estado de las diferentes partes de las tuberías puede evolucionar de diferentes maneras dependiendo de los parámetros estructurales y medioambientales de la tubería.
Ventajosamente, se obtiene una única puntuación del estado de la tubería a partir de las dos o más puntuaciones del estado de la tubería correspondientes a diferentes partes de las secciones de tubería, utilizando una suma ponderada u ortogonal.
Esto permite resumir el estado de la tubería dentro de una única puntuación del estado de la tubería que tiene en cuenta las degradaciones específicas de las diferentes partes de la tubería.
Ventajosamente, la una o más puntuaciones del estado de la tubería se asocian con uno o más índices de fiabilidad que definen la precisión de las mediciones que se utilizaron para obtener la una o más puntuaciones del estado de la tubería.
Esto permite tener en cuenta la fiabilidad de cada medición con el fin de modelar de la manera más eficiente posible la evolución del estado de la tubería.
Ventajosamente, realizar una estimación de una o más puntuaciones del estado de la tubería para secciones de tubería que no pertenecen a la muestra comprende: entrenar, para una clase, un motor de aprendizaje automático supervisado que predice puntuaciones del estado de la tubería en base a parámetros de tubería utilizando secciones de tubería que pertenecen a la muestra; utilizar dicho motor de aprendizaje automático supervisado para predecir puntuaciones del estado de la tubería en base a parámetros de tubería de las secciones de tubería de la clase que no pertenecen a la muestra.
Esto permite un modelado eficiente del estado de la tubería, ya que las tuberías han sido previamente agrupadas en clases de secciones de tubería similares, y se entrena un modelo para cada clase. Por lo tanto, el modelo se adapta bien a las secciones de tubería en las cuales se aplicará.
Ventajosamente, dicho motor de aprendizaje automático supervisado es un motor de aprendizaje automático de bosque aleatorio.
Un algoritmo de bosque aleatorio es especialmente adecuado para esta tarea. En efecto, un bosque aleatorio elimina los parámetros de tubería que no son predictivos del estado de tubería. Esto es especialmente eficaz en este caso, ya que se puede utilizar un gran número de parámetros estructurales o medioambientales. El algoritmo de bosque aleatorio utiliza de manera automática únicamente los parámetros que realmente permiten predecir el estado de la tubería.
Ventajosamente, el procedimiento comprende además crear una alerta para las secciones de tubería cuyas puntuaciones del estado de la tubería coincidan con un estado de alerta.
Las alertas pueden procesarse automáticamente, o visualizarse al usuario de diferentes formas (lista, mensajes, mapas...). Esto permite a los operarios estar al tanto de las tuberías críticas, y activar acciones posteriores en caso necesario.
Ventajosamente, cada alerta para una sección de tubería activa automáticamente al menos una acción elegida en un grupo que comprende un procedimiento adicional de evaluación del estado de la sección de tubería, una medida de protección, y una reparación de la sección de tubería.
Los procedimientos de evaluación del estado permiten determinar con precisión el estado real de la sección de tubería. Por lo tanto, esto permite utilizar procedimientos de evaluación del estado costosos únicamente para las secciones de tubería que pueden encontrarse en un estado crítico. Esto garantiza la seguridad de la red de tuberías a un coste razonable, limitando los procedimientos de evaluación del estado adicionales a las tuberías para las cuales son necesarios.
Las medidas de protección pueden ser cualquier medida que pueda evitar causar daños debido a la rotura de una sección de tubería, tal como el cierre de las válvulas para aislar la sección de tubería. Esto permite evitar la creación de daños por una tubería rota hasta que se evalúe el estado real de la tubería y/o se repare la sección de tubería.
La invención también divulga el producto de programa de ordenador, almacenado en un medio legible por ordenador no transitorio, comprendiendo dicho producto de programa de ordenador instrucciones de código para ejecutar un procedimiento de acuerdo con un aspecto de la invención.
La invención también divulga un dispositivo que comprende un procesador configurado para ejecutar un procedimiento de acuerdo con un aspecto de la invención.
Breve descripción de los dibujos
La invención se entenderá mejor y sus diversas características y ventajas surgirán a partir de la siguiente descripción de un número de realizaciones ejemplares y sus figuras adjuntas en las cuales:
- La Figura 1 visualiza una red de tuberías en la cuales se puede implementar un procedimiento de acuerdo con la invención;
- La Figura 2 visualiza un procedimiento implementado por ordenador de acuerdo con la invención;
- La Figura 3 visualiza un ejemplo de agrupación de tuberías en una realización de la invención;
- La Figura 4 visualiza un gráfico que muestra la precisión de un procedimiento en una realización de la invención dependiendo del tamaño relativo de la muestra, y del material de una tubería;
- La Figura 5 visualiza un plan de inspección de tubería de un ejemplo de procedimiento implementado por ordenador en una realización de la invención.
Descripción detallada de la invención
La Figura 1 visualiza una red de tuberías en la cual se puede implementar un procedimiento de acuerdo con la invención.
La red 100 que se visualiza en la Figura 1 representa una red de distribución de agua y comprende una pluralidad de nodos 110, 111, 112, 113, 114, 115, 116 y 117, y una pluralidad de arcos 120, 121, 122, 123, 124, 125, 126, 127 y 128. Los nodos representan típicamente las conexiones con las fuentes o depósitos de agua, por ejemplo, el depósito 130 en el nodo 116, las conexiones con el usuario del sistema de distribución de agua, por ejemplo, el consumo 131 en el nodo 113 y las conexiones entre los arcos. Los arcos representan tuberías entre los nodos. La red puede estar equipada con equipos, tales como válvulas y bombas. Una bomba 132 está, por ejemplo, presente en el arco 120. Más en general, un nodo puede ser una unión entre dos o tres tuberías, un punto en el cual se encuentran las entradas o salidas de la red, por ejemplo, un punto en el que un usuario consume agua, o un punto en el cual se inyecta agua en la red. Un nodo también puede representar una subred, por ejemplo, un barrio agrupado bajo un único nodo.
