Metodología para la evaluación de la integridad de tuberías corroídas mediante la predicción del factor estimado de reparación a través de la aplicación de algoritmos de Machine Learning

"Una de las opciones más usadas para el transporte en largas distancias de crudo, gas y productos derivados en la industria petrolera son las tuberías onshore. Estas tuberías son susceptibles a fallas causadas por corrosión, fallas operativas, errores humanos o vandalismo lo que conlleva a pérdidas de metal, abolladuras o grietas. La corrosión es una de las principales causas de fallas en tuberías de transporte de crudo y de gas natural. Frente a este problema, es importante implementar prácticas y procedimientos que permitan proteger, administrar y mantener la integridad de los sistemas de tubería. En este sentido, el propósito de este proyecto es proponer una metodología que permita la aplicación de algoritmos de Machine Learning para la evaluación de la integridad de tuberías corroídas, en una próxima inspección, mediante la predicción del Factor Estimado de Reparación. Para cumplir con esto, se implementa una metodología de segmentación de la tubería, mediante la técnica de Clustering jerárquico, que se utiliza para analizar los defectos de corrosión en inspecciones realizadas en instantes de tiempo diferentes y facilita la identificación de zonas vulnerables a este problema. Adicionalmente, se proponen diferentes modelos de aprendizaje supervisado que permiten realizar la predicción del Factor Estimado de Reparación entre inspecciones. Específicamente, se proponen los modelos de regresión lineal, regresión con componentes principales y ensamble de árboles o Random Forest. En general, se demostró que estos algoritmos de Machine Learning tienen el potencial de crear modelos de predicción precisos. Teniendo en cuenta que la prioridad es maximizar la capacidad predictiva más allá de la interpretabilidad de los modelos, se escoge el modelo de Random Forest, como el mejor método de predicción."--Tomado del Formato de Documento de Grado.

• Autores: Barrera Martínez, Brandon
• Fecha de publicación: 2019
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/43861
• Acceso en línea: http://hdl.handle.net/1992/43861
• Palabra clave: Oleoductos - Corrosión - Investigaciones; Aprendizaje automático (Inteligencia artificial) - Aplicaciones industriales - Investigaciones; Ingeniería
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf