ANÁLISIS DE ANOMALÍAS POR CORROSIÓN Y TIPO GRIETA EN DUCTOS DE TRANSPORTE DE HIDROCARBUROS - Estudio de metodología con aprendizaje automático

Q: Qué datos integra la metodología para evaluar ductos de transporte de hidrocarburos?

Integra datos de inspecciones en línea (ILI) y validaciones con inspecciones directas en campo, con el objetivo de modelar y predecir condiciones críticas del ducto.

Q: Qué técnicas de aprendizaje automático se emplean para la predicción de anomalías?

Se usan modelos de regresión y algoritmos de ensamble como Random Forest y Gradient Boosting, precedidos por reducción de dimensionalidad mediante PCA para seleccionar variables significativas.

Q: Cómo se identifican y priorizan zonas críticas de daño en el estudio?

Se aplican algoritmos de clustering no supervisado (DBSCAN, HDBSCAN y OPTICS) para detectar agrupaciones espaciales de daño, apoyando el análisis evolutivo y la priorización de zonas críticas.

Aug 2, 2026

Subido por Skyler

Estudio que propone una metodología integral para evaluar la integridad estructural de ductos de transporte de hidrocarburos mediante aprendizaje automático. Integra datos de inspecciones en línea (ILI) con validaciones mediante inspecciones directas en campo para modelar y predecir condiciones críticas asociadas a pérdida de metal por corrosión y agrietamiento. Emplea regresión y ensambles (Random Forest, Gradient Boosting) tras reducción de dimensionalidad con PCA, y utiliza clustering no supervisado (DBSCAN, HDBSCAN, OPTICS) para agrupar daño espacialmente, además de estimar vida remanente y tasa de deterioro.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas26

Tiempo de lectura40 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Introducción

Metodología de aprendizaje automático

Modelos predictivos para corrosión y grietas

Reducción de dimensionalidad con PCA

Clustering espacial de anomalías

Vida remanente y tasa de deterioro

Resultados y beneficios para la gestión de integridad

ANÁLISIS DE ANOMALÍAS POR CORROSIÓN Y TIPO GRIETA EN DUCTOS DE TRANSPORTE DE HIDROCARBUROS JOSÉ ANDRÉS SÁNCHEZ ARÉVALO 1 Resumen Este estudio presenta una metodología integral para la evaluación de la integridadestructural en ductos de transporte de hidrocarburos, mediante la aplicación de técnicas de aprendizaje automático. Se integraron datos provenientes de inspecciones en línea (ILI) y validaciones mediante inspecciones directas en campo, con el fin de modelar y predecir condiciones críticas asociadas a los principales mecanismos de daño: pérdida de metal (corrosión) y agrietamiento. Se implementaron modelos de regresión y algoritmos de ensamble, como Random Forest y Gradient Boosting, precedidos de una etapa dereducción de dimensionalidad mediante Análisis de Componentes Principales (PCA), lo que permitió seleccionar variables significativas relacionadas con geometría, localizaciónespacial y temporal del daño. Los modelos predictivos para corrosión alcanzaron uncoeficiente de determinación de hasta R² = 0.989 con errores mínimos (RMSE < 0.005), mientras que para anomalías tipo grieta, el modelo Random Forest obtuvo un R² = 0.812, superando a otros enfoques estadísticos y de machine learning. Asimismo, se aplicaron algoritmos de clusterización no supervisada (DBSCAN, HDBSCAN y OPTICS) para identificar agrupaciones espaciales de daño, facilitando el análisis evolutivo y la priorización de zonas críticas. Se desarrolló un análisis detallado de la vida remanente ytasa de deterioro, considerando variables geométricas y geográficas. Los hallazgosobtenidos permiten optimizar la asignación de recursos de mantenimiento, reducir laincertidumbre en la gestión de riesgos y fortalecer la confiabilidad operativa. Estametodología representa una herramienta robusta y escalable para la toma de decisiones proactivas en programas de integridad de ductos. Abstract This study presents a comprehensive methodology for assessing the structural integrity of hydrocarbon transportation pipelines through the application of machine learning techniques. Data from in-line inspections (ILI) and direct field validation inspections were integrated to model and predict critical conditions associated with the main damage mechanisms: metal loss (corrosion) and cracking. Regression models and ensemble algorithms, such as Random Forest and Gradient Boosting, were implemented following a dimensionality reduction stage using Principal Component Analysis (PCA), which enabled the selection of significant variables related to the geometry and thespatiotemporal location of the damage. Predictive models for corrosion achieved a coefficient of determination of up to R² = 0.989 with minimal errors (RMSE < 0.005), while for crack-type anomalies, the Random Forest model reached R² = 0.812, outperforming other statistical and machine learning approaches. In addition, unsupervised clustering algorithms (DBSCAN, HDBSCAN, and OPTICS) were applied to identify spatial groupings of damage, supporting the evolutionary analysis and prioritization of critical zones. A detailed analysis of remaining life and degradation rate was conducted, incorporating geometric and geographic variables. The results enable 1 Universidad El Bosque_Maestria en Estadística Aplicada y Ciencia de datos_ Contacto: [jsanchezar@unbosque.edu.co](jsanchezar@unbosque.edu.co) optimization of maintenance resource allocation, reduction of uncertainty in risk management, and enhancement of operational reliability. This methodology represents a robust and scalable tool for proactive decision-making in pipeline integrity management programs. 1. Introducción La integridad estructural de los sistemas de transporte de hidrocarburos es un factor crítico para garantizar una operación segura y eficiente, al tiempo que se minimizan los riesgos asociados a fallas catastróficas, pérdidas económicas y afectaciones ambientales. En este contexto, la inspección en línea (ILI, por sus siglas en inglés) se ha c

Preguntas frecuentes

Qué datos integra la metodología para evaluar ductos de transporte de hidrocarburos?

Integra datos de inspecciones en línea (ILI) y validaciones con inspecciones directas en campo, con el objetivo de modelar y predecir condiciones críticas del ducto.

Qué técnicas de aprendizaje automático se emplean para la predicción de anomalías?

Se usan modelos de regresión y algoritmos de ensamble como Random Forest y Gradient Boosting, precedidos por reducción de dimensionalidad mediante PCA para seleccionar variables significativas.

Cómo se identifican y priorizan zonas críticas de daño en el estudio?

Se aplican algoritmos de clustering no supervisado (DBSCAN, HDBSCAN y OPTICS) para detectar agrupaciones espaciales de daño, apoyando el análisis evolutivo y la priorización de zonas críticas.

Aug 2, 2026

Subido por Skyler