⚡ ingeniería eléctrica

Integrity Assessment of Buried Pipelines under Surcharge Loading Based on a GA-BP Neural Network

Este estudio desarrolla un modelo de red neuronal GA-BP, validado mediante una simulación de elementos finitos en 3D, para evaluar rápidamente la integridad de gasoductos enterrados bajo carga de sobrecarga y logró identificar un riesgo potencial de falla en un gasoducto en servicio dentro del Bloque Penglai Dengying.

Autores originales: Lin Chen, Yabo Lü, Liyuan Guo, Jiaqiang Ou, Wu Liu, Hongtao Xiao

Publicado 2026-10-21

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Lin Chen, Yabo Lü, Liyuan Guo, Jiaqiang Ou, Wu Liu, Hongtao Xiao

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Bajo la bulliciosa superficie de las ciudades modernas y las tranquilas extensiones de los paisajes rurales, una vasta red de arterias de acero transporta el gas natural que calienta hogares y alimenta industrias. Estas tuberías están enterradas lo suficientemente profundo como para evitar daños accidentales, pero no son inmunes al peso del mundo que hay sobre ellas. Cuando las cuadrillas de construcción cavan zanjas o estacionan maquinaria pesada cerca de estas líneas, crean una presión temporal pero intensa conocida como carga de sobrecarga. Este peso adicional presiona hacia abajo sobre el suelo, el cual, a su vez, aprieta la tubería. Si la presión se vuelve demasiado grande, el metal puede estirarse más allá de sus límites, provocando fugas o fallas catastróficas. Para los ingenieros, el desafío ha sido durante mucho tiempo predecir exactamente cuánto peso puede soportar una tubería específica antes de romperse, una tarea que usualmente requiere simulaciones computacionales complejas y laboriosas que son difíciles de ejecutar rápidamente en el campo.

Un equipo de investigadores de la Compañía PetroChina Southwest Oil & Gasfield y la Universidad de Petróleo del Suroeste ha desarrollado una nueva forma de resolver este problema, combinando el modelado computacional avanzado con un tipo de inteligencia artificial para crear una verificación de seguridad rápida. Comenzaron construyendo una réplica digital detallada de una tubería de gas natural enterrada y el suelo que la rodea. Usando un software potente, simularon cómo interactúan el suelo y la tubería cuando se colocan cargas pesadas en la superficie superior. El modelo tuvo en cuenta el hecho de que el suelo no es un bloque rígido, sino un material que se desplaza y se deforma, presionando contra el acero de formas complejas. Al probar miles de variaciones en su computadora, descubrieron que el estrés en la tubería no es uniforme; se concentra fuertemente en la parte inferior de la tubería directamente debajo de la carga pesada, creando una zona de peligro específica que cambia dependiendo de qué tan profunda esté enterrada la tubería y de cuánta presión ejerce el gas en su interior.

Para convertir estos complejos hallazgos en una herramienta que los ingenieros pudieran usar instantáneamente, los investigadores entrenaron un programa informático especializado para reconocer patrones en los datos. En lugar de ejecutar una simulación completa y lenta cada vez que aparecía un nuevo sitio de construcción, le enseñaron a este programa a observar solo unos pocos detalles clave —el tamaño de la tubería, qué tan profunda está enterrada, la presión del gas en su interior y el peso de la carga superior— y luego predecir el estrés máximo que la tubería experimentaría. El programa aprendió de cien ejemplos cuidadosamente generados, refinando su capacidad para adivinar el resultado con alta precisión. El resultado fue un sistema que podía predecir los niveles de estrés con un grado de certeza que coincidía estrechamente con los modelos computacionales lentos y detallados, pero en una fracción del tiempo.

