ES2942784T3

ES2942784T3 - Procedimiento para la determinación de la geometría de un defecto sobre la base de procedimientos de medición no destructivos utilizando inversión directa

Info

Publication number: ES2942784T3
Application number: ES19168531T
Authority: ES
Inventors: Andrey Danilov; Matthias Peussner
Original assignee: Rosen Swiss AG
Current assignee: Rosen Swiss AG
Priority date: 2019-04-09
Filing date: 2019-04-10
Publication date: 2023-06-06
Anticipated expiration: 2039-04-10
Also published as: AR118627A1; MX2021012416A; AU2020271967B2; CO2021015064A2; AU2020271967A1; EP3722800B1; US20230091681A1; BR112021020309A2; EP3722800A1; CA3136528A1; WO2020208155A1

Abstract

Método para determinar la geometría de uno o más defectos reales examinados de un objeto metálico, en particular magnetizable, en particular una tubería o un tanque, mediante al menos dos registros de datos de referencia del objeto generados sobre la base de diferentes, no -métodos de medición destructivos, el objeto que se basa al menos parcialmente en o mediante una cuadrícula de objetos al menos bidimensional, preferiblemente tridimensional, se muestra en una unidad EDP, con una geometría defectuosa inicial, en particular en la cuadrícula de objetos o se produce una cuadrícula de defectos al menos bidimensional, mediante la inversión de al menos partes de los conjuntos de datos de referencia, en particular mediante al menos una red neuronal entrenada para esta tarea (NN), basada en la geometría inicial del defecto,se utiliza una rutina de simulación para calcular un conjunto de datos de predicción para los métodos de medición no destructivos utilizados para crear los conjuntos de datos de referencia, se lleva a cabo una comparación de al menos partes de los conjuntos de datos de predicción con al menos partes de los conjuntos de datos de referencia y , dependiendo de al menos una medida de precisión, se finaliza el método para determinar la geometría del defecto o se lleva a cabo una adaptación iterativa de la geometría inicial del defecto a la geometría del (de los) defecto(s) real(es),así como métodos para determinar una capacidad de carga limitan la comparación de al menos partes de los conjuntos de datos de predicción con al menos partes de los conjuntos de datos de referencia y, dependiendo de al menos una medida de precisión, el método para determinar la geometría del defecto es finaliza o tiene lugar una adaptación iterativa de la geometría del defecto inicial a la geometría de los defectos reales, así como métodos para la determinación de una resiliencia limita la comparación de al menos partes de los conjuntos de datos de predicción con al menos partes de la referencia conjuntos de datos y, dependiendo de al menos una medida de precisión, finaliza el método para determinar la geometría del defecto o se lleva a cabo una adaptación iterativa de la geometría del defecto inicial a la geometría de los defectos reales, así como los métodos para la determinación de un límite de resilienciaasí como métodos para la determinación de un límite de resilienciaasí como métodos para la determinación de un límite de resilienciaasí como métodos para la determinación de un límite de resiliencia. Se lleva a cabo una comparación de al menos partes de los conjuntos de datos de predicción con al menos partes de los conjuntos de datos de referencia y, dependiendo de al menos una medida de precisión, el método para determinar la geometría del defecto es finaliza o tiene lugar una adaptación iterativa de la geometría del defecto inicial a la geometría del defecto o defectos reales, así como métodos para la determinación de un límite de resilienciaasí como métodos para la determinación de un límite de resiliencia. Se lleva a cabo una comparación de al menos partes de los conjuntos de datos de predicción con al menos partes de los conjuntos de datos de referencia y, dependiendo de al menos una medida de precisión, el método para determinar la geometría del defecto es finaliza o tiene lugar una adaptación iterativa de la geometría del defecto inicial a la geometría del defecto o defectos reales, así como métodos para la determinación de un límite de resiliencia (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Procedimiento para la determinación de la geometría de un defecto sobre la base de procedimientos de medición no destructivos utilizando inversión directa

La presente invención se refiere a un procedimiento para la determinación de la geometría de un defecto, así como a un procedimiento para la determinación de un límite de carga de un objeto solicitado con presión al menos durante el funcionamiento.

Tales objetos se examinan por medio de procedimientos de medición no destructivos. Los resultados de los procedimientos de medición se evalúan para poder concluir el tipo y/o tamaño de defectos. Partiendo de ello, se puede determinar con qué intensidad puede soportar carga, por ejemplo, el objeto o si son necesarias, y en qué medida, acciones de reparación o un reemplazo del objeto. Para evitar acciones innecesarias, es importante poder describir los defectos y su geometría de la manera más exacta posible.

Un ejemplo de un objeto que debe examinarse de esta manera es un ducto. Uno de los objetivos esenciales de las inspecciones de ductos, en particular con denominados diablos inteligentes, es la predicción de condiciones de funcionamiento seguras que se desprenden del estado del ducto. A los operadores de ductos les interesa en particular el estado de posibles costuras de soldadura y el número y el tamaño de los defectos. Los defectos son, por ejemplo, zonas con pérdidas de metal debido a la corrosión, grietas u otras debilitaciones de una pared de un objeto previsto en particular para el aprovisionamiento o el transporte de medios líquidos o gaseosos. Como tales cuentan, por ejemplo, tuberías, ductos o tanques.

El conocimiento de la presión máxima válida para un ducto (“presión de rotura” ), a partir de la cual se destruye el ducto, es relevante para las presiones de funcionamiento que se pueden ajustar en el ducto. La presión de rotura se utiliza para la determinación cuantitativa del límite de carga. Correspondientemente, es importante la predicción exacta de esta presión. Actualmente, para el cálculo de este valor límite se hace una aproximación a un defecto únicamente con respecto a su longitud, anchura y profundidad y se observa, por tanto, como caja. Precisamente para pérdidas de metal debidas a la corrosión en el lado exterior o interior de un ducto, este método de observación conservador ofrecido es, sin embargo, desventajoso, ya que las figuras geométricamente simplificadas sobrevaloran forzosamente la estructura actual del defecto. Esto conduce a la infravaloración de la presión de rotura del objeto y, por tanto, a la infravaloración de las presiones de funcionamiento permitidas. Un objeto que puede funcionar con gran presión como, por ejemplo, un ducto o un tanque de gas, sin embargo, puede funcionar de manera considerablemente más económica.

Mientras que se emplean exploraciones MFL preferiblemente para hallar defectos debidos a la corrosión, se emplean otros procedimientos que utilizan en particular ultrasonido para la detección de grietas en el lado interior o exterior de un objeto. Entre estos procedimientos de medición no destructivos cuentan procedimientos acústicos electromagnéticos (procedimientos EMAT) en los que, debido a campos magnéticos inducidos por corrientes de Foucault se generan ondas acústicas, en particular en forma de ondas guiadas, en la pared tubular del objeto que debe inspeccionarse, así como procedimientos que introducen directamente ultrasonido en la pared del objeto, en lo que sigue denominados procedimientos de ultrasonido. Las grietas cercanas a la superficie, en particular pequeñas, en el estado de la técnica se buscan también con procedimientos de medición de corrientes de Foucault, en lo que sigue denominados procedimientos de medición EC.

En el estado de la técnica, para la medición de la corrosión de un objeto se evalúan escáneres de datos de fuga de flujo magnético (datos MFL) sobre la base de mediciones de fugas de flujo magnético (mediciones MFL) para la determinación del tamaño de los defectos (de corrosión) por medio de personas especialmente cualificadas. Lo mismo se cumple para la evaluación de datos de medición obtenidos por medio de procedimientos de medición EMAT, UT y EC. Las señales mostradas en estos escáneres se parametrizan y evalúan en cajas. Las hipótesis necesarias para esta evaluación de los resultados de medición, también denominada dimensionado, son, por un lado, exclusivas. Por otro lado, la interpretación de los resultados de medición está muy influida por los valores de experiencia de las personas evaluadoras. Finalmente, la calidad de las predicciones únicamente se puede asegurar sobre la base de inspecciones del ducto in situ. Esto a su vez conlleva altos costes para los operadores. La norma industrial más extendida, API 1163, describe los efectos desventajosos de este planteamiento simplificado. Está bien documentado que la calidad de este planteamiento depende mucho del conocimiento de las personas observadoras. Los planteamientos llevados a cabo en la práctica son siempre una interpretación, influida por factores subjetivos, de los datos obtenidos mediante un curso de medición con un correspondiente procedimiento de medición no destructivo.

El documento de patente WO-A-2016/007267 divulga un procedimiento para determinar la geometría de uno o más defectos reales examinados de un objeto metálico, mediante un conjunto de datos de referencia del objeto generado sobre la base de un procedimiento de medición no destructivo. El documento de patente US-A-2016/0245779 divulga el uso de diversos procedimientos de medición no destructivos en la inspección de un objeto. Los conjuntos de datos obtenidos generan conjuntos de datos de predicción por inversión, que se utilizan en un proceso iterativo.

Particularmente problemática es finalmente la concurrencia conjunta de varios tipos de defectos como corrosión y roturas (grietas), en particular, en geometrías más complejas como, por ejemplo, costuras de soldadura. En el contexto de requisitos cada vez más elevados de seguridad, por ejemplo, de ductos, en la concurrencia combinada de defectos se trabaja con importantes reducciones por seguridad con respecto a la presión de rotura. Un ducto funciona en este sentido por regla general considerablemente por debajo de la presión máxima permitida.

Además, desde el punto de vista científico, es decir, teórico, se conocen planteamientos en los que, por medio de variación sucesiva y métodos iterativos de una geometría de defecto supuesta se debe obtener una simulación lo más exacta posible de las señales medidas por medio de modelos de avance. En este sentido, se utilizan, por ejemplo, redes neuronales. Teóricamente, estos planteamientos pueden arrojar soluciones en el sentido de una geometría de defecto resultante, pero estas soluciones no son necesariamente realistas. Esto se cumple en particular para conjuntos de datos complejos que, con determinados problemas de inversión, conducen a soluciones inesperadas, exóticas y erróneas. Mientras que en escenarios de prueba definidos y delimitados tales modelos científicos obtienen una solución del problema descrito en forma de geometrías de defectos, esto hasta ahora no ha sido exitoso para datos de medición reales que presentan una pluralidad de influencias perturbadoras.

