Les oléoducs constituent une méthode efficace de transport du pétrole et du gaz depuis les puits de production jusqu'aux raffineries.
Les données les plus récentes montrent que la longueur totale des pipelines s'étend sur plus de 2,2 millions de kilomètres sur des terrains étendus, garantissant un flux sûr et continu de pétrole et de gaz [1].
La gestion des pipelines implique une série d'opérations qui concernent leur sécurité, les exigences législatives, le respect de l'environnement et l'exploitation.
Les progrès technologiques continuent d'influer sur la gestion des oléoducs et des gazoducs. Les outils numériques tels que l'intelligence artificielle (IA), l'Internet des objets (IoT), les drones et les systèmes d'information géographique (SIG) avancés jouent un rôle crucial dans cette transformation.
L'IA et le machine learning (ML) s'épanouissent avec de grandes quantités de données, qui peuvent aider à découvrir des tendances et des idées. L'industrie du pétrole et du gaz peut utiliser l'IA pour des stratégies de gestion des pipelines telles que la maintenance prédictive et l'inspection intelligente.
Notre article explore la façon dont les entreprises pétrolières et gazières exploitent l'IA pour surveiller, entretenir et optimiser leurs réseaux de pipelines.
Les études de marché anticipent que l'adoption de l'IA dans le secteur du pétrole et du gaz connaîtra une croissance à deux chiffres entre 2024 et 2034 [2]. L'IA a été utilisée dans l'ensemble du paysage de la production pétrolière et gazière. Dans la gestion des canalisations, l'IA est principalement utilisée pour garantir l'intégrité des canalisations.
Voici comment les solutions basées sur l'IA contribuent à la gestion des pipelines.
Les réseaux d'oléoducs et de gazoducs nécessitent une surveillance et des inspections constantes pour éviter des incidents coûteux [3]. Cela fait partie intégrante de la gestion de l'intégrité des pipelines. Des équipements et des techniques spécialisés permettent d'évaluer les fuites, l'intégrité structurelle et l'état général du réseau de pipelines.
L'inspection des pipelines s'effectue généralement par des méthodes visuelles ou des techniques de contrôle non destructif (CND) telles que les essais par ultrasons. L'IA peut améliorer l'inspection visuelle grâce à la vision artificielle. Les images et les vidéos des pipelines sont capturées par des nœuds de caméras, des drones ou des systèmes de vidéosurveillance et analysées à l'aide d'algorithmes de ML ou d'apprentissage profond.
La surveillance continue des réseaux de pipelines garantit que les modèles de vision artificielle identifient les défauts. Les algorithmes d'apprentissage profond tels que les réseaux neuronaux convolutifs récurrents (R-CNN) peuvent construire des modèles pour de telles évaluations [4].
Les algorithmes de ML peuvent également être utilisés pour analyser les données à l'aide de techniques CND. Les compagnies pétrolières et gazières peuvent utiliser des données historiques et des références opérationnelles pour inspecter les pipelines à l'aide de modèles basés sur l'IA.
De plus, lors de l'assemblage des oléoducs et des gazoducs, les systèmes visuels alimentés par l'IA peuvent inspecter le réseau de pipelines à grande échelle. L'IA peut compléter les méthodes visuelles conventionnelles pour identifier les problèmes que les humains ne peuvent pas percevoir rapidement.
L'utilisation de l'IA augmente les taux d'inspection et réduit les coûts tout en augmentant les taux de détection des défauts.
Les défauts des pipelines sont principalement dus à des dommages mécaniques causés par différentes forces, entraînant des fissures, des bosses et des perforations. Une remise en état tardive de ces défauts peut entraîner des catastrophes environnementales, des pertes économiques et compromettre la sécurité des personnes. Par exemple, les États-Unis ont perdu 7,7 milliards de dollars entre 2005 et 2020 à cause des fuites [5].
