Exolum, compañía líder en logística de productos líquidos en Europa y una de las principales del mundo, está en constante evolución y prueba de ello es su proyecto Oleoducto 4.0. Su objetivo no es otro que mejorar el proceso de vigilancia y mantenimiento de la red de transporte integrando el uso de diversas tecnologías para automatizar la tarea.

Navantia

La vigilancia efectiva y el mantenimiento de una infraestructura lineal de gran extensión requiere de un gran equipo humano y técnico que asegure su correcto funcionamiento y estado. Digitalizar los procesos e integrar el uso de las nuevas tecnologías forma parte de esa “Industria 4.0” hacia la que debemos orientarnos si queremos gestionar de forma eficiente infraestructuras de grandes dimensiones como son las que posee Exolum.

El proyecto Oleoducto 4.0 es un claro ejemplo de uno de los valores que forman parte del ADN de Exolum: la innovación. Gracias a la combinación de un know-how casi centenario y de las últimas tecnologías, es posible evolucionar los procesos internos, mejorando los resultados y permitiéndonos desarrollar nuestra actividad de manera más eficiente. Apoyándonos en el paradigma cultural Agile y centrados en la entrega de valor continuo; promovemos un entorno de trabajo inclusivo y responsable, comprometido con la sociedad.

Mas allá de replantear la forma de vigilar la red de transporte con una reformulación del origen de la información; el proyecto pretendía integrar el uso de la tecnología de computación en la nube, Inteligencia Artificial y Machine Learning para automatizar la tarea de detección de las anomalías que se producen en la red de transporte de Exolum, buscando reducir los tiempos para operar la red de forma más segura.

El objetivo del proyecto de monitorización avanzada del oleoducto mediante imagen satelital era generar un producto mínimo viable (PMV) para cubrir 2 puntos fundamentales:

1. Aplicar las últimas tecnologías a las tareas periódicas de mantenimiento y vigilancia que desarrolla Exolum en la red de transporte nacional.

  • Aplicación de la tecnología de imagen satelital a la vigilancia periódica de la red de transporte.
  • Explorar el uso de tecnologías como la Inteligencia Artificial en la detección de anomalías externas.
  • Integrarse como un medio adicional en los mecanismos de vigilancia.

2.Generar un repositorio unificado con los datos de anomalías de forma que, aplicando técnicas de Business Analytics, sea posible mejorar en la gestión de la red.

¿Cuáles son las ventajas de las imágenes por satélite frente a otras tecnologías?

  • Permiten llegar a la totalidad de la red de transporte nacional.
  • Las imágenes se actualizan periódicamente.
  • No son necesarios permisos especiales para la obtención de las imágenes, como es el caso de los drones.
  • La información obtenida está georreferenciada y responde a la tipología de ortofoto.

Dada la naturaleza del proyecto, el desarrollo se encuentra en los algoritmos utilizados para la identificación de las anomalías:

1. ALGORITMO DE OBTENCIÓN DE IMÁGENES

De forma automática se comprueba la existencia de nuevas fotografías del área de interés mediante las coordenadas geográficas y fechas de consulta. En caso de que existan nuevas imágenes, se procede a la descarga automatizada.

2. ALGORITMO DE ENTRENAMIENTO DEL MODELO DE DETECCIÓN DE ANOMALÍAS

A partir de los datos iniciales, se establecieron los periodos en los que se tenía la certeza de que no existían anomalías sobre la traza del oleoducto. Dado que el algoritmo clasifica entre una situación “normal” y “anomalía” es necesario establecer un criterio sobre qué es lo normal.

Partiendo de imágenes en las que se tenía la certeza de que no existían anomalías se construyó el conjunto Train, que define cual era la situación ideal de un oleoducto. Con este conjunto se construye el primer clasificador, que almacena toda la información referente a la situación ideal de la traza del oleoducto y sus alrededores.

Este mismo algoritmo puede emplearse para generar nuevas versiones del clasificador; aprovechando el feedback de la comprobación de los resultados en campo, es posible evolucionar el algoritmo de testing ajustándolo para eliminar falsos positivos y mejorando la precisión en la detección de eventos anómalos.

3. ALGORITMO TESTING DE NUEVAS IMÁGENES

Las imágenes de satélite contienen mucha superficie que no está relacionada con el área de interés. De forma que para aligerar los cálculos se establece una zona que comprende el oleoducto y sus alrededores; el resto de las zonas se eliminan ya que no aportan. El área de interés es un parámetro modificable, por lo que es posible establecer áreas de interés diferentes en base al tramo que se desea observar.

Otra de las particularidades que se ha establecido de cara a la explotación del algoritmo es el nivel de irregularidad. Al analizar una imagen, si se detecta un punto anómalo se evalúa en qué grado se desvía de la idealidad. Este análisis de irregularidad es necesario para evitar muchos falsos positivos, especialmente en los primeros usos en cada tramo. Por ello, se considerará incidencia toda aquella coordenada que sobrepase el 70% de tolerancia respecto a la irregularidad, quedando registradas con sus datos de fecha y localización geográfica en el Azure DataLake.

Finalmente, toda la información almacenada en Azure DataLake es accesible gracias a un DataFlow para su uso en un cuadro de mandos de Microsoft PowerBI. Este cuadro permite navegar de forma rápida por los resultados que se han ido obteniendo, recogiendo el feedback de las comprobaciones en campo y estableciendo algunos KPIs que resumen el estado del tramo de la red. Durante el primer cuatrimestre del año 2.021 se ha llevado a cabo una prueba piloto en un tramo real para evaluar la nueva herramienta frente al sistema tradicional que permita definir los siguientes pasos a trazar en el camino de la digitalización.