FERNANDO GUIMARES AGUIAR

UTILIZAO DE REDES NEURAIS ARTIFICAIS PARA

DETECO DE PADRES DE VAZAMENTO EM DUTOS

Dissertao apresentada Escola de

Engenharia de So Carlos da Universidade de

So Paulo, como parte dos requisitos para

obteno do Ttulo de Mestre em Engenharia

Mecnica.

rea de Concentrao: Trmica e Fluidos

Orientador: Prof. Tit. Paulo Seleghim Jnior

So Carlos

2010

DEDICATRIA

A minha amada me Mrcia Guimares, com muito carinho, admirao e gratido e

a minha querida irm Carolina pelo eterno amor fraternal incentivo e admirao

AGRADECIMENTOS

Agradeo primeiramente a Deus, por suas bnos e por me dar fora e confiana para

superar as dificuldades encontradas.

minha admirvel Me, pelo esforo rduo para prover a excelncia em estudo para

mim, alm do imenso amor e carinho incondicional em todos os momentos da minha vida.

A minha irm Carolina, pelo incentivo e por ser uma fonte de inspirao e incentivo

para superar dificuldades, sempre me tratando com muito amor e carinho e tambm ao meu

cunhado Guilherme.

Ao meu professor orientador Paulo Seleghim Jnior, pela orientao durante este

trabalho e pelos ensinamentos de vida durante os 6 anos de convivncia.

Ao meu querido av Messias e minha querida av Jovenilia (in memoriam) pelo amor

e carinho em toda minha vida.

Aos meus tios e tias Antnio, Clia, Marden, Janete, Bakkar, Silvia e a todos os outros

que mesmo distante me incentivaram e apoiaram em todos os momentos.

Aos meus amigos e amigas Ennes, Camila, Celi, Amauri, Gustavo Rodrigo, Thais,

Elma Ize, Marcus, Carlos Eduardo, Fabrcio, Ulisses, Tang, Leonardo, Diorginer, Jos

Robeto, Alisson Gallo, Frederico Ribeiro e todos, que mesmo longe sempre estiveram

presentes em minha vida, me apoiando, ajudando e incentivando com muitos momentos de

alegria e companheirismo.

Ao engenheiro Jorge Nicolau, aos tcnicos Roberto Prata e Luchesi e todos os

funcionrios do NETeF, pelos ensinamentos, colaborao e incentivo neste trabalho.

Escola de Engenharia de So Carlos Universidade de So Paulo, pela

oportunidade de continuar e desenvolver meus estudos.

todos os professores e colegas de departamento, que ajudaram na execuo e

concluso deste trabalho.

Enfim, a todos que tiveram envolvido direta ou indiretamente para o desenvolvimento

dessa dissertao, os meus sinceros agradecimentos.

muito melhor arriscar coisas grandiosas, alcanar triunfos e glrias, mesmo expondo-se a

derrota, do que formar fila com os pobres de esprito que nem gozam muito nem sofrem

muito, porque vivem nessa penumbra cinzenta que no conhece vitria nem derrota.

Theodore Roosevelt

RESUMO

AGUIAR, F. G. (2010). Utilizao de redes neurais artificiais para deteco de padres de

vazamentos em oleodutos. Dissertao de Mestrado em Engenharia Mecnica, Escola de

Engenharia de So Carlos Universidade de So Paulo.

O presente trabalho tem como objetivo principal o desenvolvimento de um sistema de

identificao do surgimento de vazamentos (rupturas) em dutos, atravs da anlise do sinal de

sensores de presso de resposta rpida (frequncia de corte superior a 1 kHz). O

reconhecimento do sinal de vazamento se realiza atravs de uma rede neural artificial feed-

foward do tipo Perceptron Multi Camadas, previamente treinada. Neste trabalho, a

implementao para tal operao foi feita off-line, mas devido ao baixo custo computacional

pode ser facilmente implementada em eletrnica embarcada, em tempo real (on-line). Os

resultados experimentais foram obtidos no oleoduto piloto do NETeF Ncleo de Engenharia

Trmica e Fluidos da USP Universidade de So Paulo, com uma seo de testes com 1500

metros e dimetro de 51,2 mm. Especificamente, os resultados foram obtidos com escoamento

monofsico de gua. Os resultados mostram-se promissores, visto que o sistema de redes

neurais artificiais foi capaz de discriminar 2 universos linearmente separveis, para sinais de

vazamento e de no vazamento, para diversas vazes e localizaes de vazamentos simulados.

Palavras-chave: Deteco de vazamento. Processamento de sinais. Redes neurais artificiais.

Instrumentao.

ABSTRACT

AGUIAR, F. G. (2010). The use of artificial neural networks for pattern detection of leaks in

pipelines. MSc. Dissertation in Mechanical Engineering, Escola de Engenharia de So

Carlos Universidade de So Paulo.

The present dissertation deals with the development of a system to recognize abrupt leaks

(ruptures) in pipelines, by analyzing the signal of fast response pressure sensors (cutoff

frequency over then 1kHz). The recognition of the leak signal is established by an artificial

neural network feed-forward Perceptron Multi Layer, previously trained. In the present work

the implementation was performed off-line, but due to low computational costs, the neural

network can be easily implemented in real time embedded electronics (online). The

experimental results were obtained in a 1500 meter-long and 51.2 millimeter-diameter pilot

pipeline at the Center of Thermal Engineering and Fluids. Specifically, the results were

obtained with single-phase flow of water. The results have proven to be promising, as the

trained neural network was capable of classifying the 2 types of signals into 2 linearly

separable regions, for leakage signals and no leakage signals, for various flow rates and

locations of simulated leaks.

Keywords: Leak detection. Signal processing. Artificial neural networks. Instrumentation.

LISTA DE FIGURAS

Figura 1 - Modelo do neurnio artificial. .............................................................................. 33

Figura 2 Modelo do Perceptron e sua correlao com o neurnio de McCulloch e Pitts. ... 35

Figura 3 - Perceptron Multicamadas. (Figura Adaptada de SILVA (2008)). ......................... 38

Figura 4 - Foto do Oleoduto Piloto Trifsico do NETeF/USP. .............................................. 47

Figura 5 - Representao Esquemtica do Oleoduto Piloto Trifsico do NETeF/USP. .......... 48

Figura 6 - Arquitetura da Aplicao do CompactRIO. .......................................................... 49

Figura 7 - Topologia de Conexo do Sistema CompactRIO. ................................................. 50

Figura 8 - Tela do software em LabVIEW que executado em um computador do tipo PC.

............................................................................................................................................ 51

Figura 9 - Tela do software em LabVIEW que executado no controlador de tempo real (NI

cRIO 9014). ......................................................................................................................... 52

Figura 10 - Tela do software em LabVIEW que executado em FPGA (NI cRIO 9114). .. 52

Figura 11 - Temporizaes programveis do software para execuo automtica dos

experimentos. ....................................................................................................................... 53

Figura 12 - Processo para obteno de resultados. ................................................................ 56

Figura 13 - Sinal Experimental de Simulao de Vazamento. ............................................... 58

Figura 14 - Componente AC dos Sinais Experimentais de Simulao de Vazamento da Figura

13......................................................................................................................................... 59

Figura 15 - Detalhe nos Sinais de Abertura de Vlvula das Simulaes de Vazamento da

Figura 14. ............................................................................................................................ 60

Figura 16 - Transformada de Fourier para o Sinal Vazamento (Abertura de Vlvula)

Exemplificado na Figura 15. ................................................................................................ 61

Figura 17 - Exemplo de Visualizao Grfica das Sadas da RNA. ....................................... 64

Figura 18 - Tangente Hiperblica Sigmide. ........................................................................ 65

Figura 19 - Topologia de RNA Perceptron Implementada. ................................................... 67

Figura 20 - Curvas de Aprendizagem para Neurnios na Camada Escondida Iguais a 3, 5, 10 e

20......................................................................................................................................... 68

Figura 21 - Classificao dos Dados Utilizados para Treinamento da RNA com N1 = 10. .... 69

Figura 22 - Histograma de Erro Quadrtico Mdio Absoluto dos Dados Utilizados para

Treinamento da RNA com N1 = 10. ..................................................................................... 70

Figura 23 - Classificao dos Dados Utilizados para Validao Cruzada (Teste) da RNA com

N1 = 10. ............................................................................................................................... 71

Figura 24 - Histograma de Erro Quadrtico Mdio Absoluto dos Dados Utilizados para

Validao Cruzada (Teste) da RNA com N1 = 10. ............................................................... 71

Figura 25 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 5%. ............................................................ 73

Figura 26 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 5% de rudo (Freq. Inversor de 40Hz; P2; S2). .............................................. 73

Figura 27 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 10%. .......................................................... 74

Figura 28 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 10% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 74

Figura 29 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 20%. .......................................................... 75

Figura 30 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 20% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 75

Figura 31 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 30%. .......................................................... 76

Figura 32 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 30% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 76

Figura 33 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 40%. .......................................................... 77

Figura 34 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 40% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 77

Figura 35 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 50%. .......................................................... 78

Figura 36 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 50% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 78

Figura 37 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 60%. .......................................................... 79

Figura 38 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 60% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 79

Figura 39 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 70%. .......................................................... 80

Figura 40 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 70% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 80

Figura 41 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 80%. .......................................................... 81

Figura 42 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 80% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 81

Figura 43 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 90%. .......................................................... 82

Figura 44 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 90% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 82

Figura 45 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 100%. ........................................................ 83

Figura 46 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 100% de rudo (Freq. Inversor de 40Hz; P2; S2). .......................................... 83

Figura 47 - Diagrama de Blocos do software em LabVIEW que executado em um

computador do tipo PC......................................................................................................... 93

Figura 48 - Diagrama de Blocos do software em LabVIEW que executado no controlador

de tempo real (NI cRIO 9014). ............................................................................................. 94

Figura 49 - Diagrama de Blocos do software em LabVIEW que executado em FPGA (NI

cRIO 9114). ......................................................................................................................... 95

LISTA DE TABELAS

Tabela 1 - Posies Relativas dos Transdutores Bomba de gua. ...................................... 54