El objetivo de la presente invención es mostrar una vía rápida para la reconstrucción de la geometría de un defecto real y realizar un cálculo lo más exacto posible del límite de carga de un objeto que presenta uno o varios defectos.

El objetivo se resuelve mediante un procedimiento según la reivindicación 1, así como, con respecto a la determinación de un límite de carga, en concreto la presión de rotura, mediante un procedimiento según la reivindicación 16. Diseños ventajosos de la invención se desprenden de las reivindicaciones dependientes que remiten a estas reivindicaciones, así como de la siguiente descripción.

Según la invención está previsto llevar a cabo la determinación de la geometría de uno o varios defectos por medio de al menos dos conjuntos de datos de referencia del objeto generados por medio de diferentes procedimientos de medición no destructivos. Tal procedimiento según la invención para determinar la geometría de uno o más defectos reales, examinados, de un objeto metálico y, en particular, magnetizable, en particular, de un tubo o de un tanque, sobre la base de al menos dos conjuntos de datos de referencia del objeto generados por medio de al menos dos diferentes procedimientos de medición no destructivos, comprende una representación o reproducción al menos parcial del objeto en una o por medio de una rejilla de objeto al menos bidimensional, preferiblemente tridimensional por medio de una unidad informática. Según la invención, se genera una geometría de defecto de partida, en particular en la rejilla de objeto o una rejilla de defecto al menos bidimensional, mediante inversión de al menos partes de los conjuntos de datos de referencia, en particular, por medio de al menos una red neuronal entrenada para estas tareas. La geometría de defecto de partida puede reproducirse a este respecto directamente en la rejilla de objeto o ser representada por esta, pero también puede presentarse en una representación paramétrica, por ejemplo, en una rejilla de defecto al menos bidimensional. La determinación de la geometría de defecto de partida se efectúa en este sentido por medio de una inversión directa. Partiendo del resultado, de los conjuntos de datos de referencia calculados por medio de los correspondientes procedimientos de medición no destructivos, que se basan en los resultados de correspondientes mediciones, se concluye la geometría que tiene como consecuencia los correspondientes resultados de medición para los diferentes procedimientos de medición no destructivos utilizados. Para geometrías sencillas, puede utilizarse una función inversa obtenida analíticamente. Para geometrías de objeto o geometrías de defecto más complejas, se efectúa la inversión, sin embargo, preferiblemente por medio de una red neuronal entrenada para esta tarea. Para ello, la red neuronal puede generar una salida que se asigna a una rejilla de objeto que representa el objeto. De esta manera se atribuyen a elementos de la rejilla de objeto, celdas o nodos, información sobre la presencia de defectos. En la salida también pueden estar contenidas informaciones sobre el tipo del defecto como, por ejemplo, grietas, defectos de corrosión o defectos de laminación y asignarse a la rejilla de objeto.

Además, según la invención, se lleva a cabo una determinación, en particular una generación, de correspondientes conjuntos de datos de predicción, es decir, adecuados al procedimiento de medición no destructivo sobre la base de la geometría de defecto de partida. Esto se efectúa mediante simulación por medio de una rutina de simulación o mediante atribución de una medición adecuada al respectivo conjunto de datos de referencia. Además, al menos partes de los conjuntos de datos de predicción se comparan con al menos partes de los conjuntos de datos de referencia. En función de al menos una medida de precisión, el procedimiento para la determinación de la geometría del defecto finaliza o se efectúa adicionalmente una adaptación iterativa de la geometría de defecto de partida a la geometría del defecto o defectos reales. Por tanto, la geometría del defecto o al menos una primera geometría de defecto de partida puede crearse para una subsiguiente adaptación iterativa y solución de una manera particularmente sencilla y rápida.

La utilización de al menos dos conjuntos de datos de referencia obtenidos por medio de diferentes procedimientos de medición no destructivos en la inversión eleva la fiabilidad y la precisión del procedimiento. La determinación de una geometría de defecto de partida, sobre cuya base se calculan para los dos o todos los conjuntos de datos de referencia en los que se basa la evaluación conjuntos de datos de predicción que coinciden suficientemente con los conjuntos de datos de referencia, no se puede obtener excepto para geometrías muy sencillas por medio de una función inversa obtenida analíticamente. Por ello, preferiblemente, se utiliza para la inversión al menos una red neuronal que ha sido entrenada para esta tarea.

Los diferentes procedimientos de medición no destructivos suelen ser específicos en cuanto a defectos, de tal modo que, mediante la utilización de al menos dos conjuntos de datos de referencia obtenidos por medio de diferentes procedimientos de medición no destructivos, con la utilización de redes neuronales se obtienen efectos sinérgicos sorprendentes. Mientras que, por ejemplo, los datos de medición MFL suelen detectar defectos específicos de la corrosión y los procedimientos de medición EMAT se utilizan más bien para la detección de grietas, se ha puesto de manifiesto que, mediante la utilización conjunta de correspondientes conjuntos de datos de referencia, no solo se puede describir y determinar una mayor complejidad de posibles defectos, sino que, además, de la pluralidad de soluciones teóricamente presentes, sorprendentemente se evitan más a menudo soluciones con geometrías absurdas. Esto se debe a los efectos sinérgicos resultantes del entrenamiento de la red en particular neuronal mediante el examen del mismo objeto y correspondientemente de la idéntica geometría de defecto.

Preferiblemente, una rutina de simulación de entrenamiento, mediante simulaciones sobre la base de diferentes geometrías de entrenamiento, genera datos de entrenamiento con los que se entrena una red neuronal para la inversión de los datos de medición. Como rutina de simulación de entrenamiento puede utilizarse la rutina de simulación. Las geometrías de entrenamiento contienen en cada caso diferentes tipos de defectos que están configurados en cada caso de manera diferente o tienen diferentes formas y dimensiones. En particular, en este sentido están contenidas tanto grietas como defectos de corrosión. Además, la rutina de simulación de entrenamiento sobre la base de las geometrías de entrenamiento puede simular datos de entrenamiento para diferentes condiciones de funcionamiento de los procedimientos de medición no destructivos. Por ejemplo, se pueden simular para una geometría de entrenamiento diferentes datos de entrenamiento para diferentes cursos de medición del procedimiento de medición no destructivo, por ejemplo, con diferentes distancias del sensor con respecto al objeto. También se pueden generar datos de entrenamiento para formas de defecto contenidas en diferentes geometrías de objeto, por ejemplo, para una disposición en una costura de soldadura. Los datos de entrenamiento son, en este sentido, parejas de datos de las geometrías de objeto o las rejillas de objeto que representan las geometrías de objeto con y/o sin defectos y los conjuntos de datos de referencia obtenidos sobre la base de las correspondientes geometrías.

Preferiblemente la red neuronal se entrena sobre la base de datos procedentes de un banco de datos que contiene mediciones simuladas. Mediante la utilización de mediciones ya simuladas, se reduce el esfuerzo para el entrenamiento de la red neuronal, ya que comprende solo la verdadera adaptación de la red neuronal y no, además, adicionalmente, la simulación de datos de entrenamiento. Además, un banco de datos de este tipo puede contener una pluralidad de diferentes geometrías de defectos de entrenamiento, incluidas, por ejemplo, aquellas que se presentan en formas de costuras de soldaduras. Preferiblemente, en un correspondiente banco de datos están contenidos de manera acumulada datos sobre geometrías y/o tipos de defectos que se presentan con particular frecuencia. Mediante la utilización de datos de un banco de datos de este tipo, la red neuronal se entrena particularmente bien para la detección de geometrías de defectos que se dan con frecuencia. Para una mayor simplificación del entrenamiento de una red neuronal, se puede utilizar como punto de partida una red neuronal ya entrenada. Una red neuronal previamente entrenada puede entrenarse también con datos de bancos de datos, pero el entrenamiento se interrumpe en el momento apropiado. Las propiedades de la red neuronal previamente entrenada, así como las ponderaciones de las conexiones se guardan. Otro entrenamiento posterior de una red neuronal previamente entrenada utiliza las propiedades almacenadas de la red como punto de partida.

Preferiblemente, los datos de entrenamiento obtenidos de la simulación de diferentes geometrías de entrenamiento se mantienen en un banco de datos de este tipo. De esta manera, se reduce el esfuerzo de cálculo, ya que las simulaciones no tienen que realizarse repetidamente.

Preferiblemente, un extractor de características, que también puede diseñarse como otra red neuronal, extrae los datos de entrada para la red neuronal de un conjunto de datos de referencia. La etapa de extracción de los datos de entrada de un conjunto de datos de referencia es particularmente interesante para los procedimientos de medición que determinan un vector de datos de medición para cada punto de medición, por ejemplo, en forma de una serie temporal. Para reducir la cantidad de datos en un vector de entrada que se asigna a un punto de rejilla de entrada de una red neuronal, los datos más relevantes para la determinación de una geometría de defecto pueden seleccionarse a partir de los vectores de datos de medición de los conjuntos de datos de referencia. Preferiblemente, esta selección se realiza a través de otra red neuronal. Esta puede ser entrenada por separado o junto con la red neuronal para la inversión directa. Este procedimiento reduce la cantidad de datos que deben procesarse para la inversión en la red neuronal. El procedimiento puede realizarse más rápidamente.

Preferiblemente, la red neuronal transfiere datos de entrada con una resolución local bidimensional a una geometría de defecto de partida con resolución local tridimensional. Para ello, se utiliza preferiblemente una red neuronal con una o varias capas convolucionales y/o una o varias capas convolucionales transpuestas. Una capa de entrada de la red neuronal presenta para ello una resolución local bidimensional, en donde se puede asignar a un punto de entrada de la capa de entrada un vector con varios registros. La red neuronal está diseñada para generar sobre la base de estos datos de entrada una salida con una resolución local tridimensional que puede ser utilizada como geometría de defecto de partida tridimensional o transferirse a una correspondiente geometría de defecto de partida tridimensional. La geometría de defecto de partida tridimensional puede utilizarse de manera particularmente sencilla para el cálculo de un conjunto de datos de predicción por medio de la rutina de simulación.