La red ejemplar de la Figura 1 tiene un bajo número de tuberías. Sin embargo, la red de agua típica tiene un número mucho mayor de tuberías. Por ejemplo, la invención puede aplicarse a redes de tuberías que comprendan 10,000, o incluso más, km de tuberías. Por ejemplo, la invención puede aplicarse a redes de tuberías que representen un área metropolitana. Por ejemplo, la red de distribución de agua potable del área de París comprende alrededor de 37,000 km de tuberías; la red de distribución de agua potable del área de Tokio comprende alrededor de 27,000 km de tuberías; la red de distribución de agua potable del área de Londres comprende alrededor de 21,000 km de tuberías; la red de distribución de agua potable del área de Adelaida comprende alrededor de 9,000 km de tuberías; la red de distribución de agua potable del área de Casablanca comprende 4,500 km de tuberías. Se estima que la longitud total de tuberías de agua potable en la Unión Europea es de aproximadamente 4,230,000 km.
Cada tubería de la red puede degradarse progresivamente a lo largo del tiempo. Un objetivo de la invención es, por lo tanto, obtener una estimación fiable del estado de la tubería con el fin de planificar su inspección, reparación y renovación de la manera más eficiente posible.
Aunque la Figura 1 visualiza una red de distribución de agua, la invención puede aplicarse a otros tipos de redes de fluidos, tales como redes de distribución de petróleo o gas.
La Figura 2 visualiza un procedimiento implementado por ordenador de acuerdo con la invención.
El procedimiento 200 se aplica a una red de tuberías, que puede ser, por ejemplo, una red de distribución de agua, petróleo o gas. La red está formada por tuberías interconectadas. Las tuberías se dividen en secciones. Una sección de tubería puede ser una tubería entera, o una parte de una tubería. Puede ser útil dividir grandes tuberías en una pluralidad de secciones, ya que la sección puede estar situada en diferentes entornos y, por lo tanto, el estado de la tubería puede evolucionar de manera diferente a lo largo del tiempo para las diversas secciones de la misma tubería. Por el contrario, las tuberías adyacentes e interconectadas pueden agruparse dentro de la misma sección de tubería, si comparten determinadas propiedades (por ejemplo, el mismo material, espesor, etc...). Las secciones de tubería pueden definirse de acuerdo con diferentes reglas. Por ejemplo, las tuberías pueden dividirse en secciones:
- de acuerdo con cambios en las características de las tuberías o cambios en el entorno (es decir, se puede dividir una tubería en secciones si cambia el material de la tubería, si existe una modificación significativa del entorno en la longitud de la tubería, etc.);
- de manera gráfica, mediante un usuario que define manualmente los límites de las secciones de tubería; - para reflejar la longitud máxima de una única sección de tubería.
El procedimiento 200 puede implementarse dentro de una solución de gestión de activos que permita controlar el estado de las tuberías en una red, y planificar su mantenimiento y renovación. Una tal solución también puede permitir la gestión de otros activos de la red, tales como depósitos, bombas, etc.
Una solución de gestión de activos tiene acceso a uno o más almacenes de datos que almacenan información relativa a los activos. Por ejemplo, esto puede otorgar acceso a los valores de un número de parámetros de tubería. Tales parámetros de tubería pueden comprender, por ejemplo, uno o más de:
- parámetros estructurales:
- longitud de la tubería;
- material de la tubería;
- diámetro de la tubería;
- edad de la tubería;
- parámetros medioambientales:
- temperaturas del entorno de la tubería;
- humedad del entorno de la tubería;
- equipos cercanos (por ejemplo, presencia de una carretera o aeropuerto cercanos que puedan crear vibraciones que disminuyan la vida útil de la tubería);
- calidad del agua;
- presión;
- variación de presión;
- sobretensión;
- carga de tráfico;
- movimiento del suelo;
Estos parámetros tienen una influencia en la evolución del estado de la tubería, y en la probabilidad de fallo de la misma a lo largo del tiempo. Por ejemplo, una tubería que está sometida a temperaturas extremas, alta humedad, o la vibración creada por una infraestructura cercana podría someterse a una degradación más rápida. La tasa de degradación también depende de los parámetros estructurales de las tuberías, por ejemplo, el material y el diámetro de la tubería. Algunos parámetros también pueden interactuar. Por ejemplo, el impacto de la humedad en la tubería puede depender del material de la tubería.
En un número de realizaciones de la invención, los valores de los parámetros de tubería pueden recuperarse, para cada sección de tubería, utilizando algún tipo de almacenamiento o base de datos.
El procedimiento 200 comprende una primera etapa 210 de agrupación de secciones de tubería de una red de tuberías en un número de clases, en base a parámetros de tubería.
Esta primera etapa 210 consiste en agrupar las secciones de tubería que comparten parámetros similares dentro de la misma clase. Por lo tanto, es probable que las secciones de tubería que pertenecen a la misma clase evolucionen de manera similar a lo largo del tiempo.
Esto puede realizarse de diferentes maneras. Los algoritmos de aprendizaje automático no supervisado son especialmente adecuados para la agrupación de las tuberías. La agrupación puede realizarse en base a cualquier combinación de parámetros de tubería. Por ejemplo, la agrupación puede realizarse de acuerdo con uno o más parámetros que se espera que tengan un impacto en la degradación de la tubería: material, diámetro, longitud, presión, calidad del agua, calidad del suelo, corriente de retención, tráfico rodado, etc. La agrupación puede realizarse para dividir las secciones de tubería en un número objetivo de clases, por ejemplo, un número objetivo de clases predefinido por un operador. Por ejemplo, se puede utilizar un número objetivo de cuatro clases. El número de clases también puede adaptarse para evitar tener clases con un número muy bajo de miembros, lo cual puede no ser muy significativo. El número de clases también puede adaptarse al tamaño de la red: por ejemplo, se puede utilizar un número menor de clases para redes pequeñas (es decir, redes que tengan una longitud total de tuberías igual a o menor que un umbral predefinido). Las clases también se pueden fusionar a posteriori. Por ejemplo, una clase con un bajo número de miembros se puede fusionar con una clase que tenga características similares.