Tabela 2 - Posies Relativas das Vlvulas Solenides (Vazamentos). ................................. 55

Tabela 3 - Relao entre Simulao de Vazamento e Aquisio de Sinal. ............................. 56

LISTA DE ABREVIATURAS E SIGLAS

ASCII American Standard Code for Information Interchange

ANP Agncia Nacional de Petrleo

CAN Controller Area Network

cRIO Compact RIO

EESC Escola de Engenharia de So Carlos

FPGA Field Programmable Gate Array

Hz Hertz

IA Inteligncia Artificial

I/O Input and Output

NETeF Ncleo de Engenharia Trmica e Fluidos

NI National Instruments

PAC Programmable Automation Controller

PC Personal Computer

PMC Perceptron Multi Camada

RBF Radial Basis Function

RNA Rede Neural Artificial

RTOS Real Time Operational System

RTTM Real Time Transient Modeling

SCADA Supervisory Control and Data Acquisition

USP Universidade de So Paulo

LISTA DE SMBOLOS

dj Valor desejado para j-simo neurnio de sada da RNA

E t Erro da sada da RNA

E(k) Erro quadrtico para k-simo vetor de entrada da RNA

() Erro quadrtico mdio para k-simo vetor de entrada da RNA

fMAX Mxima freqncia contida em um sinal

fSMIN Freqncia de Nyquist

fS Freqncia de amostragem

g( ) Funo de ativao da RNA

Ilj Valor da entrada ponderada do j-simo neurnio da camada l

MEDIA_Pl( ) Media do vetor Pl( )

m e Vazo mssica a montante

mp Inventrio do duto (massa contida no duto)

m s Vazo mssica a jusante

Nl Nmero de neurnios da l-sima camada da RNA

Pl( ) Vetor Discreto do sinal de presso adquirido no experimento

Pl_AC( ) Componente AC do vetor Pl( )

Pl_DEC( ) Vetor Pl_AC( ) decimado

Wlji Valor do peso sinptico conectado ao j-simo neurnio da camada l ao i-simo

neurnio da camada (l-1);

X Vetor de entradas da RNA

xi i-sima entrada da RNA

yd Vetor de sada desejada da RNA

y(x) Vetor de sada calculada da RNA

Yl Vetor de sada da l-sima camada da RNA

Limiar

lj Gradiente local para l-sima camada neural, referente ao j-simo neurnio

Fator de Aprendizagem

SUMRIO

RESUMO ............................................................................................................................ 11

ABSTRACT ........................................................................................................................ 13

1. INTRODUO ........................................................................................................... 27

1.1. Objetivos ............................................................................................................... 28

2. REVISO BIBLIOGRFICA ..................................................................................... 29

2.1. Mtodos de Deteco de Vazamentos em Dutos..................................................... 29

2.2. Redes Neurais Artificiais ....................................................................................... 32

2.2.1. Breve Histrico das Redes Neurais Artificiais ................................................. 34

2.2.2. Rede Perceptron Multicamadas e Algoritmo de Treinamento

Backpropagation .......................................................................................................... 37

3. METODOLOGIA ........................................................................................................ 47

3.1. Circuito Experimental ............................................................................................ 47

3.1.1. Oleoduto Piloto e Instrumentao ................................................................... 47

3.1.2. Sistema de Controle e Aquisio de Dados ..................................................... 49

3.2. Aquisio de Dados Experimentais ........................................................................ 50

3.3. Aplicao de Redes Neurais Artificiais para Deteco de Vazamentos em Dutos ... 56

3.3.1. Sistema de Controle e Aquisio de Dados ..................................................... 57

3.3.2. Pr-processamento do Sinal Adquirido ........................................................... 57

3.3.3. Treinamento da RNA com Sinais Experimentais.............................................. 62

3.3.3.1. Classificao dos Sinais para Treinamento da RNA ................................. 62

3.3.3.2. Topologia da RNA Utilizada.................................................................... 64

3.3.4. Validao Cruzada do Treinamento da RNA ................................................... 65

3.3.5. Toolbox de Rede Neural Artificial MATLAB.............................................. 66

4. TESTES E RESULTADOS EXPERIMENTAIS .......................................................... 67

4.1. Interferncia de Rudo no Sinal de Entrada ............................................................ 72

5. CONCLUSES E PERSPECTIVAS............................................................................ 85

REFERNCIAS BIBLIOGRFICAS .................................................................................. 87

APNDICE A Diagrama de Blocos dos programas em LabVIEW para Controle da Planta

e Aquisio de dados nos experimentos. ............................................................................... 93

26

27

1. INTRODUO

O transporte de petrleo e seus derivados em dutos (oleodutos, gasodutos e polidutos)

uma maneira eficiente e econmica, quando se compara os custos de transporte de petrleo

pela malha rodoviria, ferroviria ou martima, especialmente em longas distncias. A

utilizao de dutos para transporte de produtos petroqumicos no recente. Em 1872 foi

inaugurado o primeiro duto para transporte de gs nos Estados Unidos da Amrica, no estado

da Pensilvnia, com 8 km de extenso e 2 de dimetro.

No Brasil, a construo de oleoduto teve incio na dcada de 40, sendo que a dcada

de 80 se caracterizou pelo grande nmero de projetos e construo de gasodutos no Brasil,

devido ao aumento da utilizao de gs natural na indstria.

Todavia, deve-se ressaltar que os riscos associados ao transporte de petrleo em dutos

so muito altos. Um vazamento ou rompimento da tubulao pode acarretar danos

irreparveis ao meio ambiente, em especial se o duto construdo em regies alagadas,

submersas ou em reservas ambientais. Quanto ao aspecto financeiro, um levantamento da

Agncia Nacional de Petrleo (ANP) estima-se que o prejuzo oriundo do vazamento de 1

metro cbico de petrleo supera R$ 100.000,00. Ressalta-se tambm que a lei brasileira de

crimes ambientais, que vigora sob o decreto de nmero 3.179 de 21 de setembro de 1999,

severa com multas que podem chegar a at R$ 50.000.000,00.

Segundo Papadakis, Porter e Wetting (1999), as principais causas de acidentes em

oleodutos e gasodutos esto ligadas a falhas operacionais, corroso, movimentao do solo,

fenmenos naturais e aes externas no intencionais ou no autorizadas (ligaes

clandestinas, por exemplo).

Neste contexto, diversas tcnicas para deteco de vazamentos em dutos vm sendo

pesquisadas, a fim de evitar e/ou diminuir danos ao meio ambiente e perdas econmicas.

Entretanto, destaca-se a citao de Stouffs e Michel (1993): Nenhum mtodo de deteco de

vazamento universalmente aplicvel e os requisitos operacionais ditam qual o mtodo

mais eficaz para o processo. Em geral, o ideal utilizar mais de um sistema independente de

deteco de vazamento em oleodutos importantes, que mesmo escrita h 17 anos continua

vlida e atual.

28

1.1.Objetivos

Neste trabalho uma tcnica de deteco de vazamentos abruptos atravs da anlise do

sinal transiente de presso (propagao acstica do sinal de vazamento), que utiliza uma rede

neural artificial para identificar padres de vazamento no sinal transiente de presso

aplicada a um duto com escoamento monofsico lquido.

Em especfico, pretende-se identificar uma arquitetura de rede neural artificial, que

seja treinada para classificar e diferenciar padres de vazamentos e de no-vazamentos, que

so obtidos experimentalmente, em regies linearmente separveis.

29

2. REVISO BIBLIOGRFICA

Neste captulo apresentada uma reviso bibliogrfica sobre os tpicos envolvidos

neste trabalho, destacando-se o histrico e metodologias de deteco de vazamentos em dutos

e o histrico e topologias de redes neurais artificiais.

2.1.Mtodos de Deteco de Vazamentos em Dutos

Problemas de corroso, fadiga, falhas de soldas, mudanas repentinas na presso e

aes de terceiros podem afetar a integridade de um duto e provocar vazamentos de diversas

propores, e de acordo com o produto transportado, isso pode representar graves prejuzos

ambientais, alm da perda econmica. Diante disso, vrias tcnicas de deteco de

vazamentos em dutos tm sido propostas e podendo estas ser classificadas em trs categorias,

segundo Khomairi (2008): observacionais, baseados em hardwares e baseados em softwares.

Os sistemas de deteco de vazamentos baseados em mtodos observacionais so os

mais simples para realizar a deteco de vazamento, consistindo basicamente da inspeo

visual (podendo utilizar cmeras de segurana, inspees areas, utilizao de cmeras infra-

vermelhos). Estes mtodos so muito dependentes do fator humano e so geralmente

aplicveis em dutos de pequeno comprimento que esto expostos em regies de fcil acesso.

Os mtodos de deteco baseados em softwares so sistemas com um custo maior e

requerem uma grande capacidade de processamento, e isso torna a utilizao proibitiva em

oleodutos curtos. Comumente, um sistema de controle e aquisio de dados (do ingls

Supervisory Control and Data Acquisition SCADA) usado para capturar dados do

processo, como presso, vazo, temperatura, densidade, dentre outros e ento, os dados so

analisados para detectar possveis vazamentos em oleodutos. Destacam-se os mtodos de

balano de massa, anlise do transiente fluido dinmico, anlise inversa de transientes, anlise

da transformada wavelet e mtodos de modelagem matemtica em tempo real.

30

Quanto ao mtodo de balano de massa, segundo Stouffs e Michel (1993) um

vazamento pode ocorrer quando o erro da computao do balano de massa for superior ao

limiar , sendo a computao do erro do balano de massa dada pela Equao 1.

m e m s dmp

dt (1)

Onde m e e m s so os fluxos de massa na entrada e sada do duto e o termo dmp

dt

descreve a variao do inventrio do duto (do ingls, line pack). Matematicamente simples a

teoria do balano de massa, todavia, o desafio calcular o inventrio do duto, devido a difcil

modelagem da densidade do lquido de acordo com as variaes de presso e temperatura, que

ocorrem tanto na direo longitudinal quanto na direo radial do duto, e tambm, tem-se a

incerteza dos instrumentos de medio de massa nas extremidades do duto. Dentre as

caractersticas do mtodo de balano de massa, destaque para o limite de deteco

proporcional a vazo do duto (tipicamente 2%) e o grande tempo de resposta para deteco de

vazamentos pequenos, podendo ser superior a 8 horas.

