Cómo extraer especificaciones de materiales de un certificado PDF

Respuesta rápida

Un certificado de prueba de acería PDF contiene la prueba completa de especificación de material para un lote de material: composición química, resultados de prueba mecánica, el estándar y grado contra el cual se probó, y la declaración de la acería certificante. Extraer estos valores del PDF e ingresarlos en un sistema usable—sin reescritura manual—es el desafío práctico que aborda esta guía.

---

Entendimiento del contenido de un PDF de especificación de material

Antes de extraer, sepa qué busca. Un MTC típico contiene:

Campos de encabezado/identidad

• Número de colada (a veces llamado número de fundición, número de fusión o número de lote)
• Número de certificado y fecha
• Referencia de pedido/PO
• Nombre y dirección de la acería certificante
• Firmante y título

Campos de especificación de material

• Estándar aplicable (por ejemplo, ASTM A106, EN 10210-1, API 5L)
• Grado (por ejemplo, Grado B, S355J2H, X52)
• Forma del producto (tubería sin costura, placa laminada en caliente, varilla)
• Dimensiones nominales (OD, espesor de pared, longitud)
• Condición de tratamiento térmico (recocido, temple y revenido, estado laminado)

Tabla de composición química

• Carbono (C), Manganeso (Mn), Silicio (Si), Fósforo (P), Azufre (S) como mínimo
• Elementos adicionales según el grado: Cromo, Molibdeno, Níquel, Vanadio, Niobio, Boro, Nitrógeno, etc.
• Los valores se reportan típicamente como porcentaje en peso con 2-4 decimales

Resultados de prueba mecánica

• Resistencia a la tracción (UTS), límite elástico (YS/Rp0.2), alargamiento (%)
• Para grados probados por impacto: energía absorbida de Charpy (Julios) a temperatura especificada
• Dureza (HB, HV, HRC) donde aplicable

Datos complementarios (donde aplicable)

• Resultados de examen no destructivo
• Datos de alambre de soldadura/metal de aportación (para productos soldados)
• Registros de tratamiento térmico post-soldadura
• Resultados de prueba hidrostática

---

Método 1: Copiar-pegar manual (documentos individuales)

Para búsquedas ocasionales y de bajo volumen:

1. Abra el PDF en cualquier lector PDF
2. Para PDF nativos (generados por máquina): utilice la herramienta de selección de texto para destacar y copiar valores directamente. Nota: las tablas pueden no copiarse limpiamente—los valores pueden llegar en orden incorrecto dependiendo de cómo se generó el PDF.
3. Para PDF escaneados: la capa de texto es una imagen, no texto seleccionable. Debe leer los valores visualmente e ingresarlos.

Limitaciones: Lento, propenso a errores para tablas químicas, sin salida estructurada, sin rastro de auditoría.

---

Método 2: Extracción de texto PDF con Python (programático, PDF nativos)

Para desarrolladores que necesitan procesar un lote de PDF nativos programáticamente:

import pdfplumber

with pdfplumber.open("milling_cert.pdf") as pdf:
    for page in pdf.pages:
        # Extract all text
        text = page.extract_text()
        
        # Extract tables as lists
        tables = page.extract_tables()
        for table in tables:
            for row in table:
                print(row)

Lo que esto le proporciona: Texto sin procesar y arrays de tablas de un PDF nativo. Aún necesita lógica de post-procesamiento para identificar qué tabla es la tabla de química, qué fila es el encabezado y cómo asociar valores con etiquetas de elementos.

Limitaciones:

• Solo funciona con PDF nativos (no escaneados)
• La estructura de la tabla se pierde para diseños complejos (celdas fusionadas, encabezados de varias filas)
• Sin identificación de campos—debe escribir reglas para encontrar cada valor
• No maneja la variación de diseño entre diferentes acerías

Este enfoque es viable para un escenario de proveedor único, alto volumen con un formato PDF estable. No es un analizador de certificados de propósito general.

---

Método 3: Extracción basada en IA (propósito general)

Para uso en producción en múltiples proveedores y tipos de documentos:

Una herramienta de extracción con IA recibe el PDF, clasifica el tipo de documento, identifica el esquema de extracción aplicable, extrae valores con puntuaciones de confianza por campo y devuelve un registro JSON estructurado. El proceso es el mismo para PDF nativos y documentos escaneados, aunque la precisión es mayor para PDF nativos.

Cómo se ve la salida (simplificado):

{
  "heat_number": "A87234",
  "applicable_standard": "ASTM A106",
  "grade": "Grade B",
  "chemical_composition": {
    "carbon": { "value": 0.18, "unit": "wt%", "confidence": 0.97 },
    "manganese": { "value": 1.06, "unit": "wt%", "confidence": 0.96 },
    "phosphorus": { "value": 0.012, "unit": "wt%", "confidence": 0.94 },
    "sulfur": { "value": 0.008, "unit": "wt%", "confidence": 0.95 }
  },
  "mechanical_properties": {
    "tensile_strength": { "value": 415, "unit": "MPa", "confidence": 0.98 },
    "yield_strength": { "value": 240, "unit": "MPa", "confidence": 0.97 },
    "elongation": { "value": 28.5, "unit": "%", "confidence": 0.95 }
  }
}

Cada campo lleva su valor, unidad y puntuación de confianza. Los campos de baja confianza se enrutan a revisión manual.

---

Desafíos comunes de extracción por tipo de campo

Números de colada: El formato varía ampliamente—algunas acerías usan códigos puramente numéricos, otras usan combinaciones alfanuméricas con guiones, otras incluyen referencias de lote o pieza de prueba. Los extractores deben manejar la variabilidad de formato sin truncamiento o transposición de caracteres.

Unidades: Las propiedades mecánicas pueden reportarse en MPa, N/mm², ksi o kgf/cm² dependiendo del país de la acería y del estándar aplicable. Se requiere detección y normalización de unidades para comparación entre certificados. Una resistencia a la tracción de "60 ksi" y "414 MPa" son equivalentes pero se verán diferentes sin normalización consciente de unidades.

Valores de química cerca de límites de detección: Algunas acerías reportan elementos como "<0.005" (por debajo del límite de detección) en lugar de un valor específico. El extractor debe manejar esto como un valor acotado, no como una cadena de texto o nulo.

Certificación dual: Un certificado que cubre dos estándares simultáneos (por ejemplo, ASTM A106 Gr.B / ASME SA-106 Gr.B) debe registrar ambas referencias. Los extractores de estándar único descartan silenciosamente la segunda referencia.

Tablas de dimensiones de producto: Para certificados de tubería, es común una tabla de dimensiones que lista OD, espesor de pared y longitud por número de artículo. Esta tabla debe analizarse por separado de los datos de química y mecánica y vincularse por número de artículo.

---

Después de la extracción: validación contra la especificación

Los valores extraídos son útiles solo si sabe si cumplen. La validación requiere comparar cada valor extraído contra los límites del estándar aplicable:

Sin una base de datos de estándares almacenada y versionada, esta validación requiere que el revisor busque manualmente los límites—negando muchos de los beneficios de la automatización. Plataformas como TestCert integran valores extraídos con un motor de validación de estándares en tiempo de extracción, por lo que se determina automáticamente el aprobado/rechazado para cada campo extraído.

---

Preguntas frecuentes

---

Guías relacionadas

• Extracción de datos de certificados de prueba de acería con IA: métodos
• Cómo digitalizar certificados de prueba de acería