En particular, se efectúa una asignación de la salida de la red neuronal a las celdas de la rejilla de objeto. Correspondientemente a la salida de la red neuronal, las celdas individuales se marcan como defectuosas o exentas de defectos. A partir de la rejilla de objeto resultante con la descripción genérica de los defectos, por ejemplo, los defectos individuales representados por grupos de celdas defectuosas agrupadas pueden transferirse a una descripción paramétrica de los defectos en una rejilla de defectos, lo que simplifica cualquier examen y procesamiento posterior de la geometría del defecto.

Preferiblemente, se efectúa una clasificación de defectos. En este sentido, a los defectos detectados se asocian informaciones específicas del defecto. Los defectos se pueden diferenciar, por ejemplo, en defectos de superficie como, por ejemplo, corrosión, y defectos en el volumen como, por ejemplo, grietas, inclusiones o defectos de laminación. Defectos de laminación son en este sentido regiones en las que los materiales individuales que forman el objeto no están suficientemente unidos entre sí, al menos localmente. De esta manera es posible describir los diferentes tipos de defectos, si es necesario, en una subsiguiente adaptación iterativa de la geometría de defecto de partida por medio de diferentes modelos de defecto. Mediante las informaciones adicionales, la adaptación de la geometría de defecto de partida puede ser más robusta en el siguiente procedimiento iterativo, simplificarse y/o acelerarse.

Diferentes procedimientos de medición no destructivos son los procedimientos de medición MFL, EMAT, UT y EC anteriormente descritos. El procedimiento según la invención se caracteriza en particular por que como primer conjunto de datos de referencia se utiliza un conjunto de datos sobre la base de un procedimiento de medición de MFL, corrientes de Foucault, EMAT o ultrasonido y, al menos como conjunto de datos de referencia adicional, un conjunto de datos generado sobre la base de un procedimiento de medición adicional procedente de este grupo de procedimientos de medición. Si un procedimiento de medición, por ejemplo, un procedimiento EMAT genera un conjunto de datos con varios subconjuntos de datos, por ejemplo, sobre la base de varios sensores que registran varias señales, se utilizan entonces preferiblemente todos los subconjuntos de datos. En el caso de datos de referencia que se obtienen por medio de procedimientos EMAT, los conjuntos de datos de referencia son preferiblemente amplitudes integradas en el tiempo (“counts” ) en las correspondientes posiciones de pared o posiciones de medición, los denominados escáneres A.

Preferiblemente, se utilizan conjuntos de datos de referencia de los siguientes procedimientos de medición para el examen conjunto en particular de corrosión y grietas:

a) un primer conjunto de datos de referencia sobre la base de una medición MFL y como conjunto de datos de referencia adicional uno sobre la base de una medición EMAT, o

b) un primer conjunto de datos de referencia sobre la base de una medición MFL y como conjunto de datos de referencia adicional uno sobre la base de una medición UT, o

c) un primer conjunto de datos de referencia sobre la base de una medición MFL, como un primer conjunto de datos de referencia adicional, uno sobre la base de una medición EMAT, y como un segundo conjunto de datos de referencia adicional, uno sobre la base de una medición EC.

Los conjuntos de datos de referencia generados sobre la base de mediciones MFL pueden estar diferenciados preferiblemente de manera complementaria con respecto a la dirección de la magnetización, es decir, las variantes a), b) o c) pueden presentar o bien un conjunto de datos de referencia sobre la base de una medición MFL con magnetización en dirección axial (procedimientos de medición MFL-A) o sobre la base de una medición con magnetización en dirección circunferencial (procedimientos de medición MFL-C). Conjuntos de datos de referencia obtenidos “sobre la base” de un determinado procedimiento de medición proceden de correspondientes cursos de medición (“escáneres” ) y están preparados dado el caso para un procesamiento automatizado en el procedimiento según la invención, por ejemplo, pueden estar normalizados con respecto a sus valores y/o estar interpolados con el fin de la adaptación a determinadas geometrías de rejilla. Se presentan en particular como conjuntos de datos bidimensionales con correspondiente información de longitud o anchura o perímetro y valores de medición asociados a esta.

Preferiblemente, la adaptación iterativa de la geometría de defecto de partida a la geometría de los defectos reales se efectúa mediante al menos una, preferiblemente una pluralidad de rutinas expertas, en particular concurrentes entre sí, en cada caso con al menos una estrategia de búsqueda propia o al menos un algoritmo propio que recurren a una misma geometría de defecto de partida. Las rutinas expertas se ejecutan en particular paralelamente en una unidad informática. Si se utiliza una única rutina experta, esta puede acceder a diferentes algoritmos para la adaptación de la geometría de defecto.

En la correspondiente o correspondientes rutinas expertas se genera por medio de al menos un algoritmo propio o una estrategia de búsqueda propia, y sobre la base de la geometría de defecto de partida, una respectiva geometría de defecto experta.

La rutina experta presenta un algoritmo propio cuando al menos uno de los algoritmos a disposición de la rutina experta para la adaptación de la geometría de defecto se diferencia al menos parcialmente de los algoritmos de otra rutina experta. Preferiblemente, se pueden utilizar procesos estocásticos para la diferenciación de los algoritmos de diferentes rutinas expertas. Cada rutina experta presenta al menos un algoritmo para la adaptación de la geometría de defecto, preferiblemente varios algoritmos están a disposición de al menos una rutina experta. Asimismo, dentro de una rutina experta puede efectuarse o predefinirse la selección de un algoritmo sobre la base de procesos estocásticos.

Preferiblemente, está previsto que, sobre la base de la correspondiente geometría de defecto experta, se determine un respectivo conjunto de datos de predicción expertos, en particular mediante simulación o atribución de una medición adecuada al respectivo conjunto de datos de referencia, poniéndose la geometría de defecto experta en la que se basa el correspondiente conjunto de datos de predicción experto a disposición de al menos una, preferiblemente de varias y, en particular, de todas las rutinas expertas como nueva geometría de defecto de partida para la posterior adaptación a la geometría del defecto o defectos reales cuando el respectivo conjunto de datos de predicción experto es más parecido al respectivo conjunto de datos de referencia que el correspondiente conjunto de datos de predicción de partida y/o se mejora una función de adecuación que toma en consideración al menos dos conjuntos de datos de predicción expertos. A continuación, es decir, para las siguientes comparaciones en la iteración de las respectivas geometrías de defectos expertas con la nueva geometría de defecto de partida, se utilizan los conjuntos de datos de predicción expertos que pertenecen a la nueva geometría de defecto de partida como nuevos conjuntos de datos de predicción de partida.

Una medida de la similitud puede formarse también por medio de la función de adecuación, de tal modo que, por ejemplo, en una variante de realización, incluso una rutina experta pueda poner una nueva geometría de defecto de partida a disposición para las siguientes etapas de iteración incluso cuando se obtenga una aproximación -pero esencial- a solo uno de los conjuntos de datos de predicción expertos simulados o atribuidos al correspondiente conjunto de datos de referencia.

Una comparación sencilla de los conjuntos de datos de predicción expertos con los conjuntos de datos de referencia sobre la base de la geometría de defecto experta se obtiene, por ejemplo, de la siguiente manera:

en donde Y^ es la señal de dato de medición (que se presenta geométricamente por regla general de manera bidimensional) de cada i-ésimo procedimiento de medición y Yclai es la señal simulada del correspondiente procedimiento de medición. Además, se designan como x1... xn las geometrías de defecto variadas por medio de una o varias rutinas expertas. Cuanto menor es E, mejor se corresponden las geometrías de defectos calculadas con las realmente presentes.

La adaptación iterativa por medio de las rutinas expertas se efectúa hasta que se cumpla un criterio de parada. Preferiblemente, se comparan conjuntos de datos de predicción expertos generados sobre la base de la misma geometría de defecto de partida (asociados o, en particular, simulados) de manera específica del método de medición con los correspondientes conjuntos de datos de referencia y, por tanto, se evitan las desventajas de la evaluación separada conocida por el estado de la técnica. En la comparación específica del método de medición, se compara, por ejemplo, un escáner EMAT simulado con el conjunto de datos de referencia EMAT obtenido sobre la base de la medición real, un escáner MFL simulado se compara con el conjunto de datos de referencia MFL obtenido sobre la base de la medición real, etc.

Mediante el acceso a la misma geometría de defecto y la superposición de las geometrías de los diferentes defectos, el cálculo de la presión de rotura del objeto inspeccionado puede efectuarse con al menos un 10 % - 20 % de mayor exactitud y, por ejemplo, un ducto puede funcionar con mayores presiones. Además, debido al examen automatizado, combinado de los conjuntos de datos de referencia de diferentes métodos de medición y de la descripción mejorada resultante de ello de las geometrías de defecto, es necesario llevar a cabo con menor frecuencia una inspección visual del objeto inspeccionado, por ejemplo, mediante excavación. Además, por medio de la evaluación combinada de datos obtenidos sobre la base de diferentes procedimientos de medición, se minimiza el problema de las soluciones singulares, locales, es decir, que la determinación de la geometría de defecto se comporta de manera más robusta.

En las rutinas expertas en particular concurrentes entre sí, se da preferencia preferiblemente a aquellas que, con respecto a los recursos disponibles de la unidad informática, son más exitosas, como se describe a continuación, en la aproximación a los datos de medición reales que otras rutinas expertas concurrentes. Los recursos de la unidad informática son en particular el tiempo CPU o GPU y/o la o una priorización en la ocupación de memoria.

