Orientador: Ana Maria Frattini Fileti

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

Resumo: Vazamentos são em sua maioria imprevisíveis e indesejáveis. Dependendo da quantidade e do material em vazamento, representam um grande perigo ao ecossistema e efeitos financeiros negativos à instituição responsável. Assim, da importância da identificação da ocorrência de vazamentos,...

Resumo: Vazamentos são em sua maioria imprevisíveis e indesejáveis. Dependendo da quantidade e do material em vazamento, representam um grande perigo ao ecossistema e efeitos financeiros negativos à instituição responsável. Assim, da importância da identificação da ocorrência de vazamentos, estudou-se um método para detecção e caracterização de vazamentos, de ar comprimido, em tubulação a partir do som produzido. Este método tem como suposição inicial que as respostas de vazamentos diferentes, ou de ausência de vazamentos, possuem padrões acústicos próprios, podendo, assim serem distinguidos um dos outros. Para a análise dos padrões, e identificação, a rede neural não supervisionada de Kohonen foi utilizada. Porém, primeiramente, a aquisição de dados foi realizada por microfones, acoplados à tubulação, obtendo dados no domínio do tempo. Cada simulação compreendeu dados em regime transiente e permanente. O domínio da frequência das amostragens contínuas foi calculado por Transformada Rápida de Fourier (FFT). O resultado de todos os dados experimentais, no domínio da frequência, foi uma matriz de dimensões de 5.475 x 6.599 (observações x dimensões). As 6.599 dimensões foram comprimidas a 200, pelo método de Análise de Componentes Principais (PCA), com 98% de representatividade. Os dados utilizados para treinamento das redes estavam, então, compreendidos na matriz resultante da compressão com dimensões de 5.475 x 200; testes usando dados não comprimidos para o treinamento da rede foram também realizados neste trabalho. A rede de Kohonen se mostrou uma forte ferramenta para a análise dos padrões acústicos tendo a vantagem de não necessitar de dados de saída do sistema para o seu treinamento

Abstract: Leaks are mostly unpredictable and undesirable. Depending on the quantity and on the material leaked, these situations represent a potential danger to the ecosystem and negative financial effects to the responsible institution. Thus, considering the importance of identifying the occurrence...

Abstract: Leaks are mostly unpredictable and undesirable. Depending on the quantity and on the material leaked, these situations represent a potential danger to the ecosystem and negative financial effects to the responsible institution. Thus, considering the importance of identifying the occurrence of leaks, a method was studied for detection and characterization of leaks of gas in pipes according to the sound produced. This method has as an initial assumption that the responses of each different leak, or absence of leak, have its own acoustic patterns, and so can be distinguished from one another. For analysing the features, Kohonen¿s unsupervised neural network was used. However, firstly, data acquisition was performed by microphones coupled to the pipeline to get the time domain acoustic response. Each experiment consisted of acquisitions of both transient and steady state responses. The frequency domain was calculated by Fast Fourier Transform (FFT). For results, the matrix size comprising data in terms of frequency was of 5.475 x 6.599 (observations x dimensions). The 6.599 dimensions were compressed to 200 using the Principal Components Analysis (PCA) with 98% of variance explained. Data used in the training of the Kohonen¿s net were comprised in the compressed matrix of dimensions of 5.475 x 200; tests using not compressed data to train the artificial neural network are also in this work. The net was found to be a strong tool to analyse and identify the acoustic patterns. Besides, it was advantageous not to necessarily attribute output to the training data of the network

Requisitos do sistema: Software para leitura de arquivo em PDF