Autor: Roland Palmer-Jones
Zustandsvorhersage für nicht inspizierte Pipelines – Integrity Data Warehouse Teil 1
Seit über 30 Jahren sammelt ILI Technologien Daten über Pipelines aus der ganzen Welt. Jetzt ist der angesammelte Datenbestand so weit ausgereift, dass er als Grundlage für moderne Lösungen der Künstlichen Intelligenz (KI) für Inspektions-, Integritäts- und Risikoanalysen dienen kann. In dieser neuen Artikelserie untersucht Roland Palmer-Jones verschiedene Aspekte des Integrity Data Warehouse (IDW) – beginnend mit der Zustandsvorhersage für nicht inspizierte Pipelines.
Das Integrity Data Warehouse
In diesem Artikel werden einige der spannenden neuen Anwendungen vorgestellt, die im Rahmen der Initiative „Integritätsanalyse“ von ROSEN entwickelt wurden – ein Projekt, das untersuchen soll, wie KI-Techniken die Betreiber von Pipelines bei ihren Entscheidungen im Bereich des Integritätsmanagements unterstützen können. Die Initiative bietet einen aussagekräftigen Einblick in das, was erreicht werden kann, wenn große Mengen an Informationen zusammengeführt werden.
Aber wo genau befinden sich die Informationen?
Im Rahmen des Projekts zur Integritätsanalyse entwickelt ROSEN ein großes Verzeichnis historischer ILI-Ergebnisse (Merkmallisten) und entsprechender Pipeline-Informationen, das sogenannte Integrity Data Warehouse (IDW). Bis heute enthält das IDW detaillierte Informationen zu fast 10.000 Pipelines aus der ganzen Welt (Abbildung 1). Das IDW wächst schnell und wird bald Informationen zu den meisten Inspektionen seit 2000 sowie Informationen zu allen neu abgeschlossenen Inspektionen enthalten.
In diesem Artikel werfen wir einen Blick auf die erste wichtige Anwendung, die durch das IDW ermöglicht wird: die Vorhersage des Zustands nicht inspizierter Pipelines.
Zustandsvorhersage für nicht inspizierte Pipelines
Obwohl das Kerngeschäft der ROSEN Group in der Inspektion von Pipelines besteht, wissen wir, dass etwa 40 % der Pipelines weltweit nicht mit ILI inspiziert werden können (selbst wenn wir neuartige Technologien einsetzen).
Wir wissen auch, dass es für viele der 60 %, die inspiziert werden können, eine Fülle wertvoller Informationen gibt.
Dies führt uns natürlich zu überwachtem maschinellen Lernen als Überwachungslösung für die Pipelines, die nicht inspiziert werden können. Wir können Trends in inspizierten Pipelines beobachten und das Gelernte auf nicht inspizierte Pipelines anwenden (Abbildung 2).
Diese Technik kann auf eine Reihe verschiedener Risiken bei Pipelines angewendet werden (Abbildung 3), aber die ersten Arbeiten konzentrierten sich stark auf die endemische und allgegenwärtige Gefahr der externen Korrosion.
Machbarkeit
Als ersten Versuch einer Zustandsvorhersage haben wir die Möglichkeit getestet, die Anzahl externer Anomalien bei der Korrosion von Pipelines allein anhand grundlegender Konstruktions- und Bauinformationen vorherzusagen – wie Alter, Beschichtungsart und geografische Lage. Genauer gesagt war die Zielvariable die Anomaliedichte – die Anzahl der Anomalien pro Längeneinheit. Dies ist ein einfacher, aber nützlicher Hinweis auf den allgemeinen Integritätsstatus.
Betrachtet man die Verteilung der Anomaliedichte (Anomalien pro Kilometer) für eine zufällige Stichprobe von Pipelines aus dem IDW, so sieht man, dass die Werte über mehrere Größenordnungen variieren. Am unteren Ende der Verteilung finden wir unberührte Pipelines mit weniger als einer Anomalie pro 100 Kilometer, während es am oberen Ende Pipelines mit mehr als 10.000 Anomalien pro Kilometer gibt.
