BRPI1104413A2 - sistema e método de detecção de vazamento de gás, método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível - Google Patents

Abstract

sistema e método de detecção de vazamento de gás, método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível. a presente invenção trata-se de um sistema e um método de detecção de vazamento de gás, um método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível, o método de determinação da magnitude e da localização de vazamento de gás envolve a utilização de redes neurais para análise dos dados, que apresenta como vantagem a possibilidade de manipulação eficiente de grandes quantidades de dados e grande capacidade de generalização. além disso, através dos modelos neurais não é necessário o monitoramento do operador através de computador para análise de gráficos gerados pelos sinais acústicos, pois os modelos neurais geram um alarme informando a ocorrência, o tamanho e a localização do vazamento. a rápida detecção e localização de vazamento através de um sistema eficiente de monitoramento são essenciais para reduzir e evitar acidentes de grandes proporções.

Description

SISTEMA E MÉTODO DE DETECÇÃO DE VAZAMENTO DE GÁS, MÉTODO

DE DETERMINAÇÃO DA MAGNITUDE E DA LOCALIZAÇÃO DE

VAZAMENTO DE GÁS POR MEIO DE REDES NEURAIS E O USO EM TUBULAÇÃO RÍGIDA E/OU FLEXÍVEL.

Campo da invenção A presente invenção trata-se de um sistema e um método de detecção de vazamento de gás, um método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível. O método de determinação da magnitude e da localização de vazamento de gás envolve a utilização de redes neurais para análise dos dados, que apresenta como vantagem a possibilidade de manipulação eficiente de grandes quantidades de dados e grande capacidade de generalização. Além disso, através dos modelos neurais não é necessário o monitoramento do operador através de computador para análise de gráficos gerados pelos sinais acústicos, pois os modelos neurais geram um alarme informando a ocorrência, o tamanho e a localização do vazamento.

Redes de tubulações são sistemas de dutos utilizados no transporte de diferentes produtos químicos, líquidos ou gases, por longas distâncias. Estas redes estão sujeitas a fatores que podem afetar sua integridade e provocar vazamentos nas tubulações. Desta forma, a rápida detecção e localização de vazamento através de um sistema eficiente de monitoramento são essenciais para reduzir e evitar acidentes de grandes proporções.

Fundamentos da invenção A cada ano cresce o número de tubulações que transportam por longas distâncias gases e líquidos por terra e sob o mar, atravessando regiões densamente povoadas e reservas naturais. Os vazamentos nessas tubulações podem gerar sérios problemas de poluição ao meio ambiente e ocasionar prejuízos financeiros para as empresas. Desta forma é fundamental supervisionar as tubulações para detectar e localizar eventuais vazamentos nos dutos operacionais. Grandes recursos têm sido investidos para o desenvolvimento de novas tecnologias em sistemas de dutos, visando à melhoria dos níveis d© segurança, confiança, eficiência e efetividade de operação destes sistemas.

Os métodos de detecção de vazamentos podem ser classificados em duas categorias: métodos externos e internos. Com o método externo verificam-se vazamentos na parte externa da tubulação, um exemplo disso é a inspeção visual. No método interno a inspeção é feita no interior do tubo. Este método envolve computação e processamento de sinais, métodos de balanço de volume e são baseados em instrumentos de medição para aquisição de dados, como por exemplo, medidor de pressão ou vazão.

No momento em que ocorre o vazamento, há uma queda de pressão repentina no local, que dá origem a uma onda de pressão negativa que se propaga à velocidade do som no sentindo a montante e a jusante. Estas ondas dissipam-se rapidamente e o sistema alcança um novo regime permanente.

Esta onda de pressão pode ser detectada pela instalação de uma série de transdutores de pressão ao longo da tubulação. Este método, chamado de análise de transiente de pressão, é muito apropriado para análise de vazamentos em tubulações que transportam líquidos. No entanto, ele não é apropriado para o transporte de gases. Como os gases são fluidos compressíveis, a pressão anterior ao vazamento é quase instantaneamente recuperada e a onda de pressão não é detectada pelos transdutores de forma nítida.

Existem sistemas que utilizam dois sensores de pressão em cada extremidade da tubulação para discriminar a queda de pressão provocada pelo vazamento (ZHANG, 1996). Este sistema apresenta vantagens como a rápida detecção e a boa precisão na localização de vazamentos, porém há uma deficiência na quantificação do volume vazado e na detecção de vazamentos pré-existentes ou surgidos de forma gradativa (MARTINS, 2011).

Aiguns métodos utilizam o aumento de fluxo e simultaneamente a diminuição de pressão à montante, para detectar vazamentos. Porém este método aplica-se somente ao transporte, em estado estacionário, de fluidos incompressíveis, pois do contrário pode levar a falsos alarmes. Além disso, segundo WIKE (1986), somente vazamentos por rupturas são detectáveis e o vazamento não pode ser localizado por esse método.

Outro método utilizado na detecção de vazamentos é baseado na diferença entre o volume que entra na tubulação e o volume que sai (SANDBERG et al., 1989). Porém, este método sofre de limitações como a exatidão da medida do volume e das variações associadas a ela. Além disso, pode ocorrer alarmes falsos, pois a taxa de fluxo depende de vários parâmetros como, temperatura, pressão, densidade e viscosidade.

Outra forma de detecção de vazamento é através da utilização de métodos acústicos. Estes métodos utilizam sensores capazes de detectar vibrações acústicas originadas por vazamentos pequenos em curto espaço de tempo. Os métodos acústicos para a inspeção de tubulações, localização dos vazamentos e danos têm sido amplamente utilizados com aplicações primárias relacionadas ao controle de qualidade dos tubos utilizados na indústria química (TOLSTOY et al., 2008), prática bastante comum em muitos países. O sucesso da supervisão depende da instalação de bons sensores acústicos ao longo da tubulação e um sistema satisfatório de captação de sinais e gravação de dados. Porém, quando as vibrações são medidas por transdutores de pressão (p. ex piezoelétricos), este método não é adequado para deteGtar vazamento em tubulações que transportam gases, pois as ondas de pressão se atenuam rapidamente em meio gasoso e nem sempre são capturadas pelos transdutores de pressão instalados na tubulação. Ao contrário da pressão, o som provocado pelo vazamento não se atenua e ainda se dissipa em alta velocidade dentro da tubulação. Desta forma, os trabalhos de PAVAN (2005) e SOUSA (2007) mostraram experimentalmente a grande potencialidade dos sensores acústicos do tipo microfone para detectar vazamentos em vasos de pressão e em tubulação transportando gás, respectivamente. A utilização de redes neurais já foi proposta como ferramenta de análise de dados para a detecção de vazamentos em alguns trabalhos como BELSITO et al. (1998), GARCIA ET al. (2010). Porém, as redes utilizadas não indicavam a localização e a magnitude dos vazamentos, já que se baseavam somente em medições de aparelho píezoelétrico.

Em geral, os métodos tradicionais citados acima não apresentam desempenho satisfatório, pois geram com frequência alarmes falsos, são de difícil interpretação para o operador e a manutenção dos sistemas propostos apresenta custos elevados. Além disso, apresentam dificuldade em detectar vazamentos de gás de menor grandeza que podem ser provocados por corrosão, fadiga, erosão e falhas nas soldas ou junções, por exemplo.

Diante do exposto seria útil se a técnica dispusesse de um sistema e método de vazamento que pudesse determinar com exatidão a magnitude e localização de vazamentos de pequenas proporções em tubulações transportando gases.

Breve descrição da invenção Considerando a importância de sistemas de detecção de vazamentos em redes de tubulações, a presente invenção trata-se de um sistema e um método de detecção e vazamento de gás, um método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais baseados em sensor acústico e análise por redes neurais e o uso em tubulação rígida e/ou flexível. O sistema é composto por microfones, responsáveis por captar o ruído gerado pelo escape do gás da tubulação pelo orifício do vazamento. O sinal sonoro detectado é decomposto em diferentes frequências dominantes e é analisado por meio de redes neurais. Desta forma é possível identificar a magnitude e a localização dos vazamentos de pequenas proporções. Desta forma, pode-se tomar atitudes corretivas antes que a tubulação se rompa, evitando danos à saúde humana e ao meio ambiente, além de minimizar prejuízos decorrentes.

Os dados experimentais obtidos do sensor acústico foram utilizados como dados de entrada do modelo neural para determinação da magnitude dos vazamentos e a localização dos mesmos.

