En el MFL convencional, solo se mide el componente principal del campo

magnético (axial) y se ha demostrado que es robusto durante décadas.

Sin embargo, los campos magnéticos son vectores que consisten en 3
componentes de campo. En la detección "Triax", capturamos los tres
componentes de campo que ofrecen una mayor resolución, información y,
en última instancia, confianza en la interpretación de la función [CITATION Fen
\p 2 \l 9226 ].

Como se ilustra en la Figura 2, los tres componentes se conocen como

"Axial", "Radial" y "Transversal" para que coincidan con las coordenadas
cilíndricas naturales de la tubería. El campo axial es comúnmente
medido por todas las herramientas MFL y es representativo del volumen
del defecto y la interrupción del campo magnético a través de la pared
de la tubería. Los campos "radial" y "transversal" se producen de
manera similar cuando hay un defecto y tienden a caracterizar el perfil
de la característica [ CITATION Fen \l 9226 ].

La inspección en línea MFL de alta resolución de tres ejes utiliza los

sensores de tres direcciones dentro del sensor existente para detectar el
tamaño del campo magnético en tres direcciones. Por lo tanto, podría
medir los datos MFL axiales, circunferenciales y radiales para determinar
el vector de campo de fuga magnético tridimensional, con el fin de
mejorar la precisión de inspección de defectos

Figura 1. Señales de tres ejes del defecto típico de pérdida de metal.

Métodos de dimensionamiento de defectos
En la actualidad, se han realizado muchos trabajos de investigación en el
campo del análisis de señales y el análisis cuantitativo de MFL de alta
resolución de tres ejes. Los principales métodos de análisis incluyen análisis de
elementos finitos, redes neuronales, etc.

(1)Análisis de elementos finitos

En el dimensionamiento de defectos de la inspección MFL, el modelado ANSYS

del análisis de elementos finitos se emplea para estudiar la relación entre los
parámetros geométricos y las señales MFL para defectos de tubería. Ding
Zhanwu y col. señaló que, para los defectos de la misma longitud, la
profundidad del defecto y la amplitud de la señal MFL son aproximadamente
lineales. Para los defectos de la misma profundidad, existe básicamente una
relación lineal entre la longitud del defecto y el ancho de la señal MFL.
Mediante la combinación de un modelo de simulación de elementos finitos con
un algoritmo genético, KC Hari et al. reestructurado la forma de un defecto de
tubería. Reza Khalaj Amineh y col. introdujo el componente tangente de una
señal MFL para describir la dirección, longitud y profundidad de los defectos de
grietas en la superficie Yang Lijian y col. construyó un modelo de simulación
de inspección en línea de tres ejes MFL para tubería, estableció las relaciones
de los componentes axiales, radiales y circunferenciales del campo de fuga
magnética con el tamaño del defecto de la tubería, y finalmente desarrolló el
equipo de inspección en línea MFL de tubería con éxito a través de esfuerzos
continuos. Además, los académicos nacionales y extranjeros estudiaron el
efecto de la velocidad en el proceso de inspección de MFL a través de la
simulación de elementos finitos, y presentaron el método de compensación del
efecto de la velocidad.

(2)Red neuronal

La aplicación de una red neuronal para abordar la relación funcional entre los
parámetros geométricos y las señales MFL de un defecto se ha convertido en
un tema candente de investigación, y ha hecho un gran progreso. Shen-Tun Li
presentó el método de reconocimiento de patrones de defectos para pruebas
no destructivas basadas en la teoría de subconjuntos difusos, y aplicó la red
neuronal de función de base radial en el cálculo de interpolación y
aproximación no lineal de un campo de fuga magnética. Además, creó un
modelo de red de función de base radial (RBF) y propuso el algoritmo de
aprendizaje, a fin de proporcionar un método factible para el
dimensionamiento de defectos de tubería. R. Christen y col. propuso el
algoritmo práctico basado en la extracción de características del modelo y la
red neuronal para la detección automática de defectos en la inspección MFL
[ 36] Hwang Kyungtae [ 37 ], Ameet Joshi y col. [ 38 ], y Pradeep Ramuhalli et
al. [ 39 ] recomendó aplicar la red neuronal wavelet para simular las relaciones
entre los parámetros geométricos y las señales MFL de un defecto, y presentar
el algoritmo de inversión basado en la red neuronal de la función de base
adaptativa wavelet, que podría reestructurar en gran medida el contorno del
defecto cuando Es cualquier ruido.