Se pueden utilizar diferentes modelos o algoritmos para realizar la agrupación. Por ejemplo, un Modelo Mixto General (GMM) proporciona buenos resultados de agrupación, ya que permite obtener clases que tengan miembros homogéneos.
La Figura 3 visualiza un ejemplo de agrupación de tuberías en una realización de la invención.
Las tuberías se han agrupado de acuerdo con una pluralidad de variables que incluyen el material y el diámetro de la tubería.
La siguiente tabla muestra algunas características de cada una de las agrupaciones representadas en la Figura 3 (número de tuberías, longitud total de las tuberías, e indicador de degradación promedio de las tuberías). El indicador de degradación promedio es, en este ejemplo, un valor entre 0 y 1 que indica la degradación promedio de las tuberías en la agrupación. Se calcula en base a las tuberías que han sido inspeccionadas, y cuanto más alto es, más degradadas están las tuberías.
Tabla 1 - Estadísticas relativas a las agrupaciones de tuberías
Figure imgf000007_0001
Figure imgf000008_0001
Regresando a la Figura 2, el procedimiento 200 comprende una segunda etapa 220 de extracción, para cada clase, de una muestra de secciones de tubería de la clase.
Esta etapa consiste en identificar, para cada clase, un número de secciones de tubería por inspeccionar. Como se explicará con más detalle a continuación, estas secciones de tubería identificadas se inspeccionarán in situ para obtener una puntuación del estado de la tubería, con el fin de poder estimar las puntuaciones del estado de la tubería a partir de los parámetros de tubería dentro de cada clase. La segunda etapa 220 proporciona, para cada clase, un número limitado de secciones de tubería que son lo más representativas posible de las secciones de tubería de la clase.
Las secciones de tubería de la muestra pueden seleccionarse de acuerdo con un número de técnicas y restricciones.
De acuerdo con diversas realizaciones de la invención, la muestra puede configurarse para que comprenda un número o porcentaje máximo de secciones de tubería de la clase. Por ejemplo, la muestra puede comprender veinte secciones de tubería entre cien secciones de tubería que pertenecen a una clase. Este número máximo o porcentaje puede definirse de diferentes maneras. Por ejemplo, puede ser definido por un operador, ya que corresponde a un número de tuberías que se espera que sea suficiente para permitir una buena estimación de las puntuaciones del estado de la tubería, y/o debido a un número máximo de secciones de tubería que coincide con un presupuesto definido para la inspección de la tubería.
En un número de realizaciones de la invención, un presupuesto total para la inspección de la tubería, correspondiente a un número definido de procedimientos de evaluación del estado de la tubería, se asigna entre las diferentes clases. Este número de procedimientos del estado de la tubería puede dividirse entre las diferentes muestras. Los tamaños de las muestras pueden definirse de acuerdo con los tamaños relativos y la homogeneidad de las clases. En efecto, se requiere un número menor de procedimientos de inspección de la tubería para proporcionar un modelado fiable de clase homogénea. Por lo tanto, un tamaño menor de la muestra puede asignarse a clases más homogéneas.
El solicitante ha presentado, en el ámbito de la estimación en tiempo real del consumo de fluidos, una solicitud de patente internacional publicada bajo el número WO 2014/060655. El procedimiento de estimación del consumo de fluidos se basa en la clasificación de los usuarios en clases de usuarios que tengan perfiles de consumo similares, la medición en tiempo real del consumo de una muestra de usuarios de cada clase, y la estimación de un consumo total de la red en base a estas mediciones parciales en tiempo real.
La presente solicitud de patente se enfrenta al mismo problema de asignar un número óptimo de usuarios a diferentes clases con el fin de obtener la mejor estimación global con un número limitado de mediciones en tiempo real. Con el fin de resolver este problema, el solicitante ha definido una fórmula para definir los tamaños de las muestras dependiendo del tamaño total objetivo de las muestras, el tamaño y la dispersión de cada clase. Esta fórmula se proporciona p. 7 I. 15-28 de la dicha publicación internacional. Esta fórmula puede aplicarse mutadis mutandis a la asignación de los tamaños de las muestras de secciones de tubería de la invención, en base a los tamaños relativos y la dispersión de los valores de los parámetros de tubería en la invención. La dispersión puede ser, en este caso, la dispersión de las puntuaciones del estado de las tubería, o de manera más general un indicador de degradación de cada tubería que puede calcularse en base a fallos pasados, o los mismos parámetros que las puntuaciones del estado de la tubería. En este caso, los tamaños de las muestras permiten un modelado eficiente de cada clase, ya que las clases con tuberías más heterogéneas se modelarán utilizando un número relativamente mayor de evaluaciones del estado de la tubería.
En un número de realizaciones de la invención, la muestra comprende secciones de tubería, para las cuales se ha planificado previamente una inspección. Esto puede ser, por ejemplo, secciones de tubería que ya se espera que estén en un estado crítico, y/o que se ha planeado que sean inspeccionados por el plan de inspección del operador. Esto permite ahorrar presupuesto de inspección de tuberías, ya que las inspecciones ya planificadas se utilizarán para alimentar la muestra.
En un ejemplo no de acuerdo con la invención, una muestra comprende secciones de tubería seleccionadas de manera aleatoria. Esto proporciona la ventaja de ser simple, pero no garantiza que las secciones de tubería seleccionadas sean bastante representativas de la clase.
De acuerdo con la invención, una muestra comprende secciones de tubería que se espera sean las más representativas de la clase. Esto permite obtener una muestra que proporcione, para un número determinado de tuberías, la mejor estimación del estado de la tubería en base a sus parámetros de tubería. Se puede esperar que las secciones de tubería sean las más representativas de la clase, por ejemplo, si sus parámetros de tubería se acercan lo más posible al promedio de los parámetros de tubería dentro de la clase. Como ejemplo no de acuerdo con la invención, esto se puede realizar para cada sección de tubería de manera individual, asegurando que los parámetros de cada sección de tubería seleccionada estén individualmente lo más cerca posible del promedio de las secciones de tubería de la clase.
