IMPLEMENTAÇÃO DE TÉCNICAS INTELIGENTES PARA A DETECÇÃO DE VAZAMENTOS EM DUTOS EM REGIME DE ESCOAMENTO MULTIFÁSICO CRÍTICO Rodrigo S. Martins, André L. Maitelli, Adrião D. D. Neto e Andres O. Salazar DCA/UFRN e-ail: rodrigos@dca.ufrn.br Resuo Este trabalho consiste na utilização de técnicas de processaento de sinais e redes neurais artificiais para identificar vazaentos e dutos de regie ultifásico. A grande dificuldade dos étodos tradicionais de detecção de vazaento (balanço de volue, análise pontual de pressão, etc) está e conseguir ontar u perfil, que sea adequado aos encontrados e condições reais do transporte de óleo e dutos. Estas difíceis condições vão desde os desníveis de terreno que causa colunas ou vácuos ao longo dos dutos até a presença de ultifases coo água, gás e óleo, alé de outros coponentes coo areia, que tende a produzir escoaentos descontínuos e variações diversas. Para reduzir estas dificuldades, foi utilizada a transforada wavelet para apear o sinal de pressão e diferentes planos de resolução peritindo co isto a extração dos descritores que caracterizasse padrões de vazaento e co os esos treinar ua rede neural perceptron de últiplas caadas (ultilayer perceptron - MLP) para aprender a classificar estes padrões e inforar quando estes são referentes a u vazaento. Nos testes fora utilizados sinais de regie e transiente, onde foi possível detectar vazaentos, tabé fora utilizados dutos co furos que variava de ½ a de diâetro para siular os vazaentos. Foi possível detectar vazaentos co anelas de tepo de 2 in. Os resultados obtidos ostra que os descritores propostos co base e edidas estatísticas no doínio da transforada caracteriza os padrões de vazaento e possibilita o treinaento do classificador neural para indicar a ocorrência ou não de vazaentos no duto.. Introdução Este artigo se propõe ao desenvolviento de ua técnica detecção de vazaentos e óleos dutos de escoaento ultifásico utilizando técnicas de processaento de sinais co base na transforada wavelet e redes neurais artificiais para elhorar o étodo da análise pontual de pressão. O duto utilizado nos testes, é terrestre e será chaado de U-E. De perfil bastante coplexo co ua extensão de 38 K e diâetro de 2 co edidores de vazão a 4,5 K de ponto U, outro a 9 K de ponto E e u terceiro a K do ponto E, coo pode ser visto graficaente na Figura. A grande dificuldade e sintonizar sisteas de detecção vazaentos está e ontar u perfil que possibilite a visualização ou percepção de vazaentos eso quando a presença de transientes coo ligação de bobas, entradas de gás, e golfadas devido a areia, etc. O étodo utilizado foi buscar na transforada wavelet descritores estocásticos que pudesse ser assiilados por ua rede neural de odo a identificar estes vazaentos. Figura. Perfil do duto 2. Transforada Wavelet O obetivo da transforada wavelet é descrever ua função coo ua cobinação de funções de base (ou funções wavelets) e possibilitar ua elhor análise desta função ou sinal. As funções wavelets são oriundas de ua função denoinada de wavelet ãe e são definidas a partir de escalonaentos e translações da wavelet ãe. Várias são as faílias dessas funções (Daubechies, Coiflets, etc). U sinal representado coo ua função no tepo pode ser expandida pela wavelet e coeficientes de escala e tepo e freqüência. Segundo o princípio da incerteza de Heisenberg, não é possível saber exataente qual freqüência existe e u dado instante de tepo, as apenas podeos saber quais bandas de freqüência existe e deterinados intervalos de tepo. A capacidade de análise de ultiresolução e análise de características localizadas, faze a referida transforada ua poderosa ferraenta na extração de inforações e e particular nos transitórios de funções. A transfora de wavelet contínua TWC de ua função é definida por: ψ t τ TWC f ( τ, s) = f () t ψ dt s s s, t R, s 0 Onde f ( t) é a função a ser analisada, os parâetros τ e s são chaados de coeficientes translação e escala, respectivaente. ψ (t) é a função wavelet ãe, sendo:
ψ s, τ () t / 2 t τ = s ψ s s, t R, s 0 A análise chaada de ultiresolução, consiste e usar bancos de filtros para fazer a análise e síntese do sinal. E teros ateáticos podeos descrever o banco de filtros coo duas equações básicas: Função de análise / 2 / 2 f ( t) = c ( )2 ϕ(2 t ) + d ( )2 ϕ(2 t ) c ( ) = h ( 2 ) d ( ) = h( 2 ) 0 c+ c+ Função de síntese c+ ( ) = c( ) h0( 2 ) + d ( ) h( 2 ) Onde h 0 e h são coeficientes de base para filtros. A transforada wavelet te aplicação e várias áreas do conheciento. No processaento de sinais ela pode ser utilizada coo filtro, copressor de inforação, extrator de características, etc. Neste trabalho ela será utilizada na extração de atributos que caracterize os padrões de vazaento no sinal de pressão. 