Segundo Wang, et al. (2002), o mtodo de anlise do transiente fluidodinmico baseia-

se no fato de que o evento de vazamento gera um sinal transiente amortecido. Esse transiente

fluidodinmico pode ser modelado em termos de uma srie de Fourier. A magnitude de cada

termo da srie de Fourier se reflete na dimenso do vazamento e, atravs da anlise da taxa de

amortecimento dos termos das componentes da srie de Fourier, pode-se estimar a posio do

vazamento.

A anlise inversa de transientes uma metodologia aplicvel a tubulaes onde possa

reproduzir um escoamento em regime permanente. realizada a modelagem da tubulao e o

vazamento na tubulao pode ser tratado como um problema inverso, atravs da modelagem

de vazo ou presso. A rea equivalente de possveis orifcios de vazamentos utilizada como

varivel desconhecida na formulao do problema inverso. A rea calculada atravs da

minimizao entre a varivel de processo media e o valor ideal calculado. Para minimizao

pode ser utilizado algoritmos de clculo numrico convencionais, como no estudo de Liggett

e Chen (1994), onde foi aplicado o algoritmo de Levenberg-Marquardt em uma rede de

distribuio de gua, ou podem ser utilizados algoritmos genticos como exemplificado no

trabalho de Wu e Sage (2006).

31

A aplicao de transientes em dutos pode tambm ser utilizada para deteco de

vazamento. O mtodo de resposta ao impulso usado para resolver diretamente as equaes

governantes de transiente de fluxo em dutos pressurizados, Analisando o domnio da

freqncia. Para tal, calculado o espectro de freqncias de sensores de presso

piezomtricos, comumente localizados em uma das extremidades de um duto. O espectro

constitudo de dois termos principais, sendo o primeiro relacionado as caractersticas do

sistema e outra relacionado as caractersticas do impulso (manobra utilizada para gerar o

transiente). Em 2003, Ferrante e Brunone (2003) demonstraram que o vazamento pode ser

detectado analisando a ocorrncia de descontinuidades no tempo, que podem ser atribudas ao

sinal de vazamento refletido pelas ondas de presso.

Mtodos de deteco de vazamentos baseados em modelagem de transientes em tempo

real (equao de conservao da massa, quantidade de movimento e energia associada a

equao de estado do escoamento), do ingls, Real Time Transient Modeling (RTTM), so

compostos por um sistema eletrnico para aquisio de dados de presso e vazo em ambas

extremidades de um segmento de duto. Um modelo de tempo real simula os transientes de

presso e vazo da tubulao utilizando equaes de regime transiente. Ento, utiliza-se uma

das grandezas medidas nas extremidades (presso ou vazo) como condio de contorno para

calcular a outra grandeza modelada. O mtodo analisa a variao de presso e vazo entre os

valores medidos e os valores modelados matematicamente e um desvio nesse clculo pode ser

atribudo a um vazamento. Esse desvio obtido utilizado para estimar vazo do vazamento.

Destaque para o trabalho de Hemande et al. (1995), que desenvolveu um sistema RTTM para

um duto de etileno.

Quanto aos mtodos de deteco baseados em hardware, so utilizados diferentes

dispositivos eletrnicos para deteco e localizao de um vazamento, podendo ser

classificados de acordo com o princpio de deteco. Destacam-se os mtodos de deteco de

ondas de presso negativa e sistemas acsticos de deteco de vazamento.

A deteco de vazamento atravs de onda de presso negativa baseada no fato de que

no instante da ocorrncia do vazamento h uma queda de presso abrupta no local do

vazamento, at que se atinja um novo perfil de presso no duto, ou um novo regime de

presso estacionrio. O recente trabalho de Li e Sun (2009), formaliza a metodologia para

deteco de vazamento atravs de onda de presso negativa e apesar de no relacionar os

falsos alarmes, demonstra bons resultados quanto deteco e localizao de vazamentos,

detectando vazamentos de 2% da vazo do duto e preciso de localizao de 98%.

32

Os mtodos acsticos de deteco de vazamento utilizam o fato de que na ocorrncia

do vazamento gerado um transiente acstico, o qual propagado atravs de estruturas e

fluidos ao longo da tubulao, podendo esse sinal ser captado por sensores acsticos, ou

sensores de presses de resposta rpida (comumente sensores de presso piezoeltricos ou

piezoresistivos com freqncia de corte superior a 1 kHz). Todavia o transiente acstico

atenuado ao propagar-se ao longo da tubulao e para uma boa sensibilidade na deteco dos

vazamentos, os sensores acsticos devem ser estrategicamente posicionados to prximos

quanto possvel. So requeridas tcnicas de processamento de sinal para extrair informaes

caractersticas do sinal de vazamento para ento, classificar o sinal como vazamento ou sinal

de operao normal da tubulao. Este mtodo propicia a localizao do vazamento, caso seja

possvel obter o tempo exato da deteco do sinal nos diferentes sensores acsticos ao longo

da tubulao.

Neste trabalho abordado o mtodo acstico de deteco de vazamento, sendo que

proposto uma rede neural artificial, previamente treinada que seja capaz de extrair as

caractersticas de um sinal de vazamento e distingui-lo de sinais operacionais do escoamento.

2.2. Redes Neurais Artificiais

Sistemas baseados em Inteligncia Artificial (IA) tem sido desenvolvidos e

demonstrado resultados promissores e flexveis, tal como nos trabalhos de Simes (2000),

para a classificao robusta variao de grandezas como iluminao ou brilho da cor para

aplicao em futebol de robs; Goedtel (2007), desenvolvendo um estimador neural de

velocidade de motores de induo trifsico a partir de variveis primrias de tenso e

corrente; Selli (2007), para identificao de regimes de escoamentos bifsicos com um

classificador neural analisando a transformada de Gabor do sinal de presso; Gaspar (2006)

desenvolvendo um identificador de faces humanas utilizando redes neurais artificiais; dentre

inmeros outros trabalhos, sendo aplicveis a diversas reas de engenharia, representando um

domnio de pesquisa multidisciplinar, envolvendo alm de engenharia, fsica, matemtica,

biologia, neurofisiologia, etc.

Dentre as ferramentas que constituem a IA destacam-se os Algoritmos Genticos,

Lgica Difusa e Redes Neurais Artificiais (FILIPATTI F., et al., 2000), sendo que este

trabalho tem a utilizao focada em Redes Neurais Artificiais (RNA).

33

Conforme descrito por Selli e Seleghim (2007), em uma anlise matemtica, as RNA

podem ser definidas como um mapeamento no linear de um vetor de espao de entrada para

um vetor de espao de sada, que pode ser feito atravs de camadas de funes de ativao ou

neurnios, nos quais coordenadas de entrada so somadas de acordo com o valor de seus

respectivos pesos e bias para produzir uma sada simples, ativada ou no, de acordo com o

respectivo nvel de disparo.

importante salientar que essa anlise matemtica tem sua inspirao biolgica, pois

o crebro constitudo por unidades funcionais, denominadas neurnios, que emitem

impulsos eltricos em resposta a estmulos, tal como salientado por Timoszczuk (2004). Essas

unidades so densamente interconectadas, resultando em uma arquitetura altamente complexa.

Inspirados nessa arquitetura complexa, vrios modelos matemticos de neurnios artificiais

foram desenvolvidos, refletindo o conhecimento biolgico sobre o funcionamento do crebro

humano (TAGLIARINI G. A., et al., 1991).

Segundo Guyon (1991), o neurnio artificial uma estrutura lgico-matemtica que

procura simular a forma, comportamento e funes de um neurnio biolgico. Assim, os

dendritos so substitudos por entradas, cujas ligaes com o corpo celular artificial so

realizadas atravs de elementos chamados de peso (simulando as sinapses neuronais). Os

estmulos so captados pelas entradas e processados pela funo de soma e o bias. O limiar de

disparo do neurnio biolgico tem como analogia a funo de transferncia no neurnio

artificial (CHUA L.O.; YANG L., 1988). A Figura 1 exibe uma representao do neurnio

artificial.

Figura 1 - Modelo do neurnio artificial.

34

2.2.1. Breve Histrico das Redes Neurais Artificiais

As pesquisas sobre Redes Neurais datam de 1943 (PICCININI G., 2004) por

McCulloch (fisiologista) e Pitts (matemtico) em um trabalho pioneiro, consistindo num

estudo sobre o comportamento do neurnio biolgico objetivando a criao do modelo

matemtico correspondente, com a interpretao do funcionamento do neurnio como sendo

um circuito binrio (MCCULLOCH W. S.; PITTS W. H., 1943). O modelo matemtico do

neurnio de McCulloch e Pittts capaz de separar duas entradas booleanas, todavia no

possvel treinar os neurnios, pois no possuem parmetros livres. McCulloch e Pitts no

desenvolveram nenhum mtodo para adaptar os pesos do neurnio em um processo de

treinamento ou aprendizagem.

Uma contribuio importante ocorreu em 1949 de autoria do neuro-psicologista

Donnald Hebb (TEES R. C., 2002). Hebb props uma lei de aprendizagem especfica para a

sinapse dos neurnios, demonstrando que a capacidade de aprendizagem das redes neurais

vem da alterao da eficincia sinptica, isto , a conexo reforada somente se tanto as

clulas pr-sinpticas quanto as ps-sinpticas estiverem excitadas, tal como citado no livro

de Russell e Norvig em 1995 (RUSSELL S. J., NORVIG P., 1995). A Equao 2 expressa

matematicamente o enunciado da lei de aprendizagem de Hebb.

Wi = xi y(x) (2)

Onde o fator de aprendizagem, xi a i-sima entrada do neurnio (valor do neurnio

pr-simptico) e y(x) o valor do neurnio ps-simptico.

Outra contribuio de grande importncia nas pesquisas com redes neurais foi a

concepo do modelo denominado Perceptron, por Rosenblatt (1958), que consistia em um

modelo cognitivo de unidades sensoriais (entradas) conectadas a uma nica camada de

neurnios tal como o modelo de McCulloch e Pitts, acrescidos de sinapses ajustveis.

