Análisis de anomalías por corrosión y tipo grieta en ductos de transporte de hidrocarburos

Abstract

Este estudio presenta una metodología integral para la evaluación de la integridad estructural 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 de reducción de dimensionalidad mediante Análisis de Componentes Principales (PCA), lo que permitió seleccionar variables significativas relacionadas con geometría, localización espacial y temporal del daño. Los modelos predictivos para corrosión alcanzaron un coeficiente 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 y tasa de deterioro, considerando variables geométricas y geográficas. Los hallazgos obtenidos permiten optimizar la asignación de recursos de mantenimiento, reducir la incertidumbre en la gestión de riesgos y fortalecer la confiabilidad operativa. Esta metodología representa una herramienta robusta y escalable para la toma de decisiones proactivas en programas de integridad de ductos.