Ventajosamente, las rutinas expertas se desarrollan (en la unidad informática) de manera concurrente entre sí, de tal manera que la distribución de los recursos de la unidad informática, en particular en forma de tiempo de computación, a una correspondiente rutina experta se efectúa en función de una tasa de éxito, en la que se toma en consideración en particular el número de las geometrías de defecto de partida calculadas por la rutina experta y puestas a disposición de una o varias rutinas expertas distintas, y/o en función de una reducción de una función de adecuación en la que se toma en consideración en particular el número de los conjuntos de datos de predicción expertos generados para la reducción. La competición de las rutinas expertas se da en particular porque la parte de programa configurada como rutina de supervisión asigna a las correspondientes rutinas expertas más recursos, en particular en forma de tiempo de computación, preferiblemente tiempo CPU o GPU, cuando estas son más exitosas que otras rutinas expertas. Una rutina experta es exitosa cuando ha encontrado una geometría de defecto provista, por ejemplo, de una medición EMAT simulada más adecuada al conjunto de datos de referencia que se pone a disposición de las otras rutinas expertas.

De ello resulta, por ejemplo, que las rutinas expertas individuales exitosas obtienen más del 50 % del tiempo de computación total disponible, lo que reduce considerablemente la duración total del procedimiento según la invención. Simultáneamente, por parte del programa se puede predefinir que ninguna o algunas de las rutinas expertas no lleguen a una determinada tasa porcentual de tiempo de computación para evitar el problema de geometrías o resultados de defectos singulares u exóticos a partir de las rutinas individuales. Así, para el caso de que una rutina experta hasta ahora exitosa solo encuentre una solución local y no global, se puede encontrar una escapatoria a la situación de bloqueo que sí se da en el estado de la técnica.

La adaptación por medio de las rutinas expertas se efectúa hasta que se cumpla un criterio de parada. En este sentido, se trata, por ejemplo, de una diferencia residual con respecto a los datos de medición medidos y simulados. También puede tratarse de un criterio de parada externo, por ejemplo, sobre la base del tiempo de computación disponible, o de un número en particular predefinible de iteraciones o un tiempo de computación en particular predefinible o predefinido o determinado por el tiempo de computación disponible. El criterio de parada también puede ser una combinación de estos criterios.

Según un perfeccionamiento del procedimiento según la invención, adicionalmente se genera la rejilla de objeto de manera automática a partir de los conjuntos de datos de referencia. Para la determinación de la rejilla de objeto, sobre la base de al menos partes de los conjuntos de datos de referencia, en primer lugar se efectúa una clasificación de áreas exentas de anomalías y áreas anómalas del objeto, en donde, en particular sobre la base de información previamente conocida sobre el objeto, se crea una rejilla de objeto de partida, en donde, con utilización de la rejilla de objeto de partida, se calculan conjuntos de datos de predicción para los correspondientes procedimientos de medición no destructivos, en donde se efectúa una comparación de al menos partes de los conjuntos de datos de predicción con correspondientes partes de los conjuntos de datos de referencia con exclusión de las áreas anómalas y se utiliza, en función de al menos un indicador de precisión, la rejilla de objeto de partida como rejilla de objeto que describe la geometría del objeto o bien se efectúa, por medio de la unidad informática, una adaptación iterativa de la rejilla de objeto de partida a la geometría del objeto en las áreas exentas de anomalías.

Áreas anómalas del conjunto de datos de referencia son en este caso zonas espaciales a las que están asociados datos de medición significativamente divergentes de las zonas adyacentes. Se parte de que estas anomalías se deben a defectos. Áreas exentas de anomalías son en este sentido preferiblemente zonas coherentes en las que los valores de medición medidos por el procedimiento de medición no destructivo no se modifican o solo lo hacen dentro de un determinado margen de tolerancia, en las que el gradiente de la modificación permanece por debajo de un determinado valor límite, la divergencia de los valores de medición individuales de un valor medio es menor que un determinado valor umbral y/o la divergencia de un valor medio en un área local con respecto a áreas locales adyacentes está por debajo de un valor umbral.

Para la determinación de la rejilla de objeto, según el perfeccionamiento según la invención, se puede crear una rejilla de objeto de partida, en donde se utilizan informaciones previamente conocidas sobre el objeto, en ductos, por ejemplo, el diámetro de ducto, así como el grosor de pared. Partiendo de la rejilla de objeto de partida, se simulan mediciones adecuadas al correspondiente conjunto de datos de referencia. A continuación, se efectúa una comparación de al menos partes de los conjuntos de datos de predicción con al menos partes del al menos un conjunto de datos de referencia, en donde se excluyen las áreas anómalas del conjunto de datos de referencia o del objeto en la comparación. Si los datos comparados coinciden con suficiente precisión, la rejilla de objeto de partida se considera como representación suficientemente exacta de la forma real del objeto exento de defectos y se puede utilizar como base para la evaluación de los defectos. En caso contrario, en la unidad informática tiene lugar una adaptación iterativa de la rejilla de objeto de partida a la geometría del objeto en las áreas exentas de anomalías.

Para ello, se crea preferiblemente una nueva rejilla de objeto de partida y se calculan para esta de nuevo nuevos conjuntos de datos de predicción. Una comparación de al menos partes de los nuevos conjuntos de datos de predicción con al menos partes del al menos un conjunto de datos de referencia, excluyéndose las áreas anómalas, se efectúa hasta que se alcanza un criterio de parada de objeto para la adaptación iterativa, por ejemplo, en forma de una medida de precisión. La rejilla de objeto de partida entonces disponible se utiliza como rejilla de objeto que describe la geometría del objeto.

Para obtener una rejilla de partida que represente el objeto sin defectos que debe examinarse en la sección evaluada o en su totalidad, se lleva a cabo preferiblemente una interpolación o extrapolación de informaciones del conjunto de datos de referencia y/o de la rejilla de objeto de las áreas exentas de anomalías a las áreas anómalas. Se pueden interpolar y/o extrapolar, por ejemplo, tras la clasificación de los conjuntos de datos de referencia en áreas anómalas y áreas exentas de anomalía, las informaciones de las áreas exentas de anomalías a las áreas anómalas y se puede utilizar un conjunto de datos de referencia auxiliar así obtenido en la determinación de la rejilla de objeto. Es concebible también crear en primer lugar una rejilla de objeto solo para las áreas clasificadas como exentas de anomalías. Esta rejilla de objeto presenta huecos en la zona de las áreas anómalas que a continuación pueden cerrarse por medio de interpolación o extrapolación a partir de las áreas exentas de anomalías. De esta manera, se obtiene una rejilla de objeto que representa la geometría del objeto que se puede utilizar después para otros análisis de defectos o geometrías de defectos en las áreas anómalas.

Preferiblemente, en la clasificación de áreas exentas de anomalías de los conjuntos de datos de referencia se efectúa una asociación de un área exenta de anomalías a al menos un elemento local predefinido del objeto. Este se utiliza para la creación de la rejilla de objeto de partida o se introduce en la rejilla de objeto de partida. Esta etapa simplifica la creación de una rejilla de objeto de partida. Como se ha explicado anteriormente, el objeto examinado por medio de los procedimientos de medición no destructivos puede contener costuras de soldadura, inserciones y/o piezas montadas, o presentar una geometría modificada localmente de manera previamente conocida. La creación de la rejilla de objeto se puede simplificar si se utiliza esta información conocida. Para ello, se predefinen en su forma y/o extensión los correspondientes elementos como, por ejemplo, costuras de soldadura, piezas de montaje como elementos de apoyo, abrazaderas, elementos de refuerzo o, por ejemplo, ánodos de sacrificio de una protección anticorrosión catódica, así como manguitos instalados con fines de reparación. Los resultados de medición de los procedimientos de medición no destructivos presentan por naturaleza un aspecto en estas zonas diferente del de las zonas de una pared no modificada del objeto, por ejemplo, de la pared de ductos en caso de los ductos. Estos cambios, sin embargo, tienen la misma forma y, en comparación con la mayoría de los defectos, son de gran extensión. Además, al conocerse en su posición los elementos que causan el cambio, son esperables.

Mediante la introducción de los elementos locales, en la clasificación puede realizarse un reconocimiento de si en este sentido se trata, por ejemplo, de una costura de soldadura o una estructura de apoyo. El elemento así reconocido puede utilizarse entonces con su forma o dimensiones generales generalmente conocidas en la creación de la rejilla de objeto de partida o se puede introducir posteriormente en los correspondientes lugares en la rejilla de objeto de partida para adaptarlo a la forma real del objeto examinado.

De manera particularmente preferible, el correspondiente elemento local se describe en particular en forma de una costura de soldadura, a este respecto, por medio de un modelo geométrico paramétrico. De esta manera, se puede reducir considerablemente el esfuerzo para la creación de la rejilla de objeto. Para ello, se utiliza la información previamente conocida sobre el elemento local. Por medio de una costura de soldadura, por ejemplo, se puede conocer que se extiende perimetralmente alrededor del objeto y se puede describir con suficiente exactitud por medio de una anchura de costura de soldadura, así como una sobreelevación. Así, se puede efectuar una adaptación de un modelo geométrico paramétrico predefinido de un elemento local a la forma local real del objeto mediante una variación de solo unos pocos parámetros. El procedimiento para la creación de una rejilla de objeto se acelera de esta manera esencialmente. En particular, en una adaptación iterativa de la rejilla de objeto de partida, puede efectuarse un cambio únicamente de uno o varios parámetros del modelo geométrico paramétrico. La variación de parámetros individuales, además, puede estar limitada por determinados valores límite dentro de los cuales puede ser modificada. Mediante una delimitación de este tipo, se puede minimizar el peligro de obtener resultados que carezcan de sentido físico. La fiabilidad del procedimiento se eleva.

En particular están a disposición de una rutina experta varios algoritmos para la adaptación de la geometría de defecto experta. En este sentido, se puede tratar de planteamientos del área del aprendizaje de máquinas, de la optimización estocástica, funciones de modelo empíricas y/o numéricas. En particular, también pueden utilizarse en las rutinas expertas valores experienciales de personas evaluadoras. Preferiblemente, en una o varias rutinas expertas pueden tener lugar variaciones específicas de defectos, como se ha descrito anteriormente, es decir, que los algoritmos individuales estén diseñados para estas variaciones de corrosión, grietas y defectos de laminación. Así se genera un planteamiento suficiente diverso con el que todas las soluciones pueden ser tenidas en cuenta de manera focalizada y en condiciones de concurrencia.