Utilizando a lei de aprendizagem de Hebb, Rosenblatt demonstrou que essas redes poderiam

ser treinadas para classificar padres de classes linearmente separveis o que uma grande

limitao para utilizao prtica (GUYON I., 1991). A Figura 2 apresenta o modelo do

neurnio Perceptron e sua correlao com o neurnio proposto por McCulloch e Pitts.

35

Figura 2 Modelo do Perceptron e sua correlao com o neurnio de McCulloch e Pitts.

(Figura adaptada de GUYON I., 1991).

Ainda em 1960, uma grande contribuio de Widrow e Hoff foi uma variao do

algoritmo de aprendizagem do Perceptron (WIDROW B.; LEHR M. A., 1990), aplicando o

conceito do erro mdio quadrtico, formulando o modelo Adaline, acrnimo do ingls

(Adaptative Linear Element, podendo ser traduzido por Elemento Linear Adaptativo). Neste

modelo proposto por Widrow, o ajuste dos pesos da rede realizado atravs de uma

aproximao linear do clculo do gradiente de uma funo de erro quadrtica, atualmente

conhecida como Regra Delta ou Regra de Widrow-Hoff. A Equao 3 expressa

matematicamente o enunciado da Regra de Widrow-Hoff.

E t = yd y(x) (3)

W t + 1 = W t E(t)

t (4)

Onde t a iterao do treinamento, o fator de aprendizagem, yd a sada desejada,

y(x) a sada do neurnio, W t so os pesos na iterao t e E(t)

t o gradiente do erro na

iterao t.

Apesar do otimismo a respeito da capacidade de aprendizagem e reconhecimento de

padres das redes neurais propostas por Rosenblatt, Widrow, dentre outros, em 1969 Marvin

Minsky, juntamente com Seymour Papert publicaram sua monografia que refletiam o

36

ceticismo dos autores quanto aos conceitos das redes Perceptron e Adaline (KELEMEN J.,

2007). Na monografia, Minsky e Papert provaram alguns teoremas matemticos a respeito dos

limites do treinamento proposto por Rosenblatt e Widrow. Uma ilustrao simples que os

modelos Perceptron e Adaline no so capazes de resolver dois operadores lgicos cruciais

OU EXCLUSIVO e NO OU EXCLUSIVO (BORCHARDT F. L., 1988). Segundo

Timoszczuk (2004), a publicao de Minsky e Papert colocou que no havia motivo aparente

que redes formadas por mltiplas camadas de Perceptron ou Adaline pudessem superar as

limitaes e ainda herdar as boas caractersticas das redes simples. Tais argumentos

desmotivaram substancialmente os pesquisadores e reduziram drasticamente as pesquisas

sobre RNA nas dcadas de 70 e 80.

Apesar da considervel reduo nas pesquisas sobre RNA nas dcadas de 70 e 80,

ocorreram notveis contribuies, podendo ser destacado o surgimento das redes auto-

organizveis utilizando algoritmos competitivos no supervisionados. Em 1973 Von del

Marlsburg apresentou um trabalho pioneiro, demonstrando o princpio da auto-organizao

(MALSBURG V. D., 1973) e juntamente com Willshaw, publicaram em 1976 um artigo

sobre a formao das redes auto-organizveis (WILLSHAW D. J.; MALSBURG V. D.,

1976).

Ainda na dcada de 70, outra importante contribuio foram os estudos pioneiros de

Kohonen (KOHONEN T., 1972), Reid e Frame (REID R. J.; FRAME J. S., 1975) no

desenvolvimento de modelos e mtodos de convergncia mapas auto-organizados tambm

conhecidos como Mapa de Kohonen, sendo uma nova topologia de RNA que utiliza

aprendizado no-supervisionado. Os mapas de Kohonen produzem uma representao

discretizada clusterizada do universo de entrada, chamado mapas, muito conveniente para

representar dados de vrias dimenses em um universo de poucas dimenses. Assim, os

mapas de Kohonen so capazes de descobrir padres ou caractersticas especficas nos dados

de entrada sem a interferncia do usurio.

Na dcada de 80, juntamente com o advento de computadores com maior capacidade

de clculo, ocorreu um novo impulso nas pesquisas de redes neurais. Destaca-se as pesquisas

de Carpenter e Grossberg (1980), com a introduo dos conceitos da rede neural Adaptative

Resonance Theory (ART) (CARPENTER G. A.; GROSSBERG S., 1988), sendo uma rede

auto-organizvel cujo princpio a auto-definio dos seus parmetros, sendo mais uma rede

de aprendizado no supervisionado. A primeira verso da rede ART proposta foi a rede ART1

que trabalhava apenas com valores binrio. Posteriormente foi desenvolvida a rede ART2,

cujos valores de entradas so contnuos. Tm sido desenvolvidas diversas sofisticaes e

37

variaes do modelo ART, como ART3, Fuzzy-ART, Fuzzy-MAP, dentre outros (CASTRO A.

P. A.; SILVA J. D. S., 2002).

Em 1982, outro trabalho de grande relevncia com enfoque pioneiro em redes

recorrentes (HOPFIELD J. J., 1982), utilizando a idia da minimizao da funo de energia,

apresentando uma rede, normalmente com camada nica, com conexes retro-alimentadas

entre os neurnios. Deve-se ressaltar que a funo de energia deve ser associada a funo

objetivo e tambm as restries fsicas e matemticas do problema a ser resolvido.

Deve-se enfatizar que a dcada de 80 teve o pice das pesquisas de Redes Neurais

Artificiais com o desenvolvimento do algoritmo backpropagation (ou retro-propagao em

portugus), formalizado por Rumelhart, Hinton e Williams (RUMELHART D. E., et al.,

1986) propiciando o treinamento de redes Perceptron Multi-camadas resultando em uma rede

com grande poder de generalizao, possibilitando a implementao de diversas aplicaes,

idealizadas at ento. Destaque para o trabalho de Broomhead com a implementao de redes

neurais com funes de base radial (do ingls radial basis functions (RBF)), com excelente

capacidade de aproximao (HUNT K. J., et al., 1996).

2.2.2. Rede Perceptron Multicamadas e Algoritmo de Treinamento Backpropagation

As redes Perceptron Multicamadas (PMC), so caracterizadas pela presena de

mltiplas camadas de unidades bsicas de processamento do tipo Perceptron (GUYON I.,

1991). O incremento de mais camadas neurais implica em um aumento na capacidade de

processamento no linear e generalizao da rede neural. Assim, foram superadas as

limitaes para o modelo do Perceptron e Adaline por Minsky e Papert em 1969.

A rede PMC composta minimamente por 1 camada de entrada e 1 camada de

neurnios de sada, sendo que entre essas camadas podem conter inmeras camadas

intermedirias, tambm denominadas de camadas escondidas. Cada camada pode conter

inmeros neurnios Perceptrons, sendo que as sadas dos neurnios de cada camada so as

entradas dos neurnios da cama sub-sequente, desde a camada de entrada, at a camada de

sada. Neste tipo de rede no h retro-alimentaes, pois a propagao do processamento

neural unidirecional.

As redes PMC possuem treinamento supervisionado, sendo que o algoritmo de

treinamento visa ajustar os pesos da rede para, a partir de um conjunto conhecido de vetores

de entrada para obter da rede um conjunto de sadas desejadas. A Figura 3 exemplifica uma

rede Perceptron Multicamadas.

38

Figura 3 - Perceptron Multicamadas. (Figura Adaptada de SILVA (2008))1.

Na Figura 3 tem-se a seguinte simbologia:

N: Nmero de pontos do vetor de entrada X;

X: Vetor de entrada da rede: X = [1, x1, x, , xN ]T ;

Wlji: Valor do peso sinptico conectado ao j-simo neurnio da camada l ao i-

simo neurnio da camada (l-1); Ressalta-se que nesta conveno o valor do

peso Wlj0, para todos valores de l e j, teremos o valor do bias (ou limiar) de

cada neurnio;

Ilj: Valor da entrada ponderada do j-simo neurnio da camada l. Assim:

I1j = W1ji Ni=0 ; para j = 1..N1 (5)

I2j = W2ji 1N1i=0 ; para j = 1..N2 (6)

1 Figura Adaptada das notas de aula da disciplina SEL5712 Redes Neurais Artificiais, ministrada pelo

professor Tit. Dr. Ivan Nunes da Silva em 2008.

39

I3j = W3ji 2N2i=0 ; para j = 1..N3 (7)

Generalizando para l camadas, teremos:

Ilj = Wlji [l 1]N[l1]i=0 ; para j = 1..Nl (8)

ylj: Valor da sada do j-simo neurnio da camada l. Assim:

y1j = g(I1j); para j = 1..N1 (9)

y2j = g(I2j); para j = 1..N2 (10)

y3j = g(I3j); para j = 1..N3 (11)

Generalizando para l camadas, teremos:

ylj = g(Ilj); para j = 1..Nl (12)

g( ): Funo de ativao do neurnio.

Para treinamento das redes PMC utilizado o treinamento supervisionado atravs do

algoritmo backpropagation, onde apresentado rede um conjunto de treinamento da rede

neural, com pares de entrada e sada conhecidos. O vetor de entrada propagado camada a

camada, at a camada de sada. O vetor de sada da rede ento comparado ao vetor de sada

desejado, sendo a diferena entre ambas sadas (calculada e desejada) o erro de sada da rede.

Esse erro ento retropropagado na rede, a fim de ajustar os pesos sinpticos para que

a prxima iterao o erro de sada seja reduzido. Esse processo repetido para todos os pares

do conjunto de treinamento da rede, at que o erro de sada aceitvel seja atingindo, e assim, a

condio de parada do treinamento.

As funes de erro empregadas como critrio de parada do processo de treinamento

so: Erro Quadrtico que fornece o valor instantneo da soma dos erros quadrticos do

40

padro de treinamento de todos os neurnios da camada de sada , e Erro Quadrtico Mdio

obtido a partir da soma dos erros quadrticos relativos a todos os padres de entrada

utilizados no conjunto de treinamento. A Equao (13) expressa matematicamente o Erro

Quadrtico para uma RNA com m camadas, enquanto a Equao (14) expressa

matematicamente o Erro Quadrtico Mdio para um conjunto de treinamento com p pares de

vetores de entrada e sada desejadas.

