La corrosión es un problema común en la industria que puede provocar fallas en equipos y estructuras, resultando en pérdidas económicas significativas. Aunque las características y el origen de la corrosión pueden explicarse químicamente, no profundizaremos en ello en este trabajo. Según la National Association of Corrosion Engineers (NACE), el costo anual de la corrosión en todo el mundo oscila entre 2.2 y 2.5 billones de dólares, lo que equivale al 3% del PIB mundial (Imran et al. 2023). En otras palabras, cada año se destruye el 25% del acero producido en el mundo a un ritmo de 5 toneladas, cada pocos segundos. En este sentido, la corrosión es un agente silencioso que debe considerarse.

Sin embargo, las pérdidas económicas no son la única consecuencia de la corrosión. También puede provocar fugas o la desestabilización de estructuras, lo que a su vez puede ocasionar graves accidentes. Un ejemplo de ello fue la explosión en el año 2013 de la línea de petróleo Donghuang II en el este de China, la cual mató a más de 62 personas e hirió a 136. En el 2009, un buque de producción de cristales de alta presión de 50 pies de alto en Belvidere, Illinois explotó hiriendo y matando a varias personas. En el 2000, una línea de gas natural de 30 pulgadas de diámetro perteneciente a “Gas natural El Paso” explotó matando a 12 personas. En todos estos accidentes, la causa de las fallas en las líneas o estructuras fue la corrosión no detectada a tiempo.

Inspecciones en corrosión

Cómo se realizan las inspecciones de corrosión es un tema crucial en la industria ya que la detección temprana es esencial para prevenir fallas y prolongar la vida útil de los equipos. Sin embargo, la inspección manual de la corrosión efectuada por personas actualmente tiene un alto costo tanto monetario como en riesgo y tiempo de ejecución, sobre todo cuando se trata de áreas de acceso limitado. Por otra parte, la falta de estandarización en la detección y clasificación de corrosión conduce a resultados subjetivos e inconsistentes por parte de los inspectores certificados (Atha y Jahanshahi 2018), lo que puede dificultar la toma de decisiones sobre cómo gastar el presupuesto destinado a reparaciones o recuperación de esquemas de pintura de protección. Por lo tanto, se necesita una solución eficiente y precisa para detectar y clasificar la corrosión en estructuras metálicas. Además, es imposible que un solo inspector pueda inspeccionar todas las plantas de una gran empresa. Tradicionalmente, las inspecciones de corrosión se han llevado a cabo mediante técnicas visuales y pruebas no destructivas, como la inspección por ultrasonido y la penetración por radiación gamma. Sin embargo, estas técnicas pueden ser costosas y no siempre son precisas para detectar la corrosión en sus etapas tempranas.

Deep Learning

Deep Learning (DL) es un subcampo de la inteligencia artificial que se basa en la creación de modelos computacionales profundos que imitan el funcionamiento del cerebro humano. Asimismo, gracias al avance de la tecnología, DL se ha convertido en una herramienta cada vez más popular para la detección y clasificación de la corrosión (Zuben y Viana 2023), especialmente en sus etapas tempranas. Esta aproximación podría crear resultados estandarizados en todas las instalaciones de una industria, lo que permitiría tomar decisiones más informadas y consistentes en cuanto a la gestión de la corrosión.

Bajo esta perspectiva, los investigadores han propuesto una variedad de métodos para detectar corrosión en metales, clasificándolos en métodos visuales y no visuales. Cabe destacar que entre los métodos no visuales o tradicionales se encuentran técnicas industriales como la identificación ultrasónica, identificación por fuga, corrientes de Eddy y emisiones acústicas. No obstante, las técnicas de Computer Vision (CV) mediante modelos de DL han sido más beneficiosas para aplicaciones prácticas de identificación de corrosión, en particular mediante imágenes, lo que entregó una pista del camino a seguir en el proyecto.

La literatura más reciente (en los últimos 5 años) centrada en corrosión y DL se ha agrupado en dos líneas bastante marcadas, correspondientes a la mejora de la precisión de modelos de predicción o detección de corrosión y otra que es la solución de la baja disponibilidad de datos de entrenamiento de dichos modelos mediante la generación de datasets tanto de imágenes como de información, la cual no será abordada en esta ocasión debido a su extensión.

