Gestión, mantenimiento y visualización del estado de plantas satélites de GNL basado en modelos predictivos
Resultado trabajo colaborativo
Este artículo presenta los resultados de un trabajo colaborativo entre la empresa de servicios Nedgia S.A. del grupo Naturgy, las empresas tecnológicas IDP, Worldsensing y el centro de investigación CS2AC de la UPC en el marco de la comunidad RIS3CAT Utilities 4.0 en el proyecto Activ 4.0, que trata de la gestión y mantenimiento predictivo y visualización basada en modelos BIM de estaciones satélites de gas natural líquido.
Desde que en marzo de 2007 el Consejo Europeo aprobara los objetivos 20/20/20 para 2020 marcando las políticas energéticas y medioambientales a medio y largo plazo, el uso del gas natural (GN) como fuente de energía ha aumentado. El GN está sustituyendo los combustibles tradicionales contribuyendo a la reducción de emisiones de gases contaminantes por tratarse de un combustible fósil con menor impacto medioambiental.
El transporte del GN entre países productores y países consumidores se realiza mediante gaseoductos con buques cisterna en forma de gas natural licuado (GNL). El GNL se produce en las plantas de licuefacción, ubicadas cerca de los yacimientos, enfriando el GN por debajo de su punto de ebullición (-162ºc a presión ambiente). El GNL, se almacena en terminales receptores, el cual después de un proceso de regasificación, es introducido en gaseoductos de transporte primarios o secundarios en función del objetivo de abastecimiento.
Estos últimos años, con el objetivo de abastecer de GN zonas alejadas de los gaseoductos, se han instalado plantas satélites
de regasificación de GNL (PSR) con capacidad que varían desde los 5 m3 hasta los 250 m³. En este caso, la cadena de suministro de GN consiste en transportar el GNL desde un terminal de almacenamiento mediante una flota de camiones.
El hecho de que los transportadores de GNL utilizados en este tipo de sistema tienen capacidades limitadas conlleva a la realización de viajes en varios pasos y más como en el caso de Nedgia S.A. que disponen de un centenar de plantas satélites por todo el territorio español. La planificación de la cadena de suministro consiste en diseñar un plan de distribución óptimo y factible para toda la cadena de suministro. En el caso de las plantas satélites, la cadena de suministro debe tener en cuenta el consumo de gas para garantizar su seguridad de almacenamiento. Dado el comportamiento inestable en la transferencia entre los estados líquido-gaseoso del gas, implica que la presión en el interior del depósito deba ser supervisada y controlada. Puesto que el consumo de gas destinado a clientes domésticos fluctúa de manera notable, debido sobre todo a la estacionalidad y cambios climáticos
variables, significa que el realizar una adecuada planificación de carga para el abastecimiento de estas plantas satélites de GNL, no es labor sencilla.
Se debe tener en cuenta además que en una planta satélite de regasificación de GNL (Gas Natural Licuado) existen sistemas de alivio de la presión que evitan que la instalación sufra daño ante un aumento excesivo de la presión de gas. Estos sistemas normalmente son válvulas, automáticas o manuales, conectadas a una chimenea o “tobera de venteo” que permiten despresurizar el depósito (Boil off).
Durante una operación de mantenimiento en una planta si se origina un aumento anormal de la presión en el interior del depósito de GNL el técnico procede a abrir de forma manual el venteo para reducir la presión del depósito.
“La emisión a la atmósfera de gas natural implica riesgos en materia de seguridad e impacto ambiental, por lo que debe realizarse únicamente en casos de fuerza mayor y estrictamente controlado”
En este sentido, se ha seleccionado este caso de uso como aplicación de modelos predictivos para la gestión y el mantenimiento
preventivo. Con ello se pretende evitar situaciones de riesgo en las plantas satélites de GNL, mejorar su seguridad y reducir los impactos ambientales.
Este estudio se ha llevado a cabo en el marco del proyecto Activ 4.0 de la Comunidad RIS3CAT Utilities 4.0 (ref. COMRDI-16-1-0054) durante los últimos tres años (2018-2020).
A continuación, en el apartado 2 se presenta una breve descripción de las plantas satélites de GNL y de la instrumentación existente para supervisar el estado de estas estaciones en tiempo real mediante SCADA, el apartado 3 presenta el alcance de la gestión y mantenimiento predictivo que ha realizado en estas PSR. Además, se presentan los modelos predictivos basados en datos desarrollados para dichas PSR’S. En el apartado 5 se muestran los resultados obtenidos de la predicción de estos modelos. En el apartado 6, se presenta la visualización realizada y finalmente en el apartado 7 se ofrecen las conclusiones y trabajo futuro.