En particular están a disposición de una rutina experta varios algoritmos para la adaptación de la geometría de defecto experta. En este sentido, se puede tratar de planteamientos del área del aprendizaje de máquinas, de la optimización estocástica, funciones de modelo empíricas y/o numéricas. En particular, también pueden utilizarse en las rutinas expertas valores de experiencia de personas evaluadoras. Preferiblemente, en una o varias rutinas expertas pueden tener lugar variaciones específicas de defectos, como se ha descrito anteriormente, es decir, que los algoritmos individuales estén diseñados para estas variaciones de corrosión, grietas y defectos de laminación. Así se genera un planteamiento suficiente diverso con el que todas las soluciones pueden ser tenidas en cuenta de manera focalizada y en condiciones de concurrencia.

Ventajosamente, en las rutinas expertas que discurren en particular en concurrencia entre sí, se efectúan diferentes variaciones específicas del defecto para generar la respectiva geometría de defecto experta, en donde, en particular, se prevé una primera rutina experta para la variación de grietas, otra para la variación de corrosión y/u otra para la variación de defectos de laminación. Defectos de laminación que afectan de manera perturbadora en forma de capas no unidas entre sí de una pared (de objeto), por ejemplo, en mediciones EC y que, en particular, son descubiertos por modos especiales de la medición EMAT, pueden ser así tomados en consideración por separado y, en particular, para el examen del tiempo de vida útil restante, por ejemplo, de un ducto.

El objetivo planteado al principio se resuelve además mediante un procedimiento para la determinación de un límite de carga de un objeto solicitado con presión al menos durante el funcionamiento y configurado en particular como oleoducto, gaseoducto o acueducto, en donde en el procedimiento se utiliza un conjunto de datos que describe uno o varios defectos como conjunto de datos de entrada en un cálculo del límite de carga configurado en particular como modelación de avance, en donde el conjunto de datos de entrada se genera en primer lugar según el procedimiento anterior o posteriormente descrito para la determinación de la geometría de un defecto. La representación ventajosa de la geometría de defecto, en particular como geometría auténtica no parametrizada tridimensional o como superficie bidimensional con correspondientes valores de profundidad, hace innecesarias simplificaciones hasta ahora supuestas como necesarias en la industria, de tal modo que también por esta razón se garantiza un aumento de la exactitud de la determinación de defectos en su conjunto de una manera hasta ahora no alcanzable.

Si hasta ahora la exactitud estaba limitada a la indicación del punto de la profundidad máxima del defecto, ahora se calcula todo el perfil con elevada precisión. Típicamente, la exactitud de la profundidad máxima se reduce a la medida alcanzable en función de la exactitud de medición, es decir, a aproximadamente un ± 5 % del grosor de pared en comparación con el hasta ahora aproximadamente ± 10 % del grosor de pared en el dimensionado según el estado de la técnica descrito al principio. Sin embargo, la predicción del límite de carga en función de la geometría del defecto alcanza precisamente para casos críticos incrementos en la exactitud de, por ejemplo, hasta ahora un ±50 % a ahora ±5 %. La ventaja según la invención radica, por tanto, en particular en una representación de la geometría de defecto adecuada alcanzada por primera vez que permite exactamente este incremento.

Otras ventajas y detalles de la invención se pueden extraer de la siguiente descripción de figuras. De manera representada esquemáticamente, muestra:

la Figura 1: un desarrollo de un ejemplo de realización de un procedimiento para la creación de una geometría de defecto de partida,

la Figura 2: un procedimiento para la creación de datos de entrenamiento de una red neuronal,

la Figura 3: un diagrama de flujo sobre el modo de funcionamiento de la red neuronal.

la Figura 4 una representación esquemática de un perfeccionamiento del procedimiento según la invención,

la Figura 5 una ilustración más detallada de una parte de la Figura 4,

las Figuras 6A- 6F conjuntos de datos de referencia y resultado de un procedimiento según la invención en comparación con un correspondiente escaneado geométrico,

la Figura 7 un diagrama de flujo de un ejemplo de realización de un procedimiento según la invención,

la Figura 8 una ilustración de una representación paramétrica de una costura de soldadura.

La Figura 1 muestra una parte de un ejemplo de realización de un procedimiento para la determinación de la geometría de uno o varios defectos reales examinados. A partir de un conjunto de datos combinado, que en el presente caso comprenden conjuntos de datos de referencia que se han obtenido mediante dos diferentes procedimientos de medición no destructivos (EMAT y MFL), se extraen datos por medio de extractores (FE) de características y se transfieren a una red neuronal (NN). Los extractores (FE) de características pueden estar formados en este sentido por otras redes neuronales. Sobre la base de estos datos, se genera por medio de la red neuronal (NN) una geometría de defecto de partida que podría constituir la base de los conjuntos de datos de referencia obtenidos por ambos o todos los procedimientos de medición no destructiva realizados. Para ello se asigna una entrada a la red neuronal (NN) que puede estar compuesta de uno o varios vectores que representan una resolución local bidimensional. La red neuronal (NN) arroja un vector que representa una resolución local tridimensional. A este se puede asociar una rejilla de objeto, en donde celdas individuales de la rejilla de objeto se caracterizan como anómalas, por ejemplo, mediante la atribución de un valor “ no material” o “ material con defecto” . Con esta caracterización se puede diferenciar adicionalmente de manera preferente según el tipo del defecto como, por ejemplo, grietas, corrosión o defectos de laminación.

La Figura 2 muestra la creación de datos de entrenamiento para una correspondiente red neuronal (NN), así como la utilización de estos datos para el entrenamiento. A partir de una descripción genérica 30 del defecto en la rejilla de objeto, en la etapa 31 se simulan los datos 32 de medición obtenidos por medio un procedimiento de medición no destructivo en una correspondiente geometría de defecto o se asignan desde un banco de datos. Estos se presentan con una resolución local bidimensional. La red neuronal (NN) presenta una capa (ES) de entrada cuyos puntos de entrada representan una resolución local bidimensional. La red neuronal (NN) está diseñada para generar una salida con resolución local tridimensional que se utilice como descripción 30 de defecto genérica o se transfiera a tal. Datos individuales de los datos 32 de medición se asignan a los puntos de rejilla individuales de la capa de entrada de la red neuronal (etapa 34). Al mismo tiempo, la posición de los defectos en la rejilla de objeto se extrae de la descripción genérica del defecto. En este sentido, las celdas en o a través de las cuales se extienden los defectos están marcadas como defectuosas. Esto se realiza mediante asignación de un valor correspondiente. Cada celda de la rejilla de objeto, con la correspondiente información sobre si esta presenta un defecto, así como, dado el caso, el tipo del defecto, es asignada a la capa de entrada de la red neuronal (etapa 33). Con estas parejas de datos se entrena la red neuronal en la etapa 37. A continuación se puede llevar a cabo un entrenamiento de la red neuronal, por ejemplo, comparando la salida que sigue a los datos asignados a la capa (ES) de entrada con los datos correspondientes asignados a la capa de salida de la red neuronal y ajustando los factores de ponderación en la red neuronal mediante retropropagación. De esta manera, la red neuronal (NN) se entrena con una pluralidad de conjuntos de datos de entrenamiento. Si los extractores (FE) de características también están diseñados como red neuronal, su entrenamiento puede efectuarse simultáneamente sobre la base de los mismos datos de entrenamiento.

La Figura 3 muestra la evaluación de los datos de medición de un procedimiento de medición no destructivo por medio de la red neuronal (NN). Los valores de medición de los procedimientos de medición no destructivos realizados se asignan a los puntos de entrada de la capa (ES) de entrada de la red neuronal (NN) (etapa 34). En el caso de los valores de medición, se trata de valores de medición de uno o varios conjuntos de datos de referencia. La red neuronal (NN) genera en la etapa 35 una salida que representa coordenadas espaciales tridimensionales. Esta salida se utiliza para la creación de una descripción de defecto general, en el presente caso en forma de una geometría de defecto de partida. Para ello, se efectúa en la etapa 36 una asignación de la salida de la red neuronal a las celdas de la rejilla 30 de objeto. Correspondientemente a la salida de la red neuronal, las celdas individuales se marcan como defectuosas o exentas de defectos. Adicionalmente, se pueden asignar, dado el caso, informaciones sobre el tipo del correspondiente defecto, por ejemplo, grieta, corrosión, defecto de laminación. A partir de la rejilla de objeto resultante con la descripción genérica de los defectos, por ejemplo, los defectos individuales representados por grupos de celdas defectuosas agrupadas pueden transferirse a una descripción paramétrica de los defectos en una rejilla de defectos.

En el procedimiento según la invención, según un ejemplo de realización, la superficie de una tubería se representa por medio de una superficie de malla 2D. La geometría de defecto se puede describir de manera parametrizada como vector de valores D de profundidad que se sitúa sobre una rejilla de defecto. Esta geometría de defecto se compara sobre la base de un resultado para una función de adecuación F(xⁱ...xⁿ) perteneciente a la respectiva geometría y que toma en consideración datos de medición y simulación con la geometría de defecto de partida. En este sentido, se supone que cuanto menor es el valor de una función de adecuación más se acerca la geometría de defecto experta adoptada a la geometría real:

En este sentido, i es el número de conjuntos de datos que deben tratarse simultáneamente (conjuntos de datos reales o simulados); Y¿al, es el resultado de una simulación de la correspondiente i-ésima medición;}^ son los datos medidos de los correspondientes conjuntos de datos de referencia; y R(x¹...xⁿ) es un término de regularización que puede ser empleado en caso de ambigüedades, por ejemplo, debido a varios mínimos, y se puede aplicar del siguiente modo:

en donde a es un término de escalamiento.

El desarrollo del procedimiento según un perfeccionamiento se describe al menos por secciones a continuación según la Figura 4, en donde una pluralidad de las rutinas expertas 11 paralelas y concurrentes entre sí se describen únicamente con un bloque 14.