Es interesante destacar que la primera línea se ha enfocado en establecer revisiones y estudiar la evolución de los métodos de predicción, además de la aplicación de modelos para detección de corrosión. No obstante, las investigaciones relacionadas con esta línea están enfocadas principalmente a los ductos de petróleo y gas, gracias a que estos recursos representan una importante fuente energética a nivel mundial. A modo de ejemplificar esto, se han contabilizado solo en EE.UU. más de 5.709 accidentes mayores entre los años 1998 y 2017 (Wang et al. 2023). Haciendo un análisis geográfico de las últimas investigaciones publicadas, artículos como los de Xu et al., Akhlaghi et al., Wang et al., Cantero-Chinchilla et al., entre otros, demuestran que existe una fuerte tendencia asiática en basar sus estudios en la predicción de velocidad de corrosión en ductos de transmisión de petróleo y gas, siendo secundado por investigadores australianos que convergen hacia aplicaciones industriales con técnicas de CV o DL. Por otra parte, la mayoría de las investigaciones relacionadas con corrosión están ligadas a la predicción de velocidad de corrosión con un 27% y con un 2% a la identificación de corrosión, siendo esta última un área aún inexplorada (Xu et al. 2023) que puede ser explotada.

Forkan et al., por su parte, señala que en el ámbito de la identificación de corrosión existen aproximaciones mediante imágenes, basadas en CV o técnicas DL, señalando también que los modelos CNN comparados a modelos de machine learning, tienen la habilidad de aprender características importantes de los datos, logrando un alto nivel de precisión en la detección de corrosión (Forkan et al. 2022).

A partir de estos últimos estudios, se han publicado muchos artículos relacionados con variaciones de modelos CNN en ámbitos específicos de aplicación, pero es casi tendiente a cero en la Industria Naval.

Siguiendo en la línea de las redes neuronales convolucionales (CNN), por ejemplo, en un estudio titulado “Automated detection of corrosion in steel pipes using convolutional neural networks” (Chen et all, 2019), los autores utilizaron una CNN para identificar la corrosión en tuberías de acero con una precisión del 97,8% en la detección, lo que permite a los ingenieros tomar medidas para prevenir fallas en tuberías. Otro estudio, “Corrosion classification of metal structures using convolutional neural networks”, (Li et all, 2018) utilizó una CNN para clasificar diferentes tipos de corrosión en estructuras metálicas. El sistema se entrenó con imágenes de estructuras metálicas con distintos tipos de corrosión, como corrosión por ácido sulfúrico, clorhídrico y nítrico. Posteriormente, se analizaron imágenes reales de estructuras metálicas y se clasificó la existencia de corrosión con una precisión del 97,5%.

Así que las redes neuronales convolucionales (CNN) son un modelo del área de DL, altamente efectivo en el procesamiento de imágenes y videos que se usan para extraer características, lo que les permite aprender a detectar patrones y objetos de forma automática.

Así, se puede deducir que la efectividad y eficiencia de la detección y clasificación de corrosión basada en imágenes, comparada con los métodos tradicionales de inspección y monitoreo de corrosión, es de alto nivel, que podrían ahorrar recursos monetarios y temporales, y personal especializado. Se presenta la necesidad de contar con expertos en corrosión para complementar el diseño con DL, para interpretar sus resultados y mejorar la precisión de los modelos con la generación de datos etiquetados correctamente. Por último, hay una brecha de conocimiento al aplicar modelos de detección y clasificación de corrosión en ambientes marinos, áreas más afectadas por este fenómeno, que sin duda deberían abordarse.

Redes Neuronales Convolucionales (CNN)

Como se mostró anteriormente, las redes neuronales convolucionales (CNN) son un tipo de red neuronal profunda que ha demostrado ser muy efectiva en tareas de procesamiento de imágenes y visión por computadora. Las CNN fueron diseñadas específicamente para procesar imágenes y reconocer patrones en ellas como, por ejemplo, objetos o características específicas en una imagen, tal como se muestra en la Ilustración 1.

Asimismo, las redes neuronales convolucionales están inspiradas en la organización del sistema visual del cerebro humano y se componen de varias capas de neuronas interconectadas. En la primera capa de la red, la imagen de entrada se convoluciona con un conjunto de filtros llamados pooling que extraen características básicas como bordes y texturas (Ilustración 2). Estas características se pasan a subsiguientes capas de convolución, que utilizan otro conjunto de filtros para extraer características más complejas y abstractas. A medida que la imagen se procesa a través de las diferentes capas de la red, las características extraídas se vuelven cada vez más específicas y complejas. En la última capa de la red, se realiza la clasificación final de la imagen, determinando a qué categoría pertenece.