3. Redes Neurais Podeos definir ua rede neural coo u processador paralelo constituído de várias estruturas eleentares de processaento denoinadas de neurônios artificiais co elevada conectividade podendo desepenhar ua deterinada função coputacional, segundo Hayin (200). Esta estrutura te a capacidade de aprender através de experientos e que pode e seguida sere testados e validados para o uso coo ua deterinada função, tais coo classificar padrões não linearente separáveis. A estrutura ais siples da rede neural é chaada neurônio que te ua associação ao odelo biológico (figura 2). Figura 2. Modelo de neurônio Coo seelhança aos neurônios biológicos estas estruturas possue ganhos ou pesos sinápticos que são os arazenadores de conheciento e são os parâetros livres da estrutura. E teros ateáticos a saída de cada neurônio é definida coo sendo: y = ϕ ( wx + b = ) Onde ϕ (.) é a função de ativação (liiar, linear, sigóide) que representa a saída do neurônio co relação ao capo local induzido v, w são os pesos, x é a entrada, b é o bias que te coo efeito distanciar a saída da orige e y que é a saída do neurônio. A disposição das conexões de neurônios é chaada arquitetura da rede e esta intiaente ligada ao algorito de aprendizage. A arquitetura utilizada foi a MLP (Multilayer Perceptron) que são várias caadas interconectadas: a prieira chaada de entrada que se conecta co outras ais internas, chaada de ocultas ou escondida e a últia desta se conecta a de saída (figura 3). O treinaento da rede consiste e deterinar os valores dos ganhos sináptico que iniize o erro édio quadrático. Existe diferentes algoritos e dentre eles o ais utilizado o algorito da bacpropagation, segundo Hayin (200). Figura 3. Modelo de rede MLP
4. Metodologia Utilizando a transforada wavelet foi processado o sinal buscando os coeficientes do filtro passa alta e busca das altas resoluções que caracteriza o vazaento. E seguida foi buscado extrair características nestes sinais para apresentar a rede neural e obter coo saída o indicador de presença ou não de vazaento, sendo e respectivaente. Os dados são processados através de anela co u núero de 20 aostras por anela. Para fins de treinaento fora utilizadas 00 anelas co e se vazaento e subdivididas aleatoriaente e cinco grupos de quarenta padrões para fazer a validação cruzada. Os sinais utilizados e abos os casos, são sinais de pressão e vazão do duto U-E (figura 4 e 5) e co siulação de vazaento co abertura de válvulas de diâetro de, ½ e ¾. Os sinais fora registrados e processados sob fora de anelas deslizantes co superposição de cinqüenta por cento (50%), que corresponde ao intervalo de tepo de seis segundos. Figura 4. Sinal de pressão Figura 5. Sinal de vazão O sinal original S é passado para o doínio da transforada através de u banco de filtros coo ostra a figura 6, sendo utilizada para este isto a wavelet de Coiflets de orde 5, resultando e quatro sinais de detalhe d, d2, d3, d4. A resultante desta transforação é obtida separadaente para o sinal de pressão e vazão e depois concatenados. Para cada sinal no doínio da wavelet, são extraídos os descritores. Cada descritor corresponde a ua edida de autocorrelação definida coo: r ( ) = Es [ ( ns ) ( n )]; = 0,,2,3. i i Figura 6. Metodologia de trabalho Na figura 6 pode-se observar graficaente a etodologia, onde, Y é a saída do sistea. Na prática a rede neural é responsável por criar a hipersuperfície de separação entre as duas condições, vazaento e não vazaento. Não está apresentado na figura, as antes da aplicação da transforada wavelet os sinais são préprocessados sendo retirada à édia do sinal pra facilitar o treinaento da rede neural e e seguida é passado u filtro de ediana para reduzir o ruído se descaracterizar as inforações presentes no sinal. A função de ativação utilizada e cada neurônio foi a tangente sigóide, para que pudésseos usar a rede coo classificador. U problea encontrado no duto estudado são os desligaentos de bobas que são sentidos pelos sensores de pressão e vazão coo quedas bruscas e noralente acentuadas nestes dois sinais, que poderia ser causadores de alares falsos. Confore podeos ver na figura 4 e 5 e dois transitórios inicial e final acentuado. Co a ipossibilidade física de obter sinais de siulações de vazaentos nestes pontos, para que fosse treinada ua rede pra reconhecer estes pontos, e para evitar alares falsos; inserios ua base de regra apoiada pelo sinal de envio de ligaento e desligaento das bobas pra considerar o não processaento do sinal neste período. Os tepos édios destes transientes são de 2 in na ligação da boba e de 8 in no desligaento. A tabela ostra que o uso cobinado da transforada wavelet e de técnicas estatísticas coo a variância (=0) e a autocorrelação (=,2,3), caracteriza be as situações de vazaento e não vazaento, eso e regie transiente. Os valores da tabela fora noralizados e 0-3.
