Análise multiresolução e redes neurais profundas para avaliação de dutos corroídos

Abstract

A avaliação da integridade de dutos corroídos é considerada uma tarefa vital na indústria de petróleo e gás. O objetivo desta pesquisa é desenvolver um sistema eficiente, capaz de prever com precisão a pressão de ruptura de dutos corroídos, com perfis de corrosão complexos por meio de modelos híbridos, usando análise multiresolução, simulações numéricas e metamodelos. O trabalho aborda a parametrização de geometrias reais de corrosão e sua utilização como entrada para um sistema de redes neurais que pode prever com velocidade e precisão a pressão de ruptura. O mapa de corrosão é obtido a partir de inspeções ultrassônicas e os dados são utilizados tanto na forma de um perfil river bottom quanto na forma de mapeamento tridimensional. O método dos elementos finitos (MEF) é usado para avaliar a pressão de ruptura. Rotinas criadas para gerar automaticamente modelos de elementos finitos (EF) axissimétricos e tridimensionais são utilizadas e as pressões de falha são obtidas através de análise não linear. Os modelos de EF e o procedimento de análise são validados com testes experimentais e em comparação a métodos de avaliação semi-empíricos. A transformada wavelet discreta é realizada para a parametrização das espessuras remanescentes e como um banco de filtros para reduzir a quantidade de dados que descreve o defeito. Os coeficientes obtidos a partir da transformada wavelet discreta e as propriedades dos materiais dos dutos são utilizados como parâmetros de entrada para alimentar a rede neural profunda. Modelos sintéticos axissimétricos e tridimensionais com estatísticas semelhantes aos perfis reais de corrosão são criados e submetidos à análise não linear via MEF. As respectivas pressões de falha obtidas a partir dos defeitos sintéticos são usadas para treinar uma rede neural capaz de prever a pressão de ruptura dos dutos com defeitos no formato de perfil river bottom e uma rede capaz de prever a pressão de defeitos tridimensionais complexos. Os resultados obtidos com as redes neurais profundas são muito precisos para todos os casos apresentados neste trabalho, tanto na utilização de modelos axissimétricos quanto na utilização de modelos tridimensionais.