Otimização de hiperparâmetro de uma rede neural artificial por GRASP reativo para previsão de falha em dutos corroídos

Abstract

A análise de integridade estrutural de dutos corroídos torna-se crucial no cenário atual, impulsionada pelo aumento do uso de dutos para o transporte de óleo e gás. A corrosão emerge como um mecanismo primário de falha em dutos, demandando avaliações de probabilidade de falha. Embora métodos experimentais e modelos semiempíricos sejam comuns para essa finalidade, apresentam limitações significativas em termos de custo e conservadorismo. No estudo de Ferreira (2022), foi proposto o uso de Redes Neurais Artificiais (RNA) para prever a pressão de falha em dutos corroídos com defeitos axissimétricos, proporcionando resultados mais rápidos que os métodos de elementos finitos. Entretanto, a otimização dos hiperparâmetros da RNA foi realizada por meio de tentativa e erro. Brandão (BRANDÃO, 2023) avançou na pesquisa ao otimizar os hiperparâmetros da RNA proposta por Ferreira (FERREIRA, 2022), através da meta-heurística Particle Swarm Optimization (PSO), comparando os resultados obtidos. Neste trabalho, uma RNA foi otimizada para prever falhas em dutos corroídos com defeitos axissimétricos, utilizando a meta-heurística Greedy Randomized Adaptive Search Procedure (GRASP), e os resultados foram comparados com os estudos de Ferreira (FERREIRA, 2022) e Brandão (BRANDÃO, 2023). Todas as análises foram implementadas em Python (PYTHON, 2024). Os resultados obtidos superaram em velocidade e precisão os dados comparativos dos estudos. Apesar de apresentar uma estrutura mais densa do que a proposta por Ferreira (2022), a abordagem GRASP demonstrou-se mais eficaz.