Autor: Hazem Rahmah
Wie MFL Data Fusion das Integritätsmanagement verbessern wird
Die Magnetische Streufluss-Technologie (MFL) ist die am weitesten verbreitete Methode zur Identifizierung von Metallverlustanomalien (volumetrisch) in Pipelines. Unser Experte Hazem Rahmah, Service Manager für Data Fusion bei ROSEN, geht näher darauf ein, wie die Kombination der Stärken verschiedener MFL-Technologien der Branche zugutekommen wird.
ROSEN ist weltweit führend in den Technologien MFL-A (axial) und MFL-C (umlaufend) für die Inline-Inspektion (ILI). Die unterschiedlichen Ausrichtungen des Magnetfelds in diesen Technologien bieten deutliche Vorteile bei der Erkennung von Anomalien, die entweder umlaufend oder axial ausgerichtet sind. Beide Technologien basieren jedoch auf einem unidirektionalen magnetischen Signal, was bei der Erkennung und genauen Messung komplexerer Metallverlust-Morphologien gewisse Einschränkungen mit sich bringt.
Da die Branche weniger konservative Integritätsbewertungen fordert, besteht ein zunehmender Bedarf, die Genauigkeit der ILI-Ergebnisse zu verbessern, um effektivere Programme zur Wartung und Reparatur von Pipelines zu unterstützen. Ein Ansatz, der klare Vorteile bietet, ist Data Fusion, bei dem Daten, die von verschiedenen MFL-Tools gesammelt wurden, zusammengeführt werden, um die Genauigkeit zu verbessern.
Die Notwendigkeit von MFL Data Fusion
Die Schwere der Zwischenfälle mit Pipelines in Kombination mit dem steigenden Durchsatz der Pipelines, den kommerziellen Anforderungen und der Notwendigkeit, die Lebensdauer der Pipelines zu verlängern, hat die Branche unter Druck gesetzt, die mit Korrosion verbundenen Risiken und Kosten weiter zu reduzieren. Die traditionell akzeptierten Unsicherheitsgrade bei ILI-Befunden reichen bei stark korrodierten Pipelines nicht mehr aus. Dies hat dazu geführt, dass Betreiber konservative Ansätze verfolgen, was oft zu hohen Kosten für Ausgrabungen führt, um die Sicherheit der Pipeline zu gewährleisten, die sich als unnötig erweisen, wenn die tatsächlichen Schadensausmaße bekannt sind. Die MFL-Data Fusion kann die Sicherheit erhöhen und den Bedarf an einem solchen Konservatismus verringern.
Es besteht auch ein wachsender Bedarf, die herkömmliche, arbeitsintensive Praxis der Kombination separater MFL-A- und MFL-C-Berichte durch eine innovative Lösung zu ersetzen. Die kombinierte Berichterstattung dieser unabhängig analysierten Datensätze soll zwar das Verständnis verbessern, der Prozess ist jedoch oft subjektiv und ineffizient, was zu Herausforderungen bei der Interpretation der Ergebnisse führt. Die Fusion von MFL-Daten bietet eine objektive Lösung, die eine höhere Genauigkeit und zusätzliche Vorteile bietet, wie z. B. 3D-Karten der Tiefe von Metallverlusten.
ExpertInnen für die Integrität von Pipelines wünschen sich schon lange, Daten aus verschiedenen ILI-Tools in einer einzigen, umfassenden Ausgabe zusammenzuführen, um die Stärken jeder Technologie zu maximieren und ihre Grenzen zu minimieren. Mit technologischen Fortschritten, einschließlich Convolutional Neural Networks (CNNs) und Algorithmenentwicklung, hat ROSEN dies für MFL-A und MFL-C ermöglicht.
Herausforderungen, die MFL Data Fusion angeht
- Vermeidung unnötiger Ausgrabungen: Unsichere ILI-Ergebnisse können dazu führen, dass unnötige Ausgrabungen von Mängeln durchgeführt werden, die keine Gefahr darstellen. Dadurch werden Zeit, Ressourcen und Aufmerksamkeit verschwendet, die besser auf echte Risiken verwendet werden könnten.
- Komplexe Anomalien erkennen: Herkömmliche MFL-Techniken haben oft Schwierigkeiten, komplexe Anomalie-Morphologien, wie z. B. Lochfraß innerhalb der allgemeinen Korrosion, zu erkennen und zu messen. Da viele Defekte durch Korrosion komplex sind, kann es schwierig sein, die tiefsten Stellen genau zu vermessen, wenn man sich auf ein einziges unidirektionales Magnetfeld verlässt.
- Unsicherheit beim Integritätsmanagement: Unsicherheiten bei den Defektabmessungen führen zu konservativen Integritätsentscheidungen, da die Betreiber vom schlimmsten Fall ausgehen müssen, was die Kosten in die Höhe treiben kann.
- Ineffiziente Planung der Pipeline-Inspektion: Ungenaue Annahmen bei der Planung der Inspektion können dazu führen, dass die falsche ILI-Technologie gewählt wird, wodurch einige kritische Mängel aufgrund der Einschränkungen der gewählten Methode unentdeckt bleiben. Ganz zu schweigen von einer höheren Inspektionshäufigkeit als nötig, aufgrund der Unsicherheit sowohl über den Zustand als auch über die Wachstumsraten.
