Contexte
Dans l’environnement exigeant de l’offshore pétrolier, les connecteurs rapides jouent un rôle crucial dans l’assemblage des longs tubes de forage, souvent de 10 mètres ou plus. Ces éléments doivent être fixés et démontés rapidement tout en supportant des efforts mécaniques importants, dans un environnement à forte pression. La fiabilité de ces systèmes est primordiale pour la sécurité et la rentabilité des opérations.
Pour répondre à ces besoins, une technologie appelée “Clip Riser” a été développée afin de permettre des connexions rapides et sécurisées entre les joints risers de forage. Ces dispositifs réduisent ainsi les temps d’immobilisation en mer. Pour garantir leur fiabilité et leur tenue dans le temps, ces dispositifs sont rigoureusement testés sous la contrainte en laboratoire, notamment avec des essais de vieillissement qui reproduisent des conditions de fatigue extrême.
En plus de ces essais en environnement contrôlé, une priorité importante est donnée au contrôle non destructif (CND), indispensable pour suivre en continu l’état des équipements sans les altérer. Effectivement, l’acoustique à très haute fréquence est utilisée Il s’agit d’un processus d’évaluation et d’analyse des niveaux de bruit liés aux activités industrielles et aux installations qui y sont présentes qui permettent de capter les signaux précoces d’endommagement, comme l’apparition de micro-fissures invisibles à l’œil nu.
L’idée est par la suite de pouvoir transposer ces méthodes de CND, directement dans des conditions opérationnelles. Cela permettrait de surveiller en temps réel l’état des risers, de manière proactive, sans avoir besoin de les démonter ni d’interrompre les opérations. Ce déploiement sur le terrain du CND constitue un atout stratégique pour améliorer la sécurité, optimiser la maintenance et réduire les risques de défaillance en environnement offshore.
Besoins
Les objectifs étaient multiples :
- Évaluer les performances du logiciel DiagFit à détecter via le Machine Learning les endommagements lors des essais de fatigue.
- Évaluer une potentielle amélioration de la détection des endommagements par EA (émission acoustique), par rapport à une analyse classique par un expert métier
- Automatiser l’analyse des données sortant de CND pour accélérer le temps d’analyse et de rédaction du rapport associé à la campagne de test
Les données issues de capteurs d’émission acoustique (EA) ont constitué le socle de cette étude. Grâce à une technologie très haute fréquence, ces capteurs sont capables de percevoir les signaux faibles révélateurs de micro-endommagements naissants.
Solutions
Pour répondre à ces divers objectifs, le logiciel DiagFit, no-code et spécialisé dans l’analyse intelligente de séries temporelles industrielles, a été utilisé pour traiter les données EA.
Le processus s’est déroulé en plusieurs étapes :
- Importation :
- Préparations des données en amont
- Détection automatique via DiagFit qui a permis d’identifier différents types de données importées
- Préparation et annotation du dataset selon des règles métiers et des expertises métiers déjà établies ;
- Entraînement d’un modèle non supervisé capable de reconnaître les comportements normaux et détecter des écarts significatif
- Définition d’un modèle finalisé de détection des anomalies, comparable à la zone d’anomalie définie par l’utilisateur;
- Définition d’un modèle finalisé de détection des anomalies, comparable à la zone d’anomalie définie par l’utilisateur;
- Exploitation du modèle : Application du modèle à un d’autres jeux de données et détection automatique des anomalies.
Résultats
Lors d’un premier essai sur un connecteur soumis à des centaines de milliers de cycles de fatigue, le logiciel a permis :
- Une présence de zones d’anomalies détectées par DiagFit (anomalies en bleu) en amont de la zone rouge + zones d’absence définies par l’utilisateur (en rouge : sur la base des résultats de l’analyse EA)
- Présence de zones d’anomalies détectées par le logiciel en amont de la zone rouge + zones d’absence d’anomalies calculées en cours d’essai
- Définir une zone d’anomalie nécessite environ 38 000 cycles. Grâce à DiagFit, cette opération, qui aurait pris plusieurs heures à l’œil nu, a été réalisée en une dizaine de minutes. -> CND optimisé
- Le client a particulièrement apprécié la facilité de prise en main du logiciel et la pertinence des résultats.
Si vous aussi vous souhaitez tester DiagFit sur vos équipements industriels …