Descripción de las plantas satélites de GNL
Una planta satélite (Figura 1) de regasificación de GNL se compone de los siguientes sistemas para su operación:
a) Descarga de GNL: permite realizar la transferencia de GNL entre camiones cisterna y depósitos de almacenamiento.
b) Almacenamiento: integrado por uno o más depósitos de doble contención, utilizados para almacenar GNL en temperaturas criogénicas.
c) Vaporizador de GNL: un intercambiador de calor sencillo, que caso de vaporizadores atmosféricos vaporiza el gas licuado utilizando calor absorbido del aire ambiente, y en el caso de vaporizadores forzados aprovecha el intercambio con otro fluido (normalmente agua con glicol, aditivo incorporado) calentando por un equipo térmico.
d) Sistema de regulación (ERM): reduce y establece la presión del gas para el suministro a través de la red de distribución.
e) Sistema de control y operación de la planta: mantiene el control del sistema en todos sus modos de operación incluyendo paradas de emergencia que permiten interrumpir inmediatamente el suministro en caso de una emergencia.
En los depósitos de almacenamiento de GNL, el gas se genera de manera que, si no se extrae, se acumula en el depósito haciendo que la presión aumente. Las principales causas de esta generación de gas se deben a:
• A la vaporización del GNL contenido en el depósito debido al intercambio de calor con el exterior a través las paredes y el techo del depósito. La temperatura de almacenamiento es de -162º C y, aunque el depósito es criogénico con dos contenedores y un importante aislamiento en la cámara entre ellos, hay un cierto nivel de intercambio de calor, provocando un aumento en la temperatura del depósito.
• Comprimir el gas en equilibrio con el GNL almacenado durante el llenado del depósito por camiones.
El gas generado en exceso con respecto a la cantidad de gas en equilibrio con el GNL, conocido como gas de ebullición (Boil-off gas: BOG), tiene que ser evacuado de los depósitos. El BOG generado por el GNL líquido a la temperatura y presión de equilibrio que tiene en el depósito, puede provocar sobrepresiones en el depósito si no es consumido o aliviado. Para evitar dicha sobrepresión se dispone de un sistema conocido como economizador.
El BOG se reutiliza mediante un elemento regulador, denominado economizador para evitar pérdidas de producto y emisiones innecesarias de gases a la atmósfera, previniendo un impacto negativo al medio ambiente.
El economizador es un sistema que permite el aprovechamiento a consumo del gas generado en el depósito limitando o anulando la producción de gas en los vaporizadores a partir de la salida de GNL líquido del depósito. Hay varios sistemas de economizadores pero básicamente lo que hacen es estrangular o cerrar completamente la salida de fase líquida a los vaporizadores y simultáneamente
inyectar gas de la fase vapor del depósito (que está en equilibrio con el líquido y a su misma temperatura) a la entrada de los vaporizadores para que ese gas siga el circuito y se caliente a temperaturas superiores a 0ºc, permitiendo su entrada en la parte no criogénica de la planta que está aguas abajo del recalentador alimentando a consumo y disminuyendo la presión en el depósito en función de ese consumo.
El sistema de regasificación calienta el GNL del depósito a su salida y en consecuencia el líquido del depósito disminuye en la zona inferior del mismo y aumenta el volumen ocupado por la fase gaseosa en la parte superior. Desde el depósito, que está aislado térmicamente, no hay vaporización de líquido a gas, por lo que la presión de la fase gaseosa disminuye aumentando el volumen que ocupa. Para mantener la presión del gas y evitar su descenso, hay un regulador llamado ajuste rápido de presión (PPR) que controla la regasificación del gas líquido extraído del depósito en circuito cerrado. El 90% de los casos, el PPR consiste en un regulador de presión totalmente mecánico cuya consigna se fija manualmente mediante un tornillo de regulación.
La instalación también dispone de un sensor de presión en el interior del depòsito y de sensores de presión y temperatura a la salida del vaporizador, recalentador y ERN. Dicha información se recopila en un controlador lógico programable (PLC) encargado de transferir la información a un sistema SCADA en donde serán almacenados en una base de datos.
La Figura 2 muestra la variación anual de las medidas de algunos de dichos sensores. Dos de las medidas claves son la presión del gas y el nivel de gas líquido en el interior del depósito. Los datos observados corresponden a una PSR con presión máxima de 5 bar en el depósito, en la cual la presión de gas se regula en torno a 4 bar. El nivel de gas líquido disminuye por el consumo a través de la regasificación y aumenta debido al llenado por transferencia de GNL entre los camiones cisterna y los depósitos de almacenamiento. Es de interés prever la evolución de ambas variables y llevar a cabo una gestión predictiva de las mismas que permita, por un lado, programar anticipadamente una recarga de GNL en el depósito (mantenimiento predictivo) y, por otra parte, controlar el sistema para evitar si es posible un venteo del gas (BOG), como se verá posteriormente.