El equipo puso entonces este nuevo método a prueba en tres tuberías reales y activas en el Bloque Penglai Dengying. Alimentaron el modelo de predicción con las condiciones específicas de cada sitio para ver si las tuberías eran seguras bajo posibles cargas de construcción. Dos de las tuberías mostraron niveles de estrés dentro de los límites seguros, lo que significa que podrían soportar la presión esperada de la construcción cercana. Sin embargo, la tercera tubería contó una historia diferente. El modelo predijo que, bajo ciertas condiciones, específicamente cuando la presión interna del gas era alta y se colocaba una carga pesada directamente encima, el estrés en la tubería alcanzaría los 219.11 megapascales. Este número excedía el límite de seguridad de 216 megapascales para esa tubería específica, indicando un riesgo real de falla. El análisis reveló que este peligro se debía principalmente a que la tubería estaba enterrada a solo un metro de profundidad, lo que dejaba muy poco suelo para amortiguar el impacto de la carga pesada.

Este descubrimiento resalta una vulnerabilidad crítica en la seguridad de las tuberías: la profundidad de enterramiento es tan importante como la resistencia del acero. Para la tercera tubería, los investigadores concluyeron que las cuadrillas de construcción deben limitar estrictamente el peso de cualquier equipo o pila de tierra colocada cerca, y se deben instalar medidas de refuerzo adicionales para proteger la línea. El estudio demuestra que, al combinar simulaciones físicas detalladas con herramientas de predicción inteligentes, los ingenieros pueden pasar de suponer riesgos a conocerlos con precisión. Este enfoque permite la evaluación rápida de la integridad de las tuberías, asegurando que la energía que fluye bajo nuestros pies permanezca segura incluso mientras el mundo arriba continúa construyendo y cambiando.

Resumen Técnico: Evaluación de la Integridad de Tuberías Enterradas bajo Carga de Sobrecarga Basada en una Red Neuronal GA-BP

Planteamiento del Problema
La rápida expansión de las redes de gasoductos, impulsada por la urbanización global y la demanda de energía, ha aumentado la frecuencia de tuberías sometidas a cargas de sobrecarga de construcción. Estas cargas, derivadas de acopios temporales de suelo y la operación de maquinaria pesada cerca de tuberías enterradas, se han convertido en una causa significativa de fugas y fallos en las tuberías. Aunque se han utilizado modelos teóricos y el análisis de elementos finitos (FEA) para estudiar las interacciones entre la tubería y el suelo, los métodos existentes suelen depender de supuestos simplificados respecto a las condiciones de carga y la mecánica de contacto, o son computacionalmente demasiado intensivos para evaluaciones rápidas de integridad en sitios de construcción. En consecuencia, existe la necesidad de un método que caracterice con precisión la respuesta mecánica de las tuberías bajo carga de sobrecarga, permitiendo al mismo tiempo una identificación rápida de riesgos.

Metodología
El estudio emplea un enfoque híbrido que combina la simulación numérica de alta fidelidad con el aprendizaje automático:

Modelado de Elementos Finitos (FEM): Se desarrolló un modelo en 3D en ABAQUS para simular una tubería de gas natural enterrada (acero L360) interactuando con el suelo circundante.
- Modelos Constitutivos: El material de la tubería se modeló utilizando el modelo de Ramberg–Osgood para capturar el comportamiento plástico no lineal, mientras que el suelo se modeló utilizando el criterio de fluencia elastoplástico de Drucker–Prager.
- Interacción Tubería-Suelo: El contacto no lineal se simuló mediante contacto superficie a superficie con una formulación de contacto "duro" en la dirección normal y una formulación de penalización con un coeficiente de fricción de 0.3 en la dirección tangencial.
- Validación: El modelo se validó mediante un análisis de independencia de malla (seleccionando 824,600 elementos) y la comparación con datos experimentales de la literatura, obteniendo un error medio del 6.32%.
- Análisis Mecánico: El modelo analizó las distribuciones de esfuerzo bajo diversas condiciones, revelando que el esfuerzo de von Mises máximo ocurre típicamente en la parte inferior de la tubería dentro de la región afectada por la sobrecarga.
Predicción por Aprendizaje Automático (GA-BP): Para superar el costo computacional de las ejecuciones repetidas de FEA, se desarrolló una red neuronal de Algoritmo Genético-Backpropagation (GA-BP).
- Generación de Datos: Se generaron 100 muestras de simulación utilizando el muestreo de hipercubo latino, variando cinco parámetros de entrada: diámetro de la tubería, posición de la sobrecarga, presión interna, profundidad de enterramiento y presión de sobrecarga.
- Arquitectura del Modelo: Se utilizó el GA para optimizar los pesos y umbrales iniciales de la red neuronal BP para evitar óptimos locales. La arquitectura final utilizó una sola capa oculta con siete neuronas.
- Entrenamiento: El 80% de los datos se utilizó para el entrenamiento y el 20% para las pruebas. El rendimiento del modelo se evaluó frente a Máquinas de Vectores de Soporte (SVM) y otros algoritmos.
Marco de Evaluación de Integridad: El modelo de predicción se integró con los criterios de diseño de resistencia de la norma GB 50251-2015 (Código para el Diseño de Ingeniería de Tuberías de Transmisión de Gas). Se estableció un criterio de falla basado en la teoría de fluencia de von Mises para determinar si el esfuerzo máximo predicho excedía el esfuerzo permisible ( $\sigma_{Allow}$ ).

