Speed prediction of a pipeline inspection gauge (PIG) based on differential pressure and acceleration with artificial neural networks

• Ano de defesa: 2022
• Autor(a) principal: Freitas, Victor Carvalho Galvão de
• Orientador(a): Salazar, Andrés Ortiz
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO
• País: Brasil
• Palavras-chave em Português: Pipeline Inspection Gauge (PIG); Artificial neural networks; Embedded systems; Raspberry Pi
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/49553

Um dispositivo conhecido como pipeline inspection gauge (PIG) percorre oleodutos e gasodutos realizando diversas operações de manutenção na indústria de petróleo e gás. A velocidade do PIG, que desempenha um papel importante na eficiência dessas operações, geralmente é obtida indiretamente a partir dos hodômetros nele instalados. Embora esta seja uma técnica relativamente simples, a perda de contato entre a roda do hodômetro e a tubulação resulta em erros de medição. Para ajudar a reduzir esses erros, este trabalho empregou redes neurais para estimar a velocidade de um PIG protótipo, utilizando a diferença de pressão que atua no dispositivo dentro dos dutos e sua aceleração ao invés de utilizar hodômetros; construímos redes neurais estáticas (por exemplo, multilayer perceptron) e redes recorrentes (por exemplo, long short-term memory). Desenvolvemos o PIG protótipo com um sistema embarcado baseado em Raspberry Pi 3 para coletar dados de velocidade, aceleração e pressão para o treinamento do modelo. A biblioteca Python TensorFlow foi usada para implementar redes neurais supervisionadas. Para treinar e avaliar os modelos, utilizamos o duto de testes de PIGs disponível no Laboratório de Avaliação e Medição em Petróleo da Universidade Federal do Rio Grande do Norte (LAMP/UFRN). Nossos resultados mostram que os modelos foram capazes de aprender a relação entre a pressão diferencial, a aceleração e a velocidade do PIG. A abordagem proposta pode complementar os sistemas baseados em hodômetros, aumentando assim a confiabilidade da medição de velocidade.