Como conjuntos de datos de entrada pueden agruparse, por ejemplo, varias carreras del mismo diablo de ducto MFL según la caja 2. Los dos conjuntos 1 de datos para una mejor fusión pueden ser previamente filtrados e igualados entre sí (etapa 3 de procedimiento), por ejemplo, para reducir posibles artefactos o ruidos de fondo. Además, se prepara otro conjunto 4 de datos sobre la base de otro procedimiento de medición como conjunto de datos de referencia adicional en la correspondiente caja 3 y se filtra con el objetivo de la igualación en estructuras de rejilla idénticas, de tal modo que, según la sección 6 de procedimiento, están presentes dos conjuntos de datos de referencia igualados que han sido creados sobre la base de diferentes métodos de medición no destructivos.

Conjuntos de datos adaptados de manera precisa entre sí pueden tratarse conjuntamente, en donde el procedimiento según la invención realiza el tratamiento simultáneo de los conjuntos de datos mediante utilización de una función de adecuación que toma en consideración los conjuntos de datos que deben examinarse conjuntamente.

En la etapa 7, se accede a los conjuntos de datos de referencia presentes en la etapa 6, para lo que en la etapa 8 en primer lugar se determina una geometría de defecto inicial como geometría de defecto de partida. Esto se efectúa como se ha descrito anteriormente sobre la base de una red neuronal en la que se leen los conjuntos de datos de referencia como conjuntos de datos de entrada.

La solución de la red neuronal se pone entonces a disposición como una o varias geometrías de defecto de partida x ⁱ...xⁿ para los módulos expertos individuales. Con anterioridad, con el objetivo de una reducción del tiempo de computación, el número de los valores paramétricos que describen geometrías de defectos se puede mantener lo más bajo posible. Esto se consigue, por ejemplo, por medio de una adaptación de rejilla dinámica. Dado que el número de valores de profundidad se corresponde con el número de puntos nodales en la rejilla 5 de defecto, el número de nodos puede ser simultáneamente también el número de parámetros de defecto. Comenzando con una rejilla relativamente gruesa, esta se refina sucesivamente en áreas relevantes.

A modo de ejemplo, para una distancia de punto nodal predefinida de, por ejemplo, 14 mm, de un tamaño de celda de rejilla concomitante de 14 mm x 14 mm y valores límite de defecto del 30 %, del 50 % y del 80 % del grosor de pared, puede obtenerse un refinamiento en la zona de rejilla relevante, en donde se dividen sucesivamente las celdas que sobrepasan los valores de profundidad anteriores. La deformación de rejilla se correlaciona con la geometría de defecto supuesta, es decir, que en las zonas de grandes gradientes se encuentra un gran número de puntos nodales.

Después de haberse seleccionado una rejilla de defecto puesta a disposición centralmente de todas las rutinas expertas, en la etapa 14, se calcula de manera específica para el defecto en correspondientes rutinas expertas una nueva geometría de defecto experta y se supervisa en 14.1 si esta debe ser puesta a disposición de otras rutinas expertas. Esto sucede cuando, como se ha descrito anteriormente, por ejemplo, se mejora una función de adecuación y ningún criterio de parada finaliza la búsqueda de defectos. En este caso, se prosigue con la geometría o geometrías de defecto puestas a disposición en particular de todas las rutinas expertas en la iteración. En caso contrario, en 14.2. se finaliza el procedimiento con determinación de las geometrías de defecto y en particular con la indicación de la exactitud de la solución. Complementariamente, sobre la base de las geometrías de defecto halladas, se puede calcular la presión de rotura.

En la unidad informática, según el procedimiento según la invención se simula el desarrollo del flujo de trabajo de un grupo de rutinas expertas 11, que están en concurrencia entre sí. Para ello, el programa presenta módulos diferentes que pueden configurar datos independientemente entre sí y en particular de manera no sincronizada entre sí en determinadas áreas de la unidad informática para que puedan ser procesados en estas. Esto se efectúa en particular bajo el control de una rutina 9 de supervisión (Figura 5). Una pluralidad de rutinas expertas 11 mantiene, por tanto, en función del éxito previamente definido, es decir, por ejemplo, del número de las geometrías de defecto de partida escritas en una zona 12 de memoria común, un número de slots 13 de cálculo para poder generar en cada caso geometrías de defecto expertas y/o realizar correspondientes simulaciones MFL o, en el caso de un módulo de simulación MFL independiente, hacerlas ejecutar. Esto se corresponde con el bloque 14 según la Figura 4, en donde este es un ejemplo de varias rutinas expertas 11 (Figura 5). Partiendo de los slots 13 de cálculo, según el presente ejemplo de realización, se realizan las simulaciones de los datos de medición adecuados a las geometrías de defecto expertas individuales con el fin de crear los conjuntos de datos de predicción expertos también bajo control de la rutina 9 de supervisión en los módulos 16 de simulación. Cuantos más slots 13 están disponibles para una rutina experta, mayor es la proporción de recursos informáticos para esta rutina experta. Preferiblemente, el número de los módulos de programa previstos para la realización de simulaciones es igual al número de slots. La rutina 9 de supervisión supervisa el número de iteraciones y los cambios resultantes de ello de la geometría de defecto de partida y supervisa además si se ha alcanzado un correspondiente criterio de parada. A continuación, se edita el resultado según el bloque 17, que se corresponde con el bloque 14.2 de la Figura 4.

El número de slots 13 de cálculo disponibles para una rutina experta 11 y las rutinas de simulación puestas a disposición a continuación pueden variar de tal manera que una primera rutina experta puede utilizar, por ejemplo, hasta un 50 % del tiempo de computación total disponible para los slots de cálculo y las rutinas de simulación.

En la zona 12 de memoria, se almacenan como se ha representado las geometrías de defecto de partida. En este sentido, se puede tratar de una zona de memoria accesible para las rutinas expertas 11. En ese lugar, también pueden guardarse ficheros de registro de las rutinas expertas 11 y la rutina de supervisión 9, así como instrucciones para las rutinas expertas 11 que sean implementadas por estas autónomamente. Por ejemplo, en este sentido puede tratarse de un comando de interrupción que se establezca al alcanzarse el criterio de parada.

Preferiblemente, las rutinas expertas 11 son módulos de programa independientes que generan las nuevas geometrías de defecto expertas y las colocan en las rutinas 16 de simulación. Además, en las rutinas expertas 11 se puede generar la función de adecuación presentada al principio sobre la base del conjunto de datos de predicción experto y compararse con el conjunto de datos de predicción de partida guardado en la zona 12. Si los conjuntos de datos de predicción expertos son en su conjunto más parecidos a los conjuntos de datos de referencia que los conjuntos de datos depositados en la zona 12, estos conjuntos de datos de predicción expertos se utilizan entonces como nuevos conjuntos de datos de predicción de partida.

Por ejemplo, en las rutinas expertas 11 se genera aleatoriamente una geometría de defecto. Para ello, pueden utilizarse algoritmos de aprendizaje de máquinas o reglas empíricas. Ventajosamente, sin embargo, para una convergencia mejorada de las soluciones, está prevista la realización de al menos dos rutinas expertas básicas que trabajan según el tipo de defecto de manera específica, como se describe a continuación.

Estas estrategias de búsqueda realizadas preferentemente siempre en un procedimiento según la invención se basan, para la determinación de una geometría de defecto basada en la corrosión, en una distribución de probabilidades asumida p(x,y) de puntos de rejilla cuyo valor de profundidad arroja como resultado una reducción máxima de la función de adecuación.

La función de probabilidad se utiliza para identificar N puntos de rejilla (xⁿ,yⁿ). En lugar de los puntos de la rejilla xⁿ,yⁿ, la representación de parámetros del grupo de defectos (x¹...xⁿ) ya utilizada anteriormente también puede adoptarse como objeto de la distribución de probabilidad, en donde, a efectos de una explicación más sencilla en la distribución de probabilidad, en lo sucesivo se hará referencia a N puntos de rejilla (x,y) o (xⁿ,yⁿ).

En cada uno de los puntos considerados, la función de profundidad, que en este caso describe la profundidad D de la corrosión en el punto de rejilla, se cambia en AD, en donde el signo del cambio se distribuye por generación al azar. D es un grupo de parámetros que describen la corrosión, y es un subconjunto de un conjunto común de parámetros que describe la geometría de defecto. El número de puntos seleccionados N también puede ser elegido al azar:

, . (D (xn, yn) AD,para puntos seleccionados

D„

>(x' y) = i D(x, y), otros

Con la selección de la función de probabilidad p (x,y), pueden realizarse diferentes estrategias expertas, a modo de ejemplo:

Este algoritmo realiza una variación de las profundidades de defecto en la que se da preferencia a los puntos de rejilla con la mayor profundidad. Otra estrategia para un desarrollo basado en la corrosión de la geometría de defecto experta puede presentarse del siguiente modo:

Tal algoritmo varía la geometría de defecto en posiciones en las que la señal de medición MFL simulada H^{la mejor}para la mejor solución conocida posee la mayor diferencia con respecto a la señala medida H^m.

Sobre esta base, pueden desarrollarse mediante variaciones del número de los puntos de rejilla que deben considerarse y del AD diferentes rutinas expertas o sus algoritmos. A modo de ejemplo, pueden utilizarse las siguientes seis rutinas expertas para el desarrollo de defectos basados en la corrosión:

1. P(*.y) = IIdOjOII j n = 1 y AD = 1 % grosor de pared

P( * .y )= D M

2. llo(x,y)ll ; ⁿ= 2 y AD = 5 % grosor de pared

P ^r (x,y) ^\ ^_ - ^D{x,y)

3. llo(^x)ll , N = 3 y AD = 5 % grosor de pared

p(x y) = m^or

4. ’ Wiamejor íx,y)-Hmíx,y)y ; f\l = 1 y AD = 1 % grosor de pared

p(x y ) = iâmei°r (^ y)

5. ^{II Hla} mejor O.y) Hm(x,y)y ; f\| = 2 y AD = 5 % grosor de pared

6

grosor de pared

Para una rutina experta que es apropiada para la variación de un defecto basado en una grieta, pueden utilizarse las siguientes directrices funcionales:

- la profundidad del defecto se reduce o aumenta de manera aleatoria en una determinada medida, preferiblemente, por ejemplo, en un 1 o 2 % del grosor de pared del objeto,

- la posición de todos los puntos de la grieta se varía en una dirección seleccionada aleatoriamente, y/o - se alarga o acorta una línea que describe la grieta mediante la posición de los nodos de rejilla sobre la rejilla de objeto o defecto.