Contribuciones Clave

Modelo Acoplado No Lineal: Establecimiento de un modelo de elementos finitos en 3D que incorpora contacto no lineal tubería-suelo y comportamiento elastoplástico del suelo para caracterizar la distribución del esfuerzo de von Mises bajo carga de sobrecarga.
Modelo de Predicción Híbrido: Desarrollo de una red neuronal GA-BP entrenada con datos de simulación para predecir de forma rápida y precisa el esfuerzo máximo de la tubería, logrando un coeficiente de determinación ( $R^2$ ) de 0.9691.
Marco de Evaluación de Ingeniería: Creación de un procedimiento práctico de evaluación de integridad que integra el modelo de predicción con factores de diseño regulatorios, permitiendo la generación de mapas de contorno de esfuerzo en 3D para una evaluación rápida del riesgo.

Resultados

Distribución de Esfuerzo: Los resultados de FEA indicaron variaciones pronunciadas de esfuerzo dentro de la región de carga de sobrecarga (17.5–3 de 32.5 m). La distribución de esfuerzo exhibió un patrón de doble pico simétrico en la parte inferior y la corona de la tubería, siendo el esfuerzo máximo consistentemente mayor en la parte inferior de la tubería.
Desempeño del Modelo: El modelo GA-BP demostró una precisión predictiva superior en comparación con el modelo SVM, con un Error Cuadrático Medio (RMSE) de 10.5775 y un $R^2$ de 0.9691. El valor de aptitud (fitness) convergió aproximadamente a 0.035 después de 42 generaciones.
Aplicación de Estudio de Caso: El marco se aplicó a tres tuberías en servicio en el Bloque Penglai Dengying:
- Tuberías No. 1 y No. 2: Bajo presiones de sobrecarga de 0–0.4 MPa y presiones internas de 2–8 MPa, los esfuerzos máximos predichos (171.06 MPa y 137.05 MPa, respectivamente) se mantuvieron por debajo del límite permisible de 216 MPa.
- Tubería No. 3: Bajo las mismas condiciones de carga, el pico de esfuerzo predicho alcanzó los 219.11 MPa, excediendo el límite permisible de 216 MPa. Este riesgo se atribuyó a la poca profundidad de enterramiento de la tubería (1 m) y su gran diámetro (406.4 mm).

Significancia y Reivindicaciones
El artículo afirma proporcionar una solución para la "evaluación rápida de la integridad" de tuberías enterradas sometidas a carga de sobrecarga de construcción, un vacío identificado en la literatura previa. Al acoplar las simulaciones de ABAQUS con una red neuronal GA-BP, el estudio ofrece un método que equilibra la precisión del análisis de elementos finitos con la velocidad requerida para la toma de decisiones de ingeniería. La aplicación exitosa a tuberías reales en el Bloque Penglai Dengying demuestra la utilidad del marco para identificar riesgos de falla específicos (como se vio con la Tubería No. 3) y guiar decisiones de ingeniería, tales como la restricción de la carga de sobrecarga y la implementación de medidas de refuerzo. El estudio concluye que este enfoque integrado permite la identificación rápida de riesgos de sobrecarga relacionados con la construcción sin la necesidad de realizar simulaciones numéricas repetitivas y laboriosas.

Más como este