ÚNETE
CONTACTO
  • ACTIVIDADES PROFESIONALES, CIENTÍFICAS Y TÉCNICAS
  • Herramienta
  • IA Aplicada

PETRONOR

Implantación y escalado de la IA: del PoC al uso real en Operación

Petronor
Desarrollo e implantación de un sistema digital basado en visión artificial e inteligencia artificial para el análisis automatizado de imágenes termográficas de tanques, con el objetivo de identificar y cuantificar capas de fluidos (agua, crudo y aire) de forma precisa y consistente. El sistema integra: Procesamiento de imágenes termográficas normalizadas Modelos de visión artificial (YOLO) Lógica de negocio basada en criterios físico-operativos Plataforma web para visualización y explotación de resultados La evolución del sistema contempla la transición desde un modelo manual (fase piloto) hacia un entorno totalmente automatizado mediante cámaras fijas, conectividad 5G e integración con sistemas industriales.
Reducir el error en la estimación de interfaces de fluidos por debajo del 3% en condiciones operativas habituales. Disminuir la dependencia de interpretación manual en el análisis termográfico en al menos un 70% en fase industrial. Reducir falsos positivos por artefactos térmicos (virolas, ruido) en más de un 80% mediante lógica híbrida IA + física. Garantizar trazabilidad y coherencia temporal de datos en el 100% de los análisis mediante almacenamiento histórico estructurado. Automatizar la captura y procesamiento de datos eliminando la carga manual en un horizonte de implantación ≤ 12 meses.
Precisión del sistema: error medio de ≈ 2,4% en la estimación de la posición de interfaz respecto a referencia manual. [Aplicación…able_final | PDF] Reducción de falsos positivos: hasta un 85% en detecciones erróneas asociadas a juntas de virola. [Aplicación…able_final | PDF] Mejora en consistencia del análisis temporal: validada mediante comparación de series de termografías con lógica basada en estado previo. [Aplicación…able_final | PDF] Periodo de validación: campañas de prueba con capturas diarias durante fases piloto. Nivel de evidencia: piloto validado en entorno real (tanques serie TK1XX).
Problema Alta variabilidad en la captura manual de termografías (ángulo, distancia, condiciones ambientales). Interpretación subjetiva de capas por parte de operadores. Dificultad para identificar interfaces reales por: ruido térmico efectos estructurales (virolas) condiciones ambientales Falta de seguimiento continuo y trazable del estado de los tanques. Ámbito de aplicación Tanques de almacenamiento de crudo (principal foco: TK1XX) Tanques de operación (TK0XX, con pipeline simplificado) Aplicación extensible a cualquier activo con análisis termográfico de capas.
Visión artificial Modelos YOLO (Ultralytics) entrenados por tanque [Aplicación…able_final | PDF] Procesamiento de imagen OpenCV (colormaps, preprocesado térmico) [Aplicación…able_final | PDF] Backend Python (procesamiento IA y lógica de negocio) MongoDB (almacenamiento de estados) Frontend HTML, CSS, JavaScript, PHP [Aplicación…able_final | PDF] Datos CSV (matriz térmica por píxel) Excel (datos operativos) Imágenes JPG Infraestructura futura Cámaras termográficas fijas Edge computing Conectividad 5G Integración con PI System
Mejora significativa en la precisión y robustez del análisis termográfico Eliminación de errores recurrentes por interpretación manual Disponibilidad de un histórico estructurado y explotable Capacidad de análisis evolutivo de tanques (tendencias) Soporte a la toma de decisiones operativas: drenado mezcla transferencia Base para evolución hacia: monitorización continua análisis predictivo alertas automáticas
✔ Disponibilidad de dataset representativo y etiquetado de calidad ✔ Integración de conocimiento experto (operación + laboratorio) en la lógica del sistema ✔ Uso combinado de: modelos IA reglas físico-operativas ✔ Participación activa de: Departamento de tanques Equipo de programación
La IA por sí sola no es suficiente → es clave combinarla con reglas físicas del proceso. La variabilidad en la captura manual impacta críticamente en los resultados. Cada tanque tiene un patrón térmico propio, obligando a entrenamiento específico. Los falsos positivos estructurales (virolas) son un problema relevante que debe tratarse explícitamente. La coherencia temporal (uso del histórico) es clave para evitar errores en condiciones adversas (lluvia, radiación, etc.). La calidad del dato de entrada (captura + Excel) condiciona directamente el resultado.
  • Recursos utilizados

Campañas de captura de termografías (operación real) Dataset etiquetado manualmente por expertos Desarrollo IA y software por MERASYS (Proveedor Tecnológico) Participación de: Petronor Innovación Departamento de Tanques Programación Simulaciones térmicas complementarias Infraestructura IT para desarrollo y almacenamiento Roles clave Técnicos de operación (captura y validación) Expertos en proceso (interpretación física) Data scientists / IA Desarrolladores backend/frontend Ingenieros de integración industrial Esfuerzo estimado (según planificación) Fase piloto: ~3 meses Desarrollo industrial: múltiples fases (hasta 12 meses totales) Materiales Cámara termográfica Infraestructura IT (servidores, BD) Software IA y plataforma web Equipamiento futuro: cámaras fijas red 5G nodos edge

  • Colaboraciones

Petronor Departamento de Tanques Petronor Innovación Programación MERASYS

es
14/09/2026
ACTIVIDADES PROFESIONALES, CIENTÍFICAS Y TÉCNICAS, Herramienta, IA Aplicada
Scroll al inicio