Orientadores: Ana Maria Frattini Fileti, Sandra Lúcia da Cruz

Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química

Resumo: A cada ano cresce o número de tubulações transportando gases e líquidos, ocasionando a necessidade de aumentar a confiabilidade operacional dos dutos. Considerando a importância do monitoramento dos sistemas de tubulações, o presente trabalho tem por objetivo o desenvolvimento e teste de...

Resumo: A cada ano cresce o número de tubulações transportando gases e líquidos, ocasionando a necessidade de aumentar a confiabilidade operacional dos dutos. Considerando a importância do monitoramento dos sistemas de tubulações, o presente trabalho tem por objetivo o desenvolvimento e teste de técnicas de detecção de vazamentos de gases em um sistema de tubulação, baseada nos métodos acústicos, visando à detecção e à determinação da magnitude dos vazamentos, além da localização dos mesmos através da utilização de redes neurais artificiais. Foram provocados vazamentos, com diferentes magnitudes de orifícios, em tubulação de ferro galvanizado de 60m e em tubulação flexível de 100 m de comprimento, transportando ar comprimido. Os ruídos sonoros dos vazamentos foram captados por microfone e analisados para as duas tubulações,sob diversas condições de pressão inicial do ar (2, 4 e 6 kgf/cm2) e de localização do vazamento.O microfone foi instalado no vaso de pressão,localizado no início da tubulação, e acoplado a uma placa de aquisição de dados num microcomputador. Os dados experimentais obtidos através deste microfone foram decompostos em ruídos de diferentes freqüências por meio de um circuito eletrônico de condicionamento de sinais. Para cada pressão inicial, a dinâmica destes ruídos no tempo foi utilizada como entrada do modelo neural para determinar a magnitude do vazamento provocado (saída do modelo). Quando detectada a existência do vazamento pelo primeiro modelo, um segundo modelo neural é acionado para a localização do mesmo na respectiva tubulação. O método de Levenberg- Marquardt com Regularização Bayesiana foi utilizado no treinamento dos modelos neurais.Através dos resultados obtidos observou-se que os vazamentos foram adequadamente detectados por método acústicos, para todos os orifícios utilizados. Entretanto, quando os vazamentos eram muito próximos (1,5 m), os sinais captados pelo microfone utilizado foram muito parecidos, dificultando a localização do mesmo pelo segundo modelo. Os resultados indicaram a grande potencialidade dos modelos desenvolvidos. Para a tubulação flexível, nas pressões 4 e 6 kgf/cm², e para todos os casos da tubulação rígida, os modelos neurais apresentaram 100 % de acerto na detecção. Quanto à predição da magnitude de vazamento, considerando que os dados de saída apresentados à rede neural se constituíam de números inteiros da medida em milímetros, efetuou-se o arredondamento da saída da rede neural e, verificou-se que desta forma, são anulados todos os erros ocorridos em todos os testes realizados. Em testes utilizando apenas a tubulação rígida, com ar comprimido a 6 kgf/cm², o modelo neural para determinar a localização do vazamento desempenhou um bom comportamento, caracterizando a predição do local com erro máximo de 0,6 m. Com o uso desta metodologia elimina-se a necessidade de monitoramento constante do operador humano na tela do computador, analisando os gráficos gerados pelos sinais acústicos, pois os modelos podem gerar um alarme informando a ocorrência, o tamanho e a localização do vazamento

Abstract: Every year the number of pipelines transporting gases and liquids increases, requiring improvements in the operating reliability of pipelines. Considering the importance of monitoring piping systems, the aim of the present work is to develop and test a technique to detect gas leaks in...

Abstract: Every year the number of pipelines transporting gases and liquids increases, requiring improvements in the operating reliability of pipelines. Considering the importance of monitoring piping systems, the aim of the present work is to develop and test a technique to detect gas leaks in pipes, based on acoustic method, in order to determine the occurrence and the magnitude of leaks, besides locating the leakage, by using neural artificial networks. Leakages of distinct magnitudes were triggered in a 60m-galvanized iron pipe and in a 100m-flexible pipe, which transports compressed air. The audible noise, generated by leaks in both pipelines operating under different initial air pressures (2, 4 and 6 kgf/cm2) and for distinct locations, was captured by the microphone and then analyzed. The experimental data, obtained through a microphone installed inside the pressure vessel and connected to a data acquisition system, was decomposed by an electronic circuit into sounds of different frequencies. For each initial pressure employed, the dynamic of these noises in time was used as input to the neural model in order to determine the occurrence and magnitude of the leak (model output). Once detected the occurrence of a leakage, a second neural model is activated to determine its position in the pipeline. The method chosen for training the neural networks was the Levenberg-Marquardt with Bayesian Regularization. From the results, it was observed that the leaks were properly detected by the acoustic method in all situations. Nevertheless, there were similarities among captured signals from very close leakages (1.5m), which affected the location prediction from the model. The results indicated that the developed models were powerful tools for online monitoring rigid and flexible pipes. For the flexible pipe, using pressures 4 and 6 kgf/cm², and for all operating conditions of the iron pipe, the neural models showed 100% accuracy in leak detection. For the leakage magnitude prediction, whereas the output data presented to the neural network was integer numbers of the measurement (mm), the output of the neural network was rounded, vanishing the small decimal errors detected in all tests. In tests using only the iron pipeline, with compressed air at 6 kgf/cm2, the leak location prediction model performed well, pointing out the local with maximum error of 0.6 m. By using this methodology, the human operator will not need to monitor the graphics on computer screen because the neural models can strike an alarm for the leak occurrence, simultaneously displaying its magnitude and location