E k =1

2 (dj k ymj k )

2Nmj=1 (13)

EM =1

p E(k)

pk=1 (14)

Logo, o objetivo do processo de treinamento backpropagation ajustar a matriz de

pesos sinpticos da rede (matriz Wlji), visando minimizar o Erro Quadrtico Mdio. Esse

ajuste divido em 2 casos: Ajuste dos pesos dos neurnios da camada de sada; Ajustes dos

pesos dos neurnios das camadas escondidas.

Desenvolvendo o mtodo backpropagation para a rede PMC da Figura 3, teremos:

Ajuste dos pesos dos neurnios da camada de sada:

Ajustam-se os pesos da camada de sada (3 camada neural) a partir da minimizao da

funo de erro quadrtico mdio em relao aos pesos W3ji. Utilizando a regra de

diferenciao em cadeia, tem-se:

E(W3ji ) =E

W3ji=

E

y3j

y3j

I3j

I3j

W3ji (15)

I3j

W3ji= y2i (16)

y3j

I3j= g (I3j) (17)

41

E

y3j= (dj y3j) (18)

Tendo g( ) uma funo montona, a derivada de 1 ordem no alterna de sinal em

todo o domnio. Assim, substituindo as Equaes (16), (17) e (18) em (15), tem-se:

E

W3ji= (dj y3j)

(3 ) 2 (19)

Para minimizao, o ajuste deve ser realizado oposto ao gradiente do erro E(W3ji ).

W3ji = E

W 3ji= 3j 2 (20)

Onde:

3j = (dj y3j) (3 ) (21)

Sendo a taxa de aprendizagem do algoritmo backpropagation e 3j definido como

gradiente local.

Assim, em uma anlise temporal, teremos:

W3ji t + 1 = W3ji t + W3ji (t) = W3ji t + 3j 2 (22)

42

Ajuste dos pesos dos neurnios das camadas escondidas:

Ajuste para 2 Camada Neural

Ajustam-se os pesos da 2 camada neural a partir da minimizao da funo de erro

quadrtico mdio em relao aos pesos W2ji. Utilizando a regra de diferenciao em cadeia,

tem-se:

E(W2ji ) =E

W2ji=

E

y2j

y2j

I2j

I2j

W2ji (23)

I2j

W2ji= 1 (24)

y2j

I2j= (2 ) (25)

E

y2j=

E

I3k

I3k

y2j

N3k=1 (26)

Substituindo a Equao (7) em (26), teremos:

E

y2j=

E

I3k

W3kj y2jN 2i=0

y2j

N3k=1 =

E

I3kN3k=1 W3kj (27)

Substituindo as Equaes (17) e (18) em (27), teremos:

E

y2j=

E

I3kN3k=1 W3kj =

E

y3k

y3k

I3k N3k=1 W3kj

= 3k N3k=1 W3kj (28)

43

Substituindo as Equaes (24), (25) e (28) em (23), tem-se:

E(W2ji ) = 3k N3k=1 W3kj

(2 ) 1 (29)

Para minimizao, o ajuste deve ser realizado oposto ao gradiente do erro E(W2ji ).

W2ji = E

W 2ji= 2j 1 (30)

Onde:

2j = 3k N3k=1 W3kj

(2 ) (31)

Sendo a taxa de aprendizagem do algoritmo backpropagation e 2j definido como

gradiente local.

Assim, em uma anlise temporal, teremos:

W2ji t + 1 = W2ji t + W2ji (t) = W2ji t + 2j 1 (32)

Ajuste para 1 Camada Neural

Ajustam-se os pesos da 1 camada neural a partir da minimizao da funo de erro

quadrtico mdio em relao aos pesos W1ji. Utilizando a regra de diferenciao em cadeia,

tem-se:

E(W1ji ) =E

W1ji=

E

y1j

y1j

1

I1j

W1ji (33)

44

I1j

W1ji= (34)

y1j

I1j= (1 ) (35)

E

y1j=

E

2

I2k

y1j

N2k=1 (36)

Substituindo a Equao (6) em (36), teremos:

E

y1j=

E

I2k

W2kj 1N 2i=0

y1j

N2k=1 =

E

I2kN2k=1 W2kj (37)

Substituindo as Equaes (26) e (28) em (37), teremos:

E

y1j=

E

I2kN2k=1 W2kj =

E

y2k

y2k

I2k N2k=1 W2kj

= 2k N3k=1 W2kj (38)

Substituindo as Equaes (34), (35) e (38) em (33), tem-se:

E(W1ji ) = 2k N2k=1 W2kj g

(I1j) xi (39)

Para minimizao, o ajuste deve ser realizado oposto ao gradiente do erro E(W1ji ).

W1ji = E

W1ji= 1j (40)

45

Onde:

1j = 2k N2k=1 W2kj

(1 ) (41)

Sendo a taxa de aprendizagem do algoritmo backpropagation e 1j definido como

gradiente local.

Assim, em uma anlise temporal, teremos:

W1ji t + 1 = W1ji t + W1ji (t) = W1ji t + 1j (42)

Assim, aplica-se o ajustes dos pesos da camada neural de sada e o ajustes dos pesos

das camadas neurais escondidas (2 e 1 camada neural) seqencialmente, at que o Erro

Quadrtico Mdio atinja um valor desejvel para a aplicao.

O algoritmo backpropagation pode ser sintetizado pelos seguintes passos:

Definir conjunto de vetores de entradas (x(k) = [1, x1 , x2 , x3, , xN ]T)

com N elementos e sadas desejadas (d(k) = [ d1, d2, d3, , dM ]T) com M

elementos;

Definir os parmetros da rede (nmero de camadas neurais, de neurnios,

funes de ativao, parmetros de aprendizagem, funes de erro;

Iniciar os as matrizes de pesos Wlji;

REPITA:

o PARA CADA PAR: X(k), d(k) FAA:

Passo forward

1 = 1 = g(W1ji ) (43)

2 = 2 = g(W2ji 1) (44)

= = g(Wlji (1)) (45)

Passo backward

Determinar l e ajustar Wlji

46

Determinar (l 1) e ajustar W(l 1)ji

...

Determinar 1 e ajustar W1ji

o FIM PARA

o Calcular ()

AT QUE | 1 | <

A cada repetio do lao REPITA do algoritmo de treinamento tem-se 1 poca de

aprendizagem da RNA.

47

3. METODOLOGIA

3.1.Circuito Experimental

Neste trabalho, todos os testes experimentais foram realizados no oleoduto piloto do

laboratrio do Ncleo de Engenharia Trmica e Fluidos (NETeF) da Universidade de So

Paulo (USP) em So Carlos, Brasil. Sero descritos nesta seo o oleoduto piloto e o sistema

de instrumentao e aquisio de dados.

3.1.1. Oleoduto Piloto e Instrumentao

O oleoduto piloto trifsico (Figura 4) opera com misturas gs-lquido-lquido com

seo de teste construda em ao galvanizado com 50,8 mm de dimetro e comprimento til

de 1512 metros. Um sistema de tanques instalados jusante das sees de testes responsvel

pela separao primria ar-lquido e, subseqentemente, pela separao lquido-lquido.

Figura 4 - Foto do Oleoduto Piloto Trifsico do NETeF/USP.

48

Bombas centrfugas controladas por inversores de freqncia de 15kW (YASKAWA

CIMR-P5U2011) recirculam as fases lquidas (Figura 5). Um compressor de parafuso de

50kW assegura o suprimento de ar, cujo controle feito atravs de 3 posicionadores

pneumticos de vlvulas (SMAR FY301) acoplados a vlvulas de controle (VALTEK P-15)

instaladas em paralelo. Esta arquitetura foi adotada para permitir maiores variaes de escala

nas estratgias de controle de vazo.

Figura 5 - Representao Esquemtica do Oleoduto Piloto Trifsico do NETeF/USP.

Quanto instrumentao do oleoduto piloto, tanto a montante quanto a jusante, esto

instalados sensores e transmissores de vazo do tipo eletromagntico (ROSEMOUNT

EMERSON 570TM) com fundo de escala de 23,76 m/h (396 l/min). A instrumentao

tambm inclui transdutores de presso de resposta rpida (WIKA A10 com freqncia de

corte superior de 5 kHz) para medida da perda de carga e aquisio do sinal acstico do

escoamento, com fundo de escala de 16 bar.

Os elementos primrios de atuao (inversores de freqncia e posicionadores

pneumticos de vlvulas) so acionados a partir de estaes de transferncia

automtico/manual (SMAR AM01P), que permitem o acionamento em modo manual atravs

de seu painel frontal ou em modo automtico. O equipamento retransmite proporcionalmente

em escala de 4 a 20 mA o sinal de entrada, podendo ser em escala de 0 a 5V ou de 4 a 20 mA,

proveniente do mdulo Transdutor Atuador Controller Area Network (CAN) (ESEL

TCAN002) com sada de 4-20 mA.

49

3.1.2. Sistema de Controle e Aquisio de Dados

O conjunto de sinais a serem lidos pelo sistema de aquisio de dados composto por

10 transmissores de presso, 2 transmissores de vazo e 22 vlvulas solenides distribudas ao

longo do duto para simulao de vazamento em posies determinadas. O sistema de controle

composto por 5 transdutores CAN/4-20mA que acionam os 2 inversores de freqncia e os

3 posicionadores pneumticos de vlvula, atravs da estao de transferncia automtico

manual.

O sistema de controle e aquisio de dados gerenciado por um Controlador de

Automao Programvel (do ingls Programmable Automation Controller (PAC)), que um

hardware eletrnico da National Instruments (NI), denominado CompactRIO, sendo este

um sistema de alta performance e confiabilidade. Aplicaes para CompactRIO utilizam trs

processadores separados: um computador do tipo PC com sistema operacional Windows, um

controlador com sistema operacional em tempo real (do ingls Real Time Operacional System

(RTOS)) e um arranjo de portas programvel em campo (do ingls Field Programmable Gate

Array (FPGA)), tal como exemplificado na Figura 6.

