Expert systems for pipeline integrity monitoring

The aim of this study is the design and the analysis of integrity monitoring procedures of pipelines transporting hydrocarbons, with the use of Machine Learning techniques applied to vibroacoustic measurements detected along the line. The key points are the definition of a set of smart indicators significant for describing the status of the transportation system starting from vibroacoustic data, and the analysis of these indicators on the medium-long period (months, years). The procedures are developed and evaluated starting from the data collected by an onshore pipeline system provided with six pressure sensors, three in the starting station and the orthers in the arrival station. The fluid transported is an emulsion of petrol and water in comparable quantity. The analysis brought to the identificaton of different functioning trends that, integrated with further information as historical events, can help labelling the different behaviors, providing a proactive, reactive and reliable reporting system.

Lo scopo di questo lavoro di tesi è la progettazione e l’analisi di procedure di monitoraggio dell’integrità di condotte per il trasporto di idrocarburi, con l’utilizzo di tecniche di Machine Learning applicate a dati vibroacustici raccolti lungo la linea. I punti chiave sono la definizione di un insieme di indicatori significativi dello stato del sistema di trasporto, derivati dai dati vibroacustici, e l’analisi di questi indicatori sul medio-lungo periodo (mesi, anni). Le procedure sono sviluppate e valutate a partire dai dati raccolti su di una condotta onshore fornita di sei sensori di pressione, tre nella stazione di partenza e i restanti nella stazione di arrivo. Il fluido trasportato è una emulsione di petrolio ed acqua in percentuali paragonabili. L’analisi ha portato all’identificazione di diversi trend di funzionamento che, integrati con ulteriori informazioni (quali dati storici opportunamente registrati), possono sfociare nell’etichettatura dei vari comportamenti, fornendo così un sistema di segnalazione proattivo, reattivo e affidabile.