Software Inteligente Embarcado Aplicado à Correção de Erro na Medição de … · 2011-12-02 ·...

UNIVERSIDADE DO RIO GRANDE DO NORTEFEDERAL

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

CENTRO DE TECNOLOGIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

Software Inteligente Embarcado Aplicado àCorreção de Erro na Medição de Vazão em

Gás Natural

Eloi Cagni Júnior

Orientador: Prof. Dr. Adrião Duarte Doria Neto

Co-orientador: Prof. Dr. Jorge Dantas de Melo

Dissertação de Mestrado apresentada aoPrograma de Pós-Graduação em EngenhariaElétrica da UFRN (área de concentração:Engenharia de Computação) como parte dosrequisitos para obtenção do título de Mestreem Ciências.

Natal, RN, Setembro de 2007

Divisão de Serviços Técnicos

Catalogação da publicação na fonte. UFRN / Biblioteca Central Zila Mamede

Júnior, Eloi Cagni.Software Inteligente Embarcado Aplicado à Correção de Erro na Medição de

Vazão em Gás Natural, Dissertações e Teses no Programa de Pós-Graduação emEngenharia Elétrica da UFRN / Eloi Cagni Júnior - Natal, RN, 2007

23 p.

Orientador: Adrião Duarte Doria NetoCo-orientador: Jorge Dantas de Melo

Tese (doutorado) - Universidade Federal do Rio Grande do Norte. Centro deTecnologia. Programa de Pós-Graduação em Engenharia Elétrica.

Agradecimentos

Ao meu orientador e ao meu co-orientador, professores Adrião Duarte Doria Neto e JorgeDantas de Melo, sou grato pela orientação.

À Petrobras, através da Rede GasEnergia (Rede de excelência em gás e energia), FINEP,CTGÁS e UFRN pelo apoio financeiro, material e humano.

Aos colegas Isabele Costa e Felipe Couto pelo auxilio nas atividades vinculadas à tese.

Aos demais colegas de pós-graduação, pelas críticas e sugestões.

À minha família pelo apoio durante esta jornada.

Resumo

Este trabalho desenvolveu rotinas de software, em um sistema composto basicamentede placa processadora de sinais (DSP) e supervisório, cuja finalidade principal foi corrigira informação medida por um medidor de vazão do tipo turbina. Essa correção se baseiana utilização de um algoritmo inteligente formado por uma rede neural artificial.

As rotinas foram implementadas tanto no ambiente do supervisório quanto do DSP etratam de três ítens principais: processamento, comunicação e supervisão.

Palavras-chave: Medição em Gás Natural, Calibração, Comunicação Modbus, RedesNeurais.

Abstract

This study developed software rotines, in a system made basically from a processorboard producer of signs and supervisory, wich main function was correcting the informa-tion measured by a turbine gas meter. This correction is based on the use of an intelligentalgorithm formed by an artificial neural net.

The rotines were implemented in the habitat of the supervisory as well as in the habitatof the DSP and have three main itens: processing, communication and supervision.

Keywords: Measurement in Natural Gas, Calibration, Modbus Protocol, Neural Net-work.

Conteúdo

Sumário 5

Lista de Figuras 7

Lista de Tabelas 9

1 Introdução 10

Lista de Símbolos e Abreviaturas 10

2 Apresentação do Problema 132.1 O Caminho até o Consumidor Final . . . . . . . . . . . . . . . . . . . . 132.2 Medidor do Tipo Turbina . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.2.1 Calibração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162.3 Fontes de Erro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182.4 Algoritmos Inteligentes e Redes Neurais . . . . . . . . . . . . . . . . . . 18

2.4.1 Inteligência na Medição . . . . . . . . . . . . . . . . . . . . . . 192.4.2 Implementação via Rede Neural . . . . . . . . . . . . . . . . . . 202.4.3 Rede Neural . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3 Estrutura do Software 263.1 Bancada de Testes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263.2 Processamento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.2.1 Cálculo da Vazão . . . . . . . . . . . . . . . . . . . . . . . . . . 293.2.2 Algoritmo Inteligente . . . . . . . . . . . . . . . . . . . . . . . . 35

3.3 Comunicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393.3.1 Comunicação Modbus . . . . . . . . . . . . . . . . . . . . . . . 403.3.2 Protocolo Modbus na Bancada de Testes . . . . . . . . . . . . . . 42

3.4 Supervisão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4 Implementação e Resultados 494.1 Resultados Simulados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.1.1 Computação da Vazão . . . . . . . . . . . . . . . . . . . . . . . 514.1.2 Algoritmo Inteligente . . . . . . . . . . . . . . . . . . . . . . . . 514.1.3 Resultados Finais . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5 Conclusões 58

5

Referências bibliográficas 59

A Diagrama de Atividades 61

B Fator de Compressibilidade 62

C Computação da Vazão 64

Lista de Figuras

2.1 Mapa de Gasodutos no Brasil [Alonso 1999]. . . . . . . . . . . . . . . . 142.2 Cadeia de transporte e de distribuição do gás natural no Brasil. . . . . . . 152.3 Medidor do tipo turbina [Instromet 2007]. . . . . . . . . . . . . . . . . . 162.4 Exemplo de curva de calibração. . . . . . . . . . . . . . . . . . . . . . . 172.5 Diagrama do Algoritmo de Correção. . . . . . . . . . . . . . . . . . . . 202.6 Diagrama do Treinamento do Algoritmo. . . . . . . . . . . . . . . . . . . 212.7 Modelo do Neurônio Computacional. . . . . . . . . . . . . . . . . . . . 212.8 Função degrau. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222.9 Função linear por partes. . . . . . . . . . . . . . . . . . . . . . . . . . . 222.10 Função sigmóide. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3.1 Bancada de testes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263.2 Diagrama estrutural do hardware . . . . . . . . . . . . . . . . . . . . . . 283.3 Diagrama estrutural do software. . . . . . . . . . . . . . . . . . . . . . . 293.4 Incertezas para o cálculo do fator Z usando o Método Detalhado. . . . . 333.5 Estrutura de computação do Método Detalhado. . . . . . . . . . . . . . 343.6 Medidor do tipo turbina Instromet G16, com tramo de 1,5”, faixa de tra-

balho de 0,6-25 m3/h e fator K de 0,1 m3/pulso. . . . . . . . . . . . . . . 363.7 Medidor do tipo turbina Instromet G100, com tramo de 3”, faixa de tra-