Breve descrição das fiauras A estrutura e operação da presente invenção, juntamente com vantagens adicionais da mesma poderão ser melhor entendidas mediante referência aos desenhos em anexo e às seguintes descrições: - A Figura 1 representa o sistema operando com tubulação rígida. - A Figura 2 representa o sistema operando com tubulação flexível (mangueira). - A Figura 3 apresenta uma ilustração dos dados de entrada do modelo neural. - A Figura 4 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado no início da tubulação (0 m) com orifício de 1mm (vazamentos provocados com 10,88 s, 10,82 s e 7,80 s de testes respectivamente). - A Figura 5 representa o sistema de detecção utilizado na tubulação flexível. - A Figura 6 representa o sistema de detecção e localização de vazamento utilizado no monitoramento da tubulação de ferro galvanizado. - A Figura 7 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado a 50 m do inicio da tubulação com orifício de 1mm (vazamentos provocados com 10,05 s, 7,19 s e 8,79 s de teste respectivamente). F - A Figura 8 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado no início da tubulação (0 m) com orifício de 3 mm (vazamentos provocados com 9,95 s, 5,71 s e 6,32 s de teste respectivamente). - A Figura 9 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado a 50 m do início da tubulação com orifício de 3mm (vazamentos provocados com 10,65 s, 8,18 s e 4,94 s de teste respectivamente). - A Figura 10 apresenta os transientes de pressão e amplitudes dos ruídos sonoros para vazamento provocado no início da tubulação, com orifício de 1mm (vazamentos provocados com 28,13s e 32,19 s de teste respectivamente). - A Figura 11 apresenta os transientes de pressão e amplitudes dos ruídos sonoros para vazamentos provocados no início da tubulação, com orifício de 2mm (vazamentos provocados com 2Q,93s e 20,90 s de teste respectivamente). - A Figura 12 apresenta os transientes de pressão e amplitudes dos ruídos sonoros para vazamentos provocados no início da tubulação, com orifício de 3mm (vazamentos provocados com 13,79 s e 22,70 s de teste respectivamente). - A Figura 13 apresenta os transientes de pressão e amplitudes dos ruídos sonoros para vazamentos provocados a 3 m do início da tubulação, com pressão de 6 kgf/cm2 (vazamentos provocados com 39,06 s, 32,19 s e 28,74 s de teste respectivamente). -A Figura 14 representa o teste do modelo neural com dados não vistos no treinamento para vazamentos nos pontos 0 e 50 m do início da tubulação, com pressão inicial de 2 kgf/cm2. - A Figura 15 representa o teste do modelo neural com dados não vistos no treinamento para vazamento nos pontos 0 e 50 m do início da tubulação, com pressão inicial de 4 kgf/cm2. - A Figura 16 representa o teste do modelo neural com dados não vistos no treinamento para vazamento nos pontos 0 e 50 m do inicio da tubulação, com pressão inicial de 6 kgf/cm2. - Figura 17 apresenta a diferença entre dados reais, e dados calculados pelos modelos neurais da tubulação flexível versus o número de vetores nos pontos de vazamento a 0 e 50 m do Inicio da tubulação, para a pressão de 2 kgf/cm2. - A Figura 18 apresenta a diferença entre dados reais, e dados calculados pelos modelos neurais da tubulação flexível versus o número de vetores nos pontos de vazamento a 0 e 50 m do início da tubulação, para a pressão de 4 kgf/cm2. - A Figura 19 apresenta a diferença entre dados reais, e dados calculados pelos modelos neurais da tubulação flexível versus o número de vetores nos pontos de vazamento a 0 e 50 m do início da tubulação, para a pressão de 6 kgf/cm2. - A Figura 20 apresenta o teste off-line do modelo neural entre dados calculados e dados testes gerados no ponto 0 m da tubulação. - A Figura 21 apresenta a diferença entre dados reais, e dados calculados pelos modelos neurais da tubulação flexível versus o número de vetores nos pontos de vazamento a 0 m do início da tubulação, para as pressões de 4 e 6 kgf/cm2. - A Figura 22 apresenta o teste off-line dos modelos neurais entre dados calculados e dados testes gerados da tubulação com pressão de 6 kgf/cm2. - A Figura 23 apresenta a diferença entre dados reais, e dados calculados pelos modelos neurais da versus o número de vetores, para a pressão de 6 kgf/cm. - A Figura 24 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com orifício de 1 mm. - A Figura 25 apresenta a comparação entre dados de treinamento dos testes online. - A Figura 26 apresenta os testes online do modelo neural para determinar o tamanho do vazamento visando um orifício de 1,5 mm (não visto no treinamento). - A Figura 27 apresenta os testes online do modelo neural para determinar o tamanho do vazamento usando orifício de 2mm. - A Figura 28 apresenta os testes online do modelo neural para determinar o tamanho do vazamento usando um orifício de 2,5 mm (dados não vistos no treinamento). - A Figura 29 apresenta os testes online do modelo neural para determinar o tamanho do com um orifício de 3mm. - A Figura 30 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com um orifício de 1 mm. - A Figura 31 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com um orifício de 1,5 mm. - A Figura 32 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com um orifício de 2mm. - A Figura 33 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com um orifício de 2,5 mm. - A Figura 34 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com um orifício de 3mm. - A Figura 35 apresenta os testes online dos modelos neurais para determinar o tamanho e localização do vazamento usando um orifício de 1 mm no início da tubulação (0 m). - A Figura 36 apresenta os testes online dos modelos neurais para determinar o tamanho e localização do vazamento de orificio de 2 mm, no início da tubulação ( 0 m). - A Figura 37 apresenta os testes online do modelo neural para determinar o tamanho e localização do vazamento de orifício de 3 mm no ponto com 0 m do início do tubulação (0 m). - A Figura 38 apresenta os testes online do modelo neural para determinar o tamanho do vazamento para a pressão de 6 kgf/cm2 com um orifício de 1 mm no ponto com 3 m do início da tubulação. - A Figura 39 apresenta os testes online dos modelos neurais para determinar o tamanho e localização do vazamento de orifício de 2 mm a 3 m do início da tubulação. - A Figura 40 apresenta os testes online dos modelos neurais para determinar o tamanho e localização do vazamento de orifício de 3 mm a 3 m do início da tubulação. - A Figura 41 apresenta os testes online do modelo neural para determinar o tamanho do vazamento usando orifício de 1mm a 1,5 m do início da tubulação. - A Figura 42 apresenta os testes online dos modelos neurals para determinar o tamanho e localização do vazamento de2 mm a 1,5 m do inicio da tubulação. - A Figura 43 apresenta os dados utilizados para treinamento do modelo neural 2 com vazamento de orifício 2 mm e a 3 m do início da tubulação. - A Figura 44 apresenta os dados de entrada dos modelos neurais dos testes online com vazamento a 1,5 m do início da tubulação. - A Figura 45 apresenta os testes online do modelo neural para determinar o tamanho e localização do vazamento com um orifício de 3 mm no ponto com 1,5 m do inicio da tubulação. - A Figura 46 apresenta os dados utilizados para treinamento do modelo neural 2 com vazamento de orifício 3 mm e a 3 m do início da tubulação. - A Figura 47 apresenta os dados de entrada dos modelos neurais dos testes online realizado para determinar o tamanho e a localização do vazamento para um orifício de 3 mm. - A Figura 48 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado no inicio da tubulação (0 m) com orifício de 2mm. - A Figura 49 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado a 50 m do início da tubulação com orifício de 2mm.

Pescricão Detalhada Embora a presente invenção possa ser suscetível a diferentes modalidades, é mostrada nos desenhos e na seguinte discussão detalhada, uma modalidade preferida com o entendimento de que a presente descrição deve ser considerada uma exemplificação dos princípios da invenção e não pretende limitar a presente invenção ao que foi ilustrado e descrito aqui. A presente invenção se refere a um sistema e um método de detecção de vazamento de gás, um método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível.

Sistema de deteccão de vazamento de gás O sistema de detecção de vazamento de gás da presente invenção compreende um transdutor de pressão (4), um microfone (3), um pré- ampiificador (5), um banco de filtros passa-faixa (6), uma placa conversora analógica/digital/analógica (ADA) (7) e um microcomputador (8).

Transdutor de pressão O transdutor de pressão (4) utilizado (COLE PARMER modelo K1) é calibrado para realizar leituras de até 300 psig (20 kgf/cmz), com precisão de aproximadamente 0,4 psig, para um sinal elétrico variando entre 0 e 5 V.

Microfone O microfone (3) utilizado é do tipo ominidirecional (CZN-15E) e colocado no interior da tubulação de gás. O microfone capta o som da fonte não importando a direção em que este chegue a sua cápsuia.

Pré-Amplificador O pré-amplificador (5) foi utilizado com a finalidade de converter a alta impedância do microfone a um valor adequadamente baixo para que o sinal possa ser facilmente transmitido sem perda significativa a longa distância, através de um cabo. O pré-amplificador é posicionado externamente à tubulação de gás, em -local acessfvel, conectado por um cabo blindado ao microfone.

Placa conversora Analóqica/Diqital/Analóqica (ADA) A placa conversora analógica/digital/analógica (ADA) (7) foi utilizada para realizar a conversão de sinais analógicos em digitais e vice-versa. Ela é composta por multiplexador, conversor analógico-digital (CAD) de 12 bits e 8 canais, conversor digital-analógico (CDA) de 10 bits e 8 canais e uma placa de digital-digital (D/D) de 8 bits com 8 canais de entrada e 8 canais de saída.

A placa conversora utilizada foi a placa ADA versão 2.2 da TAURUS ELETRÔNICA-Brasil. A placa de aquisição Analógica-Digital foi instalada no microcomputador.

Microcom p utador O microcomputador (8) utilizado para aquisição de dados em tempo real no exemplo de concretização foi um Pentium 233 MHz, Disco Rígido 500 MB e 16 MB RAM.

Banco de Filtros Passa-Faixa De acordo com PAVAN (2005) o sinal de saÉda do pré-amplificador do microfone varia em amplitude e em frequência, dependendo da pressão no interior do vaso e do diâmetro do orifício. A placa de aquisição Analógica-Digital foi instalada no microcomputador possuindo uma taxa de amostragem de 2 kHz, ou seja, sinais com frequências acima de 1 kHz não são amostrados corretamente. O sinal amostrado é um sinal de áudio e sua frequência varia entre 20 Hz e 20 kHz ultrapassando a máxima frequência compreendida pela placa AJD. Além disso, a placa de aquisição está configurada para compreender sinais positivos variando entre 0 e 5 Volts e o sinal de áudio é um sinal alternado apresentando valores positivos e negativos.

Desta maneira, é necessário compatibilizar novamente o sinal gerado pelo microfone com aquele compreendido pala placa de aquisição Analógica- Digital. O circuito elétrico foi desenvolvido por PAVAN (2005) apresentando quatro estágios: • 1° estágio: Filtro ativo Butterworíh passa-baixo No primeiro estágio, o sinal proveniente do pré-amplificador de microfone passa por um filtro ativo passa-baixo de segunda ordem. O filtro foi desenvolvido de forma a apresentar uma frequência de corte (fc) de 20 kHz, compreendendo toda a faixa de áudio. Foi necessário utilizar esse tipo de filtro, pois o pré-amplificador de microfone, que fica localizado junto ao vaso, está cerca de 6 metros do computador e o cabo que interliga os dois circuitos, mesmo sendo blindado, funciona como uma antena captando ruídos e outras frequências indesejáveis. * 2o estágio: Controle de ganho O ganho não é fixo, sendo controlado por um potenciômetro externo. O controle de ganho foi utilizado para definir manualmente a amplitude do sinal que chega ao computador, de modo que fosse possível a detecção do vazamento para todos os orifícios utilizados. • 3o estágio: Banco de Filtros ativos passa-faixa O terceiro e o quarto estágios são os mais importantes, pois são responsáveis por compatibilizar o sinal proveniente do microfone com o sinal compreendido pela placa A/D.

Devido a necessidade de trabalhar com um sinal contínuo no tempo para garantir sua amostragem. E transformando um sinal alternado em um sinal contínuo, não é possível preservar suas características de áudio. A solução encontrada por PAVAN (2005) foi separar as diversas frequências presentes em um sinal de áudio, gerando sinais independentes e depois transformar cada sinal em um sinal contínuo.

Foram construídos por PAVAN (2005) vários filtros passa-faixa projetados para frequências de 1 kHz, 3 kHz, 5 kHz, 7 kHz, 9 kHz, 11 kHz, 13 kHz, 15 kHz e 17 kHz. Para facilitar a análise da resposta em frequência do ruído gerado pelo vazamento, foram escolhidos os três filtros passa-faixa que melhor responderam ao sinal gerado para a tubulação em teste: 1 kHz, 5 kHz e 9 kHz. A escolha das faixas de frequência é realizada para ficar mais apropriadas para a tubulação utilizada. • 4o estágio: Circuito retificador de meia sonda O sinal na saída de cada filtro passa-faixa ainda é um sinal alternado, ou seja, ele precisa ser transformado em um sinal contínuo no tempo para que a placa de aquisição A/D possa compreendê-lo. Essa transformação foi feita por PAVAN (2005) utilizando um circuito retificador de meia onda na saída de cada filtro. O circuito retificador de meia onda é formado por um diodo em série com um capacitor eietrolítico. Método de aquisição de dados para deteccão de vazamento de gás É um objeto adicional da presente invenção um método de aquisição de dados para detecção de vazamento de gás. A principal função do método de aquisição é o monitoramento em tempo real dos dados fornecidos pelo microfone e pelo transdutor de pressão. O método de aquisição de dados para detecção de vazamento de gás compreende as seguintes etapas: a) Medir a variação de pressão na tubulação: Para medir a variação de pressão na tubulação foi utilizado um transdutor de pressão (4) instalado no interior da tubulação. bf Captar o ruído gerado pelo vazamento na tubulação: Para captar o ruído gerado pelo vazamento na tubulação foi utilizado um microfone (3) instalado no interior da tubulação. c) Alustar o sinal do microfone com o sinal compreendido pela placa de aquisição analóqlca-diqital: Para ajustar o sinal do microfone com o sinal compreendido pela placa de aquisição analógica-digital foi utilizado um condicionador de sinais composto por dois circuitos eletrônicos, o pré-amplificador de microfone e o circuito responsável pelos filtros passa-faixa.

