Orientador: Ana Maria Frattini Fileti

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

Resumo: Vazamentos de gás colocam em risco vidas humanas e podem provocar sérios desastres ambientais; além disso, são responsáveis por enormes prejuízos econômicos. Em virtude disso, é imprescindível o desenvolvimento de uma técnica de baixo custo que seja capaz de identificar e localizar...

Resumo: Vazamentos de gás colocam em risco vidas humanas e podem provocar sérios desastres ambientais; além disso, são responsáveis por enormes prejuízos econômicos. Em virtude disso, é imprescindível o desenvolvimento de uma técnica de baixo custo que seja capaz de identificar e localizar vazamentos tão logo eles ocorram. O presente trabalho propõe o emprego do método acústico em conjunto com técnicas de aprendizado de máquina para o monitoramento de tubulações de gás de baixas pressões. Busca-se com a técnica proposta uma alternativa para a solução de dois problemas desafiadores para sistemas automáticos de detecção de vazamentos, especialmente quando a tubulação opera sob baixas pressões: a identificação de pequenos vazamentos e a redução de falsos alarmes na presença de distúrbios externos. Essa técnica pressupõe que padrões presentes no comportamento acústico do sistema monitorado podem ser usados para identificar e localizar vazamentos. O aparato experimental empregado consistiu em uma tubulação de cobre (53 m de comprimente e 0,5 polegadas de diâmetro) conectada a um botijão de gás de cozinha alimentado com ar comprimido (100 kPa). Sete orifícios de diferentes diâmetros, variando entre 0,5 mm e 4 mm, foram perfurados ao longo da tubulação, o mais próximo a 0,2 m da entrada da tubulação e o mais afastado a 5,6 m. Cinco microfones, modelo XCM-9767, foram acoplados a estrutura metálica, com distâncias em relação a entrada variando entre 0,1 m e 46,7 m. Quatorze tipos de experimentos foram executados: (1) experimentos sem vazamentos ; (2) sem vazamentos com batidas no botijão;(3) sem vazamentos com batidas na tubulação; (4-10) vazamentos em um único orifício; (11-14) dois vazamentos simultâneos. O comportamento acústico da tubulação nos experimentos foi capturado pelos microfones. O sinal foi convertido do domínio do tempo para o da frequência, ao qual em seguida foram aplicados procedimentos de redução de dimensionalidade. Os dados foram então empregados no treinamento de algoritmos de aprendizado de máquina. Esses modelos foram aplicados tanto para regressão quanto para classificação. Aos algoritmos de classificação coube identificar a qual dos quatorze experimentos uma amostra qualquer apresentada aos modelos pertencia, enquanto os algoritmos de regressão calcularam a posição do orifício a partir do qual o gás estava escapando. Com os dados coletados pelo microfone mais distante dos orifícios atingiu-se uma taxa de detecção dos vazamentos de 99,6%. Tão importante quanto a capacidade de detectar os vazamentos, foi a baixa taxa de falsos alarmes registrada, de apenas 0,3%. Quanto a localização dos vazamentos, o modelo com a melhor performance atingiu um erro de localização máximo de 4,31%. Os resultados obtidos credenciam a técnica proposta como uma alternativa atrativa para o monitoramento de tubulações de baixa pressão

Abstract: Gas leakages are a threat to human life and can cause environmental disasters; moreover, they generate huge economic losses every year. It is indispensable a low-cost technique capable of identifying and locating leaks as soon as they occur. The present work proposes the use of the...

Abstract: Gas leakages are a threat to human life and can cause environmental disasters; moreover, they generate huge economic losses every year. It is indispensable a low-cost technique capable of identifying and locating leaks as soon as they occur. The present work proposes the use of the acoustic method and machine learning algorithms to monitor low-pressure pipelines. It aims to offer an alternative solution for two challenging problems to every automatic leak detection system, mainly when applied to low-pressure pipelines: the detection of small leaks and de reduction of the false alarm rates in the presence of external disturbances. The technique is based on the idea that patterns present in the sound behavior of the system can be used to identify and locate leakages. The experimental apparatus consisted of a copper pipeline (53 m length and 0.5 '' diameter) connected to a pressure vessel fed with compressed air (100 kPa). Seven orifices of different diameters, varying from 0.5 mm to 4mm, were drilled along the metallic structure, the closest from the pipeline entrance was 0.2 m, and the furthest was 5.6 m. Five microphones, model XCM -9767, were attached to the pipeline, their distances from the pipeline entrance varying from 0.1 m to 46.7 m. Fourteen types of experiments were conducted: (1) no leakages; (2) no leakages with strikes on the pressure vessel; (3) no leakages with hits on the pipeline; (4-10) one leakage; (11-14) two leakages simultaneously. The microphones captured the acoustic behavior of the system. The signal was converted from the time domain into the frequency domain, to which were then applied two techniques of dimensionality reduction. The data set was fed to some machine learning algorithms. The models were used both for regression and classification. The task of the classification algorithms was to predict to which one of the fourteen experiments a given sample belonged, while the regression ones calculated the position of the orifice from which the gas was leaking. Using the data collected by the microphone that was most distant from the holes, the algorithms were able to identify 99.6% of the leakage. As important as the capacity of detecting the leakages was the low rate of false alarms achieved, only 0.3% of the samples from no leakages experiments were incorrectly classified as leakages. Regarding the localization of the leakages, the model with the best performance achieved a maximum localization error of 4.31%. The results obtained qualify the proposed technique as an appealing alternative to monitor low-pressure pipelines

Requisitos do sistema: Software para leitura de arquivo em PDF