Figura 6 - Arquitetura da Aplicao do CompactRIO.

(Figura adaptada de NATIONAL INSTRUMENTS INC., 2008)

O CompactRIO constitudo por mdulos de entradas e sadas (do ingls Input and

Output Module(I/O)), um chassi de FPGA e um controlador de tempo real. Os mdulos de

entrada e sada realizam a comunicao com equipamentos externos tais como sensores e

atuadores e comunicam diretamente com o chassi de FPGA (Figura 7), podendo ser

50

integrados diversos mdulos de entradas analgicas e digitais. O chassi de FPGA permite a

implementao de lgicas de controle especficas, em hardware, sendo que no chassi h um

barramento de transferncia de dados. Atravs do duto de transferncia de dados possvel

transmitir dados dos mdulos I/O para o controlador de tempo real, para anlises, ps-

processamento, armazenamento do sinal ou comunicao com o computador atravs da rede

Ethernet.

O controlador de tempo real possui processador de ponto flutuante, comunicao

Ethernet (com a aplicao em computador do tipo PC), porta serial e relgio em tempo real,

para base de tempo em anlises e ps-processamento do sinal. Ainda, o controlador de tempo

real possui interface para dispositivos de armazenamento de dados de alta capacidade do tipo

PenDrive.

Figura 7 - Topologia de Conexo do Sistema CompactRIO.

(Figura adaptada de NATIONAL INSTRUMENTS INC., 2008)

3.2.Aquisio de Dados Experimentais

Para aquisio e armazenamento dos dados experimentais foram implementados 3

programas em software LabVIEW. O primeiro executa em um computador do tipo PC

(Figura 8), para interface com o usurio, onde so configurados os parmetros dos ensaios. O

segundo (Figura 9) executa no controlador de tempo real (NI cRIO 9014), realizando o filtro

dos dados do tipo Butterworth passa baixa e armazenamento dos dados em dispositivos de

51

alta capacidade do tipo PenDrive. Por fim, o terceiro (Figura 10) executa no FPGA (NI 9114),

realizando a aquisio e controle dos dados a uma taxa de 100 Hz.

Figura 8 - Tela do software em LabVIEW que executado em um computador do tipo PC.

52

Figura 9 - Tela do software em LabVIEW que executado no controlador de tempo real (NI

cRIO 9014).

Figura 10 - Tela do software em LabVIEW que executado em FPGA (NI cRIO 9114).

53

Para execuo dos testes foi utilizado um escoamento monofsico de gua, sendo que

o software para execuo automtica dos testes realiza ciclicamente as seguintes operaes:

i. define a freqncia da bomba de gua;

ii. define a vlvula solenide que simula um vazamento;

iii. aguarda o tempo de estabilizao do sistema (10 segundos);

iv. inicia o armazenamento de dados ( 9 transdutores de presso (ver Tabela 1)) no

PenDrive em arquivos ASCII separados por tabulao;

v. aguarda tempo para abertura da vlvula solenide (60 segundos);

vi. abre a vlvula solenide pr-definida;

vii. aguarda tempo para fechamento da vlvula solenide (60 segundos);

viii. fecha a vlvula solenide;

ix. finaliza ensaio e aquisio de sinais.

Mais detalhes das temporizaes programveis do software para execuo automtica

dos testes so ilustrados na Figura 11. A disposio dos transdutores de presso, vazo e as

vlvulas solenides podem ser visualizadas na Figura 5.

Figura 11 - Temporizaes programveis do software para execuo automtica dos

experimentos.

54

Tabela 1 - Posies Relativas dos Transdutores Bomba de gua.

Sensores Posio Relativa (metros)

FMI Medidor de Vazo da Entrada 15

P1 Transdutor de Presso 1 143

P2 Transdutor de Presso 2 263

P3 Transdutor de Presso 3 387

P4 Transdutor de Presso 4 508

P5 Transdutor de Presso 5 632

P6 Transdutor de Presso 6 878

P7 Transdutor de Presso 7 1000

P8 Transdutor de Presso 8 1123

P9 Transdutor de Presso 9 1243

P10 Transdutor de Presso 10 1367

FMO Medidor de Vazo da Sada 1492

Foram arbitradas 4 frequncias (30, 40, 50 e 60 Hz) de bomba. Devido a manutenes

no oleoduto piloto, apenas 10 das 22 vlvulas de simulao de vazamento esto operantes

(V2, V4, V6, V8, V10, V13, V15, V17, V19 e V21). Ainda, o sensor de presso P1 tambm

est inoperante. Assim, constituiu um total de 40 ciclos de testes experimentais, sendo cada

ciclo com durao de 180 segundos, totalizando a aquisio de 360 sinais de simulao de

vazamento. A vazo mdia de cada experimento para as frequncias de bomba de 30, 40, 50 e

60 Hz so respectivamente, 73.7, 100.4, 125.4 e 146.6 l/min. A abertura das vlvulas

utilizadas para simulao de vazamento foram calibradas para fornecer uma vazo

aproximada de 7 litros por minuto com o inversor de freqncia da bomba 30Hz.

55

Tabela 2 - Posies Relativas das Vlvulas Solenides (Vazamentos).

Vlvulas Posio Relativa (metros)

V1 Vlvula Solenide 1 100

V2 Vlvula Solenide 2 142

V3 Vlvula Solenide 3 185

V4 Vlvula Solenide 4 266

V5 Vlvula Solenide 5 344

V6 Vlvula Solenide 6 387

V7 Vlvula Solenide 7 430

V8 Vlvula Solenide 8 511

V9 Vlvula Solenide 9 589

V10 Vlvula Solenide 10 631

V11 Vlvula Solenide 11 674

V12 Vlvula Solenide 12 835

V13 Vlvula Solenide 13 878

V14 Vlvula Solenide 14 921

V15 Vlvula Solenide 15 1002

V16 Vlvula Solenide 16 1080

V17 Vlvula Solenide 17 1122

V18 Vlvula Solenide 18 1165

V19 Vlvula Solenide 19 1246

V20 Vlvula Solenide 20 1324

V21 Vlvula Solenide 21 1366

V22 Vlvula Solenide 22 1410

Como o ponto de aquisio de presso e simulao de vazamento o mesmo para os

sensores P2, P3, P4, P5, P6, P7, P8, P9 e P10, e respectivamente para as vlvulas V4, V6, V8,

V10, V13, V15, V17, V19 e V21, esses sinais de presso nos testes coincidentes foram

desconsiderados na anlise. A Tabela 3 explicita a matriz de sinais adquiridos para cada

freqncia da bomba (30, 40, 50 e 60Hz), sendo que as colunas em destaque exibem os

sensores que capturam dados para cada simulao de vazamento.

56

Tabela 3 - Relao entre Simulao de Vazamento e Aquisio de Sinal.

Vlvula

Sensor

V2

V4

V6

V8

V10

V13

V15

V17

V19

V21

P2

P3

P4

P5

P6

P7

P8

P9

P10

3.3. Aplicao de Redes Neurais Artificiais para Deteco de Vazamentos em Dutos

Neste trabalho, utiliza-se redes neurais artificiais do tipo Perceptron, sendo o

treinamento realizado atravs do mtodo backpropagation (detalhado no item 2.2.2). O

processo de aquisio dos dados, pr-processamento do sinal, treinamento e validao da rede

neural aplicada so detalhados no fluxograma da Figura 12.

Figura 12 - Processo para obteno de resultados.

57

3.3.1. Sistema de Controle e Aquisio de Dados

O Sistema de controle e aquisio de dados est detalhado nos itens 3.2 e 3.3.

Sucintamente, utiliza-se um PAC da National Instruments composto por um controlador de

tempo real, um FPGA e mdulos de I/Os. A lgica do programa do PAC controla a freqncia

do inversor controlador da bomba de gua e tambm aciona a vlvula solenide que simula o

vazamento em posies pr-determinadas detalhadas na Figura 5. O PAC realiza a aquisio

de sinais de 10 transdutores de presso a taxa de 100 Hz, armazenando os dados em um

dispositivo do tipo PenDrive. Na lgica do programa, possvel executar experimentos com

diferentes freqncias de aquisio, freqncias do inversor de freqncia, posies de

vazamentos.

3.3.2. Pr-processamento do Sinal Adquirido

Um exemplo de sinal adquirido experimentalmente de uma simulao de vazamento

est disposto na Figura 13. Os sinais experimentais so compostos por 2 componentes: 1)

Componente DC, que expressa o valor em regime permanente; 2) Componente AC, que

expressa o sinal transiente.

A diferena de cotas altimtricas nos sensores de presso e a perda de carga do

escoamento acarretam em uma diferena na presso esttica em cada sensor instalado no

oleoduto piloto (ver Figura 5). Assim, extrado a componente DC do sinal atravs da

subtrao da mdia do sinal, para centralizar todos os sinais e ento realizar uma anlise na

componente AC do sinal. A Figura 14 exemplifica a componente AC extrada do sinal,

experimental, exemplificado na Figura 13. As Equaes (46) e (47) expressam

matematicamente o algoritmo para obteno do sinal AC do sinal experimental adquirido.

MEDIA_Pl(i) =1

N Pl(i)Ni=1 (46)

Pl_AC i = Pl i MEDIA_Pl (47)

Onde: Pl o vetor discreto do sinal de presso adquirido no ensaio; N nmero de

amostras do experimento; Pl_AC a componente AC do vetor de sinal de presso.

58

Figura 13 - Sinal Experimental de Simulao de Vazamento.

59

Figura 14 - Componente AC dos Sinais Experimentais de Simulao de Vazamento da Figura

13.

Analisando o grfico da Figura 13, pode-se destacar 5 etapas no experimento de

simulao de vazamento.

i. Entre os instantes 0 6000 centsimos de segundo: Aguarda abertura de vlvula

que simula vazamento;

ii. Instante 6000 centsimos de segundo: Instante da abertura da vlvula que simula

vazamento;

iii. Entre os instantes 6000 12000 centsimos de segundo: Acomodao do sinal de

vazamento;

iv. Instante 12000 centsimos de segundo: Instante do fechamento da vlvula que

simula vazamento;

60

v. Entre os instantes 12000 18000 centsimos de segundo: Acomodao do sinal de

fechamento de vazamento.