Para que o sinal elétrico recebido pelo microfone fosse compreendido pelo conversor A/D foi necessário primeiramente passá-lo por um pré- amplificador de sinal (5) e, em seguida, por um banco de filtros (6) de modo a transformar o sinal proveniente do pré-amplificador em três sinais com amplitudes diferentes, cada uma com uma faixa de frequência específica. d) Conversão do sinal do microfone e do transdutor de pressão em números binários: A conversão do sinal do microfone e do transdutor de pressão em números binários foi realizada por uma placa conversora que compreende um multiplexador, um conversor analógico-digital (CAD), um conversor digital- analógico (CDA) e uma placa de digital-digítal (D/D).

Os sinais do microfone enviados ao microcomputador são de natureza analógica, devido a isto, foi necessário utilizar um multiplexador e um conversor Analógico/Digital (CAD) em conjunto com o microcomputador. O multiplexador possibilitou ao microcomputador ter acesso aos sinais do transdutor de pressão e do microfone alternadamente, enquanto o conversor Analógico/Digital (CAD) discretizou estes sinais e os transformou em números binários. O conversor Analógico/Digital (CAD) foi habilitado para trabalhar na faixa de 0 a 5 Voits podendo gerar números binários de 0 (000000000000) a 4095 (111111111111) dependendo do sinal de entrada. O sinal de saída do conversor é proporcional à amplitude do sinal de entrada. O programa de aquisição de dados trabalha com o sinal digitai na forma de número decimal equivalente, ou seja, a programação é feita em número decimal equivalente ao sinal digital. A relação entre a tensão de entrada (amplitude) e o número decimal é linear conforme a Equação 6. Para 0 Voits na entrada do conversor tem-se o número decimal equivalente 0 e para 5 Voits, têm-se o número decimal equivalente a 4095. ------=-—(6) onde: ND é o número decimal e SA é tensão de entrada.

Após a conversão, o número decimal equivalente foi transformado em unidades de tensão (voits) para as três entradas relativas ao sinal do microfone, e em unidades de pressão (kgf/cm2) para o sinal proveniente do transdutor de pressão. Esta conversão é realizada na sub-rotina leitura no programa de aquisição de dados. A amplitude dos sinais referentes ao microfone variam entre 0 e 5 Voits enquanto que a amplitude do sinal proveniente do transdutor de pressão varia entre 1 e 5 Voits. Isso implica que a conversão em unidades de tensão é realizada de forma diferente da conversão em unidades de pressão. et Processar, apresentar e arquivar os dados emitidos pelo transdutor de pressão e pelo microfone: A etapa de processar, apresentar e arquivar os dados emitidos pelo transdutor de pressão e pelo microfone são de responsabilidade do microcomputador (8). Os dados são apresentados em forma gráfica ao usuário em tempo real. O microcomputador faz a interface entre o programa de aquisição de dados e a placa conversora ADA. fi Gerar arquivo de dados: O programa de aquisição de dados permite ao usuário o monitoramento do processo de vazamento. Este programa armazena os sinais emitidos pelos sensores e transdutores em forma de arquivos de dados, que posteriormente são consultados e utilizados no treinamento da rede neural. O programa apresenta as seguintes funções: 1. Definições das variáveis de controle da piaca de aquisição ADA; 2. Declaração das varáveis para o cálculo da média móvel; 3. Declaração das variáveis globais e sub-rotinas; 4. Limpeza de tela; 5. Tela de apresentação; 6. Escolha do nome e construção do arquivo de resultados; 7. Construção do arquivo com dados da média móvel; 8. Abrir arquivos de pesos e bias do modelo neural para leitura; 9. Pressionar uma tecla para início da aquisição de dados; 10. Variável tempol assume o valor do clockQ; 11. Limpeza de tela; 12. Construção dos gráficos: amplitude dos sinais sonoros versus números de pontos e pressão versus números de pontos; 13. Inicio do loop de leitura que compreende as tarefas: • Aquisição de dados; • Filtragem por média aritmética; • Conversão dos dados lidos em sinais digitais e posteriormente em unidades de amplitude (Voits) e pressão {kgf/cmz); • Variável tempo2 assume o valor do clockQ; • Cálculo do tempo de aquisição por ponto, subtraindo o valor das variáveis tempo2 de tempol; • Gravação do arquivo de resultados; • Impressão na tela do microcomputador dos três valores obtidos em amplitude e do valor obtido em pressão; • Apertar uma tecla para sair do loop de leitura; • Voltar ao inicio do loop de leitura; 14. Cálculo da média móvel dos dados emitidos pelo microfone; 15. Teste do modelo neural a partir do quadragésimo ponto de aquisição: • Declaração das variáveis do teste do modelo neural; • Normalização dos dados de entrada da rede neural; • Cálculos das camadas intermediárias e da camada de saída do modelo neural; • Desnormalização dos dados. 16. Limpeza de tela. 17. Fim do programa de aquisição de dados. O programa é capaz de realizar o teste da rede neural online, sendo duas sub-rotinas: uma para o cálculo da média móvel dos dados do microfone e outra para realizar os cálculos algébricos da rede neural visando determinar em tempo real o tamanho e a localização do vazamento.

Quando o programa de aquisição de dados é finalizado, o arquivo de dados é gerado, gerando informações da dinâmica dos três sinais de frequências do microfone e do transdutor de pressão. O programa de aquisição de dados tem como uma das funções principais determinar o intervalo de tempo gasto pelo computador para efetuar um laço de leitura (temporização). O laço de leitura no programa de aquisição de dados compreende as tarefas de leitura, conversão dos sinais analógicos em número decimal equivalente, filtragem através da média aritmética, transformação dos sinais em unidades de pressão e tensão e armazenamento desses dados em um arquivo. Esse intervalo de tempo gasto pelo computador é bastante importante, pois quanto mais rápido houver o processamento dos dados, mais rápido será detectado qualquer mudança no sistema de tubulações, A temporização é feita utilizando o relógio interno do microcomputador, por meio da sub-rotina clockQ e da biblioteca time.hàa linguagem C, no programa principal. Com a sub-rotina clockQ, é possível saber o exato instante em que a sub-rotina leitura termina. O intervalo de tempo é calculado da seguinte forma: ao iniciar a aquisição de dados, o valor do clockQ é enviado para uma variável denominada tempol. Essa variável é mantida inalterada durante toda a execução do programa. Após a realização das tarefas realizadas na subrotina leitura, o valor do clockQ é enviado para uma outra variável denominada tempo2. A diferença entre o tempol e tempo2 corresponde ao tempo gasto pelo microcomputador para realizar a leitura.

Através da informação do tempo, é possível acompanhar o tempo que foi provocado vazamento, e o tempo que leva para a rede neural reconhecer o mesmo.

Os ruídos podem ser provocados por várias fontes, equipamentos elétricos, distância entre a instrumentação e a placa de aquisição de dados, ou por uma variação qualquer no processo. Para que fosse possível identificar um vazamento com mais facilidade, tornou-se necessário reduzir ao máximo esses ruídos, uma vez que podem ser confundidos com o próprio vazamento e para isso o programa compreende uma etapa de filtragem dos dados. A filtragem dos dados possibilita a redução desses ruídos gerados pelo processo. A presente invenção utilizou-se um filtro analógico, um filtro por média aritmética e um filtro por média móvel.

Foram utilizados dois tipos de filtros analógicos: filtro passa-baixa e o filtro passa-faixa. Apenas o filtro passa-baixa foi utilizado com a intenção de redução de ruídos, já que o filtro passa-faixa serviu na separação das frequências estabelecidas para o sinat sonoro proveniente do microfone. O filtro digital por média aritmética foi implementado na sub-rotina leitura no programa de aquisição de dados. Para cada medida, foram realizadas 500 leituras consecutivas por entrada analógica do conversor. O valor médio das 500 leituras consecutivas foi considerado como a medida realizada num intervalo de tempo.

Este filtro é considerado satisfatório para ruídos de baixa frequência e para mínimas variações em amplitude, considerando um sinal contínuo no tempo. O filtro digital por média móvel foi utilizado por último com a finalidade de diminuir os ruídos ainda presentes nos sinais das três frequências separadas pelo filtro analógico. Pelo estudo da dinâmica do sinal sonoro, determinou-se que 40 medidas consecutivas das três frequências estabelecidas seriam utilizadas para o cálculo das médias móveis, resultando nos sinais denominados: SikHz(k).S5kHz(t<) e S9kHz(i<).

Simulações de vazamento de aás Foram analisadas as características do rufdo sonoro gerado peta ocorrência de vazamento de gás em uma tubulação rígida de 1/i” de diâmetro e 60 m de comprimento e em uma tubulação flexível (mangueira) de 3A” de diâmetro e 100 m de comprimento, alimentada através de um vaso de pressão, com alimentação continua de gás, sob diversas condições de operação.

Os vazamentos foram provocados manualmente por meio de válvulas de abertura/fechamento rápido instaladas ao longo da tubulação rígida (Figura 1) e/ou da flexível (Figura 2), A magnitude do vazamento foi controlada pela instalação de orifícios de diâmetros que variam entre 1,0 e 3,0 mm.

Utilizou-se ar comprimido (1), como fluido de trabalho, proveniente da linha que serve os laboratórios da FEQ. A pressão foi controlada pelo monitoramento de um manômetro instalado na entrada da tubulação. A pressão máxima utilizada foi de 6 kgf/cm2. O estudo dos vazamentos foi realizado pelo sistema de detecção de vazamento de gás da presente invenção onde o transdutor de pressão e o microfone foram instalados no vaso de pressão à entrada da tubulação e conectados a um microcomputador dotado de uma placa de aquisição de dados. Foram realizados em várias condições de operação em duas situações principais, tubulação rígida de ferro galvanizado e tubulação flexível (mangueira), conforme Figuras 1 e 2, respectivamente.

Na tubulação rígida foram provocados vazamento em três pontos diferentes (0 m, 1,5 m e 3 m). O primeiro ponto e o terceiro foram utilizados para o treinamento do modelo neural, enquanto que o segundo foi para os testes de localização do vazamento pelo modelo neural.