L'inspection physique, les capteurs IoT, les ondes ultrasonores et les câbles à fibre optique sont autant de moyens pour les opérateurs de détecter les défauts. Les algorithmes d'IA et de ML peuvent analyser les flux de données provenant de ces méthodes pour déterminer les anomalies de débit ou les changements physiques sur le site de la fuite. Les SVM et les algorithmes génétiques (GA) peuvent être utilisés pour développer des systèmes de détection précoce des fuites dans les pipelines [6].
Les méthodes traditionnelles de détection des fuites de gaz, telles que l'imagerie optique du gaz, sont gourmandes en capital et en ressources humaines. Cependant, les techniques de vision par ordinateur, comme les réseaux neuronaux convolutifs(CNN), peuvent analyser les images et déterminer rapidement les défauts des pipelines [7].
Par exemple, le National Energy Technology Lab, aux États-Unis, a mis au point une solution intelligente de détection des fuites alimentée par l'IA pour repérer les défauts. Le système est capable d'identifier les fuites avant que des dommages importants ne se produisent. Auparavant, les compagnies de gaz faisaient appel à des inspecteurs qui utilisaient des appareils portatifs pour détecter les fuites [8].
Les stratégies de maintenance dans le secteur du pétrole et du gaz ont évolué, permettant aux entreprises d'optimiser la durée de vie de leurs équipements, de minimiser les réparations et d'éviter les arrêts de production imprévus. Selon Puranik, analyste du secteur pétrolier et gazier chez GlobalData, une journée d'arrêt imprévu d'un pipeline peut coûter un million de dollars à une entreprise [9]. La corrosion, les ruptures de soudure, les dommages causés par l'excavation, la vieillesse et les dommages causés par les forces naturelles sont quelques-uns des problèmes qui provoquent le dysfonctionnement des pipelines [10].
La modélisation prédictive pilotée par l'IA prévoit avec précision les défaillances des pipelines, ce qui permet aux entreprises du secteur intermédiaire de prendre des mesures de maintenance proactives. Des capteurs avancés collectent des données en temps réel telles que les débits, la température, la pression et les niveaux de vibration. Des algorithmes de ML et d'apprentissage profond tels que la régression, les réseaux neuronaux et la classification analysent ces données pour détecter les anomalies et les écarts par rapport aux repères opérationnels fixés [11].
Ces modèles prédictifs surveillent en permanence l'état de santé du pipeline, indiquant les points de défaillance potentiels et leur gravité. En outre, en combinant les données historiques et télémétriques, les modèles prédictifs peuvent prévoir la durée de vie utile restante des différents tronçons et composants du pipeline. Grâce à ces informations, les exploitants peuvent programmer la maintenance de manière proactive en s'appuyant sur des décisions fondées sur des données.
La corrosion est un processus naturel qui résulte de l'interaction entre le conduit et les éléments corrosifs présents dans le pétrole et le gaz. Cependant, une corrosion non contrôlée entraîne une dégradation des conduites, ce qui se traduit par des perturbations opérationnelles imprévues, des problèmes de sécurité, des dommages environnementaux et des pertes de produits précieux.
On estime que la corrosion est à l'origine de 15 à 25 % des incidents survenant dans les pipelines [12]. Par exemple, rien qu'aux États-Unis, la corrosion des pipelines coûte aux entreprises 1,4 milliard de dollars par an [13].
Les méthodes d'évaluation de la corrosion comprennent les essais par ultrasons (UT), les essais radiographiques et les outils d'inspection en ligne (ILI). Ces techniques et outils détectent l'état des pipelines et recueillent des données telles que les niveaux de corrosion, la pression et la température [14]. Cependant, ils sont effectués périodiquement et ne fournissent pas toujours des données précises et opportunes sur la corrosion [15].
L'IA et la ML peuvent être exploitées pour analyser les données historiques et les données collectées dans le cadre de ces évaluations. Parmi les algorithmes pouvant être utilisés pour cette analyse figurent les machines à vecteurs de support (SVM), les réseaux neuronaux et l'analyse de régression [16]. L'effet global est que les entreprises peuvent analyser efficacement les données, identifier les modèles, les anomalies et prédire les profondeurs de corrosion des conduites.
