Aplicación de redes neuronales artificiales en la interacción lateral ducto - suelo arenoso en lecho marino

Abstract

En la actualidad la industria offshore, destinada a la exploración de gas y petróleo en aguas profundas, demanda innovaciones tecnológicas sobre nuevos sistemas de estructuras flotantes y un mayor estudio en la evaluación de los factores que influyen en el diseño de los ductos. Uno de éstos factores es la respuesta del suelo frente la interacción lateral con el futuro ducto a instalarse, siendo así que la predicción de esta respuesta puede ser llevada a cabo por Redes Neuronales Artificiales. La presente investigación partió de un registro de ensayos centrífugos obtenido de bibliografía recopilada (Pacheco, 2006; Tarazona, 2015), donde fue necesario generar una base de datos artificiales a partir del desarrollo de un modelo numérico utilizando el método de los elementos discretos implementado en el programa comercial PFC 2D, que simuló con éxito el ensayo realizado en centrífuga. Con la base de datos obtenida, conformada por un total de mil conjuntos de datos, posteriormente se desarrolló la red neuronal considerando como variables de entrada los parámetros de fricción micromecánica, enterramiento, arrastre, velocidad y diámetro del ducto, mientras que las variables de salida fueron el desplazamiento en la rotura, fuerza de rotura, desplazamiento en la berma y fuerza en la berma, siendo la berma la cantidad de suelo que se acumula en el borde debido al movimiento lateral del ducto. Se empleó la técnica de red neuronal multicapa MLP-BP, siendo los procedimientos implementados en la plataforma para desarrollo online en lenguaje Python llamada Google Colaboratory. Esta red permitió entrenar un modelo de regresión, siendo optimizados los hiperparámetros con base en la representatividad de las fuerzas de berma y rotura. Los resultados demostraron que la red neuronal MLP-BP presentó una capacidad de representación satisfactoria en la representación de las fuerzas de berma (R2=0.96) y de rotura (R2=0.74) producidas por el arrastre del ducto, comparadas con el coeficiente de determinación mínimo requerido (R2>0.70), lo que demuestra su capacidad para predecir la respuesta de la interacción lateral suelo-ducto.

Currently, the offshore industry, dedicated to gas and oil exploration in deep waters, demands technological innovations on new floating structure systems and a greater study in the evaluation of the factors that influence the design of pipelines. One of these factors is the response of the ground against the lateral interaction with the future pipeline to be installed, and the prediction of this response can be carried out by Artificial Neural Networks. The present investigation started from a registry of centrifugal tests obtained from the collected bibliography (Pacheco, 2006; Tarazona, 2015), where it was necessary to generate an artificial database from the development of a numerical model using the method of discrete elements implemented in the commercial program PFC 2D, which successfully simulated the test carried out in a centrifuge. With the database obtained, made up of a total of one thousand data sets, the neural network was subsequently developed considering the parameters of micromechanical friction, burial, drag, speed and diameter of the pipe as input variables, while the output variables were breakout displacement, breakout force, berm displacement, and berm force, with the berm being the amount of soil that accumulates on the edge due to lateral movement of the pipeline. The MLP-BP multilayer neural network technique was used, the procedures being implemented in the platform for online development in Python language called Google Collaboratory. This network allowed to train a regression model, the hyperparameters being optimized based on the representativeness of the berm and breakout forces. The results showed that the MLP-BP neural network presented a satisfactory representation capacity in the representation of the berm forces (R2=0.96) and breakout forces (R2=0.74) produced by the drag of the pipe, compared with the coefficient of determination minimum required (R2>0.70), which demonstrates its ability to predict the response of the pipe-soil lateral interaction.