Na tubulação flexível, em dois pontos diferentes foram provocados vazamentos (0 m e 50 m). Para cada ponto de vazamento foi feito um modelo neural para determinar o tamanho do vazamento.

Para que o sinal elétrico recebido pelo microfone fosse compreendido pelo conversor A/D foi necessário primeiramente passá-lo por um pré- ampiificador de sinal e, em seguida, por um banco de filtros de modo a transformar o sinal proveniente do pré-amplificador em três sinais com amplitudes diferentes, cada uma com uma faixa de frequência específica.

Os testes de simulação de gás foram realizados em duas situações diferentes, sendo que na primeira foram realizados testes na tubulação de ferro galvanizado (Figura 1) e na segunda situação utilizou-se a tubulação flexível (Figura 2), ambas com alimentação contínua de ar e com o transdutor de pressão e o microfone instalado no interior do vaso de pressão.

As etapas do procedimento de instalação do sistema para os testes é: 1. Instalação do orifício que controla a magnitude (tamanho) do vazamento; 2. A extremidade da tubulação é fechada; 3. O sistema é preenchido com ar comprimido a uma determinada pressão. Cada teste tem um valor fixo de pressão inicial, na faixa entre 2 e 6 kgf/cm2; 4. A válvula de alimentação é mantida aberta durante todo o teste; 5. O programa de aquisição de dados é inicializado e é dado o nome do arquivo de resultados; 6. O vazamento é provocado manualmente; 7. O tempo de teste é o suficiente para que o sistema volte a manter a pressão interna constante após a queda de pressão relativa à abertura de válvuia; 8. O programa de aquisição de dados é finalizado. A primeira etapa da simulação de vazamento de gás consiste na coleta de dados para detecção de vazamento através do método de detecção de gás da presente invenção com alimentação continua de ar comprimido. Para a tubulação permanecer pressurizada foi instalado um orifício de 0,8 mm na extremidade de saída na tubulação. O orifício que controla o tamanho do vazamento é colocado no ponto escolhido e em seguida a tubulação é preenchida com ar comprimido a uma determinada pressão de entrada que é mantida durante todo o teste. Logo após, o programa é ligado e o vazamento é provocado.

Quando o programa de aquisição de dados é finalizado, o arquivo de dados é gerado, gerando informações da dinâmica dos três sinais de frequências do microfone e do transduíor de pressão.

Estes testes foram realizados em várias situações de operação, conforme as Tabelas 1 e 2, gerando um extenso banco de dados, para cada pressão inicial de operação. Em média foram utilizados aproximadamente 4000 vetores para cada modelo neural correspondente, sendo 80 % dos dados para treinamento e 20 % utilizados para teste off-line. Dados sem a ocorrência de vazamentos foram também incluídos neste banco de dados. Método de determinação da magnitude e da localização de vazamento de gás oor meio de redes neurais É um objeto adicional da presente invenção um método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais O método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais compreende as seguintes etapas: a) Criação do banco de dados; b) Normalização das variáveis e cálculo das médias móveis para cada uma das 3 frequências escolhidas de sinal sonoro; c) Definição da arquitetura dos modelos neurais; d) Treinamento das redes neurais para determinação de seus parâmetros (pesos e bias) e geração de dois modelos neurais: um para predição da magnitude e outro para localização do vazamento; e) Testes off-line de validação dos modelos neurais gerados com banco de dados não usados no treinamento; f) Transporte dos parâmetros das redes neurais validadas para a sub- rotina de redes neurais do programa de aquisição de dados; g) Acionamento do programa com experimento em tempo reaf; h) Cátculo das médias móveis para cada leitura de sinal; i) Implementação das médias como valores de entrada para os cálculos das redes neurais; j) Apontamento de vazamento e qual sua magnitude na saída do primeiro modelo neural; k) Ativação de alarme se houve detecção de vazamento de gás e a segunda rede neural é ativada com as mesmas entradas implementadas no primeiro modelo, para determinar a localização do vazamento; l) Envio dos valores preditos de magnitude e de localização para visualização. A etapa (c) é de definição da arquitetura dos modelos neurais: estrutura de alimentação direta (feedforward); quais são os sinais de entrada (sonoros e/ou pressão); em quantos instantes de amostragem anteriores eles serão usados; quantas camadas e neurônios intermediários; e quais as funções de ativação. A melhor arquitetura é definida pelo menor erro obtido no treinamento e também pelo menor erro obtido com dados não vistos no treinamento, observado pela proximidade da dispersão dos dados em torno da diagonal no gráfico de “dados preditos” versus “dados reais”. A dinâmica dos três sinais de frequência advindos do microfone no tempo (arquivo de dados) foi utilizada como entrada do modelo neural para determinar a ocorrência ou não, o tamanho e a localização do vazamento. Para os casos em que a pressão inicial é maior que 4 kgf/cm2, o sinal pontual de pressão pode ser utilizado também como entrada da rede, auxiliando a predição, Para pressões menores, este sinal não altera o desempenho da predição. O treinamento da RNA foi realizado para todas as situações de operação mostradas nas Tabelas 1 e 2. Para os dados da tubulação flexível foram realizados somente testes off-line com dados diferentes do treinamento para determinar o tamanho do vazamento. Para os dados da tubulação rígida, além dos testes off-line, com dados diferentes do treinamento, foram realizados testes online para determinar o tamanho e a localização de vazamentos em tempo real.

Treinamento e arquitetura da rede neural Logo após a aquisição de dados através do programa, os dados foram organizados em arquivos para a realização dos treinamentos. Deve-se observar que para cada pressão inicial de operação foi gerado um modelo neural independente. O algoritmo de treinamento dos modelos neurais foi implementado no Software Matlab. O método escolhido para o treinamento da rede neural foi o de Levenberg-Marquardt com Regularização Bayesiana (função “trainbr” no Matlab). O programa desenvolvido no Matlab apresenta as seguintes funções: 1. Leitura do arquivo de dados; 2. Divisão dos dados de treinamento e dados de teste; 3. Normalização dos dados entre -1 e 1; 4. Criação da rede neural; 5. Definição do número de épocas; 6. Chute inicial dos pesos e biases; 7. Treinamento da rede com o conjunto de dados; 8. Simulação da variável de saída a partir das entradas do conjunto de teste; 9. Desnormalização da variável de saída; 10. Geração dos gráficos para análise do erro; 11. Fim do programa.

Os dados salvos no arquivo de dados foram primeiramente transformados por meio do cálculo de média móvel no tempo em 40 instantes passados. Para a determinação deste número de amostragens anteriores, foram realizados cálculos com 5, 10, 20 e 40 instantes anteriores e verificou-se que usando 40 pontos houve uma grande redução do ruído ainda existente nos sinais do microfone, facilitando o treinamento da rede neural. O cálculo da média móvel é realizado conforme Equações 7, 8 e 9. A Equação 7 representa o primeiro ponto, a Equação 8 representa o segundo ponto e a Equação 9 representa o cálculo de um ponto N qualquer com número de pontos passados (n) a ser utilizado. Como entradas da rede foram, utilizados os dados dos três sinais de frequência (S) fornecidos pelo microfone nos instantes atuais (k) e em três instantes anteriores (k-1, k-2 e k-3), totalizando 12 entradas, conforme Figura 3. Este número de instantes foi definido também através de testes e percebeu-se que usando três instantes anteriores e o instante atual a rede neural teve um desempenho melhor, auxiliandoas predições do modelo neural. O intervalo de tempo de aquisição de dados entre os instantes k e k-1 é de aproximadamente 0,16 segundos.

As redes neurais são bastante sensíveis à escala dos dados, se os valores destes dados forem muito diferentes, a rede pode erroneamente atribuir uma maior importância a valores maiores. Devido a isto, é bastante usual a normalização do conjunto de dados de treinamento dentro de um intervalo específico. O intervalo utilizado foi de -1 a 1. A normalização do conjunto de dados para o treinamento foi realizada pelo próprio MATLAB, o comando utilizado pelo mesmo foi premnmx (entrada,saída). Foram determinados os mínimos (min) e máximos (max) para cada entrada e saída.

No caso dos testes reaiizados em tempo real no C, foi implementado a Equação 10 para normalizar os dados de teste, os mínimos e máximos foram os mesmos utilizados no treinamento. (10) Da mesma forma que os dados são normalizados, os dados de saída da rede são também desnormaiizados para a faixa de valores reais. Na fase de treinamento, a desnormalização é feita pelo MATLAB com o comando postmnmx (tamanho ou localização do vazamento). No caso dos testes realizados online, foi utilizada a Equação 11 para desnormalizar os dados de teste. (11) Vários testes off-line foram executados para verificar a melhor configuração da rede neural para as situações testadas. Nestes testes foram definidos: o número de instantes anteriores usados na camada de entrada, ou seja, o número de nós na primeira camada; o número de camadas intermediárias; e seus respectivos números de neurônios. Assim como, foram analisadas também as funções de ativações das camadas intermediárias que obtiveram um melhor desempenho para a situação em estudo: tangente (terminologia do MATLAB: tansig) ou sigmoidal (terminologia do MATLAB: logsig). Na camada de saída foi utilizada como função de ativação a função linear.

As melhores configurações foram definidas prímeiramente através dos valores dos erros médios quadráticos (MSE) de treinamento, na qual a raiz quadrada do MSE representa a precisão do modelo, sendo que valores menores que 0,1 mm foram aceitáveis. Visando avaliar a capacidade de generalização dos modelos desenvolvidos, foram analisados os gráficos de dispersão (dados reais versus preditos) usando dados de teste (não vistos no treinamento). Quando os dados se apresentavam na forma de reta coincidente com a diagonal, onde o coeficiente linear se aproximava de zero e o coeficiente angular ficava próximo de um, a configuração do modelo neural foi considerada adequada.

Organização dos dados oara o treinamento Os dados foram organizados em um arquivo de dados.DAT com 12 entradas e uma saída (tamanho e/ou localização do vazamento)em cada situação operacional testada, conforme Tabela 3. A apresentação do tamanho do vazamento na saída do modelo neural deu-se da seguinte forma: 0, representa que não houve vazamento, 1, representa que houve vazamento com tamanho de 1 mm de diâmetro, 2, ilustra um vazamento com 2 mm de diâmetro e 3, representa um vazamento com 3 mm de vazamento. No caso do modelo neural desenvolvido para determinar a localização do vazamento, tinha como saída 1, representando que houve vazamento no início da tubulação, 2, representa vazamento no ponto com 1,5 m do início da tubulação e 3 ilustrando o ponto com 3 m do início da tubulação.

Tabeta 3: Organização das variáveis de entrada no arquivo de dados para o treinamento do modelo neural.

Testes off-lirte e online da RNA

Os dados utilizados para teste off-line foram dados diferentes do treinamento, sendo separados em uma proporção de 20% do total de dados do arquivo original, como dito anteriormente, compreendidos nas faixas de valores do arquivo de treinamento, e em situações transientes ou estacionárias de operação do sistema.

