Manutenção preditiva aprimorada para gasodutos submarinos usando dados multimodais

Falhas em gasodutos submarinos representam um desafio crítico para a indústria de petróleo e gás, causando bilhões em perdas anuais junto a riscos ambientais e de segurança significativos. A gestão de integridade tradicional depende de inspeções programadas ou reparos reativos, muitas vezes tardios devido à falta de dados em tempo real. Este artigo introduz uma estrutura de gêmeo digital usando inteligência artificial para mudar a gestão de integridade de gasodutos de reativa para preditiva. O sistema proposto integra dados de sensores de pressão, temperatura, fluxo, acústicos e de vibração. Usando um algoritmo de aprendizado de máquina Isolation Forest, detecta anomalias e analisa correlações entre sensores ao longo do tempo. Ele produz uma pontuação de saúde (0–1) e prediz a Vida Útil Restante, permitindo intervenções baseadas em condição ligadas a estados reais dos equipamentos em vez de cronogramas fixos. Os resultados mostram alta especificidade na detecção de anomalias. O desempenho do F1-score no conjunto de dados sintético indica que a sensibilidade requer calibração adicional, particularmente para degradação de início precoce. Um painel em tempo real visualiza a saúde do gasoduto e aciona alertas automáticos quando tendências de degradação são identificadas. A análise de 365 dias de dados simulados confirma que a estrutura detecta tanto o desgaste gradual quanto falhas súbitas de forma mais eficaz do que os métodos tradicionais. Este trabalho contribui com metodologias práticas para aprendizado de máquina aplicado na gestão de infraestrutura offshore, demonstrando como a análise de dados multimodais e estratégias de gêmeo digital podem apoiar a gestão de integridade baseada em condição. A estrutura tem o potencial de maximizar a disponibilidade do equipamento enquanto minimiza custos operacionais e riscos relacionados à integridade. No entanto, validação em campo contra dados operacionais reais é necessária antes da implementação para confirmar a eficácia da metodologia na prática.