balho de 1-160 m3/h e fator K de 1 m3/pulso. . . . . . . . . . . . . . . . 363.8 Medidor do tipo turbina Instromet G160, com tramo de 3”, faixa de tra-

balho de 13-250 m3/h e fator K de 1 m3/pulso. . . . . . . . . . . . . . . . 373.9 Medidor do tipo turbina Instromet G1000, com tramo de 6”, faixa de

trabalho de 80-1600 m3/h e fator K de 0,002070625 m3/pulso. . . . . . . 373.10 Estruturação do treinamento. . . . . . . . . . . . . . . . . . . . . . . . . 383.11 Resultado desejado pelo procedimento feed-forward. . . . . . . . . . . . 383.12 Abrangência da arquitetura da rede neural. . . . . . . . . . . . . . . . . . 393.13 Comunicação Modbus. . . . . . . . . . . . . . . . . . . . . . . . . . . . 403.14 Arquitetura geral do sistema. . . . . . . . . . . . . . . . . . . . . . . . . 433.15 Diagrama de atividades da camada de comunicação do supervisório. . . . 453.16 Diagrama de atividades da camada de comunicação do hardware. . . . . 463.17 Janela onde é realizado o carregamento da rede neural, da cromatografia

do gás natural e do fator K. . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.1 Estruturação do trabalho proposto. . . . . . . . . . . . . . . . . . . . . . 504.2 Comparação entre a curva de calibração do medidor do tipo turbina In-

stromet G16 (0,6-25 m3/h) e a saída da rede neural treinada. . . . . . . . 52

7

4.3 Comparação entre a curva de calibração do medidor do tipo turbina In-stromet G100 (1-160 m3/h) e a saída da rede neural treinada. . . . . . . . 52

4.4 Comparação entre a curva de calibração do medidor do tipo turbina In-stromet G160 (13-250 m3/h) e a saída da rede neural treinada. . . . . . . 53

4.5 Comparação entre a curva de calibração do medidor do tipo turbina In-stromet G1000 (80-1600 m3/h) e a saída da rede neural treinada. . . . . . 53

4.6 Comparação entre erros da calibração do medidor do tipo turbina In-stromet G16 e do algoritmo inteligente implementado no DSP. . . . . . . 55



4.9 Comparação entre erros da calibração do medidor do tipo turbina In-stromet G1000 e do algoritmo inteligente implementado no DSP. . . . . . 57

A.1 Diagrama de atividades do supervisório. . . . . . . . . . . . . . . . . . . 61

Lista de Tabelas

3.1 Quadro no modo RTU. . . . . . . . . . . . . . . . . . . . . . . . . . . . 413.2 Quadro Básico Modbus. . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4.1 Resultados do algoritmo inteligente para o medidor G16. . . . . . . . . . 544.2 Resultados do algoritmo inteligente para o medidor G100. . . . . . . . . 544.3 Resultados do algoritmo inteligente para o medidor G160. . . . . . . . . 544.4 Resultados do algoritmo inteligente para o medidor G1000. . . . . . . . . 55

B.1 Composição do gás natural da Costa do Golfo. . . . . . . . . . . . . . . . 62B.2 Tabela de resultados do cálculo de Z. . . . . . . . . . . . . . . . . . . . . 63

C.1 Composição do gás natural utilizada nos testes. . . . . . . . . . . . . . . 64C.2 Tabela de resultados da vazão corrigida, em m3/dia. . . . . . . . . . . . . 65C.3 Tabela de erros relativos (%) do programa em C e em DSP . . . . . . . . 66

9

Capítulo 1

Introdução

Nos últimos anos, o gás natural tem se tornado um importante insumo energético comparticipação crescente na matriz energética nacional. De acordo com a [Petrobras 2007],o setor de gás natural no Brasil cresceu 1,790% de 1980 a 2004 e já corresponde a 8,9%da matriz energética brasileira.

As suas qualidades e vantagens frente às outras fontes de energia fomentaram as apli-cações industriais, domiciliares e automotivas do gás natural, notadamente nos grandescentros urbanos e industriais das regiões Sul, Sudeste e Nordeste.

A construção do gasoduto Bolívia-Brasil representou também um grande avanço nofornecimento de gás natural no país, com capacidade máxima de transportar até 30 mil-hões m3/dia. Além disso, alguns projetos já estão em desenvolvimento para a exploraçãoda Bacia de Santos no litoral paulista e a Bacia do Solimões, na região Norte do país.

Atualmente, a Petrobras estima que a oferta de gás natural proveniente da produçãonacional, hoje calculada em cerca de 25 milhões de m3/dia, chegue a 71 milhões m3/diaem 2011, representando 11% da matriz energética brasileira. O volume médio consumido,por sua vez, que ficou em 45,5 milhões m3/dia em 2005, deverá ser de 121 milhões dem3/dia em 2011, um crescimento estimado de 17,7% ao ano.

Nas unidades de produção on-shore (terra) / off-shore (mar) e ao longo dos milharesde quilômetros de gasodutos e ramais secundários de distribuição, existem instaladasunidades de produção e de processo, estações de compressão e de controle, além decentenas de estações de medição de vazão utilizadas para quantificar os volumes de gássubmetidos à medição fiscal, operacional e de transferência de custódia.

Contudo, devido aos aspectos legais e comerciais envolvidos, é comum observar, prin-cipalmente nas estações de medição mais importantes, que os fornecedores de gás e osrecebedores operam de forma independente os seus próprios sistemas de medição, sem-pre verificando se as diferenças entre ambas as medições estão dentro das tolerânciasacordadas entre as partes por meio de instrumentos contratuais detalhados.

Nesse sentido, pode se dizer que o principal objetivo de um sistema de medição de gásnatural é o de realizar medições exatas e confiáveis dos volumes de gás, por meio do usode equipamentos controlados e técnicas de medição reconhecidas, que possam assegurarníveis de erro e incerteza aceitáveis para as medições, e que atendam aos requisitos elimites de normas e regulamentos da indústria do gás.

Se considerarmos, por exemplo, um erro total de 1% equivalente da transferência do

CAPÍTULO 1. INTRODUÇÃO 11

volume de gás natural produzido em um dia no Brasil (média de 25 milhões de m3/dia)até o consumidor final, implicaria em uma diferença de aproximadamente 250 mil m3.Se esse erro persistir por 100 dias consecutivos, essa diferença equivaleria a aproximada-mente um dia inteiro da produção média nacional.