Para testar a utilização dos modelos neurais para determinação da magnitude, inicialmente foi desenvolvido um modelo neural para cada posição de vazamento, utilizando uma determinada pressão da tubulação.

Para a tubulação flexível foram realizados somente testes off-line para determinar o tamanho do vazamento para as pressões iniciais de 2, 4 e 6 kgf/cm2. Os modelos neurais desenvolvidos para tais situações tiveram como saída a magnitude (tamanho) do vazamento, conforme ilustrado na Figura 5.

Inicialmente para a tubulação de ferro galvanizado, visando à análise de desempenho dos modelos neurais quando realmente aplicados para o monitoramento em tempo real, foram realizados testes off-line e também testes online para determinar o tamanho do vazamento para as pressões iniciais de 4 e 6 kgf/cm2.

Posteriormente, visando monitorar online uma situação real, na qual não se sabe a posição do vazamento, foram elaborados dois modelos neurais independentes usando no treinamento dados de diferentes locais de vazamento, para determinar a magnitude e a localização do vazamento. De modo que, o primeiro modelo neural (determinação do tamanho do vazamento) ativa o segundo modelo para localizar o vazamento, conforme ilustrado na Figura 6. Foram realizados testes off-line e testes online especialmente para a tubulação rígida a 6 kgf/cm2. O primeiro modelo neural (modelo neural 1) foi elaborado para detectar o vazamento e determinar o tamanho do mesmo. No treinamento, foram utilizados dados provenientes de situações de vazamentos de magnitudes 1, 2 e 3 mm, além de situações sem ocorrência de vazamento, nos locais de vazamento situados a 0 e 3 m do inicio da tubulação. O segundo modelo (modelo neural 2), que tem a função de localizar o vazamento detectado pelo modelo neural 1, será ativado quando a saida do modelo neural 1 for diferente de zero. No treinamento do modelo neural 2, foram utilizados dados provenientes de situações de vazamentos localizados a 0 e 3 m do início da tubulação. Locais de vazamento diferentes destes foram usados nos testes online.

Tubulação flexível (manaueiraí A seguir são apresentados e analisados os transientes de pressão e as variações em amplitude (volts) do ruído sonoro gerado pelos vazamentos provocados na tubulação flexível (11). As Figuras 4 a 9 representam gráficos da variação da pressão interna da tubulação, juntamente com a dinâmica das amplitudes do ruído sonoro provocados por um vazamento, utilizando orifícios de 1 e 3 mm, para as pressões iniciais de 2, 4 e 6 kgf/cm2, em dois locais diferentes da tubulação, com 0 e 50 m do início do duto. Os gráficos com orifícios de 2 mm estão apresentados nas Figuras 48 e 49.

Em todos os testes com a tubulação flexível, o ganho no circuito de banco de filtros passa faixa foi ajustado para o valor 2, pois este valor possibilitou a detecção do vazamento nas três frequências utilizadas.

No método acústico, as frequências utilizadas (1 kHz, 5 kHz e 9 kHz) foram escolhidas por apresentarem maior variação em amplitude para os sistemas estudados.

As Figuras 4 e 7 ilustram os dados dos vazamentos com tamanho de 1 mm, para as pressões iniciais de 2, 4 e 8 kgf/cm2, provocados nos pontos 0 e 50 m do início da tubulação, respectivamente. As mesmas revelam que, no momento em que houve o vazamento, a pressão interna sofreu uma pequena redução, sendo praticamente imperceptível a ocorrência de vazamento. Porém, a amplitude do ruído sonoro aumentou, caracterizando claramente a ocorrência do vazamento.

Foi observado na Figura 4 que a queda de pressão interna na tubulação foi um pouco maior no caso com a pressão inicial de 6 kgf/cm2, assim como a queda de pressão para 4 kgf/cm2 foi maior que os dados com pressão inicial de 2 kgf/cm2, Logo, percebe-se que quanto maior a pressão do sistema, mais fácii a identificação de vazamento através do sina) de pressão.

Nos testes realizados com orifício de 1 mm (Figura 4), para pressão de 2 kgf/cm2, o vazamento foi provocado com 10,88 s depois de iniciado o teste.

Para a pressão de 4 kgf/cm2, o vazamento foi provocado com 10,82 s e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 7,80 s de teste.

Percebeu-se que a partir do momento que foi provocado o vazamento, houve um aumento nas amplitudes do ruído sonoro nas três frequências. Porém, para as pressões de 2 e 4 kgf/cm2, o sinat com frequência de 1 kHz não respondeu ao vazamento, permanecendo em zero, enquanto que as outras (5 e 9 kHz) aumentaram, caracterizando a ocorrência do vazamento.

Nos testes reaiizados com orifício de 1 mm, locai com 50 m do início da tubulação (Figura 7), para pressão de 2 kgf/cm2, o vazamento foi provocado com 10,05 s depois de iniciado o teste. Para a pressão de 4 kgf/cm2, o vazamento foi provocado com 7,19 s e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 8,79 s.

As Figuras 8 e 9 ilustram os dados dos vazamentos provocados com o tamanho de 3 mm para as pressões iniciais de 2, 4 e 6 kgf/cm2 nos pontos 0 e 50 m do início da tubulação, respectivamente. As mesmas revelam que no momento em que houve o vazamento, a pressão interna sofreu uma redução, desta vez com fácil percepção da ocorrência de vazamento. Visualiza-se também o aumento brusco das amplitudes dos ruídos sonoros, mostrando nitidamente a ocorrência de vazamento.

Nos testes realizados com orifício de 3 mm, com vazamento no início da tubulação (0 m), conforme Figura 8, para pressão de 2 kgf/cm2, o vazamento foi provocado com 9,95 s depois de iniciado o teste. Para a pressão de 4 kgf/cm2, o vazamento foi provocado com 5,71 s e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 6,32 s.

Nos testes realizados com orifício de 3 mm, com vazamento a 50 m do início da tubulação (0 m), conforme Figura 9, para pressão de 2 kgf/cm2, o vazamento foi provocado com 10,65 s depois de iniciado o teste. Para a pressão de 4 kgf/cm2, o vazamento foi provocado com 8,18 s e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 4,94 s de teste.

De acordo com PAVAN (2005), frequências abaixo de 1 kHz apresentam sons mais graves enquanto que frequências acima de 9 kHz apresentam sons mais agudos. Portanto, verificou-se que em todas as situações as amplitudes da frequência com 5 kHz supera as amplitudes com frequência de 9 kHz, apresentando um som mais grave. Percebeu-se também que para orifícios maiores o ruído sonoro é mais grave.

Tubulação rfaida (ferro galvanizado) No caso da tubulação rígida (10) de ferro galvanizado foram realizados testes com pressões iniciais de 4 e 6 kgf/cm2 com vazamento provocado no ponto inicial da tubulação (0 m) e, para o vazamento provocado no ponto a 3 m do inicio da tubulação, foram realizados testes somente para a pressão inicial de 6 kgf/cm. A seguir são apresentados e analisados os transientes de pressão e as variações em amplitude do ruído sonoro gerado pelos vazamentos provocados na tubulação de ferro galvanizado. As Figuras 10, 11 e 12 apresentam a variação da pressão interna da tubulação juntamente com as amplitudes do ruído sonoro provocados por um vazamento de magnitude 1,2 e 3 mm, para as pressões iniciais de 4 e 6 kgf/cm2. A Figura 10 ilustra os dados do monitoramento de vazamentos no início da tubulação, provocados com o tamanho de 1 mm, para as pressões iniciais de 4 e 6 kgf/cm2. A mesma revela que no momento em que houve o vazamento a pressão interna sofreu uma pequena redução, sendo praticamente insignificante a mudança, não indicando claramente a ocorrência de vazamento. Porém, a amplitude do ruído sonoro aumentou, apontando a ocorrência do vazamento de maneira clara.

Nos testes realizados com orifício de 1 mm, conforme Figura 10, para pressão de 4 kgf/cm2, o vazamento foi provocado com 28,13 s depois de iniciado o teste e para a pressão de 6 kgf/cmz, o vazamento foi provocado com 32,19 s de teste.

Foi empregado ganho de valor 4 no circuito de banco de filtros, pois ganhos de 2 a 3,5 não foram suficientes para caracterizar um vazamento, uma vez que as amplitudes dos ruídos sonoros assumiram valores próximos de zero, não caracterizando um vazamento na tubulação rígida.

No caso dos resultados para um vazamento com 2 mm de diâmetro (Figura 11), a frequência de 5 kHz ultrapassou o limite em que a placa de aquisição pode converter que é de 4,75 Volts com ganho de 4 no circuito de filtros, apresentando a saturação da amplitude das frequências, pressão de 4 e 6 kgf/cm2. Para a pressão 6 kgf/cm2 a amplitude da frequência 9 kHz também uítrapassou o limite. Como dito anteriormente, o ganho no banco de filtros foi utilizado para definir manualmente a amplitude do sina! que chega ao computador, logo quanto mais alto o ganho, maior a amplitude do sinal. No caso de um ganho maior que 4, as amplitudes de todas as frequências para um vazamento com 2 mm ultrapassam o limite de 4,75 Volts, se comportando da mesma forma que os dados da Figura 12. Logo, prejudicaria o treinamento do modelo neural, para determinar o tamanho do vazamento, pois não teria diferenciação entre dados com 2 e 3 mm. Desta forma foi definido o valor 4 para o ganho.

Nos testes realizados com orifício de 2 mm, conforme Figura 11, para pressão de 4 kgf/cm2, o vazamento foi provocado com 20,93 s depois de iniciado o teste e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 20,90 s de teste.

Percebeu-se que em todas as situações as amplitudes da freqüência com 5 kHz supera as amplitudes com freqüência de 9 kHz, apresentando um som mais grave.

Pode-se observar na Figura 12 que as amplitudes das três frequências ultrapassam o limite em que a placa de aquisição pode converter, com ganho no banco de filtros de 4. Esta saturação da amplitude das frequências ocorre para vazamentos maiores que 2 mm para as pressões de 4 e 6 kgf/cm2.

Nos testes realizados com orifício de 3 mm, conforme Figura 12, para pressão de 4 kgf/cm2, o vazamento foi provocado com 13,79 s depois de iniciado o teste e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 22,70 s de teste.

Visando ao treinamento do modelo neurai 2 (localização) foi realizado um teste com vazamento provocado no ponto a 3 m do início da tubulação, conforme resultados da Figura 13. Para o treinamento do modelo neurai para determinar a localização, foi necessário realizar o teste do ponto com 3 m do início do vazamento nas mesmas condições que o teste do início da tubulação (0 m), ou seja, o ganho do circuito banco de filtros foi 4. Porém, como pode ser visto na Figura 13, o gráfico para vazamento de 1 mm mostra que somente o ruído de uma frequência respondeu ao vazamento, ou seja, somente a amplitude da frequência de 5 kHz apresentou aumento quando o vazamento foi provocado, caracterizando a ocorrência do vazamento. Por outro lado, os sinais das outras duas frequências não responderam ao vazamento. Logo, o microfone usado não foi eficiente a distância de 3 m com ganho de 4, necessitando de um ganho maior ou de uma proximidade maior ao vazamento.