Gestión y mantenimiento predictivo de las plantas
Actualmente el concepto de gestión y mantenimiento preventivo basado en programación de actividades y de sustitución o renovación de componentes ha demostrado ser poco efectivo y claramente mejorable aplicando tecnologías de analítica de datos y considerando bases de datos diversos que no son sólo las que se derivan de los propios sistemas SCADA.
La utilización de pronóstico para realizar un mantenimiento predictivo trata de resolver, principalmente, dos problemas. Primero, determinar la ventana de tiempo sobre la que se debe realizar el mantenimiento sin comprometer la integridad operacional del activo o proceso. Y, el segundo problema es la estimación del tiempo hasta el fallo y proporcionar información al operador de si es posible continuar funcionando o se debe hacer una parada inmediata, al no ser posible realizar el mantenimiento necesario. El primero muestra si es posible reducir el mantenimiento necesario a través de intervalos de mantenimiento optimizados y, al mismo tiempo, tanto el mantenimiento no planeado y sus costes asociados, como la mejora en la seguridad y reducción en impactos ambientales. El segundo intenta proporcionar una ayuda a la decisión del cambio de las condiciones operativas (velocidad, carga, estrés) para llegar a la próxima oportunidad de mantenimiento, así como información sobre si el equipo tiene alta probabilidad de operación segura para la misión planificada.
En principio, en nuestra aplicación no se trata de anticiparse al fallo o pérdida de control de la planta, sino en determinar anticipadamente situaciones límites como son la sobre presión en el depósito que obligan a hacer venteos o los límites de nivel mínimo de gas líquido en los depósitos que obliga a programar una recarga de gas líquido mediante una red de camiones. Y además hay
que apuntar que la carga de las plantas satélites de regasificación produce una bajada importante de la presión del gas que alivia la sobrepresión del mismo y puede evitar realizar venteos innecesarios. En ambos casos, anticiparse a estas situaciones límites permiten gestionar de forma predictiva y mejora el funcionamiento de estas PSR.
Modelos predictivos basado en señales del estado de las plantas
En este proyecto se han desarrollado dos modelos de predicción basados en los propios datos de las plantas satélites de GNL. El primero, es un modelo cualitativo de inteligencia artificial basado en lógica borrosa y el segundo, es un modelo cuantitativo matemático de alisado exponencial que sólo tiene un parámetro de diseño.
El modelo cualitativo utilizado se basa en razonamiento inductivo borroso (fuzzy) que permite obtener relaciones cualitativas entre las variables que componen un sistema, e inferir su comportamiento futuro. El razonamiento inductivo borroso consta de 4 fases: fuzzificación, identificación del modelo cualitativo, predicción del tiempo que falta para alcanzar el estado crítico y defuzzificación.
El modelo cuantitativo de doble alisado exponencial propuesto por Brown y muy utilizado en predicción de la degradación de sistemas (mantenimiento predictivo) tiene la particularidad de que filtra los datos originales para realizar la predicción y sólo dispone de un único parámetro (alfa) de ajuste que debe ser sintonizado como un compromiso entre el filtrado del ruido de los datos y el seguimiento dinámico de las variables claves del estudio.
Resultados de la predicción
Los modelos de predicción se han aplicado al estudio de un gran número de plantas satélites de regasificación PSR de GNL de Nedgia S.A. con un resultado muy interesante, que permite, en la
gran mayoría de PSR, anticiparse más de 4 días (96 horas) a las situaciones críticas de presión y nivel de GNL en el depósito, permitiendo gestionar adecuadamente las acciones posibles para minimizar venteos y programación de cargas/descargas con la flota de camiones. La Figura 3, presenta la predicción en horas para alcanzar la presión límite de 4 bar con un intervalo de confianza de ±12 horas. La Figura 4, refleja lo mismo en la predicción en horas para alcanzar el nivel bajo de GNL y la Figura 5, muestra la gran similitud que existe entre la predicción del modelo y el tiempo ideal que faltaba para alcanzar la presión crítica en una PSR, que permite asegurar en este caso una buena predicción superior a 100 horas.
Los datos que se han utilizado para este estudio son de tipo horario y los predictores permiten adaptar en tiempo real la estimación de los tiempos de predicción a cada instante de muestreo y lógicamente cuanto más se acercan las variables a sus estados críticos, más certeros son los tiempos de predicción.