Analisando pelo âmbito financeiro, de acordo com o anuário estatístico da AgênciaNacional do Petróleo [ANP 2005], a média nacional do preço do gás natural foi R$ 337,63por mil m3. Assim, essa diferença de 250 mil m3 do exemplo anterior equivaleria àaproximadamente 337,63×250 = 84.4075 R$/dia, 2.532.210 R$/mês.

É claro que, como o trajeto do gás atravessa inúmeras unidades de distribuição, esseerro estaria distribuído em toda a cadeia de transferência. Contudo, se analisarmos umadistribuidora que possua uma tubulação com uma vazão constante de 1500 m3/h e seusistema de medição operando com esse mesmo erro de 1%, atingiria-se um prejuízo,considerando 24 horas de vazão em um dia de trabalho, de aproximadamente 3.646,846R$/mês. Ou seja, para grandes volumes, pequenos erros podem ter custos substanciais.

Por este motivo, as pesquisas atualmente estão mais focadas em determinar a mel-hor maneira que corrigir ou diminuir esses erros ocorridos, através de investimentos namelhoria na tecnologia dos componentes que formam o sistema de medição, como ossensores e transmissores, ou da formulação de algoritmos que auxiliem no processo demedição.

Com relação a melhoria na tecnologia dos medidores, destaca-se a ascensão no usode medidores de vazão coriolis e ultra-sônico em substituição dos tradicionais medidoresde vazão, como placa de orifício, turbina e rotativo, pois não utilizam métodos invasivosna medição de vazão, ou seja, não medem através de uma diferença de pressão induzidapelo instrumento medidor.

Dentro desse linha ainda, destaca-se a utilização do medidor do tipo Vcone, que é ummedidor do tipo pressão diferencial, para a medição de gás úmido. Através do trabalhodesenvolvido em [Batinga 2006], demonstrou-se a superioridade do medidor quando com-parado a elementos que utilizam o princípio da pressão diferencial, pois o líquido na cor-rente induz a um erro positivo em que o Vcone consegue estimar este percentual de erropositivo e corrigí-lo.

Com relação à formulação de algoritmos para a melhoria e confiabilidade da medição,destaca-se o desenvolvimento de sistemas inteligentes. Esses sistemas, entretanto, ne-cessitam de uma rede de sensores distribuídos que englobem uma vasta gama de fun-cionalidades, em termos de comunicação da rede, de integração dos seus elementos e deprocessamento das informações obtidas.

Os sensores desses sistemas inteligentes utilizam interfaces padronizadas e protoco-los de comunicação, resultando em sensores que podem ser autônomos e reconfiguráveis.Os Software Sensors são exemplos desses sensores inteligentes. Eles utilizam algorit-mos computacionais capazes de inferir valores a partir de medidas de outros sensores,realizando algum cálculo ou até algum tipo de controle.

Também há a possibilidade de programação de dispositivos de processamento dedi-cado (hardware), embarcados na linha de comunicação industrial de forma transparente,dotando um ou mais componentes do sistema dessa mesma capacidade de processamento.

Com essa disponibilidade de se programar algoritmos adicionais dentro destes ambi-

CAPÍTULO 1. INTRODUÇÃO 12

entes, e apoiado pela existência de mecanismos cada vez mais confiáveis de comunicaçãoentre hardware entre os componentes que formam o sistema de medição, novas áreasde desenvolvimento de sistemas de processamento embarcados começaram a ser investi-gadas.

Dentre estas áreas, destaca-se a incorporação de inteligência artificial aplicada na mel-horia da qualidade de medição, no processamento da informação adquirida, na detecçãode falhas e no próprio controle do processo.

Uma poderosa ferramenta, de simples implementação e de grande abrangência de apli-cações, são as redes neurais artificiais [Haykin 2001]. Após sua fase de treinamento, asredes neurais podem ser incorporadas facilmente em qualquer sistema de processamento,devido a simplicidade de seus cálculos.

Este trabalho propõe, portanto, a implementação de um algoritmo inteligente baseadoem redes neurais para a correção da medida de vazão de gás natural, embarcado em umaplaca de processamento digital de sinais (DSP) na linha de comunicação entre o elementoprimário (medidor do tipo turbina) e o supervisório do sistema de medição.

Esse algoritmo se baseou na correção da informação medida por um medidor do tipoturbina na sua faixa de atuação. Essa correção ocorre pela diferença em relação ao valorobtido por um medidor de exatidão mais apurada e conhecida durante a fase de calibraçãodo medidor testado, em um laboratório reconhecido.

Para essa aplicação, foi necessário a computação da vazão no ambiente de progra-mação da placa DSP, o desenvolvimento de um supervisório para monitoramento, car-regamento e controle das variáveis do processo, além da implementação de um protocolode comunicação entre as duas partes. A implementação desses algoritmos também seráabordada por este trabalho.

Para isso, este projeto utilizou uma bancada de testes que está sendo desenvolvidapara ser instalada no Laboratório de Medição de Vazão de Gás (LMVG) do Centro deTecnologia do Gás [CTGAS 2007] e que dispõe toda a configuração física necessáriapara a aplicação dos algoritmos.

Após essa fase introdutória, o capítulo seguinte apresentará o problema da mediçãofiscal no Brasil, destacando a transferência de custódia, as fontes de erro e a correçãoatravés da calibração, e apresentará também o algoritmo inteligente desenvolvido paraauxiliar a solucionar esse problema. O capítulo 3 descreverá como está estruturada essabancada de testes, destacando as implementações em software dos ambientes de super-visão, processamento e comunicação. No capítulo 4 será descrito a implementação eapresentado os resultados. E o capítulo 5 fará as considerações finais.

Capítulo 2

Apresentação do Problema

Diferentemente de outras áreas da metrologia como a de longitude, massa, temper-atura ou tempo, já relativamente bem consolidadas, a metrologia de vazão de fluidos ap-resenta particularidades e dificuldades intrínsecas, encontrando-se ainda em amplo desen-volvimento. A vazão é uma grandeza derivada e sujeita, entre outros fatores, às condiçõesdinâmicas e termodinâmicas do escoamento sob medição. O mensurando (valor de vazãoa ser medido) [INMETRO 1995] depende de uma matriz multidimensional de condiçõescomo uma ampla faixa de vazões, pressões, temperatura, tipos de fluidos e suas pro-priedades fluidodinâmicas. Tais razões têm contribuído para que a medição de vazão defluidos continue sendo um dos desafios a serem vencidos tanto no campo da metrologialegal quanto na científica e industrial.

