Aplicación de machine learning para evaluar la susceptibilidad al agrietamiento en ductos de transporte de hidrocarburos
Cargando...
Archivos
Fecha
Autores
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
El transporte de hidrocarburos mediante ductos requiere un monitoreo constante debido a amenazas como el agrietamiento, el cual puede causar fallas graves si no se detecta a tiempo o si no se evalúa de manera rigurosa. Aunque las inspecciones en línea (ILI) permiten identificar estas anomalías, su alto costo y complejidad operativa limitan su frecuencia y alcance. Bajo este contexto, la implementación de machine learning ofrece una alternativa innovadora para predecir la susceptibilidad al agrietamiento en distintos tramos del ducto, optimizando recursos, priorizando el mantenimiento y mejorando la gestión de la integridad operativa.
Descripción
Abstract
The transportation of hydrocarbons through pipelines requires constant monitoring due to threats such as cracking, which can lead to serious failures if not detected in time or rigorously assessed. Although in-line inspections (ILI) allow for the identification of such anomalies, their high cost and operational complexity limit their frequency and scope. In this context, the implementation of machine learning offers an innovative alternative to predict crack susceptibility in different sections of the pipeline, optimizing resources, prioritizing maintenance, and improving the management of operational integrity.
Palabras clave
Transporte de hidrocarburos, Integridad de ductos, Agrietamiento, Inspección en línea (ILI), Análisis de integridad, Evaluación de riesgo, Susceptibilidad al agrietamiento, Machine learning, Modelos predictivos, Mantenimiento predictivo, Optimización de recursos, Análisis de datos históricos, Gestión de activos, Ductos de acero, Seguridad operacional
Keywords
Hydrocarbon transportation, Pipeline integrity, Cracking, In-line inspection (ILI), Integrity assessment, Risk evaluation, Crack susceptibility, Machine learning, Predictive models, Predictive maintenance, Resource optimization, Historical data analysis, Asset management, Steel pipelines, Operational safety