El entrenamiento de una CNN implica alimentar el modelo con un gran conjunto de imágenes etiquetadas y luego ajustar los pesos de las conexiones entre las neuronas para minimizar el error de predicción. Una vez que la red está entrenada, puede utilizarse para clasificar nuevas imágenes en las categorías aprendidas durante el entrenamiento.

En efecto, las redes neuronales convolucionales son una herramienta poderosa para la detección de patrones en imágenes y tareas de visión por computadora. Pueden aprender a reconocer características complejas en las imágenes y clasificarlas en categorías específicas, lo que los convierte en una técnica muy útil en muchas aplicaciones, como detección de objetos, segmentación de imágenes, identificación facial y clasificación de imágenes.

Diseño del Proyecto

Los resultados de una investigación de la Universidad de Concepción, perteneciente a un proyecto Fondef IDeA I+D en el que se aplicaron redes neuronales convolucionales (CNN), la meta fue diseñar un modelo Deep Learning, para mejorar la calidad, consistencia y previsión de la detección del fenómeno de la corrosión en la Industria Naval. Así, mediante un equipo multidisciplinario se creó un prototipo para un problema multiclase, capaz de discernir el tipo de corrosión existente basado en imágenes. Para esto, se generó un banco de imágenes propio de corrosión, y se etiquetaron en base a la opinión experta de ingenieros en materiales, clasificando las imágenes en corrosión tipo: Pitting, Uniforme, Crevice y Galvánica.

Cabe destacar que para entrenar un modelo de clasificación se debe utilizar una gran cantidad de imágenes, que, para este caso, el número de imágenes disponible fue mínimo. Es por esta razón que se hizo necesario aplicar una técnica de aumento de datos o data augmentation, la cual aplica ciertas deformaciones como reescalamientos, rotaciones, ediciones de ancho y largo de imagen, zoom, cambios de eje y brillo, con el objetivo de aumentar la cantidad de imágenes para el entrenamiento.

Por otro lado, el modelo CNN diseñado estuvo compuesto por 03 capas convolucionales, con respectivas capas polling y en la salida una capa densa de 4 unidades de neuronas con activación softmax para la clasificación de 04 tipos de corrosión, tal como se muestra en la Ilustración 3.

También el modelo se entrenó en 30 epochs o iteraciones, obteniendo las curvas de pérdida y precisión de la Ilustración 4. En esta, se aprecia que la precisión tiende a aumentar según progresan las iteraciones y, por otro lado, la función de pérdida disminuye con las iteraciones, consiguiendo un comportamiento esperable.

Una vez entrenado el modelo, se efectuó la clasificación de un set de imágenes nuevas, las que fueron ingresadas al modelo con los siguientes resultados:

Tomando una muestra de algunos resultados se puede observar una cantidad de imágenes clasificadas erróneamente y se marcan en rojo (Ilustración 5). No obstante, para dimensionar la precisión real de la clasificación del set completo de imágenes nuevas se utilizó la herramienta matriz de confusión (Ilustración 6). Esta última entrega una visión completa de la clasificación de las imágenes y cómo se confundieron, en caso ocurra. En cada uno de los ejes, se definió cada tipo de corrosión de la siguiente forma:

0: crevice, 1: galvánica, 2: pitting, 3: uniforme.  

Dado lo anterior, la matriz de confusión es clara en señalar que para el tipo de corrosión 2, 11 imágenes fueron clasificadas correctamente y 4 fueron clasificadas como tipo 3. La mecánica es la misma para el resto de las imágenes. Aún hay problemas en la clasificación de los tipos 0 y 1, principalmente lo que se asocia con el bajo número de imágenes utilizadas para entrenar el modelo CNN. Sin embargo, los resultados son promisorios para ser el primer prototipo y existe un amplio espacio de mejora.

Conclusiones

La prevalencia de la corrosión en diversos sectores industriales, especialmente en el ámbito naval, es una preocupación constante que puede desencadenar disfunciones en equipos y estructuras, generando desbalances económicos sustanciales. Actualmente, el enfoque tradicional basado en la inspección manual de la corrosión es una alternativa onerosa y subjetiva, impidiendo la uniformidad obteniendo resultados confiables. No obstante, las tecnologías contemporáneas como el aprendizaje profundo y la visión por computadora presentan la capacidad de resolver este obstáculo al estandarizar el proceso mediante el cual las industrias podrían detectar y categorizar la corrosión. En este sentido, el empleo de una arquitectura de redes neuronales convolucionales (CNN) se erige como una estrategia promisoria para la detección y clasificación precisa de corrosión en estructuras metálicas. Tal enfoque habilitaría a ingenieros y clientes a adoptar medidas preventivas con un enfoque objetivo, anticipando fallos estructurales y minimizando pérdidas económicas, así como accidentes, estableciendo a su vez un fundamento sólido para la toma de decisiones fundamentadas.