Para o vazamento com 3 mm, ilustrado na Figura 13, somente a amplitude da frequência de 9 kHz não ultrapassou o limite da placa de aquisição de dados.

Nos testes realizados com vazamento com 3 m do início da tubulação, conforme Figura 13, com tamanho de 1 mm, o vazamento foi provocado com 39,06 s depois de iniciado o teste. Para o vazamento com tamanho de 2 mm, o vazamento foi provocado com 32,19 s de teste e o vazamento com tamanho de 3 mm foi provocado com 28,74 s.

Uso das redes neurais na determinação da magnitude (tamanho) do vazamento e da localização do mesmo.

Para o treinamento das redes neurais foram utilizados os dados das amplitudes dos ruídos sonoros usando-se orifícios de três tamanhos diferentes (1, 2 e 3 mm) e também dados sem vazamento, tanto para a tubulação rígida quanto para a flexível. Os dados originais foram submetidos ao cálculo da média móvel com 40 pontos, reduzindo o ruído ainda existente nos dados e facilitando o treinamento da rede neural, pois esta faz uso dos dados históricos do sistema.

Tubulação flexível Para gerar os modelos neurais para determinação de ocorrência ou não e o tamanho do vazamento, serem usados no sistema de tubulação flexível, foram realizados treinamentos de redes neurais empregando-se as pressões de 2, 4 e 6 kgf/cm2, com vazamentos em dois pontos da tubulação, conforme os dados apresentados nas Figuras 4 a 9. Para cada pressão dois modelos neurais independentes foram gerados um com o banco de dados do vazamento no início da tubulação e outro com dados de vazamento a 50 m do início da tubulação.

Para analisar a melhor configuração dos modelos neurais, foram realizados vários testes off-line, observando-se os gráficos de dispersão obtidos (dados reais versus preditos). As Tabelas 4 e 5 ilustram as configurações dos modelos neurais escolhidas para as pressões 2, 4 e 6 kgf/cm2, que apresentaram melhor resposta.

Os somatórios dos erros quadrados (SSE) dos treinamentos dos modelos neurais desenvolvidos para as pressões iniciais de 2,4 e 6 kgf/cm2, com vazamento no ponto inicial da tubulação, foram de aproximadamente 10'2, consequentemente as raízes quadradas do MSE (erro médio quadrado) apresentaram valores menores que 0,1 mm, conforme Tabela 4, sendo consideradas aceitáveis.

Para se obter um bom modelo, os dados de teste (não vistos no treinamento) devem aparecer na forma de reta coincidente com a diagonal nos gráficos de dispersão (Figuras 14 e 15). Dos testes realizados percebeu-se que a função transferência das camadas intermediárias que obteve um melhor desempenho foi a tangente hiperbólico. O número de camadas e neurônios variou em todas as situações testadas.

Tabela 4: Configurações das RNAs escolhidas para cada pressão com vazamento no início da tubulação flexível.

Os SSE’s de treinamento dos modelos neurais desenvolvidos para as pressões iniciais de 2,4 e 6 kgf/cm2, com vazamento no ponto a 50 m do início da tubulação, foram de aproximadamente 10~2 para as pressões de 2 e 4 kgf/cm2, e um SSE de aproximadamente 1 para a pressão de 6 kgf/cm2, consequentemente as raízes quadradas do MSE (erro médio quadrado) apresentaram valores menores que 0,1 mm, conforme Tabeía 5, sendo consideradas aceitáveis.

Tabela 5: Configurações das RNAs escolhidas para cada pressão com vazamento a 50 m do início da tubulação flexível. O primeiro conjunto de pontos das Figuras 14 a 16 são originários da situação que não houve vazamento na tubulação. O segundo conjunto é proveniente de vazamento provocado com uma magnitude de 1 mm. O terceiro advém de uma magnitude de 2 mm e, por último, o quarto conjunto significa um vazamento de 3 mm. A Figura 14 mostra o teste realizado para determinar a ocorrência e a magnitude do vazamento para a pressão de 2 kgf/cmz. Verifica-se que o ajuste desta rede foi satisfatório para os dois pontos de vazamento (0 e 50 m do início da tubulação), pois os dados estão na diagonal. Para o caso do teste realizado no início da tubulação obteve-se o R = 0,9986 (aproximadamente um), coeficiente linear = 0,02 (próximo de zero) e coeficiente angular = 1,0079 (próximo de um), E no caso do vazamento provocado a 50 m do início da tubulação o R = 0,9997 (aproximadamente um), coeficiente linear = 0,0002 (próximo de zero) e coeficiente angular = 0,9997 (próximo de um). A Figura 15 mostra o teste realizado para determinar a ocorrência e a magnitude do vazamento para a pressão de 4 kgf/cm2. Verifica-se que o ajuste desta outra rede foi satisfatório para os dois pontos de vazamento (0 e 50 m do início da tubulação), pois os dados estão na diagonal. Para o caso do teste com vazamento realizado no início da tubulação o R = 0,9999 (aproximadamente um), coeficiente linear = 0,0003 (próximo de zero) e coeficiente angular = 1,0006 (próximo de um). E no caso do vazamento provocado a 50 m do inicio da tubulação, oR = 0,9999 (aproximadamente um), coeficiente linear = 0,0019 (próximo de zero) e coeficiente angular = 0,9989 (próximo de um). A Figura 16 mostra o teste realizado para determinar a ocorrência e a magnitude do vazamento para a pressão de 6 kgf/cm2. Verifica-se que o ajuste desta terceira rede foi satisfatório para os dois pontos de vazamento (0 e 50 m do início da tubulação), pois os dados estão na diagonal. Para o caso do teste realizado no inicio da tubulação o R = 1, coeficiente linear = 0,001 (próximo de zero) e coeficiente angular = 0,9997(próximo de um). E no caso do vazamento provocado a 50 m do início da tubulação o R = 0,9992 (aproximadamente um), coeficiente linear = 0,0037 (próximo de zero) e coeficiente angular = 1,0026 (próximo de um).

Para melhor visualização dos resultados dos testes, as Figuras 17 a 19 representam a diferença entre dados calculados pela rede neural e dados testes (erro-mm), comprovando o desempenho satisfatório dos modelos neurais desenvolvidos.

Deve ser observado no eixo x dos gráficos da Figura 17, que para o modelo neural desenvolvido para vazamento no ponto inicial da tubulação foram utilizados aproximadamente 350 vetores de dados para testar o modelo e aproximadamente 500 vetores de dados para o modelo neural no ponto de vazamento a 50 m do início da tubulação. Dentre esses pontos, os erros máximos absolutos obtidos para as posições de vazamento de 0 e 50 m foram respectivamente: 0,6990 mm e 0, 2938 mm em momentos que não houve vazamento, ou seja, caracterizando vazamento quando não existia.

Deve ser observado no eixo x da Figura 18 que para o modelo neural desenvolvido para vazamento no ponto inicial da tubulação foram utilizados aproximadamente 350 vetores de dados para testar o modelo e aproximadamente 400 pontos de dados para o modelo neural para vazamento no ponto a 50 m do início da tubulação. Dentre esses pontos, os erros máximos absolutos obtidos para as posições de 0 e 50 m foram respectivamente: 0,0908 mm e 0, 1495 mm para a situação real de vazamento de magnitude 3 mm. Em outras palavras, os erros relativos são menores que 10% do tamanho real de vazamento, o que foi considerado aceitável.

Observa-se no eixo x da Figura 19 que para cada modelo neural desenvolvido nos dois pontos de vazamento ao longo da tubulação foram utilizados aproximadamente 300 vetores de dados para testar os mesmos.

Entre esses pontos, os erros máximos absolutos obtidos para as posições de vazamento a 0 e 50 m foram respectivamente: 0,0257 mm e 0,2629 mm para as situações reais de orifícios de magnitude 0 (sem vazamento) e 1 mm, respectivamente.

Os maiores erros obtidos nos modelos neurais ocorreram na fase transiente, ou seja, na fase em que houve a perturbação (vazamento) no sistema de tubulação.

De acordo com os resultados, nas pressões 4 e 6 kgf/cm2 os modelos neurais apresentaram 100 % de acerto na detecção. Usando pressão de 2 kgf/cm2 houve apenas 2 casos em 25 pontos de teste onde não ocorria vazamento nos quais a rede indicou que havia, ou seja, apresentou um erro de 8%.

As Tabelas 6, 7 e 8 apresentam os maiores erros de cada teste off-line na tubulação flexível, obtidos da aplicação dos modelos neurais para determinação da magnitude do vazamento, em relação ao tamanho real do vazamento, nas três pressões utilizadas. De acordo com as mesmas, verifica- se que os modelos neurais apresentaram um bom desempenho.

Tabela 6: Os maiores erros obtidos dos modelos neurais para determinar o tamanho do vazamento na tubulação flexível a uma pressão de 2 kgf/cm2.

Considerando que os dados de saída apresentados a rede neural se constituíam de números inteiros da medida em milímetros, efetuou-se o arredondamento da coluna da saída da rede neural, e verificou-se que desta forma são anulados todos os erros ocorridos. Mesmo na situação mostrada na Tabela 8 para vazamento na posição 50 m, com erro apresentado de 26,3 %, a rede conseguiu predizer claramente a ocorrência de vazamento com magnitude de 1 mm quando somente os algarismos significativos são levados em consideração.

Tubulação de ferro galvanizado Para a tubulação de ferro galvanizado foi realizado treinamento para as pressões iniciais de 4 e 6 kgf/cm2 com vazamento no ponto 0 m do inicio da tubulação. A Tabela 9 ilustra as configurações dos modelos neurais escolhidas para as pressões 4 e 6 kgf/cm2, que apresentaram melhor resposta.OsSSE’s de treinamento dos modelos neuraís desenvolvidos, com vazamento no início da tubulação, foram de aproximadamente 10'2para as pressões de 4 e 6 kgf/cm2, consequentemente as raízes quadradas do MSE (erro médio quadrado) apresentaram valores menores que 0,1 mm, conforme Tabela 9, sendo consideradas aceitáveis. A Figura 20 representa o teste realizado com modelos para determinar a ocorrência e a magnitude do vazamento para as pressões de 4 e 6 kgf/cm2.

Nos dois casos, verifica-se que o ajuste da rede foi satisfatório, pois os dados estão na diagonal. Para a menor pressão inicial o R = 0,9999 (aproximadamente um), coeficiente linear = 0,0006 (próximo de zero) e coeficiente angular = 0,9992 (próximo de um). Para a pressão de 6 kgf/cm2 o R = 0,9997 (aproximadamente um), coeficiente linear = 0,0289 (próximo de zero) e coeficiente angular = 1,0090 (próximo de um).