Para realizar uma anlise especfica para extrair caractersticas dos sinais de

vazamentos, focaremos a anlise nos 1500 centsimos de segundos a partir do instante de

abertura da vlvula que simula o vazamento. Assim, a Figura 15 exibe os sinais de vazamento

dos experimentos exemplificados na Figura 14.

Figura 15 - Detalhe nos Sinais de Abertura de Vlvula das Simulaes de Vazamento da

Figura 14.

Para realizar uma anlise espectral de um sinal, uma ferramenta muito utilizada a

Transformada de Fourier, que consiste na decomposio do sinal em termos de senos e

cossenos de diferentes freqncias caractersticas (COHEN L., 1995). Para um sinal discreto,

utiliza-se a Transformada de Fourier Discreta, que est expressa na Equao (48).

61

X k = x n ej2 k1 (n1)/NNn=1 ; 1 k N (48)

A Figura 16 apresenta uma anlise do espectro de freqncias, atravs do mdulo da

transformada de Fourier para o sinal vazamento (abertura de vlvula) exemplificado na Figura

15. Descries abrangentes sobre anlise no espao tempo-freqncia podem ser encontradas

em COHEN L., 1995.

Figura 16 - Transformada de Fourier para o Sinal Vazamento (Abertura de Vlvula)

Exemplificado na Figura 15.

Analisando a transformada de Fourier para os sinais de vazamento analisados, conclui-

se que as freqncias caractersticas de vazamento, tipicamente so inferiores a 10 Hz para os

sinais adquiridos neste trabalho. De acordo com o critrio da amostragem de Nyquist (LKE

H., 1999) a taxa mnima de amostragem de um sinal (fsMIN) freqncia de Nyquist tal

que a relao entre a mxima freqncia do sinal () e (fsMIN) seja superior a 2. Em

termos matemticos temos:

62

fsMIN 2 fMAX (49)

Logo, para MAX = 10, temos uma freqncia de Nyquist fsMIN = 20Hz. Os

experimentos foram realizados a freqncia de amostragem = 100, assim tem uma

freqncia de amostragem 5 vezes freqncia mxima, satisfazendo o critrio de Nyquist.

Para uma diminuio no esforo computacional, os sinais experimentais foram

decimados, sendo o fator de decimao igual a 4. Portanto, os sinais experimentais foram

reamostrados em uma freqncia de aquisio de 25Hz. A Equao (50) exibe o algoritmo

implementado efetivando a decimao e um filtro de mdia mvel, passa baixa de primeira

ordem.

Pl_DEC(i) =1

5 Pl_AC j

j=4i+2j=4i2 (50)

Assim, pode-se resumir o pr-processamento do sinal como atravs das etapas de

remoo da componente DC, decimao e filtragem (passa baixa) do sinal.

3.3.3. Treinamento da RNA com Sinais Experimentais

3.3.3.1.Classificao dos Sinais para Treinamento da RNA

Os testes experimentais de simulao de vazamento foram executados em 10 vlvulas

distintas (ver Tabela 2) e em 4 rotaes distintas da bomba, sendo que cada experimento foi

registrado nos sensores de presso de resposta rpida de acordo com a Tabela 3. Ressalta-se

que cada teste experimental composto inicialmente por um instante de rudo de fundo da

linha, prosseguido por um instante de abertura da vlvula solenide e um instante de

fechamento da vlvula solenide.

63

A partir das informaes experimentais, os sinais foram classificados em 3 classes:

Vazamento (abertura da vlvula solenide)

Fechamento de vazamento (fechamento da vlvula solenide)

Rudo da linha (sem acionar a vlvula solenide)

O sinais de fechamento de vazamento devem ser classificados como uma manobra

operacional no duto. Para simplificar o treinamento da rede, padronizou-se que a classificao

em somente 2 classes:

Vazamento;

No Vazamento (fechamento de vazamento e rudo da linha).

Assim, tem-se um total de 324 sinais de vazamento e 648 sinais de no vazamento,

sendo que destes, 75% dos sinais de vazamento e tambm 75% dos sinais de no vazamento

foram utilizados para efetuar o treinamento da Rede Neural Artificial. Os demais sinais foram

utilizados para efetuar a validao cruzada da RNA.

A sada da RNA ser composta por 2 neurnios, que produziro uma sada do tipo (y1,

y2), sendo que as sadas ideais para cada classe so:

(1,-1) Vazamento;

(-1,1) No Vazamento.

Sintetizando, para uma visualizao grfica teremos dois eixos cartesianos y1 e y2,

sendo que 1 em y1 indica vazamento, enquanto -1 em y1 indica no vazamento, e

conseqentemente, 1 em y2 indica no vazamento, enquanto -1 em y2 indica vazamento.

A Figura 17 exemplifica, em termos grficos, a sada da RNA para um vazamento e para um

no vazamento.

64

Figura 17 - Exemplo de Visualizao Grfica das Sadas da RNA.

3.3.3.2.Topologia da RNA Utilizada

A definio da topologia de Rede Neural Artificial do tipo Perceptron a ser utilizada

neste trabalho foi norteada pelo trabalho de Cybenko, que em 1989 demonstrou que regies

de decises arbitrrias podem ser bem aproximadas por uma rede neural feedforward, com

uma nica camada neural escondida, com funo de ativao sigmoidal e camada neural de

sada com funo de ativao do tipo linear (GYBENKO G. V., 1989).

Como os dados de entrada na rede so normalizados no conjunto [1; 1] , definiu-

se a utilizao da funo tangente hiperblica sigmide para funo de ativao da camada

neural escondida. A Equao (51) expressa matematicamente funo de ativao tangente

sigmide.

y x = 2

1+e2x 1 (51)

65

Figura 18 - Tangente Hiperblica Sigmide.

Assim, defini-se que sero testadas RNAs do tipo Perceptron feedforward, com uma

camada escondida com funo de ativao tangente hiperblica sigmide e funo de ativao

linear identidade para a camada de sada.

3.3.4. Validao Cruzada do Treinamento da RNA

A validao cruzada (do ingls Cross-validation) uma metodologia comumente

utilizada para testar o poder de generalizao da uma rede neural artificial. Nesse contexto,

deve-se particionar o conjunto de dados em 2 subconjuntos, sendo o primeiro com cerca de 70

90% dos dados que utilizado somente para treinamento; e os demais dados constituem o

segundo subconjunto que compem o conjunto de testes, para verificar se a rede neural est

generalizando de forma satisfatria.

Neste trabalho, os dados obtidos com o inversor de freqncia da bomba nas

freqncias de 30, 50 e 60 Hertz sero utilizados para treinamento, enquanto os dados de

40Hz sero utilizados para validao da RNA, representando uma classe de dados no

apresentados para a RNA durante o treinamento. Assim, 75% dos dados so utilizados para

treinamento e 25% para validao cruzada;

66

3.3.5. Toolbox de Rede Neural Artificial MATLAB

O MATLAB (acrnimo do ingls MATrix LABoratory) um software de alta

performance voltado para o clculo numrico, desenvolvido no final da dcada de 70,

contendo constantes atualizaes e aperfeioamentos. O MATLAB integra a anlise

numrica, clculo com matrizes, processamento de sinais e construo de grficos em um

ambiente de fcil utilizao.

O processo de criao, treinamento e simulao das redes neurais artificiais, foi

desenvolvido no software MATLAB. Com um sistema iterativo e linguagem de

programao para computao tcnica e cientfica em geral, o MATLAB permite a

construo de "bibliotecas" de funes, denominada "toolboxes", que o tornam apto a resolver

classes particulares de problemas (DEMUTH H.; et al., 2010).

O "toolbox" de Redes Neurais do MATLAB possui ampla versatilidade e

flexibilidade, haja visto que o seu uso possibilita a aplicao dos mais variados tipos de redes

neurais alm de permitir a modificao de redes j existentes, como alteraes no nmero de

camadas ou mesmo de algoritmos de treinamento com uma facilidade particular de insero.

67

4. TESTES E RESULTADOS EXPERIMENTAIS

Foram analisadas 4 diferentes topologias de RNA para verificar a aplicabilidade das

redes neurais treinadas. Em acordo com o item 3.3.3.2, todas as topologias so constitudas de

1 camada neural escondidas com N1 neurnios e uma camada neural de sada com 2

neurnios (ver Figura 19).

No h uma frmula para determinar o nmero ideal para a quantidade de neurnios

nas camadas escondidas. Os valores de N1 devem ser escolhidos de forma que se tenha baixo

custo computacional (rede neural artificial com o mnimo de neurnios) e a minimizao do

erro entre sada obtida na RNA e a sada desejada. Assim, aps a anlise dos resultados de

um pr-estudo emprico com diferentes valores de N1, foram analisadas as topologias para os

valores de N1 iguais a 3, 5, 10 e 20.

Figura 19 - Topologia de RNA Perceptron Implementada.

A Figura 20 apresenta as curvas de aprendizagem para o os diferentes valores de N1

analisados. O critrio utilizado para treinamento um nmero mximo de 10000 pocas ou

erro quadrtico mdio inferior a 0,0005. O treinamento finalizado quando um dos critrios

atingido.

68

Figura 20 - Curvas de Aprendizagem para Neurnios na Camada Escondida Iguais a 3, 5, 10 e

20.

Com as curvas de aprendizado do treinamento das RNAs com os testes experimentais

apresentadas na Figura 20, todas as curvas de aprendizado apresentam resultados satisfatrios,

com erro mdio quadrtico prximo ao desejado, ao final das 10.000 pocas de treinamento.

Para uma anlise mais detalhada dos resultados, utilizada a rede com 10 neurnios na

camada escondida, vista que esta apresentou o menor erro mdio quadrtico no treinamento.

Aps o treinamento da rede com N1 = 10, os dados de treinamento foram

classificados. A Figura 21 apresenta a classificao dos dados experimentais utilizados para

treinamento e pode-se observar que os dados de vazamento e no vazamento (rudo e

fechamento de vlvula) so linearmente separveis, o que permite a utilizao de uma funo

linear para efetuar a separao dos espaos.