Con respecto a los estudios nacionales sobre la red neuronal de un defecto de

la tubería, Wang Taiyong et al. [ 40 , 41 ] empleó el método de análisis
espectral de entropía para caracterizar las señales MFL, presentó la tecnología
de identificación y dimensionamiento de defectos de tubería basada en la red
neuronal de la función de base radial, y también estudió la técnica de
dimensionamiento para la inspección MFL del transporte de petróleo y gas
defectos de la tubería. Jin Shijiu y col. [ 42 , 43 ] aplicaron la red neuronal de
base radial y la red neuronal wavelet para predecir las relaciones no lineales
entre las señales MFL y los parámetros geométricos de un defecto. Yang Lijian
y col. [ 44 , 45] utilizó el método de análisis de elementos finitos para estudiar
las relaciones entre las señales MFL y los parámetros de defectos, e introdujo
el método de dimensionamiento e identificación de defectos de tubería basado
en la red neuronal y la fusión de datos.
Figura 2. Señales de tres ejes del defecto típico de pérdida de metal.
 Tomado de:

Las especificaciones de rendimiento deben definir, mediante el uso de métodos

válidos estadísticamente, la capacidad del sistema ILI cuando se ejecuta en
una tubería específica para detectar, localizar, identificar y dimensionar
anomalías, componentes y características de la tubería. Un sistema ILI puede
ser capaz de abordar más de un tipo de anomalía o característica durante una
ejecución de inspección. Si es así, la especificación de rendimiento deberá
abordar cada tipo de anomalía o característica.
La detección simplemente indica que la característica es vista por el sistema
ILI.
Si una característica aparece en la lista de informes de características depende
de la identificación y el tamaño correctos aplicados al umbral de informes.
La especificación de rendimiento definirá las capacidades del sistema ILI para
detectar, ubicar, identificar, dimensionar anomalías y caracterizar en términos
de los siguientes parámetros:
a) Tipo de anomalía o característica cubierta por la especificación de
rendimiento,
b) Umbrales de detección y probabilidades de detección (POD),
c) Probabilidades de identificación adecuada
d) Precisión de dimensionamiento o caracterización,
e) Precisión de medición lineal (distancia) y orientación, y
f) Limitaciones.
Este estándar reconoce que las capacidades enumeradas anteriormente están
relacionadas entre sí. Para proporcionar uniformidad y requisitos mínimos, esta
norma requiere que se proporcionen valores o valores individuales para cada
parámetro y requiere que todas las interacciones significativas se definan y
aborden.
La especificación de rendimiento indicará cómo el sistema medirá la distancia
y cómo se utilizarán / requerirán los puntos de referencia.
La especificación de rendimiento debe indicar las limitaciones geométricas del
sistema en términos de capacidades de paso a través de tuberías rectas,
curvas y accesorios.
En el Anexo A se proporciona un formato de ejemplo para una especificación
de rendimiento. Este anexo se basa en gran medida en un formato similar
desarrollado por el Pipeline Operators Forum.
Anomalías, componentes, características y características aplicables
La especificación de rendimiento debe indicar claramente el tipo o tipos de
anomalías, componentes y características que deben ser detectados,
identificados y dimensionados por el sistema ILI en la línea a inspeccionar.
Tenga en cuenta que los tipos de características múltiples pueden ser
espacialmente coincidentes, de modo que interactúan para influir en la
capacidad de detección, precisión o gravedad de la anomalía en lugar de ser
evaluada de forma independiente. Se prestará especial atención.
Los tipos de anomalías pueden incluir, entre otros, los siguientes.
a) Pérdida de metal.
1) Corrosión (externa e interna).
La caracterización adicional generalmente se basa en los criterios de longitud,
ancho y profundidad (generalmente en relación con el grosor de la pared) que
se relacionan con las capacidades de detección y dimensionamiento. La Figura
3 es una representación gráfica de las clases dimensionales típicamente
asociadas con indicaciones de pérdida de metal. El parámetro A se usa para la
clasificación geométrica de las anomalías detectadas por una herramienta.
Este parámetro es necesario para tuberías con t <10 mm. El parámetro
geométrico A está vinculado al grosor de la pared de la tubería de la siguiente
manera:
Sit< 10 mm entonces A=10 mm
Sit ≥ 10 mm entonces A=t
2) Abolladuras / daños mecánicos.
3) Mill anomaly (typically qualified with “possible”)

b) Anomalías de agrietamiento.