También se puede realizar para la muestra en su conjunto, asegurando que el promedio de los parámetros de las tuberías de la muestra se acerque lo más posible al promedio de los parámetros de las tuberías. Esto presenta la ventaja de garantizar que las secciones de tubería de la muestra sean, en su conjunto, representativas de las secciones de tubería de la clase. También permite seleccionar una muestra de secciones de tubería representativas de la clase, incluso si la selección de algunas secciones de tubería de las muestras está restringida (por ejemplo, ya que algunas secciones de tubería se seleccionan de manera obligatoria porque pertenecen al plan de inspección de tubería del operador). De acuerdo con la invención, las secciones de tubería de la muestra se seleccionan utilizando un algoritmo genético. Esto consiste en la inicialización de un conjunto de muestras candidatas y, a continuación, modificación iterativa de este conjunto utilizando la selección, cruce y mutación, con el fin de obtener iterativamente mejores muestras candidatas.
Los algoritmos genéticos utilizan una función objetivo que permite clasificar las muestras candidatas con el fin de seleccionar las mejores. De acuerdo con la invención, la función objetivo comprende una minimización de una diferencia entre el promedio de los parámetros de tubería de la muestra, y el promedio de los parámetros de tubería de la clase. Por lo tanto, en iteraciones sucesivas, las muestras de tubería candidatas se vuelven más representativas de la clase.
De acuerdo con diversas realizaciones de la invención, todas las secciones de tubería de la muestra pueden modificarse en cada iteración, o algunas secciones de tubería se mantienen en todas las muestras (por ejemplo, secciones de tubería que se inspeccionarán de todos modos en el plan de inspección de tubería del operador). El algoritmo genético proporciona la capacidad de obtener muestras de tuberías que son representativas de la clase, incluso con restricciones relativas a la selección de las secciones de tubería.
Finalmente, se selecciona la muestra candidata que optimiza la función de coste, es decir, la muestra candidata que se considera más representativa de la clase.
El procedimiento 200 comprende además una tercera etapa 230 de obtención, para cada sección de tubería en cada muestra para cada clase, de una o más puntuaciones del estado de la tubería determinadas por un procedimiento de evaluación del estado.
Como se ha explicado anteriormente, se inspeccionan las secciones de tubería seleccionadas para formar parte de una muestra. Pueden utilizarse diferentes procedimientos de evaluación del estado. Por ejemplo, el estado de la tubería se puede evaluar utilizando:
- un flujo electromagnético;
- un análisis acústico;
- la extracción de la muestra de las tuberías, que se analizan en un laboratorio;
- una inspección visual;
- CCTV y visión por ordenador;
- Tomografía;
- Inspección con drones;
El procedimiento de evaluación del estado puede ser el mismo para todas las secciones de tubería, o puede seleccionarse específicamente para cada sección de tubería. La selección de un procedimiento de evaluación del estado puede realizarse, dependiendo de la viabilidad técnica de cada procedimiento en el entorno de la sección de tubería, o porque un procedimiento es particularmente adecuado para una sección de tubería determinada. Por ejemplo, las tuberías metálicas pueden inspeccionarse con técnicas de flujo electromagnético o acústicas, a la vez que las tuberías no metálicas pueden inspeccionarse recolectando una muestra y enviándola a un laboratorio. La técnica de inspección también puede elegirse de acuerdo con la criticidad de una tubería, definida por el operador. Por ejemplo, una sección de tubería que da servicio a un hospital, o al centro de una ciudad, puede considerarse más crítico. Por lo tanto, se puede elegir un procedimiento de evaluación del estado de la tubería más preciso, o un procedimiento que proporcione más información sobre la tubería, tal como la recolección de una muestra y el análisis de laboratorio, incluso si esté resulta más costoso.
El procedimiento de inspección de la tubería también puede elegirse de acuerdo con su viabilidad técnica. Por ejemplo, la inspección acústica es un procedimiento poco costoso que no requiere abrir una zanja para llegar a la tubería, pero la inspección acústica actual se puede realizar únicamente en tuberías metálicas de menos de doscientos metros de longitud. Por lo tanto, se puede realizar una inspección acústica cada vez que sea técnicamente posible y, si no lo es, se pueden utilizar otros procedimientos más costosos.
Cada uno de estos procedimientos de evaluación del estado permite proporcionar una o más puntuaciones del estado de la tubería de la sección de tubería que ha sido inspeccionada. La puntuación del estado de la tubería indica el nivel de degradación de la sección de tubería. Cuando se utilizan procedimientos diferentes, sus resultados pueden expresarse utilizando diferentes escalas. Por ejemplo, un análisis acústico proporciona un espesor residual de una tubería (o, por el contrario, un valor o porcentaje de espesor perdido), a la vez que una prueba de laboratorio de una muestra de una tubería proporciona un número de mediciones de la tubería, tal como la presencia y el tipo de corrosión interna y/o externa, el espesor residual, el nivel de obstrucción, un nivel de grafitización, etc.
Con el fin de obtener mediciones homogéneas y comparables, las puntuaciones del estado de la tubería pueden transformarse a una escala normalizada, de modo que los diferentes procedimientos de inspección proporcionen una puntuación del estado de la tubería utilizando la misma escala, y todas las puntuaciones del estado de la tubería puedan compararse. Por ejemplo, se pueden utilizar puntuaciones del estado de la tubería de 0 a 1, en el que 0 corresponde a un estado perfecto, y 1 a un estado de fallo. Por lo tanto, cada sección de tubería puede inspeccionarse utilizando el procedimiento más pertinente (dependiendo de las características de la sección de tubería y/o de la viabilidad de los diferentes procedimientos de inspección), a la vez que se pueden comparar los resultados de los procedimientos. Por ejemplo, si se utiliza un análisis acústico, los espesores residuales pueden transformarse en valores homogéneos entre 0 y 1; si se utilizan pruebas de laboratorio, las puntuaciones relativas a los diferentes parámetros de análisis pueden ponderarse de acuerdo con su importancia relativa.