69

Figura 21 - Classificao dos Dados Utilizados para Treinamento da RNA com N1 = 10.

Para quantificar o erro absoluto de cada ponto classificado pela rede neural utilizada

a distncia euclidiana da sada da rede (y1, y2 ) ao centride ideal vazamento (y1d, y2d)

(1, -1) para vazamento; (-1, 1) para no vazamento. A Equao (52) expressa

matematicamente o clculo do erro absoluto.

erro = y1 y1d 2 + y2 y2d 2 (52)

A Figura 22 apresenta um histograma do erro quadrtico mdio absoluto da sada da

RNA, com os valores ideais para vazamento (1, -1) e no vazamento (-1, 1) onde se

tem 99,7% dos dados experimentais classificados com erro absoluto compreendido entre 0 e

0,2.

70

Figura 22 - Histograma de Erro Quadrtico Mdio Absoluto dos Dados Utilizados para

Treinamento da RNA com N1 = 10.

Para verificar a capacidade de generalizao da RNA, realizada a validao cruzada,

onde so apresentados dados para serem classificados, que no foram utilizados para

treinamento da rede. A Figura 23 apresenta a classificao dos dados de testes utilizados para

validao cruzada. Tal como o resultado obtido nos dados utilizados para treinamento da

RNA, pode-se observar que os dados de vazamento e no vazamento (rudo e fechamento de

vlvula) so linearmente separveis, podendo utilizar uma funo linear para efetuar a

separao dos espaos.

71

Figura 23 - Classificao dos Dados Utilizados para Validao Cruzada (Teste) da RNA com

N1 = 10.

Figura 24 - Histograma de Erro Quadrtico Mdio Absoluto dos Dados Utilizados para

Validao Cruzada (Teste) da RNA com N1 = 10.

72

4.1. Interferncia de Rudo no Sinal de Entrada

Visto que a RNA com 10 neurnios na camada escondida respondeu satisfatoriamente

com os resultados obtidos na validao cruzada, realizou-se tambm uma anlise quanto

interferncia de rudo no sinal de entrada na RNA. Para isso, foi adicionado aos sinais de

validao cruzada da RNA rudos pseudo-randmicos uniformemente distribudos, onde foi

variada a amplitude do rudo. Para anlise, foram avaliados sinais com taxa de relao sinal-

rudo de 5, 10, 20, 30, 40, 50, 60, 70, 80, 90 e 100%.

73

Figura 25 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 5%.

Figura 26 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 5% de rudo (Freq. Inversor de 40Hz; P2; S2).

74

Figura 27 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 10%.

Figura 28 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 10% de rudo (Freq. Inversor de 40Hz; P2; S2).

75

Figura 29 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 20%.

Figura 30 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 20% de rudo (Freq. Inversor de 40Hz; P2; S2).

76

Figura 31 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 30%.

Figura 32 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 30% de rudo (Freq. Inversor de 40Hz; P2; S2).

77

Figura 33 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 40%.

Figura 34 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 40% de rudo (Freq. Inversor de 40Hz; P2; S2).

78

Figura 35 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 50%.

Figura 36 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 50% de rudo (Freq. Inversor de 40Hz; P2; S2).

79

Figura 37 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 60%.

Figura 38 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 60% de rudo (Freq. Inversor de 40Hz; P2; S2).

80

Figura 39 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 70%.

Figura 40 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 70% de rudo (Freq. Inversor de 40Hz; P2; S2).

81

Figura 41 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 80%.

Figura 42 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 80% de rudo (Freq. Inversor de 40Hz; P2; S2).

82

Figura 43 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 90%.

Figura 44 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 90% de rudo (Freq. Inversor de 40Hz; P2; S2).

83

Figura 45 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para

Validao Cruzada com Relao Sinal-rudo de 100%.

Figura 46 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com

incremento de 100% de rudo (Freq. Inversor de 40Hz; P2; S2).

84

Pela anlise das Figuras 25, 27, 29, 31, 33, 35, 37, 39, 41, 43 e 45 comprova-se a

robustez da RNA treinada, pois se observa que a RNA produz uma sada satisfatria

classificando os vazamentos e no vazamentos em 2 regies distintas e linearmente

separveis, atravs de uma funo identidade para uma relao sinal-rudo de at 50%.

Para uma relao sinal-rudo igual ou superior a 60% o elevado nmero de

vazamentos classificados na regio de no-vazamentos e tambm o nmero de no

vazamentos classificados como vazamentos, tm-se que a RNA no produziu uma resposta

satisfatria.

As Figuras 26, 28, 30, 32, 34, 36, 38, 40, 42, 44, 46 exemplificam o sinal adquirido no

sensor P2, para teste de vazamento na vlvula V2 e freqncia da bomba de 40Hz, somado a

rudos, cuja relao sinal-rudo de 5, 10, 20, 30, 40, 50, 60, 70, 80, 90 e 100%,

respectivamente.

85

5. CONCLUSES E PERSPECTIVAS

Nesta dissertao foram estudados os fundamentos do funcionamento das redes

neurais artificiais e apresentada uma tcnica para reconhecimento de um padres de

vazamentos abruptos, utilizando uma rede neural Perceptron feed-forward com 2 camadas

neurais, treinada como um classificador de sinais de vazamentos e no vazamentos, atravs do

mtodo de aprendizado backpropagation.

Foram realizados experimentos no oleoduto piloto do NETeF para capturar padres de

vazamentos e no vazamentos (rudos de fundo da tubulao e sinais de fechamento de

vlvula). Os padres de vazamento foram obtidos realizando o acionamento de uma vlvula

solenide de abertura rpida.

De acordo com os dados apresentados no item 4, em especial, nos resultados obtidos

com a validao cruzada da rede neural, os resultados obtidos foram extremamente

satisfatrios, tendo sido, neste caso, a rede neural artificial capaz de generalizar sinais de

vazamento.

Ainda, com os resultados obtidos no item 4.1, pde-se observar a robustez da rede

quando a interferncia de rudos nos sinais de entrada.

Devido ao baixo custo computacional para o processamento da rede neural em estudo,

a mesma pode facilmente ser implementada em hardwares embarcados com processador de

ponto flutuante, como por exemplo, o Programmable Automation Controller (PAC) utilizado

para realizao dos experimentos deste estudo.

Como sugesto para trabalhos futuros pode-se destacar 3 pontos de grande interesse:

Obter resultados de diferentes padres, tais como partida e parada de bomba e golpes

de arete no escoamento e analisar a robustez da rede para classificar tais padres

como no vazamento.

Estudar a eficincia de outras topologias de rede neural Perceptron feedforward, com

diferentes nmeros de camadas escondidas e neurnios, bem como analisar redes

neurais com funes de ativao de base radial, tais como RBF, para efetuar a

86

classificao de um padro de vazamento e comparar com os resultados obtidos neste

trabalho;

Analisar caractersticas dos sinais de vazamento, tais como, varincia, mdia, mdia

quadrtica, transformada de Fourier, transformadas wavelets e inserir tais

caractersticas como entradas da rede neural.

Reconhecer sinal caracterstico de vazamento em transientes hidrulicos (partida e

parada de bomba, dentre outros)

De uma forma geral, o objetivo de estudar a aplicao de redes neurais multicamadas

do tipo Perceptron para a classificao de um padro de vazamento foi atingido.

87

REFERNCIAS BIBLIOGRFICAS

BORCHARDT F. L. (1988). Neural Network Computing and Natural Language Processing.

Calico Journal, v. 5, n. 4, p. 63-75.

CARPENTER G. A.; GROSSBERG S. (1988). The ART of adaptative pattern recognition by

self-organizing neural network. IEEE Computer Society, v. 21, n. 3, p. 77-88.

CASTRO A. P. A.; SILVA J. D. S. (2002). Deteco de bordas com redes neurais BAM e

ART. I Workshop dos Cursos de Computao Aplicada do INPE. 2002.

CHUA L.O.; YANG L. (1988). Cellular neural networks: theory. IEEE Transactions on

Circuits and Systems, v. 35, n. 10, p. 1257-1272.

COHEN, L. (1995). Time-frequency analysis. New Jersey, Prentice-Hall.

CYBENKO, G.V. (1989). Approximation by Superpositions of Sigmoidal Function.

Mathematics of Control, Signals and Systems, v. 2, n. 4, p. 303-314.

DEMUTH H.; BEALE M.; HAGAN M. (2010). Neural network toolbox Users guide,

version 6.0.4. The Mathworks Inc., 901p.

FERRANTE M.; BRUNONE B. (2003). Pipe system diagnosis and leak detection by

unstead-state tests 2: Wavelet analysis. Advances in Water Resources, v.26, n 1, p. 107-116.

FILIPATTI F.; FRANCESCHINI G.; TASSONI C.; VAS P. (2000). Recent developments of

induction motor drives fault diagnosis using AI techniques. IEEE Transactions on Industrial

Eletronics, v. 47, n. 5, p. 994-1004.

88

GASPAR, T. L. (2006). Reconhecimento de faces humanas usando redes neurais MLP.

Dissertao (Mestrado) Escola de Engenharia de So Carlos, Universidade de So Paulo,

So Carlos. 2006.

GOEDTEL, A. (2007). Estimador neural de velocidade para motores de induo trifsicos.

Tese (Doutorado) Escola de Engenharia de So Carlos, Universidade de So Paulo, So

Carlos. 2007.

GUYON I. (1991). Neural networks and applications tutorial. Physics Reports, v. 17 n. 3, p.

215-259.

HEMANDE, A.; CONDACSE, V.; MODISETTE J. (1995). New system pinpoints leak

ethylene pipeline. Pipeline & Gas Journal, v. 222, n. 4, p. 38-41.

HOPFIELD J. J. (1982). Neural networks and physical systems with emergent collective

computational abilities. Proceedings of the National Academy of Sciences of the USA, v. 79,

p. 2555-2558.

HUNT K. J.; HAAS R.; SMITH R. M. (1996). Extending the functional equivalence of radial

bases function net