Tabela 9: Configurações das RNAs escolhidas para cada pressão com vazamento no início da tubulação rígida.

Deve ser observado na abscissa dos gráficos da Figura 21, que para os respectivos modelos neurais desenvolvidos para as pressões de 4 e 6 kgf/cm2 foram utilizados aproximadamente 400 pontos em cada um dos casos.Dentre esses pontos, os erros máximos absolutos obtidos para os modelos de pressões de 4 e 6 kgf/cm2 foram respectivamente: 0,0388 mm e 0,0965 mm.

Sendo os orifícios dos pontos onde ocorreram os erros máximos de tamanhos de 1 mm nas duas situações.

Os maiores erros obtidos nos modelos neurais para a tubulação de ferro galvanizado ocorreram na fase de regime permanente, porém os erros foram bastante pequenos.

Para a tubulação rígida não houve nenhum caso em que os modelos neurais apresentassem comportamentos diferentes do real na detecção de vazamento. Logo, nota-se que os modelos neurais desenvolvidos para a tubulação rígida apresentaram um bom desempenho. A Tabela 10 apresenta os maiores erros dos modelos neurais, obtidos de cada teste off-line na tubulação rígida, para determinar a magnitude dos vazamentos, em relação ao tamanho real do vazamento, nas duas pressões utilizadas. De acordo com a mesma, percebe-se que os modelos neurais apresentaram erros menores que 10% e, quando transformados em números inteiros apresentaram 100% de acerto do tamanho do vazamento provocado.

Tabela 10: Os maiores erros obtidos dos modelos neurais para determinar o tamanho do vazamento na tubulação rígida com vazamento provocado no início da tubulação (0 m). A Figura 22 mostra o teste off-line realizado para determinar a ocorrência e a magnitude do vazamento utilizando o modelo neural 1, e a determinação da localização, através do modelo neural 2,para a pressão de 6 kgf/cmz. Nos dois casos, verifica-se que o ajuste da rede foi satisfatório, pois os dados estão na diagonal. Para o caso do teste do modelo neural 1 o R = 0,9999 (aproximadamente um), coeficiente linear = 0,0068 (próximo de zero) e coeficiente angular = 0,9980 (próximo de um). Para o caso do modelo neural 2, com finalidade de determinar o local do vazamento,o R = 0,9990 (aproximadamente um), coeficiente linear = 0,0393 (próximo de zero) e coeficiente angular = 1,0131 (próximo de um).

Observa-se na abscissa dos gráficos da Figura 23, que para detectar e determinar o vazamento por meio do modelo neural 1, foram utilizados aproximadamente 750 vetores (dados com e sem ocorrência de vazamento) para testar o modelo e aproximadamente 600 pontos de dados para o modelo neural 2 (dados com ocorrência de vazamento). Dentre esses pontos, os erros máximos absolutos obtidos foram respectivamente: 0,0522 mm e 0, 5631 m. A Tabela 11 apresenta os maiores erros obtidos no modelo neural 1, para determinação da magnitude do vazamento, em relação ao tamanho real de vazamento com pressão de 6 kgf/cm2. De acordo com a mesma, percebe- se que o modelo apresentou um bom desempenho, com erro aproximado de aproximadamente 5 %. A Tabeia 12 ilustra os maiores erros obtidos no modelo neural 2, teste off-line, ativado com a determinação de vazamento através do modelo neural 1, para predição do local de vazamento. Para o cálculo dos maiores erros deste modelo, a saída da rede neural foi normalizada entre valores 1 e 3, de maneira que, 1 representa vazamento no início da tubulação (0 m), 2 representa vazamento com 1,5 m do início da tubulação e 3 representa vazamento com 3 m. A diferença da saída normalizada da rede e o local real normalizado, dividido por este último configura o cálculo do erro relativo. Logo, constatou-se um erro máximo de 37,54% com vazamento no início da tubulação (0 m). Conforme Tabelas 11 e 12, percebe-se o bom desempenho dos modelos neurais 1 e 2, caracterizando com alta precisão a predição do tamanho do vazamento e a predição da localização do mesmo com erro máximo de 0,6 m.

Tabela 11: Os maiores erros obtidos do modelo neural 1 para determinar o tamanho do vazamento na tubulação rígida, quando o mesmo ocorre na posição 3.

Da mesma forma que para o modelo neural 1, no caso da localização, a saída do modelo neural 2 foi arredondada para uma casa decimal, coincidindo com o formato apresentado no treinamento.

Tabela 12: Os maiores erros obtidos do modelo neural 2 para determinar o local de vazamento na tubulação rígida.

Testes online para predicão da magnitude do vazamento Com o objetivo de avaliar o desempenho dos modelos neurais quando aplicados em tempo real, as Figuras 24, 26 a 29 mostram os resultados dos testes realizados para determinar o tamanho dos vazamentos para testes do modelo gerado para pressão inicial de 4 kgf/cm2. Orifícios de tamanhos diferentes aos os usados no treinamento foram também empregados para avaliação da capacidade de interpolação dos modelos neurais obtidos. A Figura 24 ilustra dois testes realizados com vazamento de 1 mm de diâmetro sob monitoramento constante das redes neurais. Conforme pode ser visto, o resultado não foi eficaz para esta situação. Acredita-se que o microfone utilizado não foi tão eficiente a ponto de capturar corretamente os sinais sonoros, enviando para o microcomputador um sinal fraco, sendo difícil para a rede neural a percepção da ocorrência do vazamento. No primeiro gráfico desta figura houve um aumento apenas por alguns momentos da saída do modelo, chegando ao valor do tamanho real de vazamento (próximo de 1 mm).

Por outro lado, o gráfico do segundo teste ilustra que a saída sempre se comportou como se não houvesse vazamento, ou seja, a saída permaneceu em aproximadamente 0 (zero), indicando situação de não ocorrência revelando que não houve vazamento apesar de haver.No primeiro teste o vazamento foi provocado com 21,26 s de teste e no segundo teste o vazamento foi provocado com 26,65 s, como pode ser visto pela Figura 24.

Para justificar os resultados ilustrados nas Figuras 24 a Figura 25 mostra a comparação entre os sinais que foram utilizados para o treinamento do modelo neural e os sinais obtidos nos testes online para as três frequências utilizadas.

Pela observação da Figura 25 os sinais sonoros, nas frequências de 1 kHz e 5 kHz, obtidos nos testes não repetiram a tendência do treinamento e, portanto, não esperaria que o modelo neural tivesse um bom desempenho.

Orifícios maiores foram então utilizados para novos testes. A Figura 26 ilustra dois testes realizados para comparação entre os resultados do teste online e o tamanho real de vazamento que foi de 1,5 mm (tamanho diferente dos utilizados no treinamento). Conforme a Figura 26, a predição da rede online obteve um erro de 0,5 mm, ou seja, de aproximadamente 30 %.Desta figura observa-se também que o modelo neural não prevê instantaneamente o valor da magnitude do vazamento após a sua ocorrência. Isto já era previsível, pois há uma região de transição antes do sinal sonoro estabilizar. De qualquer forma, a rede “percebe” que há um vazamento ocorrendo, pois a saída do modelo sai do zero alguns segundos após a ocorrência do vazamento. A Figura 27 ilustra mais dois testes realizados para comparação entre os resultados do teste online e o tamanho real de vazamento, que foi de 2mm.

Observa-se que a predição onlrne foi praticamente coincidente à magnitude real do vazamento. Isto indica um funcionamento adequado do microfone, com reprodutividade de dados, além do perfeito ajuste obtido no treinamento do modelo neural para estas condições testes.

Usando mais uma vez uma confirmação de vazamentos diferente do banco de dados do treinamento com orifício de tamanho 2,5 mm, realizaram-se mais dois testes, Conforme a Figura 28, os gráficos revelaram comportamentos diferentes, pois no primeiro gráfico mostra estabilização da saída da rede em aproximadamente 2 enquanto que o segundo gráfico a saída do modelo neural iniciou com praticamente 1,5 mm e foi aumentando até estabilizar em aproximadamente 3mm. Isto implica em um erro de aproximadamente 20 % do tamanho real do vazamento. A Figura 29 ilustra dois testes realizados para comparação entre os resultados do teste online e o tamanho real de vazamento que foi de 3mm, Observa-se através da mesma que a predição online foi praticamente semelhante à magnitude real do vazamento, indicando um perfeito ajuste obtido no treinamento do modelo neural para estas condições testes.

Modificando a pressão inicial para 6 kgf/cmz, as predições online de magnitude se tornaram mais precisas para orifícios de maiores tamanhos. As Figuras 30 a 34 mostram os resultados dos testes online realizados para determinar o tamanho dos vazamentos quando estes ocorriam no mesmo ponto da tubulação usado no treinamento (0 m). A Figura 30 ilustra dois testes realizados com vazamento de 1 mm (tamanho utilizado para o treinamento do modelo neural) de diâmetro.

Conforme pode ser visto, os resultados dos dois gráficos revelam que o modelo neural conseguiu caracterizar claramente o vazamento e determinar o tamanho do vazamento. Em média os valores destes testes online foram de aproximadamente 0,6 mm, apresentando um erro próximo de 40% e com um atraso de aproximadamente 5 s para os modelos neurais “perceberem” o vazamento. A Figura 31 ilustra dois testes realizados com vazamento de 1,5 mm (tamanho diferente do treinamento do modelo neurai) de diâmetro. Conforme pode ser visto, os resultados dos dois gráficos revelam que o modelo neural foi eficiente, caracterizando claramente o vazamento e determinando o tamanho do vazamento, pois os testes online obtiveram valores próximos do tamanho real de vazamento. Em média os valores preditos nos testes online foram de aproximadamente 1,36 mm, apresentando aproximadamente um erro de 10% e também um atraso de aproximadamente 5 s para os modelos neurais “perceberem” a ocorrência do vazamento. A Figura 32 ilustra dois testes realizados com vazamento de 2 mm (tamanho utilizado no treinamento do modelo neurai) de diâmetro. Conforme pode ser visto, os resultados dos dois gráficos revelam que o modelo neural foi eficiente, caracterizando ctaramente o vazamento e determinando o tamanho do vazamento, pois os testes online obtiveram valores muito próximos do tamanho real de vazamento. Em média os valores dos testes online foram de aproximadamente 2 mm, apresentando um erro praticamente nulo, porém houve um pequeno atraso de aproximadamente 3 s. A Figura 33 ilustra dois testes realizados com vazamento de 2,5 mm (tamanho diferente do treinamento do modelo neural) de diâmetro. Conforme pode ser visto, os resultados dos dois gráficos revelam que o modelo neural foi eficiente, caracterizando claramente o vazamento e determinando o tamanho do vazamento, porém as predições de magnitude dos testes online obtiveram uma média de valores de 2,82 mm, apresentando um erro de aproximadamente 13 %. Isto indica certa capacidade de generalização do modelo preditivo para operação com pressões maiores. A Figura 34 ilustra dois testes realizados com vazamento de 3 mm (tamanho utilizado no treinamento do modelo neura!) de diâmetro. Conforme pode ser visto, os resultados dos dois gráficos revelam que o modelo neural foi perfeito, caracterizando claramente o vazamento e determinando o tamanho exato do vazamento provocado.