Una rutina experta que describe un defecto de laminación puede trabajar según las siguientes directrices funcionales: - Sobre la base de la descripción paramétrica 2D de un defecto de laminación, los valores pertenecientes a los nodos de rejilla se varían gradualmente en un 5 % en una u otra dirección con el objetivo de variar la posición de la laminación; esto también puede ser para solo una cantidad parcial de las soluciones conocidas de la descripción 2D de la laminación,

- puntos seleccionados aleatoriamente (nodos de rejilla) con valores no iguales a cero que están en vecindad de puntos con valores de cero pueden ponerse a cero (reducción de la extensión de la laminación),

- puntos de rejilla seleccionados aleatoriamente con valores de cero que se encuentran en la vecindad de puntos de rejilla con valores no iguales a cerco pueden ponerse con el correspondiente valor vecino, por medio de lo cual se aumenta la laminación, y/o

- todos los valores en la rejilla pueden moverse en una dirección elegida aleatoriamente, por medio de lo cual se provoca un cambio de la posición de la laminación a lo largo de la superficie de ducto.

La rutina 9 de supervisión representada en la Figura 5, como se ha descrito, tiene en particular dos funciones: Por un lado, se supervisa la consecución del criterio de parada y, en segundo lugar, se lleva a cabo la asignación de recursos de la unidad informática entre los expertos individuales sobre la base de sus éxitos. Una medida para el éxito es

en donde AF es la reducción de la función de adecuación F mediante el resultado de la correspondiente rutina experta y, en este caso, N el número simulaciones necesarias para ello. Una valoración de las n rutinas expertas puede asumirse.

El número de slots de cálculo Ns para una rutina experta en una iteración es entonces

Ns=int(^{H i}N^a//),

en donde N^a//es el número de todos los slots disponibles.

En las rutinas 16 de simulación, se simulan las correspondientes mediciones no destructivas para las geometrías de defecto expertas. Una rutina experta puede iterar hasta que encuentre una solución cuyos conjuntos de datos de predicción expertos sean mejores que los conjuntos de datos de predicción de partida guardados en la zona 12. Si ese es el caso, la rutina experta 11, partiendo de la solución ya mejorada, puede intentar alcanzar otras soluciones mejores.

Un error E resultante para los exámenes individuales de los conjuntos de datos simulados y medidos puede resultar de los errores de los correspondientes conjuntos de datos en los cálculos individuales:

en donde Ym e Ycal representan los correspondientes campos de medición medidos y simulados anteriormente descritos en las geometrías de defecto (x1...xn).

Para demostrar la eficacia del procedimiento propuesto, se ha ejecutado una pluralidad de escenarios de prueba, en donde a continuación, según las Figuras 6A y 6B, se utilizan los datos de dos cursos de inspección MFL que se realizaron con magnetizaciones linealmente independientes entre sí. La Figura 6A muestra con una intensidad de señal entre 22,2 y 30,6 kA/m datos de una medición MFL real con magnetización discurriendo en dirección axial, mientras que los de la Figura 6B resultan de una medición efectuada en dirección circunferencial (intensidad de señal 22,2 a 91,1 kA/m). Las líneas de contorno son uniformes en las dos representaciones en la zona indicada. Adicionalmente, se recurre a dos conjuntos de datos como conjuntos de datos de referencia obtenidos mediante un procedimiento EMAT, en donde el conjunto de datos representado en la Figura 6C muestra la señal de recepción de una reflexión debida a un conversor de recepción que detecta defectos y el conjunto de datos de referencia representado en la Figura 6D, la correspondiente señal de transmisión de un conversor de referencia. En cada caso se representan señales normalizadas en forma de counts. Los dos conjuntos de datos EMAT, tras su preparación, que en el presente caso comprende una serie de transformadas de Fourier, son puestos a disposición de una red neuronal como datos de entrada por medio de una correspondiente capa de entrada. Asimismo, los dos conjuntos de datos MFL son puestos a disposición de la red neuronal por medio de correspondientes capas de entrada.

Por medio de la red neuronal se ha determinado en la unidad informática una geometría de defecto inicial que se ha mejorado a continuación iterativamente hasta alcanzarse un criterio de parada. El resultado del procedimiento según la invención se representa en la Figura 6E, que muestra la profundidad de posibles defectos en el lado interior de la sección de ducto examinada. Gracias al procedimiento según la invención, se da una gran coincidencia con la geometría real averiguada por medio de exploración láser (Figura 6F). Tanto en la Figura 6E como en la Figura 6F, se ha caracterizado por medio las líneas de contorno una zona de un 0 a un 60 % de pérdida de metal en la pared tubular. La combinación de los datos de medición MFL y EMAT en el procedimiento según la invención conduce en el presente caso más rápido a un resultado que si se hubieran utilizado, por ejemplo, solo datos MFL. El ahorro de tiempo se sitúa en aproximadamente en un 20 %. Simultáneamente, el examen combinado de los dos diferentes procedimientos de medición muestra que los defectos detectados en el presente caso se basan puramente en corrosión.

Sobre la base del examen convencional con el cálculo de la geometría de defecto establecido en el estado de la técnica, se obtiene la presión de rotura mencionada de 4744,69 kPa. Sobre la base del procedimiento de acuerdo con la invención se obtiene para el conjunto de datos MFL y EMAT la geometría de defecto mostrada en la Figura 6F (líneas de contorno a 2 mm de profundidad) y, sobre esta base, una presión de rotura de 8543,46 kPa. Esta se acerca en el presente caso hasta en un 99,4 % a la presión de rotura que se ha determinado sobre la base de la geometría de defecto real averiguada por medio de exploración láser. En consecuencia, un ducto examinado según el procedimiento de acuerdo con la invención puede funcionar con una presión de funcionamiento segura de 6520,53 kPa. De esta manera, en comparación con la presión de funcionamiento segura de 3621,29 kPa sobre la base de la evaluación según el estado de la técnica, se obtienen considerables ventajas para los operadores de ductos. Mediante la utilización adicional del conjunto de datos de referencia EMAT, el resultado en el presente caso ni ha mejorado ni ha empeorado en comparación con el examen solo con los conjuntos de datos ^mF^l, ya que, según el procedimiento según la invención, no había grietas en la sección tubular examinada, y ninguna laminación o defectos de laminación que pudieran haber influido negativamente en el examen de la presión de rotura.

La Figura 7 muestra de nuevo el desarrollo de una posible implementación del procedimiento según la invención. Sobre la base de los datos de medición 20 de una o varias mediciones de calibración con un procedimiento de medición no destructivo en un objeto de calibración de geometría conocida, en particular con defectos de geometría conocida, se crea un modelo para el sensor 21 que trabaja de manera no destructiva. Con una estimación de las propiedades de material relevantes del objeto examinado, se crea en la etapa 22 una rutina de simulación. Esto puede realizarse mediante indicación de parámetros conocidos que representan las propiedades de material, así como propiedades del sensor utilizado. Alternativa o adicionalmente, se puede efectuar una adaptación iterativa de los parámetros hasta que los resultados de la rutina de simulación para el procedimiento de medición no destructivo utilizado sobre la base de la geometría conocida del objeto de calibración coincidan de manera suficientemente precisa con los datos de la medición de calibración. La rutina de simulación también puede estar preparada y reutilizarse para varias mediciones por medio del procedimiento de medición no destructivo.

Sobre la base de una o varias mediciones con uno o varios procedimientos de medición, se crean uno o varios conjuntos de datos de referencia. La Figura 7 muestra en la etapa 2 la creación de un conjunto de datos de referencia sobre la base de varios cursos de medición. Sobre la base del conjunto de datos de referencia, en la etapa 23 se realiza una clasificación en áreas exentas de anomalías y áreas anómalas. Para la diferenciación de áreas exentas de anomalías y áreas anómalas, se pueden utilizar diferentes criterios. Mediante la utilización de dos o más conjuntos de datos de referencia que se han obtenido sobre la base de diferentes procedimientos de medición no destructivos, puede mejorarse la clasificación aún más, de tal manera que procedimientos de medición individuales son más sensibles para determinados defectos que para otros.

Sobre la base de las áreas exentas de anomalías y utilizando la rutina de simulación, se crea en la etapa 24 una rejilla de objeto que representa la geometría intacta del objeto. Para ello, también pueden utilizarse informaciones de cursos de medición anteriores en el objeto aún sin defectos o con menos defectos. Para ello, la rejilla de objeto puede crearse en las áreas exentas de anomalías y, a continuación, mediante extrapolación y/o interpolación, completarse en las áreas anómalas. Es concebible también llevar a cabo una interpolación y/o extrapolación sobre la base de los conjuntos de datos de referencia de las áreas exentas de anomalías a las áreas anómalas.

La creación de la rejilla de objeto se efectúa mediante un proceso iterativo. Se genera una primera rejilla de objeto de partida o, por ejemplo, se predefine sobre la base de una geometría de objeto estimada. Esta se adapta en un procedimiento iterativo. Una rejilla de objeto de partida puede presentar, por ejemplo, una costura de soldadura según la representada en la Figura 8 en la sección transversal. La rejilla de partida puede adaptarse iterativamente hasta que presenta una forma que representa la costura de soldadura.