Klassifizierung
Um die Arbeit des Algorithmus für maschinelles Lernen zu erleichtern, unterteilen wir die Dichten der Anomalien in vier Klassen, wie in Abbildung 5 dargestellt.
Indem wir die Entwurfs- und Konstruktionsvariablen und die beobachteten Dichten der Anomalien in einen überwachten Algorithmus für maschinelles Lernen einspeisen, können wir ein Vorhersagemodell erstellen. Das Modell kann dann an einer unbekannten Stichprobe von Pipelines getestet werden, um seine Leistung zu messen.
Das erste Prototypmodell (ein „verstärkter Entscheidungsbaum“) wurde anhand von ca. 4.000 Pipelines des IDW trainiert und an ca. 1.000 unbekannten Pipelines getestet. Obwohl diese ~1.000 Pipelines in der Vergangenheit ebenfalls inspiziert worden waren, wurden ihre ILI-Ergebnisse nicht für das Training des Modells verwendet. Die Vorhersagen für diese Pipelines wurden allein auf der Grundlage ihrer Entwurfs- und Konstruktionsvariablen erstellt (wie es bei wirklich ungeprüften Pipelines der Fall wäre), und ihre ILI-Informationen wurden ausschließlich zur Validierung verwendet.
Obwohl es sich bei der externen Korrosion um ein äußerst komplexes Phänomen handelt, war die Leistung des vorläufigen Modells überraschend gut (Abbildung 6).
58 % der getesteten Pipelines wurden perfekt klassifiziert und 92 % der Pipelines wurden innerhalb einer Klasse des tatsächlichen Werts vorhergesagt (grob gesagt, innerhalb einer Größenordnung der tatsächlichen Dichte der Anomalien). Während Vorhersagen in Größenordnungen bescheiden klingen, übertrifft das Modell herkömmliche Lösungen zur Risikobewertung bei Weitem.
Dennoch werden diejenigen, die genau hinschauen, die Ausreißer in der unteren linken und oberen rechten Ecke der Verwirrungsmatrix erkennen. Um diese ungenauen Vorhersagen zu korrigieren, besteht der nächste Schritt darin, neue Prädiktorvariablen einzubeziehen, darunter lokale Bodeneigenschaften (pH-Wert, Widerstand usw.), Landnutzung, Klima, Gelände und sogar der sozioökonomische Status. Mit höhergranularen Daten wird es auch möglich sein, die Dichte von Anomalien (oder andere Aspekte des Zustands der externen Korrosion) für kleinere Segmente oder sogar Rohrverbindungen vorherzusagen (Abbildung 7).
Anwendungen
Dieser Ansatz wird nun mit Unterstützung eines großen Betreibers von Pipelines weiterentwickelt, und die ersten Ergebnisse sind äußerst vielversprechend. Mit zunehmender Genauigkeit der Vorhersagen werden diese zur Priorisierung von Sanierungsmaßnahmen und gegebenenfalls zur Rechtfertigung der Kosten für die erforderlichen Änderungen zur Ermöglichung einer internen Inspektion verwendet. Es gibt viele weitere potenzielle Anwendungen, wie z. B. die Vorhersage des zukünftigen Zustands inspizierter Leitungen. Weitere Beispiele werden in zukünftigen Artikeln vorgestellt. Wenn Sie Ideen für Anwendungen des IDW haben, wenden Sie sich bitte an die Autoren.
Referenzen
De Leon, C und Smith, M S (2020). Maschinelles Lernen zur Unterstützung des Risiko- und Integritätsmanagements. Pipeline Molch- und Integritätsmanagement-Konferenz (PPIM), Februar 2020, Houston, Texas, Vereinigte Staaten von Amerika.