Fusion von MFL-A- und MFL-C-Daten: Stärken bündeln
Die Kombination der Stärken axialer und zirkumferentieller Magnetfelder verbessert die Merkmalsbestimmung in allen POF-Anomalie-Dimensionsklassen. Die Data Fusion-Technologie von ROSEN kombiniert Signale von MFL-A- und MFL-C-Tools mithilfe eines Machine Learning Data Fusion-Modells in einer einzigen 3D-Tiefenkarte. Sobald die Datensätze korrekt ausgerichtet sind, kann das vorab trainierte Convolutional Neural Network (CNN) auf alle Anomalien in der Pipeline angewendet werden.
Dieser Ansatz erweitert die Analyse von einfachen „Amplitudenboxen“ für Anomalien in Bereichsraster und 3D-Profilanalysen, wodurch eine präzisere Identifizierung von Defektdimensionen und die Erstellung eines Flussbodenprofils (River Bottom Profile, RBP) ermöglicht wird.
Als Ergebnis können fusionierte Daten Berstdrücke basierend auf tatsächlichen Karten der Tiefe des Metallverlusts genau berechnen. Erweiterte Fehlerdruckbewertungen wie Psqr können dazu beitragen, den Konservatismus weiter zu reduzieren. Die hochauflösende 3D-Tiefenkarte ermöglicht die Bewertung jeder Anomalie der Korrosion an der Pipeline, ähnlich wie bei einem Laserscan im Graben.
Benefits von Data Fusion für die Industrie
- Verbesserte Größengenauigkeit: Data Fusion bietet eine bessere Definition und höhere Genauigkeit für jedes Merkmal, unabhängig von der Defektmorphologie, und erhöht so die Sicherheit. Zum Beispiel eine Genauigkeit der Tiefe von ±5 % über die POF-Dimensionsklassen hinweg.
- Erhöhte Sicherheit durch optimierte Grabungsprogramme: Durch die Verbesserung der Vorhersagegenauigkeit ermöglicht Data Fusion eine effizientere Zuweisung von Budgets für Grabungen und Reparaturen und trägt so zu einer erhöhten öffentlichen Sicherheit bei.
- Umfassende Bewertung von Merkmalen: Die Zusammenführung von Daten über eine gesamte Pipeline hinweg ermöglicht ein proaktiveres Asset-Management und optimiert Wartungspläne und die Ressourcenzuweisung.
- Detaillierte 3D-Kartierung von Anomalien: Data Fusion bewältigt effektiv die Herausforderungen, die sich bei MFL-Inspektionen durch komplexe Korrosionsoberflächen ergeben, und liefert Ergebnisse hinsichtlich der geometrischen Struktur und der Maßgenauigkeit, die mit Ultraschallprüfungen (UT) vergleichbar sind.
- Überwindung technologischer Grenzen: Data Fusion mildert die Grenzen der traditionellen MFL-Technology und ermöglicht eine erhebliche Steigerung der Leistungsfähigkeit und Sicherheit bei der Charakterisierung aller Fehlstellentypen von Metallverlusten.
Data Fusion Service von ROSEN
Der Data Fusion-Dienst „Performance Specifications“ bietet eine erhöhte Sicherheit und Genauigkeit für alle Metallverlustmerkmale, unabhängig von ihrer Morphologie. Die fusionierten ILI-Daten können in Form einer 3D-Tiefenkarte geliefert werden, die den Laserscandaten sehr ähnlich ist, jedoch für die gesamte Pipeline, mit der Möglichkeit, genaue Flussbodenprofile (RBP) und verschiedene Modelle der Versagensdruckbewertung (Effektive Fläche, Psqr) pro Anomalie oder Segment abzuleiten.
Die beiden für Data Fusion erforderlichen Datensätze (MFL-A und MFL-C) können mithilfe separater ILI-Tools in verschiedenen Durchläufen erfasst werden. Idealerweise sollte der zeitliche Abstand zwischen den Datenerfassungen kurz sein, um zu verhindern, dass Veränderungen der Morphologie der Korrosion den Fusionsprozess beeinflussen. In einigen Fällen können bei Pipelines mit größerem Durchmesser (über 20 Zoll) beide Datensätze in einem einzigen Durchlauf erfasst werden, wobei dies einer fallweisen Beurteilung der Betriebsbedingungen unterliegt. Für Data Fusion als solches sind keine besonderen Einstellungen der ILI-Tools oder Pipeline-Bedingungen erforderlich, und zuvor erfasste Daten, wie z. B. Laserscandaten, können zur Feinabstimmung von Algorithmen und zur Erstellung eines spezifischen Modells für die betreffende Pipeline verwendet werden.
Nächste Schritte
Der Data Fusion Service von ROSEN befindet sich derzeit in der Endphase der Entwicklung. Während das Kernkonzept, die Algorithmen und die Ergebnisse bereits validiert wurden, wird der vollständig kommerzielle Service Anfang 2025 in mehreren Pilotprojekten getestet. Das erste Servicemodell wird voraussichtlich in der zweiten Hälfte des Jahres 2025 verfügbar sein.