Los técnicos que supervisan estas plantas satélites de regasificación PSR de GNL, disponen con este trabajo de una predicción precoz muy útil para una gestión óptima de la recarga con una flota de camiones y una minimización de los venteos de los depósitos de dichas instalaciones, reduciendo las pérdidas de energía y el impacto sobre el medio ambiente.
Visualización del estado de las plantas
Para la integración de datos heterogéneos, se decide desarrollar una “Plataform as a Service (Paas)” basada en modelos BIM para la obtención del Digital Twin (Gemelo Digital) para la planta satélite de GNL seleccionada. Esto consiste en modelar la planta de GNL mediante herramientas comerciales que utilicen la metodología BIM, en este caso la herramienta Revit, el cual permite representar geométricamente los diferentes componentes que integran el modelo de la planta. Cada uno de estos componentes asocia información relevante que permite la identificación de cada uno de ellos, incluyendo vínculos dentro de la información que hacen referencia a la documentación asociada, como fichas técnicas de los equipos, certificaciones de conformidad, otros y códigos de identificación únicos que son necesarios para la vinculación con las herramientas de mantenimiento que integra la plataforma Dtwin y su asociación con la información de los sensores que son almacenados en una base de datos por otras herramientas.
El resultado del modelo de la planta, es procesado para su visualización e interacción por parte de los usuarios a través de una aplicación web, que es parte de la plataforma Dtwin que se encuentra desplegada en los servidores Cloud de Azure, La plataforma Dtwin procesa información de modelos que hayan sido creados siguiendo la metodología BIM, actualmente soporta ficheros .rvt (Revit) y el .IFC este último es un fichero de formato abierto que es compatible con cualquier software de diseño que utilice la metodología BIM. Seguidamente, se desarrolla una plataforma web basada en servidores Azure y en los modelos BIM desarrollados, tanto en formato .rvt (Revit)u otros formatos abiertos/estándares cómo el .IFC.
La Figura 6 muestra el resultado de la creación del modelo BIM de la planta. Al añadir la capa para poder integrar las variables de operación y los resultados de diagnóstico y detección de anomalías podemos hablar de modelo Digital Twin (o gemelo digital) que permite tener una modelización virtual del activo físico.
Como parte de la integración se ha realizado la representación GIS de la ubicación de las plantas GNL en un visor de mapas (Figura 7), el cual permite al usuario interactuar en cada representación GIS de la planta, para visualizar el estado actual de los sensores y la predicción estimada sobre el nivel y presión, calculados por la UPC a través de sus algoritmos de predicción, asociados a cada una de ellas y el historial en una escala gráfica para realizar su seguimiento y posterior análisis en la toma de decisiones.
La plataforma Dtwin suministra un visualizador 3D a la plataforma Worldsensing para que pueda integrarlo dentro de su solución y así poder tener interacción con el modelo Digital Twin (o gemelo digital) procesado.
La plataforma IOT de Worldsensing permite gestionar series temporales de datos de forma masiva. De esta forma se han integrado los datos de los sensores de las plantas de GNL y de la predicción, tal como se muestra en la Figura 8.
También se han geoposicionado las localizaciones de las plantas, para poder acceder al panel de visualización propio de cada una de ellas.
La plataforma IOT de Worldensing está desarrollada sobre una pila de aplicaciones de software libre, basadas en la pila TICK (Telegraf, Influxdb, Cronograph y Kapacitor). Además, se han desarrollado funcionalidades propias para incrementar las prestaciones, así como un interfaz gráfico propio. De esta forma se pueden gestionar múltiples fuentes de datos, caracterizando reglas de negocio para cada una de ellas, y ofreciendo la automatización de acciones a llevar a cabo cuando se identifican determinadas situaciones.
Conclusiones La aplicación de los conceptos de Industria 4.0 de análisis de datos, gestión y mantenimiento predictivo e integración de datos heterogéneos, basada en modelos BIM para la obtención del Digital Twin de estaciones satélites de GNL de la empresa Nedgia S.A., ha sido un éxito como se presenta en este trabajo que ha sido realizado gracias a la creación y desarrollo durante los últimos años de la comunidad RIS3CAT Utilities 4.0.
Joseba Quevedo, Antoni Escobet y Teresa Escobet, de la UPC. Adoración Molina, Armand Cloquell y Ángel Martin-dorado, de Nedgia, S.A. Ignasi Garcia-milà , de Worldsensing. Mikel Borràs y Luís Ibáñez Adrián, de IDP.
Agradecimientos Este trabajo ha sido realizado en el marco del proyecto Activ 4.0 de la Comunidad RIS3CAT Utilities 4.0 financiada por AGAUR ACCIO y los fondos FEDER con la referencia COMRDI-16-1-0054.