a. Agrietamiento aislado
b. Agrietamiento en colonias
c. Entalla
d. Agrietamiento en costuras de soldadura
e. Agrietamiento en soldadura circunferencial.
Figura 3. Clases dimensionales para indicaciones de pérdida de metal
 c) Deformación
a. Abolladuras
b. Ovalidad (ovality)
c. Arrugas u "ondas" wrinkles or “ripples,”
d. Pandeo buckling
e. Expansión expansión
d) Metalúrgicas
a. Trabajo en frio
b. Puntos duros
c. Anomalías de fabricación (como laminaciones, babosas, costras y
astillas). laminations, slugs, scabs, and slivers).
e) Los componentes u otras características pueden incluir, entre otros:
a. Válvulas, tes, accesorios y encamisados
b. Otros accesorios, taps, camisas metálicas
c. Circunferencia, soldaduras de costura u otras conexiones finales
(acoplamientos, conexión de campana / espiga, anillos de
enfriamiento).

Las características pueden incluir, entre otras:

a) Posición geográfica de la línea central (o superior) de la tubería;
b) Cambios de espesor de pared y diámetro;
c) deformación;
d) Características de la tubería, como el proceso de fabricación (por
ejemplo, soldadura de arco sumergido doble sin costura);
e) Ubicaciones de componentes o anomalías.
La lista proporcionada aquí no está diseñada para ser exhaustiva dado que los
operadores y proveedores individuales pueden ampliar y adaptar esta
estrategia de mecanografía para aprovechar las fortalezas de la tecnología,
mitigar su debilidad y alinearse con las creencias de riesgo de la industria y los
operadores. Las especificaciones y requisitos del Foro de Operadores de
Tuberías para la Inspección Inteligente de Tuberías en Cerdos es una fuente de
documentación adicional sobre los esfuerzos de la industria para estandarizar y
aclarar estos tipos.

Umbrales de detección y probabilidades de detección

La especificación de rendimiento debe indicar claramente uno o más umbrales

de detección y POD que se derivan estadísticamente para cada tipo de
anomalía o característica cubierta por la especificación. Los umbrales de
detección en función del tipo de anomalía deben incluir lo siguiente, cuando
corresponda.
a) Pérdida de metal.
 1) Corrosión (externa e interna): profundidad, longitud, ancho y orientación
mínimos.
2) Gouge: profundidad mínima, longitud, ancho, geometría y orientación. b)
Anomalías de grietas (cuerpo de tubería o soldadura). Profundidad
mínima, longitud, ancho (apertura), orientación y proximidad a otras
grietas, anomalías o componentes de la tubería.
b) Deformación.
1) Abolladuras: profundidad mínima, o reducción en la sección transversal,
o reducción en diámetro y orientación.
2) Ovalidad de la tubería: ovalidad mínima.
3) Wrinkles or “ripples”: altura mínima, espacio y orientación.
4) Buckles: profundidad mínima o reducción en la sección transversal o
diámetro y orientación.
5) Expansión.
6) Ampollas o laminaciones de la pared media: reducción en la sección
transversal, o reducción en el diámetro y la orientación.
c) Metalúrgica.
1) Trabajo en frío: presencia y severidad.
2) Puntos duros: diámetro mínimo del punto duro y diferencia de dureza
entre el punto duro y el material base

Las características están alineadas con el ángulo de soldadura en espiral y sus

señales se observan como amplitudes de señal fuertes y débiles. Y
notablemente, una característica similar al crack puede ser larga y
significativamente profunda, pero puede también generar una señal de
amplitud grande o pequeña, por lo que se requirió una predicción de
clasificación segura para permitir una evaluación adicional

Inicialmente, se consideraba que distinguir características similares a grietas

del metal perdido no era una relación directa o incluso posible. En esfuerzos
posteriores, se creó un esquema de clasificación para características de metal
en forma de grietas en espiral frente a las que faltan utilizando técnicas
avanzadas de procesamiento de imágenes. La técnica de procesamiento de
imágenes generó y comparó la distribución espacial de una amplitud de señal
filtrada y procesada contra el conjunto de datos original como se muestra en la
Figura 11.