Bibliografía

1. Chen, X., Zhang, J., Lu, Z., & Yang, L. (2019). Automated detection of corrosion in steel pipes using convolutional neural networks. Journal of Natural Gas Science and Engineering, 284-292.
2. Li, X., Li, Z., Li, L., & Li, Y. (2018). Corrosion classification of metal structures using convolutional neural networks. Journal of Cleaner Production, 913-919.
3. NACE. (24 de abril de 2020). Centro tecnológico CTC. Obtenido de https://centrotecnologicoctc.com/2020/04/24/ctc-corrosion-dia-mundial/
4. towards data science. (2022). Obtenido de https://towardsdatascience.com/covolutional-neural-network-cb0883dd6529
5. Yeola, C. (2022). Medium. Obtenido de https://python.plainenglish.io/convolution-neural-network-cnn-in-deep-learning-77f5ab457166.
6. Akhlaghi, Behnam, Hassan Mesghali, Majid Ehteshami, Javad Mohammadpour, Fatemeh Salehi, y Rouzbeh Abbassi. 2023. «Predictive Deep Learning for Pitting Corrosion Modeling in Buried Transmission Pipelines». Process Safety and Environmental Protection, abril, S0957582023002975. https://doi.org/10.1016/j.psep.2023.04.010.
7. Atha, Deegan J, y Mohammad R Jahanshahi. 2018. «Evaluation of Deep Learning Approaches Based on Convolutional Neural Networks for Corrosion Detection». Structural Health Monitoring 17 (5): 1110-28. https://doi.org/10.1177/1475921717737051.
8. Cantero-Chinchilla, Sergio, Christopher A. Simpson, Alexander Ballisat, Anthony J. Croxford, y Paul D. Wilcox. 2023. «Convolutional Neural Networks for Ultrasound Corrosion Profile Time Series Regression». NDT & E International 133 (enero): 102756. https://doi.org/10.1016/j.ndteint.2022.102756.
9. Forkan, Abdur Rahim Mohammad, Yong-Bin Kang, Prem Prakash Jayaraman, Kewen Liao, Rohit Kaul, Graham Morgan, Rajiv Ranjan, y Samir Sinha. 2022. «CorrDetector: A Framework for Structural Corrosion Detection from Drone Images Using Ensemble Deep Learning». Expert Systems with Applications 193 (mayo): 116461. https://doi.org/10.1016/j.eswa.2021.116461.
10. Imran, Md Mahadi Hasan, Shahrizan Jamaludin, Ahmad Faisal Mohamad Ayob, Ahmad Ali Imran Mohd Ali, Sayyid Zainal Abidin Syed Ahmad, Mohd Faizal Ali Akhbar, Mohammed Ismail Russtam Suhrab, Nasharuddin Zainal, Syamimi Mohd Norzeli, y Saiful Bahri Mohamed. 2023. «Application of Artificial Intelligence in Marine Corrosion Prediction and Detection». Journal of Marine Science and Engineering 11 (2): 256. https://doi.org/10.3390/jmse11020256.
11. Wang, Qinying, Yuhui Song, Xingshou Zhang, Lijin Dong, Yuchen Xi, Dezhi Zeng, Qilin Liu, et al. 2023. «Evolution of Corrosion Prediction Models for Oil and Gas Pipelines: From Empirical-Driven to Data-Driven». Engineering Failure Analysis 146 (abril): 107097. https://doi.org/10.1016/j.engfailanal.2023.107097.
12. Xu, Lei, Yunfu Wang, Lin Mo, Yongfan Tang, Feng Wang, y Changjun Li. 2023. «The Research Progress and Prospect of Data Mining Methods on Corrosion Prediction of Oil and Gas Pipelines». Engineering Failure Analysis 144 (febrero): 106951. https://doi.org/10.1016/j.engfailanal.2022.106951.
13. Zuben, Andre Von, y Felipe A.C. Viana. 2023. «Generative Adversarial Networks for Extrapolation of Corrosion in Automobile Images». Expert Systems with Applications 213 (marzo): 118849. https://doi.org/10.1016/j.eswa.2022.118849.