Las puntuaciones del estado de la tubería también pueden pertenecer a un número finito de estados, por ejemplo 3 estados: “bueno”, “medio” o “malo”.
En un número de realizaciones de la invención, se obtiene una pluralidad de puntuaciones del estado para cada tubería, los cuales corresponden a diferentes partes de la sección de tubería. Por ejemplo, la observación puede generar un vector de 3 puntuaciones del estado de la tubería para una sección de tubería:
- una puntuación del estado del revestimiento interior;
- una puntuación del estado del revestimiento exterior;
- una puntuación del estado de la junta.
Esto permite evaluar la evolución del estado de diferentes partes de las secciones de tubería. Esto es útil, ya que el estado de las diferentes partes de las tuberías puede evolucionar de diferentes maneras dependiendo de los parámetros estructurales y medioambientales de la tubería. El uso de un vector de puntuaciones del estado de la tubería que corresponden a diversas partes de la sección de tubería permite, por lo tanto, tener en cuenta la degradación de las diferentes partes de la tubería.
Las puntuaciones del estado de la tubería o el vector pueden entonces sumarse utilizando una suma ortogonal o ponderada, con el fin de obtener una única puntuación del estado de la tubería para la sección de tubería. Esto permite resumir el estado de la tubería dentro de una única puntuación del estado de la tubería que tiene en cuenta las degradaciones específicas de las diferentes partes de la tubería.
En un número de realizaciones de la invención, las puntuaciones del estado de la tubería se asocian con uno o más índices de fiabilidad. Los índices de fiabilidad indican que tan precisas y fiables son las puntuaciones observadas del estado de la tubería. Por ejemplo, los índices de fiabilidad pueden depender del procedimiento de observación. Por ejemplo, puede depender de la fiabilidad del instrumento que haya realizado la medición. También se puede considerar una medición utilizando un instrumento más fiable que la observación visual.
De acuerdo con un número de realizaciones de la invención, cuando se obtiene un vector de una pluralidad de puntuaciones del estado de la tubería correspondientes a diferentes partes de una sección de tubería, puede existir un índice de fiabilidad único para todo el vector, o un índice de fiabilidad para cada estado de la tubería en el vector. La utilización de un índice de fiabilidad para cada estado de la tubería en el vector permite adaptar la indicación de fiabilidad de las mediciones u observaciones, cuando la precisión de un procedimiento de observación es variable para las diferentes partes de la tubería. Por ejemplo, se espera que una observación visual sea más fiable para evaluar el estado del revestimiento exterior que el estado del revestimiento interior de la tubería. Por lo tanto, las puntuaciones del estado de la tubería resultantes de las observaciones visuales pueden asociarse con un índice de fiabilidad promedio para el revestimiento exterior, pero bajo para el revestimiento interior.
El procedimiento 200 comprende además una cuarta etapa 240 de realización de una estimación de una o más puntuaciones del estado de la tubería para secciones de tubería que no pertenecen a una muestra en base a dichos parámetros de tubería, estando dicha estimación parametrizada con las puntuaciones del estado de la tubería y los parámetros de tubería para las secciones de tubería en las muestras.
Esta etapa consiste en entrenar un modelo, para cada una de las clases, en base a las puntuaciones del estado de la tubería que se obtienen a través de los procedimientos de evaluación del estado de la tubería, y luego utilizar el modelo para estimar las puntuaciones del estado de la tubería que no fueron sometidas a un procedimiento de evaluación del estado.
Este procedimiento permite un modelado eficiente del estado de la tubería, ya que las tuberías han sido previamente agrupadas en clases de secciones de tubería similares, y se entrena un modelo para cada clase. Por lo tanto, el modelo se adapta bien a las secciones de tubería en las cuales se aplicará.
Esta etapa puede realizarse de diferentes maneras. Por ejemplo, se puede entrenar un modelo estadístico de regresión lineal, para cada clase, ajustando los parámetros de tubería a las puntuaciones del estado de la tubería, para las secciones de tubería cuyo estado ha sido evaluado.
Esto también se puede lograr entrenando un modelo de aprendizaje automático supervisado con las tuberías cuyo estado ha sido evaluado. Por lo tanto, se puede alimentar un motor de aprendizaje automático, para cada clase, con los parámetros de tubería y las puntuaciones del estado de la tubería de las secciones de tubería que se han inspeccionado, y luego utilizarlo para predecir las puntuaciones del estado de la tubería en base a los parámetros de tubería para las secciones de tubería que no se han inspeccionado.
Un algoritmo de bosque aleatorio es especialmente adecuado para esta tarea. En efecto, un bosque aleatorio elimina los parámetros de tubería que no son predictivos del estado de tubería. Esto es especialmente eficaz en este caso, ya que se puede utilizar un gran número de parámetros estructurales o medioambientales. El algoritmo de bosque aleatorio utiliza de manera automática únicamente los parámetros que realmente permiten predecir el estado de la tubería.
El procedimiento 200 permite, por lo tanto, una estimación precisa del estado de cada tubería en una gran red de tuberías, a la vez que realiza la inspección únicamente de un número limitado de tuberías, lo cual permite ahorrar dinero y tiempo.
Las estimaciones del estado de la tubería pueden utilizarse entonces para mejorar la gestión de la red de tuberías, de diferentes maneras.
Por ejemplo, el estado de la tubería de las secciones de tubería puede visualizarse a un operador, de modo que éste sea capaz de determinar cuáles son las secciones de tubería que debe inspeccionar de manera prioritaria. Esto permite adaptar los planes de inspección de la tubería. Por ejemplo, se pueden inspeccionar de manera prioritaria las tuberías que se espera estén en el estado más crítico. La determinación del orden en el cual se deben inspeccionar las tuberías se puede realizar manualmente o por un operador. También se puede realizar visualizando un mapa con los colores correspondientes al estado esperado de las tuberías. Por ejemplo, las tuberías que se espera que estén en un buen estado pueden visualizarse en verde, a la vez que las que se espera que estén en un estado degradado pueden visualizarse en rojo. Esto también permite obtener, en general, una estimación del estado de la red de tuberías.
