Propuesta de un Modelo de Estimación de Velocidad de Corrosión Externa para Tuberías Enterradas en Suelos Arcillosos

• José Faría González Centro de Estudios de Corrosión, Facultad de Ingeniería, Universidad del Zulia, Estado Zulia, Maracaibo 4001, Venezuela
• Lisseth Ocando Centro de Estudios de Corrosión, Facultad de Ingeniería, Universidad del Zulia, Estado Zulia, Maracaibo 4001, Venezuela https://orcid.org/0009-0002-7452-2605

DOI: https://doi.org/10.22209/rt.v46a16

Palabras clave: árbol de clasificación, corrosión externa, modelos de predicción, redes neuronales, tuberías

Resumen

Diversos estudios evidencian la necesidad en la industria petrolera venezolana de implementar alternativas viables en el ámbito de mantenimiento de la integridad de tuberías. Este trabajo tuvo como objetivo proponer un modelo de predicción de la velocidad de corrosión externa, para tuberías de transporte de crudo enterradas en un campo de producción, ubicado en el occidente del estado Zulia, Venezuela, con suelos predominantemente arcillosos. Luego de la recopilación, revisión y clasificación de los datos de campo sobre parámetros del suelo y operacionales, se realizó una definición de variables de entrada y salida, utilizados para generar dos modelos; uno de regresión y otro de clasificación. Para el modelo por redes neuronales, se obtuvo un bajo ajuste de regresión (R²) de 6,62 % y un RMSE (root-mean-square error) de 2,13; indicadores de una baja eficiencia, debido a las restricciones de los datos suministrados y tamaño de muestra. Por otro lado, para el modelo por clasificación de árbol de decisión, se alcanzó una exactitud de 98,14 %, agrupando los datos de velocidad de corrosión en rangos o renglones de severidad. Este modelo de árbol de clasificación servirá como punto de partida para posteriores investigaciones que deseen profundizar en el área.

Citas

Agencia Nacional de Hidrocarburos. (2018). Estadísticas de Venezuela [en línea] disponible en: http://www.anh.gob.ve/estadisticas/index.php/estadisticas-venezuela [consulta: 7 julio 2023].
API 1160. (2019). Managing system integrity for hazardous liquid pipelines. Washington: American Petroleum Institute (API).
ASME B31.8S. (2020). Managing system integrity of gas pipelines. New York: The American Society of Mechanical Engineer (ASME).
Calderón, J. A., Delgado, J., Peñaranda, S. A. (2005). Análisis estadístico de los factores que intervienen en la corrosión de tuberías enterradas. Revista de la Facultad de Ingeniería Universidad de Antioquia, 34, 23-34.
De Arriba, L., Rodríguez, V., Villanueva, J., Ortega, F. (2020). Design of predictive models to estimate corrosion in buried steel structures. Sustainability, 12(23), 9879.
Ezuber, H., Alshater, A., Hossain, Z., El-Basir, A. (2020). Impact of soil characteristics and moisture content on the corrosion of underground steel pipelines. Arabian Journal for Science and Engineering, 46, 6177-6188.
Kiani-Khouzani, M., Bahrami, A., Hosseini-Abari, A., Khandouzi, M., Taheri, P. (2019). Microbiologically influenced corrosion of a pipeline in a petrochemical plant. Metals, 9(4), 459.
Kim, C., Chen, L., Wang, H., Castaneda, H. (2021). Global and local parameters for characterizing and modeling external corrosion in underground coated steel pipelines: a review of critical factors. Journal of Pipeline Science and Engineering, 1(1), 17-35.
Li, Y., He, X., Shuai, J. (2022). Risk analysis and maintenance decision making of natural gas pipelines with external corrosion based on Bayesian network. Petroleum Science, 19, 1250-1261.
Seghier, M. E. A. B., Keshtegar, B., Taleb-Berrouane, M., Abbassi, R., Nguyen-Thoi, T. (2021). Advanced intelligence frameworks for predicting maximum pitting corrosion depth in oil and gas pipelines. Process Safety and Environmental Protection, 147, 818-833.
Song, Y., Wang, Q., Zhang, X., Dong, L., Bai, S., Zeng, D., Zhang, Z., Zhang, H., Xi, Y. (2023). Interpretable machine learning for maximum corrosion depth and influence factor analysis. NPJ Mater Degradation, 7(1), 9.
UNIR. (2021). Árboles de decisión: en qué consisten y aplicación en Big Data [en línea] disponible en: https://www.unir.net/ingenieria/revista/arboles-de-decision [consulta: 7 julio 2023].
Xu, M., Liang, H., Liu, Y., Asselin, E. (2021). Predicting the external corrosion rate of X60 pipeline steel: a mathematical model. Metals, 1(4), 583.
Zakikhani, K., Nasiri, F., Zayed, T. (2021). A failure prediction model for corrosion in gas transmission pipelines. Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability, 235(3), 374-390.