Conforme as Figuras 33 e 34 houve um pequeno atraso dos modelos neurais caracterizarem a ocorrência do vazamento. As mesmas revelam que o atraso foi de aproximadamente 3 s para todas as situações.

Testes online para predicão da localização do vazamento Para a pressão inicial de 6 kgf/cm2 na tubulação rígida foram realizados testes com vazamentos em dois pontos diferentes da tubulação com a finalidade de realizar o treinamento das redes neurais para determinar a magnitude e também o local do vazamento. Os vazamentos foram provocados nos pontos 0 m e 3 m do início da tubulação. Para os testes online foi realizado um teste com vazamento ocorrendo em um ponto diferente do treinamento a 1,5 m do inicio da tubulação. O primeiro modelo neural foi elaborado para detectar o vazamento e determinar o tamanho do mesmo para o treinamento, foram utilizados dados provenientes de vazamentos de magnitudes 1, 2 e 3 mm nos dois pontos de vazamento (0 e 3 m do início da tubulação) e dados sem ocorrência de vazamento. O segundo modelo, que tem a função de localizar o vazamento detectado pelo primeiro modeJo, será ativado quando a saída do modelo neural 1 for diferente de zero. As meihores estruturas obtidas para estes modelos foram: 12x12x1 e 12x12x10x1, respectivamente. A Figura 35 ilustra os testes online realizados para determinar o tamanho e a localização do vazamento no ponto 0 m (início da tubulação) com orifício de 1 mm.

Conforme representado na Figura 35, os gráficos que ilustram a predição da magnitude do vazamento revelam que, depois de provocado o vazamento, a saída do primeiro modelo aumenta chegando próximo ao valor real do tamanho do vazamento (1 mm) com um erro médio de 27%. Da mesma forma, os gráficos que ilustram a saída do segundo modelo neural indicam boa predição da posição do vazamento, com erro médio de 35%.

Para a mesma posição do vazamento (Om), a Figura 36 ilustra dois testes online realizados para determinar o tamanho e a localização do vazamento de orifício de 2 mm.

Nos dois testes, o modelo neural 1 atinge o valor exato do orifício em sua predição, após um período transiente. O modelo neural 2 prediz com exatidão o local do vazamento como sendo o início da tubulação (0 m).

Conforme revelam (Figura 37), os gráficos que ilustram a magnitude do vazamento versus o tempo do teste online da rede neural, depois de provocado o vazamento a saída do primeiro modelo aumenta chegando bem próximo ao valor real do tamanho do vazamento (3 mm). Com a caracterização do vazamento através do primeiro modelo, o segundo modelo determinou o local de vazamento, porém o modelo não conseguiu identificar o locai reat de 0 m apresentando uma saída média de 1,2 m, caracterizando o vazamento próximo do ponto de 1,5 m do início da tubulação.

Verificou-se também na Figura 37, nos gráficos para determinar o tamanho do vazamento, que depois de provocado o vazamento, os modelos neurais apresentaram uma queda na saída e logo após alguns segundos (aproximadamente 6 s) os modelos neurais apresentaram o valor exato da magnitude dos vazamentos.

Mudando o local de ocorrência do vazamento para 3 m do início da tubulação, as Figuras 38 a 40 mostram os resultados dos testes online usando pressão de 6 kgf/cm2,para tamanhos de orifícios de: 1 mm, 2 mm e 3 mm, respectivamente.

Nos dois testes realizados com vazamento de 1 mm de diâmetro (Figura 38) o resultado não foi preciso. Acredita-se que o microfone não foi tão eficiente, enviando para o microcomputador um sinal fraco, sendo difícil para a rede neural a percepção do vazamento, pois o pequeno vazamento se encontrava a 3 metros do microfone. Neste caso, o modelo neural 2 não foi ativado, pois o modelo neural 1 indicava a inexistência de vazamento.

Ainda com vazamento provocado a 3 m do início da tubulação, entretanto utilizando-se orifício de maior diâmetro (2 e 3 mm), o monitoramento online pelos modelos neurais 1 e 2 foram perfeitos, com predição exata do tamanho e da localização do vazamento. Isto é comprovado pelos gráficos das Figuras 39 e 40.

Com o objetivo de analisar o desempenho dos modelos neurais 1 e 2 para um vazamento ocorrendo em local não visto no treinamento, foram realizados testes online para determinar o tamanho e a localização destes vazamentos no ponto a 1,5 m do início da tubulação, manteve-se a pressão inicia! em 6 kgf/cmz.

Com a mesma tendência dos resultados anteriores, o modelo neural 1 não teve bom desempenho para menor orifício (1 mm). O modelo neural 2 não foi ativado pois o modelo neural 1 não apontava a ocorrência de vazamento (Figura 41).

Provocado o vazamento de 2 mm, a saída do primeiro modelo aumenta (Figura 42) chegando ao valor real do tamanho do vazamento (2 mm). Por outro lado, a saída do segundo modelo (localização) não teve um bom desempenho, predizendo um vazamento a 3 metros do início da tubulação, caracterizando um erro de aproximadamente 1,5 m, Como dito anteriormente, o teste online com vazamento provocado em local não visto no treinamento (1,5 m do início do vazamento) não teve um bom desempenho do caso do segundo modelo neural. Porém, observando-se as Figuras 43 e 44 percebe-se que os perfis dos dados de treinamento (local=3 m) e dos testes (iocal=1,5 m) são bastante semelhantes, levando a rede a concluir pelo valor visto no treinamento. Desta forma, conclui-se que o microfone não distinguiu os sons emitidos.

Conforme mostra a Figura 45 para orifício real de 3 mm, os gráficos que ilustram a magnitude do vazamento versus o tempo revelam que depois de provocado o vazamento a saída do primeiro modelo alcança um valor bem próximo do valor real do tamanho do vazamento (3 mm). Por outro lado, a saída do segundo modelo (localização) não teve um bom desempenho, revelando um vazamento no ponto 3 (3 metros do início da tubulação), com um erro de 1,5 m da mesma forma que o teste realizado com um orifício de 2 mm. O teste online com vazamento em local diferente do treinamento (1,5 m do início da tubulação) não teve um bom desempenho no caso do segundo modelo neural. Da mesma forma que para orifícios de 2 mm, foram observados na Figura 47, os dados que foram utilizados como entrada do modelo neural no teste online e percebeu-se que os perfis dos gráficos foram muito parecidos com os dados (Figura 46) usados no treinamento. Logo, o modelo neural desenvolvido revelaria um vazamento a 3 m, pois o perfil para a localização a 1,5 m é muito parecido com o vazamento ocorrido a 3 m.

Desta forma pode-se concluir que quanto mais próximo o vazamento ocorrer do microfone utilizado, mais precisa será a detecção do vazamento e a determinação do tamanho do mesmo através do sistema e métodos propostos na presente invenção. No caso da predição da localização através do modelo neural 2, percebe-se que a solução mais adequada seria adotar mais microfones ao longo da tubulação, afim de utilizar todos os sinais dos mesmos como entrada no modelo neural, facilitando a diferenciação dos sinais acústicos de cada ponto de vazamento da tubulação, já que os sinais dos pontos de vazamentos próximos comportam-se de maneira semelhante.

Claims (11)

1. Sistema de detecção de vazamento de gás caracterizado por compreender um transdutor de pressão (4), um microfone (3), um pré- amplificador (5), um banco de filtros passa-faixa (6), uma placa conversora analógica/digital/analógica (ADA) (7) e um microcomputador (8).

2. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato do transdutor de pressão ser calibrado para realizar leituras de até 300 pssg (20 kgf/cmz), com precisão de aproximadamente 0,4 psig, para um sinal elétrico variando entre 0 e 5 V,

3. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato do microfone ser do tipo ominidirecional posicionado no interior da tubulação de gás.

4. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato do pré-amplificador ser posicionado externamente à tubulação de gás, em local acessível, conectado por um cabo blindado ao microfone.

5. Sistema, de acordo com a reivindicação 1, caracterizado pelo fato da placa conversora analógica/digital/analógica (ADA) compreender muítiplexador, conversor analógico-digitai (CAD) de 12 bits e 8 canais, conversor digital-anaiógico (CDA) de 10 bits e 8 canais e uma placa de digital- digital (D/D) de 8 bits com 8 canais de entrada e 8 canais de saída instalada no microcomputador.

6. Método de aquisição de dados para detecção de vazamento de gás caracterizado por compreende as seguintes etapas: a) Medir a variação de pressão na tubulação; b) Captar o ruído gerado pelo vazamento na tubulação; c) Ajustar o sinal do microfone com o sinal compreendido pela placa de aquisição anaiógica-digital; d) Conversão do sinal do microfone e do transdutor de pressão em números binários; e) Processar, apresentar e arquivar os dados emitidos pelo transdutor de pressão e pelo microfone; f) Gerar arquivo de dados;

7, Método de determinação da magnitude e da localização de vazamento de gás por meio de redes neuraís caracterizado por compreender as seguintes etapas: a) Criação do banco de dados; b) Normalização das variáveis e cálculo das médias móveis para cada uma das 3 frequências escolhidas de sinal sonoro ; c) Definição da arquitetura dos modelos neurais; d) Treinamento das redes neurais para determinação de seus parâmetros (pesos e bias) e geração de dois modelos neurais: um para predição da magnitude e outro para localização do vazamento; e) Testes off-line de validação dos modelos neurais gerados com banco de dados não usados no treinamento; f) Transporte dos parâmetros das redes neurais validadas para a sub- rotina de redes neurais do programa de aquisição de dados; g) Acionamento do programa com experimento em tempo real; h) Cálculo das médias móveis para cada leitura de sinal; i) Implementação das médias como valores de entrada para os cálculos das redes neurais; j) Apontamento de vazamento e qual sua magnitude na saída do primeiro modelo neurai; k) Ativação de alarme se houve detecção de vazamento de gás e a segunda rede neurai é ativada com as mesmas entradas implementadas no primeiro modelo, para determinar a localização do vazamento; l) Envio dos valores preditos de magnitude e de localização para visualização.

8. Uso do sistema conforme definido pelas reivindicações 1 a 7 caracterizado pelo fato de ser para detectar vazamento de gás.

9. Uso do sistema, de acordo com a reivindicação 8 caracterizado pelo fato de ser para detectar vazamento de gás preferencialmente em tubulações rígidas (10) de transporte de gás.

10.

Uso do sistema, de acordo com a reivindicação 9 caracterizado pelo fato de ser para detectar vazamento de gás preferencialmente em tubulações flexíveis (11) de transporte de gás.