2.1 O Caminho até o Consumidor FinalPara chegar ao consumidor final, o gás natural passa por uma série de etapas que

vão desde a exploração da jazida, passando pela produção, processamento, transporte, echegando finalmente à distribuição. Nesse caminho, o gás é comprimido, processado etransportado ao longo de centenas de quilômetros de tubulações que compõem as malhasde gasodutos que cruzam fronteiras de estados e de municípios, passando por estaçõesde regulagem e medição até chegar às distribuidoras e seus consumidores. A figura 2.1[Alonso 1999] mostra um mapa da situação atual dos gasodutos no território brasileiro.

Assim, partindo da produção até chegar ao consumidor final, em cada etapa o gásnatural é movimentado sob a responsabilidade de uma empresa diferente que, seqüen-cialmente, o repassa para a próxima empresa, por meio de processos denominados detransferência de custódia.

A transferência de custódia é realizada em estações controle e de medição específicas,localizadas em entroncamentos de gasodutos, ou em city gates onde a transportadoraentrega o gás para a concessionária local.

CAPÍTULO 2. APRESENTAÇÃO DO PROBLEMA 14

Figura 2.1: Mapa de Gasodutos no Brasil [Alonso 1999].

A figura 2.2 apresenta de forma esquemática a cadeia de transporte e de distribuição dogás natural no Brasil, mostrando o percurso do gás natural da produção até o consumidorfinal. Deve-se destacar que esse processo é realizado através de vários tipos de medidoresde vazão, que possuem princípios de operação e exatidões diferentes.

Pela figura, é possível verificar que, no Brasil, as medições de vazão de gás naturalpara fins fiscais e de transferência de custódia são realizadas essencialmente por meiodo uso de placas de orifício e turbinas. Nas medições de distribuição aos consumidoresindustriais são utilizados medidores dos tipos turbina e rotativos. A medição do gás domi-ciliar, por sua vez, é feita por meio do tradicional medidor tipo diafragma; e a do GNV(Gás Natural Veicular) é realizada com o uso de medidores massivos do tipo Coriolis.

O fato destas medições serem realizadas por sistemas de medição bastante diferencia-dos já dificulta em muito uma supervisão maior na medição. Uma padronização feita porsistemas mais confiáveis, com um custo aceitável, seria ideal para facilitar tal controle.


Figura 2.2: Cadeia de transporte e de distribuição do gás natural no Brasil.

2.2 Medidor do Tipo TurbinaOs sistema de medição abordado por este trabalho tem como elemento primário o

medidor de vazão do tipo turbina. Este medidor é um dos medidores mais confiáveispara a medição de óleos crús e gás natural, e encontram aplicação na medição de vazãoem plataformas petrolíferas e em unidades de transferência de custódia e de mediçãofiscal [Daniel 1996].

Um medidor de vazão tipo turbina (figura 2.3 [INSTROMET 2007]) é um dispositivopara medição de velocidade. Ele consiste basicamente de:

• um corpo;


• um mecanismo de medição;

• um dispositivo de leitura e saída.

Figura 2.3: Medidor do tipo turbina [Instromet 2007].

O fluxo de gás que percorre o interior do medidor causa uma rotação no rotor cuja ve-locidade é proporcional à vazão do gás. Idealmente a rotação é proporcional ao fluxo, masna realidade, a velocidade é uma função do tamanho da passagem interna, a forma dessapassagem, o projeto do rotor, os atritos no mecanismo, o arraste do fluido, o carregamentoexterno e a densidade do gás.

A cada rotação desse rotor é gerado um pulso no sinal de tensão resultante, formandoassim um trem de pulsos. A partir da contagem desses pulsos no tempo, é possível obtera freqüência desse sinal e realizar a computação da vazão.

2.2.1 CalibraçãoO desempenho dos medidores de vazão do tipo turbina depende de uma série de carac-

terísticas inerentes à composição do gás, ao processo de medição e às propriedades físicasda vazão do gás pela tubulação.

Eles são fabricados para ter um erro máximo na calibração em torno de ±1% sobreuma faixa de vazão específica para qualquer densidade de operação do gás. Se foremcalibrados individualmente com relação a um padrão aceitável e para uma densidade(do gás) de operação em particular, serão capazes de obter medições com um erro de±0,25%. Portanto, o melhor desempenho é obtido quando cada medidor é calibradosobre condições de densidade mais próximas das condições reais de operação.

O erro de medida pode ser determinado através de uma curva de desempenho, con-hecida como curva de calibração, como será mostrado na figura 2.4. Esta curva é pro-duzida através de testes com o medidor em diferentes valores de vazão, dentro da faixade vazão permitida. Uma constante conhecida como fator K é então calculada para queo erro de medida dentro da faixa de vazão do medidor não ultrapasse ±1%. Esse fator Krepresenta número de pulsos por unidade de volume para medidores que possuem comosaída um sinal elétrico.


Tipicamente esta curva é montada com o medidor sendo testado em uma tubulaçãoonde o fluido que o percorre é ar atmosférico, por questões de custo/benefício, pois o gásnatural requer uma estrutura bem mais complexa e, conseqüentemente, também bem maiscustosa, com o intuito de garantir o manuseio deste material inflamável e danoso ao serhumano de forma segura. Para diminuir o erro, medidores também podem ser testados,para montar a curva, nas condições de operação do fluído.

Figura 2.4: Exemplo de curva de calibração.

Para um completo estudo sobre o erro de medição, deverá ser incluso a questão dasincertezas nas medições. Os medidores do tipo turbina para transferência de custódiadevem ser definidos com incerteza melhor que ±1%, e geralmente variam na ordem de±0,2% e ±0,5%.

Já a exatidão é definida como sendo a vazão real que passa pela tubulação somadocom o seu erro de medição. Geralmente não é incluso a incerteza na exatidão.

A curva de calibração é preferível ser obtida nas condições reais de vazão. Contudo,para situações onde as condições de operação variam consideravelmente, é melhor obteruma curva nas condições de base.

Os valores dos erros que compõe a curva de calibração são calculados pela diferençaentre a indicação do medidor e o valor utilizado para calibrar o medidor. Já as incertezasdos pontos da curva são resultantes de erros de precisão e de erros desconhecidos associ-ados à calibração do transducer, à aquisição e processamento dos dados e à operação dosistema.

