Made available in DSpace on 2014-12-17T14:55:48Z (GMT). No. of bitstreams: 1
RodrigoSM.pdf: 448753 bytes, checksum: 2007d56d8880a1b4d3b48c20466bce2c (MD5)
Previous issue date: 2006-06-09 / Instituto Federal de Educa??o, Ci?ncia e Tecnologia do Rio Grande do Norte / This work consists in the use of techniques of signals processing and artificial neural networks to identify leaks in pipes with multiphase flow. In the traditional methods of leak detection exists a great difficulty to mount a profile, that is adjusted to the found in real conditions of the oil transport. These difficult conditions go since the unevenly soil that cause columns or vacuum throughout pipelines until the presence of multiphases like water, gas and oil; plus other components as sand, which use to produce discontinuous flow off and diverse variations. To attenuate these difficulties, the transform wavelet was used to map the signal pressure in different resolution plan allowing the extraction of descriptors that identify leaks patterns and with then to provide training for the neural network to learning of how to classify this pattern and report whenever this characterize leaks. During the tests were used transient and regime signals and pipelines with punctures with size variations from ?' to 1' of diameter to simulate leaks and between Upanema and Estreito B, of the UN-RNCE of the Petrobras, where it was possible to detect leaks. The results show that the proposed descriptors considered, based in statistical methods applied in domain transform, are sufficient to identify leaks patterns and make it possible to train the neural classifier to indicate the occurrence of pipeline leaks / Este trabalho consiste na utiliza??o de t?cnicas de processamento de sinais e redes neurais artificiais para identificar vazamentos em dutos com escoamento multif?sico. Nos m?todos tradicionais de detec??o, existe uma grande dificuldade em conseguir montar um perfil, que seja adequado aos encontrados em condi??es reais do transporte de ?leo. Estas dif?ceis condi??es v?o desde os desn?veis de terreno que causam colunas ou v?cuos ao longo dos dutos at? a presen?a de multifases como ?gua, g?s e ?leo, al?m de outros componentes como areia, que tendem a produzir escoamentos descont?nuos e varia??es diversas. Para vencer estas dificuldades, foi utilizada a transformada wavelet para mapear os sinais de press?o e vaz?o em diferentes planos de resolu??o, permitindo com isto a extra??o dos descritores que caracterizassem padr?es de vazamento e com os mesmos treinar uma rede neural para aprender a classificar estes padr?es e informar quando estes s?o um vazamento. Nos testes foram utilizados sinais de regime e transiente, em duto entre a unidade de Upanema e Estreito B, da UN-RNCE da Petrobras, onde foi poss?vel detectar vazamentos, com furos que variavam de ? a 1 de di?metro para simular os vazamentos. Os resultados obtidos mostram que os descritores propostos com base em medidas estat?sticas no dom?nio da transformada caracterizam os padr?es de vazamento e possibilitam o treinamento do classificador neural para indicar a ocorr?ncia ou n?o de vazamentos no duto
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/15346 |
| Date | 09 June 2006 |
| Creators | Martins, Rodrigo Siqueira |
| Contributors | CPF:42046637100, http://lattes.cnpq.br/0477027244297797, D?ria Neto, Adri?o Duarte, CPF:10749896434, http://lattes.cnpq.br/1987295209521433, Maitelli, Andr? Laurindo |
| Publisher | Universidade Federal do Rio Grande do Norte, Programa de P?s-Gradua??o em Engenharia El?trica, UFRN, BR, Automa??o e Sistemas; Engenharia de Computa??o; Telecomunica??es |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.003 seconds