También se puede generar una alerta para las tuberías que se espera que se encuentren en un estado crítico o, más en general, degradado. Por ejemplo, se puede generar una alerta para las secciones de tubería cuya puntuación del estado de la tubería coincida con un estado de alerta. El estado de alerta puede ser típicamente un umbral de puntuación del estado de la tubería predefinido, todas las tuberías cuya puntuación del estado esté por debajo del umbral crearán una alerta. El estado de alerta también puede ser una combinación de la puntuación del estado y otros parámetros. Por ejemplo, el umbral de puntuación por debajo del cual se genera una alerta puede depender del material de la tubería. Alternativamente, un porcentaje fijo de las secciones de tubería que tengan las puntuaciones más bajas puede activar una alerta.
Una vez generada la alerta, se puede visualizar la alerta y la información relativa a la tubería. La visualización de la alerta puede adoptar diferentes formas: visualización de una lista de tuberías críticas, visualización de un mapa que comprenda un código de colores para las tuberías (por ejemplo, tuberías críticas en rojo, y tuberías no críticas en verde).
Cada alerta también puede activar una inspección más costosa y fiable (envío de un dron, de una bola inteligente que inspeccione el interior de una canalización...). Por lo tanto, las tuberías que se espera que sean críticas se benefician de una inspección aún más fiable para determinar el estado real de la tubería y decidir si es necesario repararla.
Se pueden ejecutar medidas de protección a la vez que se espera el resultado de esta inspección adicional y/o el arreglo de la tubería. Por ejemplo, se pueden cerrar las válvulas con el fin de separar la tubería del resto de la red hasta que se siga analizando y arreglando la tubería. Las tuberías para las cuales se ha creado una alerta pueden arreglarse automáticamente, por ejemplo, enviando drones autónomos para repararlas.
Como esto se realiza únicamente en algunas secciones de tubería que se espera que estén en un estado crítico, el procedimiento de la invención proporciona seguridad a la red sin ser costoso.
En cada estado del procedimiento, los datos obtenidos pueden presentarse a un operador para su validación. Esto permite garantizar que no se utiliza ningún valor incoherente, e identificar posibles discrepancias en los datos relativos a la red de tuberías.
La Figura 4 visualiza un gráfico que muestra la precisión de un procedimiento en una realización de la invención dependiendo del tamaño relativo de la muestra, y el material de una tubería.
En el gráfico 400:
- el eje 410 horizontal representa el tamaño relativo de una muestra, es decir, el porcentaje de la tubería de una clase que pertenecen a una muestra y que será inspeccionada;
- el eje 420 vertical representa la precisión relativa de la estimación del estado de la tubería. Esta precisión relativa corresponde a un error, expresado como porcentaje de un error esperado que depende del tamaño de la muestra;
- las curvas 430, 431, 432, 433, 434 representan la evolución de la precisión relativa en función del tamaño de la muestra, respectivamente para tuberías hechas de hormigón, hierro dúctil, hierro gris, PE (Polietileno), y todas las tuberías.
Este ejemplo demuestra que, cuanto mayor sea el tamaño de la muestra de las secciones de tubería por inspeccionar en relación con una clase, mayor será la precisión de la estimación. Sin embargo, el valor real de la precisión dependiendo del tamaño de la muestra depende del material de la tubería. Por ejemplo, se alcanza una precisión relativa del 10 % o menos con un tamaño de muestra relativo alrededor del 3-4 % para las tuberías de hierro dúctil, pero alrededor del 45 % para las tuberías de PE. Por lo tanto, es posible seleccionar, dependiendo del material de la tubería, un tamaño de muestra que sea suficiente para alcanzar una precisión deseada. Esto permite obtener una precisión objetivo a la vez que se limita el número de inspecciones dependiendo del material de la tubería.
La Figura 5 visualiza un mapa de tubería en una salida de un ejemplo de procedimiento implementado por ordenador en una realización de la invención.
El plano 500 comprende representar un mapa de tuberías. Las ubicaciones de la tubería que se espera que se degraden están representadas por círculos grises, tal como el círculo 510 y 520.
El plano 500 de inspección de la tubería representa todas las secciones de tubería de una red de tuberías que han sido seleccionadas para su inspección por un procedimiento de acuerdo con la invención. Esto permite a los operadores planificar la inspección, por ejemplo, inspeccionando al mismo tiempo secciones de tubería cercanas.
Los ejemplos descritos anteriormente se dan como ilustraciones de realizaciones de la invención, y demuestran la capacidad de la invención para proporcionar una estimación fiable del estado de las tuberías de una red cuando se inspecciona únicamente un subconjunto de las tuberías, y por lo tanto a un coste moderado. No limitan en absoluto el ámbito de la invención el cual se define en las siguientes reivindicaciones.

Claims (13)

REIVINDICACIONES
1. Un procedimiento (200) implementado por ordenador que comprende:
- una primera etapa de agrupación (210) de secciones de tubería de una red de tuberías en un número de clases, en base a los parámetros de tubería relativos a la estructura o al entorno de las secciones de tubería; - y, para cada clase de dicho número de clases:
- una segunda etapa de extracción (220) de una muestra de secciones de tubería de la clase, comprendiendo dicha segunda etapa:
■ una primera subetapa de inicialización de un conjunto de muestras candidatas de secciones de tubería;
■ una segunda subetapa de modificación iterativa de dicho conjunto de muestras candidatas utilizando:
• un algoritmo genético en base a una función objetivo que comprende una minimización de la diferencia de los parámetros promedio de la tubería de las secciones de tubería de la muestra, y
• los parámetros promedio de la tubería de las secciones de tubería de la clase;
■ una tercera subetapa de selección de la muestra candidata que optimiza dicha función objetivo;
- una tercera etapa de obtención (230), para cada muestra de sección de tubería, de una o más puntuaciones del estado de la tubería determinadas por un procedimiento de evaluación del estado; - una cuarta etapa de realización (240) de una estimación de una o más puntuaciones del estado de la tubería para las secciones de tubería que no pertenecen a la muestra en base a dichos parámetros de tubería, estando dicha estimación parametrizada con las puntuaciones del estado de la tubería y los parámetros de tubería de las secciones de tubería de la muestra extraídos en la segunda etapa.