Tabela. descritores de treinaento Vazaento Se vazaento J J 2 J 3 J 4 J J 2 J 3 J 4 r(0) 0,9966 0,6448 0,3290 0,4244 0,0776 0,0540 0,028 0,037 r() 2,8006,207,848 0, 8672 0,42 0,807 0,0867 0,0335 r(2) 7,0903 2,740 3,039 3,2559 0,4063 0,9072 0,364 0,0786 r(3),4826 6,5882 2,7650 4,3505 0,4996 3,344,245 0,656 Para fins de treinaento e validação foi utilizada a técnica de validação cruzada, que consiste e separar os sinais de treinaento e outro de validação de odo que e cada validação u conunto sea guardado que nunca tenha sido apresentado a rede. O quadro da figura 7 ostra a idéia de fora gráfica. Assi é possível planear critérios de parada baseados na quantidade de épocas. Mas a falta de u valor que possa ser utilizado coo garantia que houve aprendizado, não é ua solução trivial, foi utilizada a concatenação dos erros de várias épocas e a retirada da édia e o ínio, para resolver este problea. Onde o enor valor deste é considerado o peso de treinaento e e seguida validado. Na figura 8 e 9, pode-se observar o coportaento de abos os erros. Figura 7. Validação Cruzada Segundo Hayin o reconheciento de padrões é realizado por ua rede de natureza estatística sendo representados pontos e espaço de decisão ultidiensional. Por isso o critério de parada é u ponto decisivo no treinaento de ua rede neural nua aplicação deste tipo. O critério que noralente se utiliza no treinaento de redes supervisionadas é o erro édio quadrático de cada época. E testes, foi obtido u erro oscilatório. Considerando que ua época é a apresentação de vários padrões de vazaento e não vazaento, não existe a garantia que o ua iniização deste erro nua deterinada época significa que a rede aprendeu, pois ela pode ter apenas decorado as aostras atuais. A técnica de validação cruzada coo citada anteriorente diinui este risco da não generalização as pode provocar instabilidade, de fora que o algorito não convira, à edida que o erro de treinaento sea iniizado e o de validação não sea e este processo se repita indefinidaente. 6. Resultados Figura 9. Erro estatístico Fora testadas diferentes arquiteturas para rede neural sendo que a rede que apresentou elhores resultados, consistiu de quatro entradas, 6 neurônios na caada oculta e neurônio na caada de saída, podendo ser, sintetizado por 4:6:. A tabela 2, ostra ua coparação entre duas arquiteturas utilizadas. Pode-se observar que o erro foi diinuído, para situação de não apresentação de vazaento, sendo este considerado o pior caso de erro, onde o vazaento ocorreria na prática e o sistea não detectou, no caso contrário o alare falso não iplica e danos abientais ou outro custo qualquer exceto o fato do operador ter que verificar a autenticidade do alare. Para obtenção destes percentuais,o algorito foi rodado dez vezes e feito a édia deles para os resultado abaixo: Tabela 2. Coparação entre arquiteturas Arquitetura / Época % Acerto Se Vazaento % Acerto Co Vazaento 4:8: / 200 96 9 4:5: / 200 95 95 Figura 8. Erro de várias épocas concatenado Outras arquiteturas fora testadas, as as aiores não apresentara elhoras quanto aos resultados e o tepo de processaento auentava e no inverso, os resultados piorava apesar da elhoria no
tepo de processaento. Iportante destacar que e cada anela é aplicada a transforada wavelet e extraído os descritores. Na tabela 2, teos a atriz de confusão onde é possível observar as situações de verdadeiro positivo e falso positivo. Tabela 2. Matriz de confusão Ocorrência vazaento Não ocorrência do vazaento Indicação do vazaento Não indicação do vazaento 95,2 % 4,98 % 5,03 % 94,97 % 7. Conclusões O sistea proposto se ostrou robusto para detectar vazaentos utilizando técnicas de processaento de sinais cobinadas co técnicas inteligentes. O sistea pode ser adaptado tabé para usar sinais provenientes do onitoraento do duto por sensores diferentes dos de pressão, por exeplo podeos utilizar o sensor de ultra-so. Coo copleentação deste trabalho pode-se utilizar áquinas de coitês (redes neurais especialistas) para auentar ais ainda a confiabilidade na toada de decisões. 7. Agradecientos A Petrobras através da UN-RNCE, na pessoa do Engenheiro Fabiano Azevedo. 8. Referências TORRENCE C, COMPO GP. A pratical guide to wavelet analysis. B a Meteorol Soc., 998. HAYKIN, SIMON, Redes Neurais Princípios e prática, 2 a edição, Porto Alegre, 200. MORETTIN, PEDRO A., Ondas e Ondaletas Da análise de Fourier à análise de Ondaletas, São Paulo, 999. FREITAS, R. D. G.; MAITELLI, A. L. & SALAZAR, A. O. An Wavelet Approach to Pipeline Lea Detection by Pressure Analysis. Proceedings of OMAE2004. 23rd International Conference on Offshore Mechanics and Arctic Engineering, pp.-4, Vancouver, Canada, June 2004.