As técnicas de calibração podem ser aplicadas tanto em campo como em instalaçõeslaboratoriais. Contudo, os resultados das calibrações laboratoriais e em campo podemdiferir devido às condições de teste, às condições de instalação e aos padrões de referên-cia. A maior diferença é o fluido usado para os testes (ar ou gás).


2.3 Fontes de ErroUm dos grandes problemas ocorridos com os medidores no ambiente de trabalho, in-

dependentemente da qualidade do medidor utilizado, é a sua degradação, fazendo comque a informação medida pelo mesmo aumente o erro de medição com o decorrer dotempo, ou seja, passando a indicar valores que não são coerentes com os valores reais dagrandeza física medida, ultrapassando as limitações normativas ou contratuais de tolerân-cia. Esse tipo de desgaste recebe o nome, neste trabalho, de descalibração.

A inexatidão na medida faz com que seja necessária uma recalibração no sensor. Paraisso, deve-se retirar o sensor do campo, levá-lo ao laboratório e calibrá-lo novamentecom relação a um padrão. Esse processo pode levar muito tempo e acarretar prejuízoseconômicos, pois o processo pode ser interrompido. Como é desconhecida a periodici-dade ideal para se retirar o sensor do campo e realizar o processo de calibração, corre-seo risco de se retirá-lo antes do tempo ideal, o que provocaria uma sub-utilização do me-didor, ou ainda fazer a calibração de forma tardia, o que levaria a um aumento no erro damedição.

Não é possível fazer uma medição sem erros ou incertezas, contudo deve-se manteros erros e a estimativa das incertezas dentro de faixas ou limites aceitáveis.

As incertezas e os erros não podem ser completamente eliminados, pois o valor ver-dadeiro, obtido por uma medição perfeita, é desconhecido. Porém, o valor provável doerro pode ser avaliado.

O erro de medição calculado em uma calibração não se refere apenas ao erro do el-emento medidor, mas sim ao erro de todos os componentes do processo de medição, ouseja, esse erro calculado resulta de um somatório dos erros de cada componente do sistemade medição. Portanto, a exatidão final obtida depende de associação entre os componentesdos erros. O conhecimento de como os erros se propagam é essencial no projeto e uso dealgoritmos na instrumentação.

Já a incerteza, de acordo com [Ribeiro 2003], é um parâmetro que caracteriza a dis-persão dos valores que podem ser atribuídos à uma mesma quantidade medida. Comonenhuma medição é perfeita, o seu resultado é apenas uma aproximação do valor real daquantidade medida, dentro de uma faixa de incerteza.

Como no erro resultante, a incerteza total obtida em uma medição é resultado deuma combinação das incertezas de todos os componentes. A análise de cada mediçãoenvolvida na calibração é, portanto, primordial para identificar os fatores que contribuempara a incerteza total.

2.4 Algoritmos Inteligentes e Redes NeuraisUm sistema baseado em técnicas de inteligência artificial é caracterizado basicamente

por três aspectos: representação simbólica de conhecimento, racionalidade para a res-olução de problemas e capacidade de adquirir novos conhecimentos através de processoindutivo ou dedutivo. Dentre essas técnicas, destaca-se o uso das Redes Neurais Artifi-ciais.


O modelo das redes neurais artificiais é baseado em um processo de aprendizado e emuma posterior capacidade de generalização deste. Nesse ponto, a rede neural se diferenciados outros sistemas de classificação de padrões, por exemplo, porque ela é responsávelnão só pelo processamento da informação em si, mas pela própria geração do conheci-mento que permite tal classificação.

As aplicações, que este tipo de algoritmo inteligente pode ter, abrangem uma vastagama de áreas de atuação. Dentre elas, uma que está em franco desenvolvimento é a áreade medição.

2.4.1 Inteligência na MediçãoA incorporação de inteligência em sistemas de medição, principalmente através do uso

de redes neurais, está sendo impulsionada cada vez mais pelo crescimento da tecnologiaindustrial, o que possibilita aplicações, processadas no campo de trabalho, que visammelhorar a qualidade das informações provenientes de algum(ns) dos dispositivos quecompõe o sistema de medição.

A literatura apresenta vários trabalhos referentes a incorporação, no ambiente de tra-balho, de algum tipo de função inteligente que interaja com os sinais provenientes dessesdispositivos, com o intuito de melhorar a qualidade da medição.

No trabalho publicado em [Silva 2005], foi proposto e implementado uma rede neuralpara a compensação de medidas de temperatura, através de Software Sensors do protocoloFoundation Fieldbus (FF) [Foundation 2001], conhecidos como ”blocos funcionais”. Oprotocolo Foundation Fieldbus é dotado da capacidade de distribuir o controle do pro-cesso no campo e seus blocos funcionais possuem funções básicas que, combinados, sãocapazes de implementar algoritmos e/ou funções mais complexas. Através da combinaçãodesses blocos, foi possível construir a arquitetura da rede neural proposta.

Já no trabalho publicado em [Besch 2004], foi especificado o projeto de um novobloco funcional FF que realiza o processo feed-forward de uma rede neural, chamado debloco neural.

Na área de detecção de falhas, um dos trabalhos que merecem destaque na literaturaé o publicado em [Silva, Neto, Fernandes & Guedes 2006], no qual foi desenvolvido umprocedimento baseado em redes neurais para verificação e classificação de possíveis fal-has no controle de nível em uma planta composta de dois tanques, onde um escoava porgravidade para o outro. Para isso, foram implementadas ao todo três redes neurais, ondeduas delas se comportam como os dois tanques de nível e a terceira recebe os sinais desaída das duas primeiras redes somado com os níveis dos dois tanques. A comunicaçãoentre os componentes do sistema é realizada através de um servidor OPC (Open for Pro-cess Control), via rede FF.

Em relação à área de controladores, destaca-se o trabalho publicado em [Silva, Neto,de Melo & Guedes 2006], no qual foi implementado uma rede neural em ambiente deprogramação FF para ponderar o controle do processo entre dois controladores PID, sendoum deles rápido e com alto overshooting e o outro lento e sem overshooting. Assim, ocontrole se comporta de forma rápida e sem overshooting.


2.4.2 Implementação via Rede NeuralUm medidor pode ser visto como uma função que recebe em sua entrada a variável de

processo e dá uma resposta dentro de um conjunto de saídas, que pode ser, por exemplo,uma tensão, uma corrente elétrica ou um valor digital. Essa função, todavia, pode sermodificada pelo desgaste natural do medidor. Essa modificação tem como característicao fato do medidor receber uma entrada e dar uma resposta diferente da que ele daria seestivesse calibrado.