2. El procedimiento implementado por ordenador de la reivindicación 1, en el que dicho número de clases es un número predefinido de clases.
3. El procedimiento implementado por ordenador de acuerdo con una cualquiera de las reivindicaciones 1 o 2, en el que el tamaño relativo de cada muestra está correlacionado negativamente con la homogeneidad de cada clase correspondiente.
4. El procedimiento implementado por ordenador de una de las reivindicaciones 1 a 3, en el que el procedimiento de evaluación del estado de la tercera etapa se elige en un grupo que comprende uno o más de:
- un análisis de un flujo electromagnético aplicado a la sección de tubería;
- un análisis acústico de la sección de tubería;
- la extracción, y análisis en un laboratorio de una muestra de la sección de tubería;
y en el que cada uno de los procedimientos de evaluación del estado proporciona puntuaciones del estado de la tubería en la misma escala.
5. El procedimiento implementado por ordenador de la reivindicación 4, en el que los procedimientos de evaluación del estado proporcionan dos o más puntuaciones del estado de la tubería correspondientes a diferentes partes de las secciones de tubería y elegidas en un grupo que comprende:
- una puntuación del estado del revestimiento interior;
- una puntuación del estado del revestimiento exterior;
- una puntuación del estado de la junta.
6. El procedimiento implementado por ordenador de la reivindicación 5, en el que una única puntuación del estado de la tubería se obtiene a partir de las dos o más puntuaciones del estado de la tubería correspondientes a diferentes partes de las secciones de tubería, utilizando una suma ponderada u ortogonal.
7. El procedimiento implementado por ordenador de una de las reivindicaciones 4 a 6, en el que una o más puntuaciones del estado de la tubería se asocian con uno o más índices de fiabilidad que definen la precisión de las mediciones que se utilizaron para obtener una o más puntuaciones del estado de la tubería.
8. El procedimiento implementado por ordenador de una de las reivindicaciones 1 a 7, en el que realizar una estimación de una o más puntuaciones del estado de la tubería para secciones de tubería que no pertenecen a la muestra comprende:
- entrenar, para una clase, un motor de aprendizaje automático supervisado que prediga las puntuaciones del estado de la tubería en base a los parámetros de tubería utilizando secciones de tubería que pertenezcan a la muestra;
- utilizar dicho motor de aprendizaje automático supervisado para predecir las puntuaciones del estado de la tubería en base a los parámetros de tubería de las secciones de tubería de la clase que no pertenecen a la muestra.
9. El procedimiento implementado por ordenador de la reivindicación 8, en el que dicho motor de aprendizaje automático supervisado es un motor de aprendizaje automático de bosque aleatorio.
10. El procedimiento implementado por ordenador de las reivindicaciones 1 a 9, que comprende, además, la creación de una alerta para las secciones de tubería cuyas puntuaciones del estado de la tubería coincidan con un estado de alerta.
11. El procedimiento implementado por ordenador de la reivindicación 10, en el que cada alerta para una sección de tubería activa automáticamente al menos una acción elegida en un grupo que comprende un procedimiento adicional de evaluación del estado de la sección de tubería, una medida de protección, y una reparación de la sección de tubería.
12. Un producto de programa de ordenador, almacenado en un medio no transitorio legible por ordenador, comprendiendo dicho producto de programa de ordenador instrucciones de código las cuales, cuando el programa es ejecutado por un ordenador, hacen que el ordenador lleve a cabo el procedimiento de acuerdo con una cualquiera de las reivindicaciones 1 a 11.
13. Un dispositivo de procesamiento de datos que comprende un procesador configurado para ejecutar un procedimiento de acuerdo con una cualquiera de las reivindicaciones 1 a 11.
ES18306777T 2018-12-20 2018-12-20 Un procedimiento mejorado para evaluar el estado de la tubería Active ES2938909T3 (es)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP18306777.6A EP3671201B1 (en) 2018-12-20 2018-12-20 An improved method for evaluating pipe condition

Publications (1)

Publication Number Publication Date
ES2938909T3 true ES2938909T3 (es) 2023-04-17

Family

ID=65200515

Family Applications (1)

Application Number Title Priority Date Filing Date
ES18306777T Active ES2938909T3 (es) 2018-12-20 2018-12-20 Un procedimiento mejorado para evaluar el estado de la tubería

Country Status (8)

Country Link
US (2) US20220057367A1 (es)
EP (2) EP3671201B1 (es)
CN (2) CN113518922A (es)
AU (2) AU2019409127A1 (es)
BR (2) BR112021011738A8 (es)
ES (1) ES2938909T3 (es)
SG (1) SG11202106416UA (es)
WO (2) WO2020128605A1 (es)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11579586B2 (en) * 2019-09-30 2023-02-14 Saudi Arabian Oil Company Robot dispatch and remediation of localized metal loss following estimation across piping structures
US11768945B2 (en) * 2020-04-07 2023-09-26 Allstate Insurance Company Machine learning system for determining a security vulnerability in computer software
KR20220107845A (ko) * 2021-01-26 2022-08-02 삼성전자주식회사 뉴럴 네트워크 모델에 기초한 산화막 항복 전압의 예측 장치 및 예측 방법
US11822325B2 (en) * 2021-02-04 2023-11-21 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and systems for managing a pipe network of natural gas