L'analyse de la corrosion basée sur l'IA permet une détection précoce de la corrosion des tuyaux, ce qui aide les compagnies pétrolières et gazières à optimiser les calendriers de maintenance et à prolonger la durée de vie des actifs. En outre, l'IA peut aider à analyser les caractéristiques des pipelines et les données relatives à la corrosion afin de déterminer le meilleur mécanisme de prévention de la corrosion [17].
L'intégrité et l'optimisation des oléoducs et gazoducs sont essentielles pour les exploitants, car elles garantissent la continuité des opérations. L'IA peut optimiser la gestion des oléoducs et gazoducs de différentes manières :
Systèmes d'assistance intelligents en temps réel : En combinant l'IA avec des technologies telles que le cloud, les jumeaux numériques et l'analyse de données, les entreprises peuvent récupérer en continu des tendances et des informations à partir des données. Ces systèmes aident les opérateurs à analyser des scénarios, à évaluer les risques et à les atténuer.
Dépannage et réponses accélérées : Avec l'aide du computer vision alimenté par l'IA et des modèles basés sur le ML, la surveillance et l'inspection des pipelines sont devenues plus faciles. Un système intégré peut aider à détecter les défauts et alerter les opérateurs pour une remédiation rapide. Les défauts et les brèches dans les pipelines peuvent être rapidement détectés, ce qui minimise les pertes de produits et les arrêts d'exploitation.
Voici quelques-uns des défis auxquels est confrontée l'adoption de l'IA dans la gestion des pipelines :
Qualité et quantité des données : La plupart des modèles d'IA nécessitent des ensembles de données complets et représentatifs pour produire des résultats et des prédictions précis. Des données incomplètes, imprécises et cloisonnées peuvent rendre difficile l'élaboration de modèles fiables.
Transformer de vastes quantités de données brutes provenant de SCADA, d'ERP et d'autres systèmes d'information en données contextuelles peut s'avérer difficile. Les compagnies pétrolières et gazières doivent mettre en place de solides stratégies de gestion des données.Expertise humaine : Les systèmes basés sur l'IA servent principalement à renforcer les capacités humaines. Les compétences nécessaires pour travailler avec des données exclusives et contextuelles issues de l'exploitation des pipelines peuvent s'avérer difficiles.
Il est donc primordial de constituer une main-d'œuvre efficace ayant les connaissances nécessaires pour interpréter les résultats de l'IA et prendre les décisions finales. Il est nécessaire que les experts du domaine se perfectionnent et acquièrent les connaissances nécessaires pour travailler avec des systèmes intelligents.Les avancées en matière d'IoT, d'IA et de contrôle à distance ouvrent la voie à l'avènement de pipelines auto-optimisants capables de fonctionner de manière autonome. Ces capteurs IoT surveillent en permanence les différents paramètres des pipelines, ce qui permettra de détecter les anomalies en temps réel. Grâce à des techniques telles que l'apprentissage par renforcement, les solutions de gestion des pipelines alimentées par l'IA amélioreront continuellement leur capacité à prendre des décisions spécifiques.
À mesure que ces systèmes obtiendront des données de qualité, ils s'amélioreront d'eux-mêmes, ce qui se traduira par des prédictions plus précises, de meilleures décisions, voire une certaine autonomie.
La gestion des pipelines fait partie intégrante de la production de pétrole et de gaz, et toute défaillance peut avoir des conséquences catastrophiques. L'IA offre de nouvelles possibilités, en particulier pour les processus et les flux de travail qui génèrent beaucoup de données.
Elle améliore des processus tels que l'analyse de la corrosion, en aidant à l'identification rapide et à la prédiction des parties corrodées du pipeline. Le computer vision et le machine learning introduisent également de nouvelles méthodes d'inspection des pipelines, soulageant ainsi les entreprises de processus à forte intensité de capital et de main-d'œuvre. À l'avenir, les progrès de l'IA et des technologies telles que l'IoT promettent de meilleurs moyens de gérer les pipelines.
Ecrit par Baptiste Aelbrecht & Victoria Sihabouth