Com o intuito de melhorar a exatidão e confiabilidade da quantidade medida pelosmedidores de vazão do tipo turbina no ambiente de trabalho, foi proposto um algoritmointeligente, baseado em técnicas de redes neurais artificiais do tipo Percetron de MúltiplasCamadas, para corrigir a medição da vazão, respeitando as restrições práticas do processo.

Os principais motivos que levaram a escolha de redes neurais neste trabalho, alémda simplicidade de sua implementação e execução, foram a generalização e o fato de serum aproximador universal de funções. Na generalização, a rede Perceptron de Múlti-plas Camadas (PMC) tem a capacidade de obter saídas coerentes para entradas que nãoparticiparam como exemplo na fase de treinamento. A PMC também é um aproximadoruniversal de funções pois a partir de um conjunto de dados que representam uma deter-minada função, a rede pode obter uma aproximação dessa função.

A idéia para esse algoritmo se baseia no fato de que um medidor ideal deveria comportar-se seguindo as mesmas características da calibração, em relação a um medidor padrão dealta precisão, durante toda sua vida útil, o que não acontece na prática. O algoritmo queseria implementado em campo teria a configuração mostrada no diagrama:

Figura 2.5: Diagrama do Algoritmo de Correção.

Para se conseguir essa situação ideal, em que o sensor descalibrado funcione como umsensor calibrado, a rede neural precisa ser treinada com exemplos de entrada e respectivasaída.

Após esta fase de treinamento, espera-se que o sensor descalibrado em conjunto com arede neural se comporte da mesma maneira que um medidor perfeitamente calibrado. Estárepresentado na figura 2.6 o esquema para o treinamento da rede, cujos pesos sinápticossão corrigidos de acordo o erro obtido pela diferença entre os valores corretos de vazãoe os mesmos com seus respectivos erros de calibração, apresentados como entrada nestafase.


Figura 2.6: Diagrama do Treinamento do Algoritmo.

Contudo, a utilização de redes neurais para corrigir medidores comerciais gera o prob-lema do algoritmo necessitar ser retreinado devido a certos fatores.

Como cada medidor de vazão é um sistema que envolve vários componentes mecâni-cos e engrenagens que serão expostos aos vários tipos de desgastes que o ambiente detrabalho pode proporcionar a eles, o algoritmo terá que ser retreinado para cada medidor(até do mesmo modelo) e para cada nova calibração que ocorrer. Essa nova calibraçãosignificando que o erro gerado pelo algoritmo passou de um limiar máximo de aceitação.

2.4.3 Rede NeuralAs redes neurais artificiais são formados por neurônios artificiais, que seguem a forma

dos neurônios biológicos, só que mais simplificados. Os neurônios artificiais são unidadesde processamento formados basicamente de entradas e saídas e de um corpo celular, ondeé feito o processamento. A estrutura de um desses neurônios pode ser vista na figura 2.7:

Figura 2.7: Modelo do Neurônio Computacional.

Os neurônios artificiais têm as entradas ponderadas pelos pesos sinápticos. O corpocelular do neurônio funciona como um combinador linear das entradas, onde o sinal ger-ado sofre uma transformação através da soma com um bias, passando a ser chamado decampo local induzido.


A amplitude do sinal gerado pelo corpo celular é restringida por uma função de ati-vação. Desse modo, assegura-se que a amplitude do sinal de saída terá um valor finito. Aestrutura do neurônio artificial possibilita descrevê-lo de modo matemático como segue:

uk =m

∑j=1

wk j ∗ x j (2.1)

yk = ϕ(uk +bk) (2.2)

sendo,

- x1,x2, ...,xn são as entradas;

- wk1,wk2, ...,wkn são os pesos sinápticos;

- uk é a saída do combinador linear;

- bk é o bias;

- ϕ(.) é a função de ativação;

- yk é a saída do neurônio.

Existem três tipos de funções de ativação e elas são escolhidas de acordo com a apli-cação que utilizará a rede neural. As figuras abaixo mostram graficamente algumas dessasfunções:

Figura 2.8: Função degrau.

Figura 2.9: Função linear por partes.


Figura 2.10: Função sigmóide.

Pode-se classificar as redes neurais de acordo com o seu algoritmo de treinamento, ouseja, a forma com que os pesos sinápticos são modificados para que o erro quadrático sejamínimo.

Perceptron de Múltiplas Camadas

As redes Perceptron de Múltiplas Camadas são redes neurais formadas por váriascamadas de neurônios, onde cada uma dessas camadas pode ter vários neurônios. Aquantidade de neurônios existentes em cada camada é chamado de arquitetura da redeneural. O sua fase de treinamento é feito através do algoritmo da Backpropagation.

Este tipo de treinamento consiste basicamente em dois passos. Inicialmente um padrãoé apresentado à camada de entrada da rede e sua atividade resultante flui pelas camadas,até que a resposta seja produzida pela camada de saída. Depois a saída resultante é com-parada com a saída desejada para esse padrão particular. Se esta saída não estiver correta,o erro, acima do mínimo permitido, é calculado. O erro é então propagado a partir dacamada de saída até a camada de entrada, passando pelas camadas ocultas, onde os pesosdas conexões vão sendo modificados conforme o erro é retropropagado.

De acordo com [Haykin 2001], o algoritmo do backpropagation pode ser visto deforma simplificada abaixo:

1. Inicialização: Inicialize os pesos sinápticos e limiares aleatoriamente utilizandouma distribuição uniforme cuja média seja zero, caso nenhuma informação préviaesteja disponível;

2. Exemplos para o treinamento: Apresente uma época de exemplos de treinamentopara a rede. Para cada exemplo do conjunto, ordenado de alguma forma, realize aseqüência de computações para frente e para trás que serão descritas nos passos 3 e4.