AU2021107355A4 (en) * 2021-08-25 2021-12-16 Total Drain Group Pty Ltd Systems and methods for managing drainage assets
US20230274054A1 (en) * 2022-02-25 2023-08-31 R.H. Borden And Company, Llc Degradation modelling of underground volume
CN114662391B (zh) * 2022-03-24 2024-06-18 深圳市深水水务咨询有限公司 一种提高给水排水管道防渗漏性能方法和系统
CN114840935B (zh) * 2022-04-14 2023-07-28 深圳市巍特环境科技股份有限公司 管道修复方法、装置、设备及存储介质
US12013370B2 (en) * 2022-06-27 2024-06-18 Halliburton Energy Services, Inc. Electromagnetic pipe inspection inversion with adaptive filter for artifact removal
CN115330094B (zh) * 2022-10-14 2023-04-07 成都秦川物联网科技股份有限公司 智慧燃气管道寿命预测方法、物联网系统、装置及介质
CN116503975B (zh) * 2023-06-29 2023-09-12 成都秦川物联网科技股份有限公司 基于智慧燃气gis的安全隐患处置方法和物联网系统
CN116823067B (zh) * 2023-08-29 2023-12-19 北控水务(中国)投资有限公司 管网水质清污状态的确定方法、装置及电子设备
CN117786445B (zh) * 2024-02-26 2024-05-10 山东盈动智能科技有限公司 一种自动化摇纱机运行数据智能处理方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4998208A (en) * 1987-03-16 1991-03-05 The Standard Oil Company Piping corrosion monitoring system calculating risk-level safety factor producing an inspection schedule
US20030171879A1 (en) * 2002-03-08 2003-09-11 Pittalwala Shabbir H. System and method to accomplish pipeline reliability
GB0722534D0 (en) 2007-11-16 2007-12-27 Advanced Eng Solutions Ltd Pipeline condition detecting method and apparatus
US20090319453A1 (en) * 2008-06-24 2009-12-24 Livermore Software Technology Corporation Sampling Strategy Using Genetic Algorithms in Engineering Design Optimization
US9952060B2 (en) 2012-10-16 2018-04-24 Lyonnaise Des Eaux France Method for the real-time estimation of the total consumption of a fluid distributed to users, and a distribution network implementing said method
ES2906411T3 (es) * 2015-06-29 2022-04-18 Suez Groupe Procedimiento de detección de anomalías en un sistema de distribución de agua
US10895556B2 (en) * 2017-03-21 2021-01-19 Baker Hughes Oilfield Operations Llc Predictive integrity analysis
US11373105B2 (en) * 2017-04-13 2022-06-28 Oracle International Corporation Autonomous artificially intelligent system to predict pipe leaks
CN107679615B (zh) * 2017-09-05 2020-06-19 西安工程大学 基于改进遗传算法的变压器样本选择方法
CN108053032A (zh) * 2017-11-20 2018-05-18 华北电力大学 一种基于遗传算法的数据模型训练样本的选取方法
EP3776445A4 (en) * 2018-03-28 2022-01-26 Fracta PROCESSING DATA TO PREDICT A PIPELINE FAILURE
CN108711002B (zh) * 2018-05-09 2021-07-06 西安建筑科技大学 一种基于改进的fppc算法油气管道管段划分方法

Also Published As

Publication number Publication date
CN113518922A (zh) 2021-10-19
SG11202106416UA (en) 2021-07-29
WO2020127336A1 (en) 2020-06-25
EP3899522A1 (en) 2021-10-27
BR112021011738A8 (pt) 2023-02-07
WO2020128605A1 (en) 2020-06-25
BR112021011732A8 (pt) 2023-02-07
BR112021011732A2 (pt) 2021-08-31
AU2019409709A1 (en) 2021-07-22
US20220057365A1 (en) 2022-02-24
CN113272642A (zh) 2021-08-17
BR112021011738A2 (pt) 2021-08-31
EP3671201B1 (en) 2022-12-14
EP3671201A1 (en) 2020-06-24
US20220057367A1 (en) 2022-02-24
AU2019409127A1 (en) 2021-07-29

Similar Documents

Publication Publication Date Title
ES2938909T3 (es) Un procedimiento mejorado para evaluar el estado de la tubería
ES2763642T3 (es) Sistema de análisis de conducciones y método de reparación
US10082478B2 (en) Methods for evaluation and estimation of external corrosion damage on buried pipelines
Chaudhuri et al. Temporal accuracy in urban growth forecasting: A study using the SLEUTH model
Neves et al. An approach to decision‐making analysis for implementation of structural health monitoring in bridges
Santos et al. Impacts of land use and infrastructural changes on threatened Little Bustard Tetrax tetrax breeding populations: quantitative assessments using a recently developed spatially explicit dynamic modelling framework
Guth et al. Development of a generic concept to analyze the accessibility of emergency facilities in critical road infrastructure for disaster scenarios: exemplary application for the 2017 wildfires in Chile and Portugal
Vybornova et al. Automated detection of missing links in bicycle networks
de Bruijn et al. Using rapid damage observations for Bayesian updating of hurricane vulnerability functions: A case study of Hurricane Dorian using social media
US11263538B1 (en) Predicting paths of underground utilities
Honfi et al. Decision support for bridge condition assessment
Amani et al. Infrastructure component assessment using the condition index system: literature review and discussion
Hanna Urban complexity
CN109034492B (zh) 一种桥梁拉吊索杆锈蚀断裂风险的预测方法
Coghill Prestressed Concrete Cylinder Pipe Management: Communication Methodologies and Decision Support Tools for the San Diego County Water Authority-a Case Study
Jolivet et al. Crowd and community sourced data quality assessment
Licitra Special Issue on Environmental noise aspects in EU funded projects
Ruggeri Bayesian robustness
Gu et al. Probabilistic based corrosion assessment for pipeline integrity
Yajima Assessment of soil corrosion in underground pipelines via statistical Inference
Anachkova et al. Statistical analysis of urban noise measurement data: Case study for the city of Skopje
Mohammady A spatio-temporal urban expansion modeling a case study Teheran metropolis, Iran
Salehi et al. Assessment of the Effectiveness of Collective Decisions for Maintenance-Rehabilitation Works of Water Pipelines Using a Qualitative Risk-based Group Decision-Making Model
Kocabas et al. Sensitivity analysis of a GIS-based cellular automata model
Atef Optimal condition assessment policies for water and sewer infrastructure