Strategies for Risk Based Inspection of Corrosion Damage in Pipeline Systems

Abstract

Rør og andre konstruksjoner på oljeraffinerier er gjenstand for innvendig korrosjon over tid. Korrosjonen kan føre til lekkasjer og andre kostbare skader, og jevnlige inspeksjoner av rørenes tilstand er derfor nødvendig for å monitorere skadeomfanget. Å gjennomføre inspeksjoner er imidlertid både kostbart og tidkrevende, og det er derfor et mål å minimere antall inspeksjoner gjennom strategier for risikobasert vedlikehold.

Vi bruker et datasett bestående av inspeksjonsresultater fra 1019 oljerør til å trene en Bayesiansk regresjonsmodell hvor månedlig korrosjonsrate og egenskaper ved røret er brukt som kovariater. Dette datasettet brukes videre til å generere syntetiske tidsserier som vi tester ulike inspeksjonsstrategier på.

Vi foreslår to strategier for inspeksjon: En Adaptiv Monitoreringsalgoritme (AMA), som bruker sannsynlighet for lekkasje som inspeksjonskriterium, og en Informativ Monitoreringsalgoritme (IMA), som bruker forventet endring i verdien av informasjon som inspeksjonskriterium. Disse strategiene blir sammenlignet med en ikke-adaptiv modell, som foretar inspeksjoner med en fast tidsfrekvens.

De foreslåtte strategiene avhenger av flere beslutningsparametre for å avgjøre hvorvidt et rør skal inspiseres, og eventuelt repareres. Vi eksperimenterer med ulike verdier for parametrene, og bruker disse til å sammenligne de ulike strategiene. Resultatet av simuleringene indikerer at både AMA og IMA fører til en reduksjon i antall inspeksjoner, samtidig som antallet lekkasjer reduseres betraktelig. For enkelte verdier av beslutningsparametrene oppnår AMA 0.6\% sannsynlighet for lekkasje og IMA 8.9\% sannsynlighet, sammenlignet med >30\% for den ikke-adaptive metoden.

Pipes and other assets at oil refineries are subject to internal corrosion over time. The corrosion can, if not carefully monitored, cause leakages and other substantial and costly damages. Regular inspection of the pipes is therefore necessary to monitor the corrosion development. However, inspections are also costly and time-consuming, and for these reasons we aim to minimize the number of inspections through a Risk Based Inspection strategy.

A data set consisting of multiple inspections from 1019 pipes from an undisclosed oil refinery is used to train a Bayesian regression model with monthly corrosion rates and various pipe features as covariates. This data set is subsequently used to simulate synthetic time series. These time series are used to test various inspection strategies.

Two inspection strategies are suggested and compared: The Adaptive Monitoring Algorithm (AMA), which uses the probability of leakage as an inspection criterion, and the Informative Monitoring Algorithm (IMA), which uses expected gain in Value of Information as an inspection criterion. These strategies are compared with a non-adaptive method, which conducts inspections at fixed time frequencies.

The proposed strategies rely on several decision thresholds used to decide whether an inspection should take place, and whether a pipe needs to be repaired. Optimal decision thresholds are investigated and used to simulate and compare the different strategies. The simulations indicate that both the AMA and the IMA yield fewer inspections than a non-adaptive inspection strategy, while simultaneously reducing the number of leakages substantially. For certain values for the decision thresholds, AMA achieves a 0.6% probability of leakage and IMA achieves a 8.9% probability of leakage, compared with >30% for the non-adaptive methods.