SUPERVISED MACHINE LEARNING MODELS FOR PREDICTING THE MAXIMUM DEPTH OF CORROSION DEFECTS BASED ON HISTORICAL IN-LINE INSPECTION DATA. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (MS Thesis-Eyad Alshaye) Thesis - Eyad Alshaye.pdf - Accepted Version Restricted to Repository staff only until 19 April 2026. Download (3MB)

Arabic Abstract

تعتبر أنابيب النفط والغاز الوسيلة الأساسية لنقل الموائع في الصناعة، وذلك بفضل كفاءتها وموثوقيتها وفعاليتها من حيث التكلفة. ومع ذلك، فإن تآكل الأنابيب يشكل خطرًا كبيرًا، مما قد يؤدي إلى فقدان الاحتواء، وانقطاع العمليات، واحتمالية فقدان الأرواح. من المتوقع أن تؤدي الاتجاهات الحديثة في إدخال موائع جديدة و شديدة التآكلية، مثل الهيدروجين وثاني أكسيد الكربون، إلى تفاقم المشكلات والفشل المرتبطين بالتآكل. وبالتالي، تلعب تقنيات فحص الأنابيب، وخاصة الفحص الداخلي، دورًا متزايد الأهمية في مراقبة التآكل. تؤسس هذه الرسالة إطارًا لاستخدام بيانات الفحص الداخلي لتطوير نماذج تعلم الآلة للتنبؤ بالتآكل. لتوضيح هذا الإطار، تم استخدام تقنيات تعلم الآلة المختلفة، بما في ذلك النماذج الخطية وغير الخطية ونماذج الأشجار، بهدف التنبؤ بالعمق الأقصى لعيوب التآكل مع الاستناد حصريًا على بيانات الفحص الداخلي التاريخية. في الدراسة الأولى، تم استخدام استراتيجية تدريب محدودة الفعالية. على الرغم من ذلك، تفوق النموذج الأفضل في هذه الدراسة على معيار التنبؤ البسيط بنسبة 28.30% في مجموعة الاختبار، مع خطأ متوسط الجذر التربيعي قدره 0.406 مم. عندما تم استخدام استراتيجيات تدريب أكثر شمولاً، حقق النموذج الأفضل تحسنا بنسبة 41.5% مقارنة بنفس المعيار، متنبئًا بالعمق الأقصى قدره 0.368 مم. ومن الجدير بالذكر أن دقة هذه النماذج تجاوزت تلك الخاصة بمعظم نماذج التنبؤ بالتآكل المعتمدة على الموائع الموجودة في الأوراق العلمية المنشورة. تم تحقيق هذا النجاح باستخدام مجموعة بيانات تاريخية للفحص الداخلي تتميز بتباينات شديدة في توزيع العمق الأقصى وتغيرات في معايير التقرير. تشير هذه النتائج إلى أن الإطار المقترح يعد بديلاً متفوقًا على النماذج المعتمدة على الخدمات، خاصةً بالنظر إلى الكمية الكبيرة من بيانات الفحص الداخلي المتاحة لمشغلي أنابيب النفط والغاز. بالإضافة إلى ذلك، يدعم الطابع غير المرتبط بالموائع لهذا الإطار دمج بيانات إضافية تتعلق بنوع الموائع وطرق التشغيل، مما يمكن أن يعزز بشكل أكبر فعالية نماذج تعلم الآلة في التنبؤ بالتآكل.

English Abstract

Oil and gas pipelines serve as the primary means of fluid transportation in the industry due to their efficiency, reliability, and cost-effectiveness. However, pipeline corrosion poses a significant risk, leading to loss of containment, operational interruptions, and potential loss of life. Recent trends in the introduction of novel and corrosive fluid services, such as hydrogen and carbon dioxide (CO2), are expected to exacerbate corrosion-related issues and failures. Consequently, pipeline inspection techniques, particularly In-Line Inspection (ILI), are playing an increasingly vital role in corrosion monitoring. This thesis establishes a framework for utilizing ILI data to develop machine learning models for corrosion prediction. To demonstrate this framework, various linear, non-linear, and tree-based machine learning techniques were employed with the objective of predicting the maximum depth of corrosion defects based exclusively on historical ILI data. In the first study, a limited training and hyperparameter tuning strategy was employed. Despite this, the best model outperformed the Naïve forecasting benchmark by 28.30% on the test set, with a Root Mean Square Error (RMSE) of 0.406 mm. When more extensive training and hyperparameter tuning strategies were utilized, the best model achieved a 41.5% improvement over the same benchmark, predicting the maximum depth with an RMSE of 0.368 mm. Notably, the accuracy of these models exceeded that of the majority of service-based corrosion prediction models found in the literature. This success was achieved using a historical ILI dataset characterized by extreme variations in maximum depth distribution and changes in reporting criteria. These findings suggest that the proposed framework is a superior alternative to service-based models, particularly given the vast amount of ILI data available to oil and gas pipeline operators. Additionally, the service-agnostic nature of this framework supports the integration of process and service parameters, which can further enhance the efficacy of machine learning models for corrosion prediction.

Item Type:	Thesis (Masters)
Subjects:	Engineering Research > Petroleum Research > Corrosion Research > Engineering Mechanical
Department:	College of Chemicals and Materials > Materials Science and Engineering
Committee Advisor:	AlZahrani, Atif
Committee Co-Advisor:	Shafiullah, Md
Committee Members:	Al-Sayoud, Abduljabar
Depositing User:	EYAD ALSHAYE (g202201580)
Date Deposited:	21 Apr 2025 09:27
Last Modified:	21 Apr 2025 09:27
URI:	http://eprints.kfupm.edu.sa/id/eprint/143331