[pt] A termografia infravermelha tem sido usada como uma técnica de avaliação não destrutiva para detectar falhas nos componentes estruturais, desempenhando um papel importante nos programas de inspeção de fabricação, inspeção em serviço e manutenção. Um programa de investigação foi lançado com o objetivo de apresentar combinações de métodos analíticos, experimentais e numéricos para prever e monitorar o início da fadiga e a progressão dos danos à fadiga em equipamentos como vasos de pressão, tanques, tubulações e dutos com mossas ou anomalias complexas. O monitoramento do início e propagação da fadiga nas amostras reais utilizou técnicas de inspeção por infravermelho não destrutivo. Análise termoelástica de tensão (TSA), correlação tridimensional de imagem digital (3D-DIC) e strain gages de fibra óptica Bragg (FBSG) foram utilizados para determinar deformações em locais de fadiga em pontos críticos. Os campos de deformação determinados a partir das medições experimentais e do método de elementos finitos (MEF) foram combinados com a equação de vida-de-fadiga de Coffin-Manson e a regra de dano por fadiga de Miner para prever a vida de fadiga (N). Os resultados das amostras tubulares testadas de 3 m de comprimento contendo mossas de formato complexo foram relatados e analisados completamente. Este trabalho confirmou que os métodos infravermelhos de avaliação rápida de fadiga são ferramentas práticas e eficientes que podem fornecer resultados confiáveis, não destrutivos e rápidos acerca do comportamento à fadiga dos materiais. Uma boa concordância entre as estimativas de vida em fadiga e a vida real de mossas com geometria complexas em dutos só pode ser atingida se medições precisas ou determinações numéricas das deformações circunferenciais que atuam nos pontos de interesse forem acopladas a curvas de fadiga deformação-vida adequadas. Acoplando uma técnica experimental para determinar com precisão a geometria das mossas com uma técnica de análise numérica de deformações fará com que sejam obtidas boas estimativas de deformação das posições críticas que serão combinadas com as curvas de fadiga baseadas na relação deformação-vida. As presentes conclusões podem ser aplicadas a outras estruturas que podem apresentar mossas, como tanques e vasos de pressão. / [en] Infrared thermography has been used as a nondestructive evaluation (NDE) technique to detect flaws in structural components, playing an important role in manufacturing inspection, in-service inspection and maintenance programs. An investigation program was launched with the objective of presenting combinations of analytical, experimental and numerical methods to predict and monitor fatigue initiation and fatigue damage progression in equipment such as pressure vessels, tanks, piping and pipelines with dents or complex-shaped anomalies. The monitoring of fatigue initiation and propagation in the actual specimens used nondestructive inspection techniques such as thermoelastic stress analysis (TSA), three-dimensional digital image correlation (3D-DIC) and fiber optic Bragg strain gages (FBSG) to determine strains at fatigue hot spots locations. Strain fields determined from the experimental measurements and from the finite element method (FEM) were combined with the fatigue Coffin-Manson strain-life equation and the Miner s fatigue damage rule to predict fatigue life (N). Results from tested 3m long tubular (with nominal dimensions: 324mm external diameter and 6.35mm wall thickness) specimens containing complex-shaped dents were reported and fully analyzed. This work confirmed that infrared rapid fatigue assessment methods are practical and efficient tools that can provide a reliable, non-destructive and faster results about the fatigue behavior of materials. Good agreement among fatigue life estimations and actual fatigue lives of complex dent shapes in pipeline specimens can only be achieved if accurate measurements or numerical eterminations of the circumferential strains actuating at the dent hot-spots were coupled with suitable fatigue strain-life curves. Coupling an experimental technique for accurately determining dent shapes to a numerical strain analysis technique will lead to good hot-spot strain estimations to be combined with the strain-life fatigue curves. The present conclusions can be applied to other structures that may present dents such as tanks and pressure vessels.

[pt] A avaliação não destrutiva ultrassônica é de extrema importância na indústria de óleo e gás, principalmente para ativos e estruturas sujeitos a condições que aceleram os mecanismos de falha. Apesar de amplamente difundidos, os métodos ultrassônicos não destrutivos dependem de uma força de trabalho especializada, sendo, portanto, suscetíveis a erros e demorados. Nesse contexto, métodos de reconhecimento de padrões, como o aprendizado de máquina, se encaixam convenientemente para solucionar os desafios da tarefa. Assim, este trabalho tem como objetivo a aplicação de técnicas de inteligência artificial para abordar a interpretação de dados adquiridos por meio de avaliação não destrutiva ultrassônica no contexto da indústria de óleo e gás. Para tanto, esta dissertação envolve três estudos de caso. Primeiramente, sinais de ondas guiadas ultrassônicas são usados para classificar os defeitos presentes em juntas soldadas de compósito termoplástico. Os resultados mostraram que, ao usar atributos extraídos com modelos autoregressivos, a acurácia do modelo de aprendizado de máquina melhora em pelo menos 72,5 por cento. Em segundo lugar, dados ultrassônicos em formato de imagens são usados para construir um sistema de diagnóstico de solda automático. A estrutura proposta resultou em um modelo computacionalmente eficiente, capaz de realizar classificações com acurácia superior à 99 por cento. Por fim, dados obtidos por simulação numérica foram usados para criar um modelo de aprendizado profundo visando estimar a severidade de defeitos semelhantes à corrosão em dutos. Resultados de R2 superiores a 0,99 foram alcançados. / [en] Ultrasonic non-destructive evaluation is of extreme importance in the oil and gas industry, especially for assets and structures subjected to conditions that accelerate failure mechanisms. Despite being widely spread, ultrasonic non-destructive methods depend on a specialized workforce, thus being errorprone and time-consuming. In this context, pattern recognition methods, like machine learning, fit conveniently to solve the challenges of the task. Hence, this work aims at applying artificial intelligence techniques to address the interpretation of data acquired through ultrasonic non-destructive evaluation in the context of the oil and gas industry. For that purpose, this dissertation involves three case studies. Firstly, ultrasonic guided wave signals are used to classify defects present in welded thermoplastic composite joints. Results have shown that, when using features extracted with autoregressive models, the accuracy of the machine learning model improves by at least 72.5 percent. Secondly, ultrasonic image data is used to construct an automatic weld diagnostic system. The proposed framework resulted in a lightweight model capable of performing classification with over 99 percent accuracy. Finally, simulation data was used to create a deep learning model for estimating the severity of corrosion-like defects in pipelines. R2 results superior to 0.99 were achieved.