Para acelerar el procedimiento, también se puede utilizar en particular una descripción paramétrica de la costura de soldadura mediante un modelo geométrico paramétrico. La Figura 8 muestra un modelo geométrico paramétrico de este tipo. En este modelo, la forma de la costura de soldadura se describe por medio de un reducido número de parámetros, en el presente caso siete. Los parámetros describen el grosor de pared del objeto (z5), la respectiva extensión de la costura de soldadura en ambos lados (z3, z6), el saliente de la costura de soldadura (z1, z7) y la anchura y profundidad de las muescas en la costura de soldadura (z2, z4). La rejilla de objeto puede ser modificada, por tanto, en la zona de la costura de soldadura mediante adaptación de un reducido número de parámetros. En este sentido, se aprovechan informaciones previamente conocidas sobre una forma general de una zona de objeto, en este caso una costura de soldadura. Adicionalmente, se pueden establecer condiciones marco para parámetros individuales. De esta manera, se pueden excluir resultados que carezcan de sentido físico o imposibles. En la Figura 8, no tiene sentido que los parámetros z2, z3, z5 y z6, por ejemplo, sean negativos, z4 no puede ser mayor que z5, etc. Los valores paramétricos pueden optimizarse mediante el siguiente problema de optimización:

bajo condiciones marco para {z1... zn}

con Y^ señal medida de la i-ésima medición, Y¿al señal calculada para la i-ésima medición. Los valores para los parámetros pueden determinarse por medio de algoritmos de optimización sin derivación, por ejemplo, por medio de búsqueda aleatoria. Para acelerar el procedimiento, se puede fijar una variabilidad de los parámetros en etapas fijadas, preferiblemente definidas como función del grosor de pared. Por ejemplo, un cambio puede efectuarse en etapas que supongan el 1 % del grosor de pared.

Gracias al procedimiento según la invención, se pueden indicar de manera considerablemente más realista el estado de una tubería y, por tanto, la presión aplicable para un funcionamiento seguro del ducto, mientras que sigue garantizada al igual que antes la seguridad de funcionamiento. Mediante el procedimiento según la invención con las rutinas expertas que compiten por los recursos de la unidad informática, tal resultado se puede poner a disposición de los operadores de ductos más rápido o al menos en el mismo tiempo de evaluación que en el estado de la técnica.

Claims

REIVINDICACIONES

i. Procedimiento para determinar la geometría de uno o más defectos reales, examinados, de un objeto metálico, en particular, magnetizable, en particular, de un tubo o de un tanque, por medio de al menos dos conjuntos de datos de referencia del objeto generados sobre la base de diferentes procedimientos de medición no destructivos,

en donde el objeto se representa al menos parcialmente en o mediante una rejilla de objeto al menos bidimensional, preferiblemente tridimensional, en una unidad informática, en donde una geometría de defecto de partida, en particular en la rejilla de objeto o en una rejilla de defecto al menos bidimensional, se genera mediante la inversión al menos de partes de los conjuntos de datos de referencia, en particular mediante al menos una red neuronal (NN) entrenada para esta tarea, se calcula un conjunto de datos de predicción para los procedimientos de medición no destructivos utilizados para la creación de los conjuntos de datos de referencia sobre la base de la geometría de defecto de partida mediante una rutina de simulación, se lleva a cabo una comparación al menos de partes de los conjuntos de datos de predicción con al menos partes de los conjuntos de datos de referencia y, en función de al menos una medida de precisión, se pone fin al procedimiento para determinar la geometría del defecto o se lleva a cabo una adaptación iterativa de la geometría de defecto de partida a la geometría del defecto o defectos reales.
2. Procedimiento según la reivindicación 1, caracterizado por que una rutina de simulación de entrenamiento, mediante simulación sobre la base de diferentes geometrías de entrenamiento, genera datos de entrenamiento con los que se entrena una red neuronal (NN) para la inversión de los datos de medición.
3. Procedimiento según una de las reivindicaciones 1 o 2, caracterizado por que se entrena una red neuronal o la red neuronal (NN) sobre la base de datos de una base de datos que contiene mediciones simuladas.
4. Procedimiento según una de las reivindicaciones 1 a 3, caracterizado por que, por medio de un extractor (FE) de características que está configurado preferiblemente como una red neuronal adicional, se extraen de un conjunto de datos de referencia datos de entrada para la red neuronal (NN).
5. Procedimiento según una de las reivindicaciones 1 a 4, caracterizado por que, por medio de la red neuronal (NN), se transfieren datos de entrada con una resolución local bidimensional a una geometría de defecto de partida con resolución local tridimensional.
6. Procedimiento según una de las reivindicaciones 1 a 5, caracterizado por que, por medio de la red neuronal (NN), se efectúa una clasificación de defectos.
7. Procedimiento según una de las reivindicaciones 1 a 6, caracterizado por que, como primer conjunto de datos de referencia, se utiliza un conjunto de datos sobre la base de un procedimiento de medición de MFL, corrientes de Foucault, EMAT o ultrasonido y, como al menos un conjunto de datos de referencia adicional se emplea un conjunto de datos generado sobre la base de otro procedimiento de medición adicional procedente de este grupo de procedimientos de medición.
8. Procedimiento según una de las reivindicaciones 1 a 7, caracterizado por que la adaptación iterativa de la geometría de defecto de partida a la geometría del defecto o los defectos reales se efectúa por medio de la unidad informática y por medio de al menos una, preferiblemente varias rutinas expertas (11) que se ejecutan en particular en competencia y más particularmente en paralelo entre sí,

- en donde, en la correspondiente o correspondientes rutinas expertas (11), por medio de al menos un algoritmo propio y sobre la base de la geometría de defecto de partida, se genera una respectiva geometría de defecto experta,

- en donde, sobre la base de la respectiva geometría de defecto experta, se determinan respectivos conjuntos de datos de predicción expertos mediante simulación o atribución de una medición adecuada al respectivo conjunto de datos de referencia,

- y en donde la geometría de defecto experta en la que se basan los correspondientes conjuntos de datos de predicción expertos se pone a disposición de al menos una, en particular de todas las rutinas expertas (11) como nueva geometría de defecto de partida para la posterior adaptación a la geometría del defecto o los defectos reales,

cuando los conjuntos de datos de predicción expertos de una correspondiente rutina experta son más parecidos a los respectivos conjuntos de datos de referencia que los conjuntos de datos de predicción de partida y/o se mejora una función de adecuación que toma en consideración los al menos dos conjuntos de datos de predicción expertos,

- y en donde, a continuación, se utilizan los conjuntos de datos de predicción expertos que pertenecen a la nueva geometría de defecto de partida como nuevos conjuntos de datos de predicción de partida,

- en donde, la adaptación iterativa por medio de las rutinas expertas (11) se efectúan hasta que se cumpla un criterio de parada.
9. Procedimiento según la reivindicación 8, caracterizado por que la adaptación iterativa de la geometría de defecto de partida a la geometría del defecto o defectos reales se efectúa por medio de otra rutina experta (11), en donde las rutinas expertas (11) se ejecutan en competencia entre sí de tal manera que se efectúa una distribución de los recursos de la unidad informática a una respectiva rutina experta, en particular en forma de tiempo de computación, preferiblemente tiempo de la CPU y/o tiempo de la GPU, en función de una tasa de éxito en la que se toma en consideración, en particular, el número de geometrías de defecto de partida calculadas por esta rutina experta y puestas a disposición de una o varias rutinas expertas (11) distintas, y/o en función de una reducción de la función de adecuación, en la que se toma en consideración en particular el número de los conjuntos de datos de predicción expertos generados para la reducción.
10. Procedimiento según la reivindicación 8 o 9, caracterizado por que, como criterio de parada, se utiliza una comparación de la variación del conjunto de datos de predicción expertos con la dispersión de medición del conjunto de datos real.
11. Procedimiento según una de las reivindicaciones 8 a 10, caracterizado por que, en la rutina o rutinas expertas (11) para generar la geometría de defecto experta se realizan variaciones diferentes y específicas para cada defecto, en donde en particular se prevé una primera rutina experta (11) para la variación de grietas, otra para la variación de corrosión y/u otra para la variación de defectos de laminación.
12. Procedimiento según una de las reivindicaciones anteriores, caracterizado por que, para la determinación de la rejilla de objeto, sobre la base de al menos partes de los conjuntos de datos de referencia, en primer lugar se efectúa una clasificación de áreas exentas de anomalías y áreas anómalas del objeto, en donde, en particular sobre la base de información previamente conocida sobre el objeto, se crea una rejilla de objeto de partida, en donde, utilizando la rejilla de objeto de partida, se calculan conjuntos de datos de predicción para los correspondientes procedimientos de medición no destructivos, en donde se efectúa una comparación de al menos partes de los conjuntos de datos de predicción con correspondientes partes de los conjuntos de datos de referencia con exclusión de las áreas anómalas y se utiliza, en función de al menos un indicador de precisión, la rejilla de objeto de partida como rejilla de objeto que describe la geometría del objeto o bien se efectúa, por medio de la unidad informática, una adaptación iterativa de la rejilla de objeto de partida a la geometría del objeto en las áreas exentas de anomalías.
13. Procedimiento según la reivindicación 12, caracterizado por que, en la adaptación iterativa de la rejilla de objeto de partida se crea una nueva rejilla de objeto de partida y se calculan para esta nuevos conjuntos de datos de predicción, y se lleva a cabo una comparación de al menos partes de los nuevos conjuntos de datos de predicción con correspondientes partes de los conjuntos de datos de referencia, excluyéndose las áreas anómalas, hasta que se cumple un criterio de parada de objeto, en donde se utiliza la rejilla de objeto de partida entonces disponible como rejilla de objeto que describe la geometría del objeto.
14. Procedimiento según una de las reivindicaciones anteriores 12 o 13, caracterizado por que, en la clasificación, se efectúa una asignación de un área exenta de anomalías a al menos un elemento local predefinido del objeto y se utiliza este en la creación de la rejilla de objeto de partida o se introduce en la rejilla de objeto de partida.
15. Procedimiento según la reivindicación 14, caracterizado por que el elemento local, que está formado en particular en forma de cordón de soldadura, se describe mediante un modelo geométrico parametrizado.
16. Procedimiento para la determinación de un límite de carga de un objeto solicitado con presión al menos durante el funcionamiento y configurado en particular como oleoducto, gaseoducto o acueducto, en el que se utiliza un conjunto de datos que describe uno o varios defectos como conjunto de datos de entrada en un cálculo del límite de carga, caracterizado por que el conjunto de datos de entrada se determina en primer lugar según un procedimiento según una de las reivindicaciones anteriores.