Sistema inteligente para detecção de vazamentos em dutos de petróleo usando transformada Wavelet e redes neurais

This work consists in the use of techniques of signals processing and artificial neural networks to identify leaks in pipes with multiphase flow. In the traditional methods of leak detection exists a great difficulty to mount a profile, that is adjusted to the found in real conditions of the oil transport. These difficult conditions go since the unevenly soil that cause columns or vacuum throughout pipelines until the presence of multiphases like water, gas and oil; plus other components as sand, which use to produce discontinuous flow off and diverse variations. To attenuate these difficulties, the transform wavelet was used to map the signal pressure in different resolution plan allowing the extraction of descriptors that identify leaks patterns and with then to provide training for the neural network to learning of how to classify this pattern and report whenever this characterize leaks. During the tests were used transient and regime signals and pipelines with punctures with size variations from ½' to 1' of diameter to simulate leaks and between Upanema and Estreito B, of the UN-RNCE of the Petrobras, where it was possible to detect leaks. The results show that the proposed descriptors considered, based in statistical methods applied in domain transform, are sufficient to identify leaks patterns and make it possible to train the neural classifier to indicate the occurrence of pipeline leaks

Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte

Este trabalho consiste na utilização de técnicas de processamento de sinais e redes neurais artificiais para identificar vazamentos em dutos com escoamento multifásico. Nos métodos tradicionais de detecção, existe uma grande dificuldade em conseguir montar um perfil, que seja adequado aos encontrados em condições reais do transporte de óleo. Estas difíceis condições vão desde os desníveis de terreno que causam colunas ou vácuos ao longo dos dutos até a presença de multifases como água, gás e óleo, além de outros componentes como areia, que tendem a produzir escoamentos descontínuos e variações diversas. Para vencer estas dificuldades, foi utilizada a transformada wavelet para mapear os sinais de pressão e vazão em diferentes planos de resolução, permitindo com isto a extração dos descritores que caracterizassem padrões de vazamento e com os mesmos treinar uma rede neural para aprender a classificar estes padrões e informar quando estes são um vazamento. Nos testes foram utilizados sinais de regime e transiente, em duto entre a unidade de Upanema e Estreito B, da UN-RNCE da Petrobras, onde foi possível detectar vazamentos, com furos que variavam de ½ a 1 de diâmetro para simular os vazamentos. Os resultados obtidos mostram que os descritores propostos com base em medidas estatísticas no domínio da transformada caracterizam os padrões de vazamento e possibilitam o treinamento do classificador neural para indicar a ocorrência ou não de vazamentos no duto