3. Computação direta (para frente): Para um exemplo de treinamento da época como vetor de entrada x(n) aplicado à camada de entrada dos nós sensoriais e o vetor desaída d(n) aplicado à camada de saída dos nós, calcule os campos locais induzidose os sinais funcionais da rede prosseguindo para frente através da rede, camada porcamada. O campo local induzido v(l)

j (n) para o neurônio j da camada l é:


v(l)j (n) =

m0

∑i=0

w(l)ji (n)yl−1

i (n) (2.3)

onde yl−1i (n) é o sinal de saída do neurônio i da camada anterior l−1, na interação

n, e w(l)ji (n) é o peso sináptico do neurônio j na camada l, que é alimentado pelo

neurônio i da camada l−1. Quando i = 0, temos yl−10 (n) = 1 e w(l)

j0 (n) = b(l)j (n) é o

bias aplicado no neurônio j na camada l. Utilizando uma função sigmóide, o sinalde saída do neurônio j na camada l é

y(l)j = ϕ j(v j(n)) (2.4)

Se o neurônio j está na primeira camada oculta (l = 1), então

y(0)j = x j(n) (2.5)

onde x j(n) é o j-ésimo elemento do vetor de entrada x(n). Se o neurônio j está nacamada de saída (l = L, onde L é o tamanho da rede) então

y(L)j = o j(n) (2.6)

Agora é só calcular o sinal de erro, saída desejada menos a saída obtida,

e j(n) = d j(n))−o j(n) (2.7)

4. Computação reversa (para trás): Inicialmente calcula-se os gradientes locais δ

da rede,

ϕ(l)j = e(L)

j (n)ϕ′j(v(L)j (n)),

ϕ′j(v

(l)j (n))′∑

kϕ

(l+1)k (n)w(l+1)

k j (n), (2.8)

onde a primeira equação é para a camada de saída L e a segunda para a camadaoculta l. O apóstrofe em ϕ′(.) representa a diferenciação em relação ao argumento.Depois ocorre o ajuste dos pesos sinápticos da rede na camada l de acordo com aregra delta generalizada:

w(l)ji (n+1) = w(l)

ji +α

[w(l)

ji (l−1)]+ηδ

(l)j (n)y(l−1)

i (n) (2.9)

onde η é o parâmetro da taxa de aprendizagem e α é a constante de momento.


5. Iteração: Realize a iteração das computações para frente e para trás dos passos 3 e4, apresentando novas épocas de exemplos de treinamento para a rede, até que sejasatisfeito a condição de parada.

Capítulo 3

Estrutura do Software

3.1 Bancada de TestesA bancada testes que será instalada no Laboratório de Medição de Vazão de Gás

(LMVG) do Centro de Tecnologia do Gás constará, basicamente, de um medidor de vazãovolumétrica do tipo turbina instalado num tramo de 6 polegadas do laboratório, interli-gado a um sistema baseado em hardware de aquisição e manipulação do sinal de vazãoobtido. As variáveis monitoradas serão enviadas a um supervisório, tanto por protocoloFoundation Fieldbus quanto por Modbus.

A bancada ainda contará com 3 medidores auxiliares, de vazão, temperatura e pressão,um instrumento de conversão do padrão 4-20mA para o padrão fieldbus (IF) e uma DFI(gateway da rede), que são de propriedade do LMVG.

O medidor de vazão, também de 6 polegadas e ligado em série com o medidor a sertestado, servirá como medidor padrão para a implementação dos algoritmos testados. Jáos medidores de pressão e temperatura são transmissores interligados por um ambientede rede Foundation Fieldbus, e suas medidas são importantes para auxiliar no cálculo ecorreção da vazão. A figura 3.1 ilustra como será a bancada.

Figura 3.1: Bancada de testes.

CAPÍTULO 3. ESTRUTURA DO SOFTWARE 27

Para a correta aquisição dos sinais provenientes dos medidor de vazão e dos transmis-sores de temperatura e pressão, circuitos de conversão e conformação foram desenvolvi-dos no projeto da bancada.

O sinal proveniente do medidor de vazão é um trem de pulsos (sinal de tensão) de±12V de amplitude na forma de uma onda quadrada simétrica. Esse sinal será convertidopara um sinal de tensão de aproximadamente 0/3,6V por um circuito de interconexão,para poder ser digitalizado por conversores embutidos em uma placa de ProcessamentoDigital de Sinais (DSP) e, então, processados.

Já os sinais provenientes dos transmissores de pressão e temperatura são sinais digitaisque são convertidos e enviados à placa através de um IF (conversor fieldbus/4-20mA) ede circuitos conversores 4-20mA/tensão e A/D.

O dispositivo DSP, que é um dos ambientes de execução das rotinas implementadas emsoftware, é uma espécie de microcontrolador adaptado para aplicações de processamentodigital de sinais, no sentido em que possuem uma arquitetura otimizada para aplicaçõesque requerem uma computação intensiva, além de periféricos com funções especializadasintegrados ao chip.

O módulo de desenvolvimento utilizado neste trabalho foi o TMS320lf2407 EVM daSpectrum Digital, que incorpora como núcleo central de processamento o DSP, de 16bits, TMS320LF2407 da [Texas Instruments 2007]. Dentre as principais característicasdesta família de DSP destacam-se: freqüência máxima de operação de 40 MHz, memóriaSRAM de 128 KWords, memória Flash EEPROM, conversor A/D com resolução de 10bits e 16 canais de entrada e capacidade de executar conversões em um tempo aproximadode 500 ns.

Uma conexão RS232 de comunicação serial foi utilizada para fornecer as grandezasmedidas e calculadas a um supervisório. Essa comunicação ocorre de forma bidire-cional entre a placa e o computador que contem o software do supervisório. O diagramamostrado na figura 3.2 mostra toda a estrutura de hardware adotada.


Figura 3.2: Diagrama estrutural do hardware

Para o correto funcionamento de todas as estruturas de hardware, é necessário que hajauma implementação de software correta e confiável atuando em conjunto. Os principaispontos onde há a necessidade da implementação via software são na parte do processa-mento da informação, da supervisão desse processamento e da comunicação entre estasduas partes.

O processamento da informação refere-se às rotinas de aquisição dos sinais, com-putação, correção e totalização da vazão e execução do algoritmo inteligente, sendo im-plementadas na placa DSP. Contudo, um pré-processamento é executado de forma off-line, ou seja, em um computador pessoal. Se trata do treinamento da rede neural quecompõe o algoritmo inteligente.

O sistema de supervisão tem como principais objetivos o carregamento de variáveisnecessárias à correta execução dos algoritmos implementados na placa DSP, e a visual-ização, o controle e o registro das grandezas monitoradas pela bancada.

Para a interação entre essas partes, foi necessário o desenvolvimento de uma comuni-cação confiável e bidirecional entre o hardware dedicado e o supervisório. Assim, foramcriadas rotinas que implementam o protocolo Modbus e o Foundation Fieldbus.

