Aprendizaje Automático Acelerará la Seguridad en Tuberías: Detección de Fallas en Tiempo Real Ahorra $10M

Caso real: una gran empresa de petróleo y gas comenzó inspecciones rutinarias de su red de tuberías, usando el mismo dispositivo físico, el "cerdo" (pig). En lugar de enviar datos brutos a analistas humanos y esperar análisis, se enviaron a una solución de aprendizaje automático. El resultado fue la identificación de una falla grave en una sección que falló tan pronto como el equipo comenzó el chorro de arena. Gracias a la identificación oportuna, la empresa ahorró al menos $10 millones, que habrían sido el costo de daños al atravesar un huerto de almendros.

Estos fueron solo resultados de un solo estudio. Elevemos el nivel considerando los 2.7 millones de millas de tuberías en Norteamérica. Casi 2/3 de estadounidenses viven a 600 pies de una tubería. En la mayoría de casos, las autoridades locales buscan ayuda desesperadamente cuando ocurre una falla, ya que sus mapas solo tienen precisión hasta 500 pies. PHMSA reportó que entre 2006 y 2015, los incidentes en tuberías crecieron 26.8 %. Estos incidentes involucraron lesiones graves, muertes o daños >$50,000. En promedio, en 2015 hubo casi un incidente por día.

¿Qué significa la ocurrencia de tales incidentes frente a estrictos estándares de seguridad e inversiones de miles de millones? Simplemente, el sistema actual de mantenimiento no es lo suficientemente efectivo para predecir con precisión el inicio de fallas.

Datos

La metodología de detección no es el mayor problema; es el uso de los datos recopilados por el cerdo lo que preocupa. Algunas anomalías no pueden identificarse directamente con tecnologías actuales, requiriendo correlación y análisis profundo de datos. No se culpa a los científicos de datos, que trabajan con prácticas establecidas y experiencia para identificar problemas en un flujo de datos aparentemente ilimitado. La última parte es el mayor problema: solo se utiliza el 4 % de los datos recopilados para gestionar tuberías.

Todos los signos apuntan a una dirección: el tamaño gigantesco de los datos.

Hay una crisis inminente que tendrá efecto total cuando los expertos más experimentados de la industria se jubilen. Algunos poseen habilidades extraordinarias imposibles de reemplazar. ¿Por qué no traer computadoras? Sí, pero el mayor poder de procesamiento no hace a las computadoras buenas resolviendo problemas que requieren capacidad de aprendizaje, juicio y observación.

Aprendizaje Automático (Machine Learning)

La brecha entre el conjunto de habilidades de especialistas experimentados y el poder de procesamiento repetitivo de computadoras es puenteada por el Machine Learning. Desde 2014, OneBridge Solutions brinda servicios analíticos al sector Petróleo y Gas, con su plataforma sobre Microsoft Azure Cloud.

El Machine Learning, combinado con recursos escalables de la nube, forma una combinación perfecta para lidiar con montones de datos generados por el cerdo. Lo mejor: se presenta en modelo Software como Servicio (SaaS), fácilmente implementable y gestionable por diversos clientes.

Las características se alinean contra el "estado" del sistema de tuberías, creando un nuevo "estado" visualizable en imagen 3D. Mediante gestión de integridad cognitiva, tales imágenes virtuales pueden unirse para formar sistemas de tuberías enteros analizables en minutos, no semanas.

Los usuarios simplemente arrastran y sueltan hojas de conteo de inspección en línea al sistema, donde son ingeridas y normalizadas en minutos. El Machine Learning también permite a equipos de integridad obtener insights de toda la tubería sin gastar demasiado tiempo revisando datos.

Además de aumentar la velocidad, el Machine Learning mejora la precisión de datos, incrementando la efectividad operativa y mejorando la ratio de detección de amenazas. Mediante el uso eficaz de datos del cerdo, presentados de forma rápida, completa y precisa, da espacio a especialistas para analizar y refinar resultados. El resultado final: equipos operativos armados con mejores datos, necesitando cubrir menos terreno y, en última instancia, menos interrupciones en el sitio.