A figura 3.3 apresenta um diagrama estrutural da implementação destas rotinas desoftware. Nos tópicos que se seguem, estas rotinas implementadas serão melhor detal-hadas.


Figura 3.3: Diagrama estrutural do software.

3.2 ProcessamentoAs rotinas de processamento digital da informação que foram implementadas neste

trabalho atuam tanto no ambiente de supervisão como no ambiente dedicado da placa.No ambiente de supervisão foram implementados, além do próprio supervisório, as

rotinas de treinamento da rede neural que compõe o algoritmo inteligente. O treinamentotem como objetivo obter os ganhos da rede neural para poderem ser carregados na placapelo supervisório através da comunicação Modbus.

No ambiente da placa DSP foram implementadas as rotinas de computação, correçãoe totalização da vazão, e do algoritmo inteligente.

3.2.1 Cálculo da VazãoUm sistema de medição, como proposto pela Norma API - Chapter 21.1 [Starling

& Savidge 1993], consiste de elemento primário, secundário e terciário. O elementoprimário compreende o tipo básico do medidor usado para a medição de gás, sendo, paraeste trabalho, o medidor do tipo turbina. O elemento secundário é o dispositivo trans-missor, ou seja, propicia a transmissão de informações de um local para o outro com autilização de um circuito eletrônico que converte o sinal de saída do elemento primáriopara um sinal (eletrônico) padrão, transmitindo assim a informação correta das grandezasmedidas para o elemento terciário. O elemento terciário recebe essa informação e a utilizaem instruções programadas para o cálculo correto da vazão (dentro de limites especifica-dos) do gás que flui pelo elemento primário.

Neste trabalho, o hardware dedicado é o responsável pelo papel de elemento se-cundário e terciário no sistema de medição de gás proposto, ou seja, realiza a aquisição


do sinal proveniente do medidor de vazão do tipo turbina e sua conversão para uma me-dida de vazão aceitável; a aquisição da informação de temperatura e pressão provenientede seus respectivos transmissores; o cálculo do fator de compressibilidade e super com-pressibilidade; o cálculo da vazão e volume instantâneo e acumulado nas condições deoperação e de base; outros cálculos adicionais que melhorem a exatidão, como por exem-plo, a execução do algoritmo inteligente proposto baseado em uma rede neural artificial;e o envio de seus resultados a um outro dispositivo para supervisão e/ou processamentoexterno. Para sistemas convencionais de medição de vazão, um dispositivo que realiza amaioria dessas funções, podendo também executar outras, é denominado computador devazão.

Basicamente, o computador de vazão é um dispositivo especial cuja finalidade é con-verter eletricamente sinais (analógicos ou digitais) provenientes de um sistema de medidade gás (por exemplo, medidor do tipo turbina) em um valor correto da vazão, em algumsistema conhecido de medição, baseado na informação derivada desses sinais de entrada eda informação armazenada sobre as propriedades do sensor e do fluido medido. Todos ossistemas de medição de vazão possuem expressões matemáticas básicas que descrevem arelação do sinal de entrada com uma informação de vazão.

Medição de Vazão Volumétrica

Como o medidor do tipo turbina é um dispositivo de medição de velocidade, ele de-pende do fluxo do fluido para fazer com que o rotor gire em uma velocidade proporcionalà taxa de vazão. As revoluções do rotor são contadas mecanicamente ou eletricamente, epodem ser convertidas em um registro volumétrico continuamente totalizado.

Para medidores lineares, medidores estes que geram trem de pulsos e nos quais seinclui o tipo turbina, a obtenção da vazão inicia-se pelo cálculo da quantidade volumétricatotal,

Qt =(t−t0)/dt

∑n=t0

Qn (3.1)

onde

• Qt é a quantidade volumétrica acumulada em n intervalos de tempo;

• Qn = Q f é a vazão instantânea correspondente ao intervalo dt;

• dt é a diferença uniforme de tempo entre intervalos de vazão;

As variáveis de processo que definem a medição do fluxo são tipicamente não estáti-cas. Assim, a quantidade total verdadeira é a totalização do fluxo para um determinadointervalo, levando em consideração a contínua variação das condições operacionais.

A vazão nas condições de medição Q f é o valor resultante do cálculo de contagensacumuladas de pulsos (expressos pelo elemento primário) dividido pela constante do me-didor, representando um período de tempo específico (n). O cálculo integral é expressopor

Qn = pulsos/K (3.2)


onde

• pulsos é o número de pulsos contados pelo intervalo n;

• K é a constante do medidor (pulsos/m3).

Esse registro volumétrico é calculado nas condições de temperatura e pressão em quea vazão está sendo medida e, portanto, necessita ser corrigido para as condições de base,para propósitos comerciais. De acordo com a lei básica do gases,

(Pf )(Vf ) = (Z f )(N)(R)(Tf ) (3.3)

para as condições de operação, e

(Pb)(Vb) = (Zb)(N)(R)(Tb) (3.4)

para as condições de base, onde

• P = Pressão absoluta

• V = Volume

• Z = Compressibilidade

• N = Número de mols do gás

• T = Temperatura absoluta

• R = Constante do gás universal

• f = Condições de operação

• b = Condições de base

Desde que R seja a constante do gás sem levar em consideração a pressão e a tem-peratura, e para um mesmo número de mols do gás (N), as duas equações podem sercombinadas para formar:

Vb = Vf

(Pf

Pb

)(Tb

Tf

)(Zb

Z f

)(3.5)

onde

• Pf = Pa + Pe;

• Pe = Pressão estática, em psi;

• Pa = Pressão atmosférica, em psi;

• Pb = Pressão nas condições de base, em psi;

• Tb = Temperatura nas condições de base, em graus Rankin (oR);


• Tf = Temperatura nas condições de operação, em oR;

• Zb = Compressibilidade nas condições de base;

• Z f = Compressibilidade nas condições de operação.

Como a vazão é a medição do volume no decorrer do tempo, a equação 3.5 pode serestendida também para o cálculo da taxa de vazão nas condições de base, condições detemperatura e pressão estipuladas pela ANP para a comercialização do gás natural noterritório brasileiro, resultando na seguinte expressão:

Qb = Q f

(Pf

Pb

)(Tb

Tf

)(Zb

Z f

)(3.6)

Cálculo do Fator de Compressibilidade

O fator de compressibilidade (ou fator Z) é um dos componentes da equação 3.6 queobtem a vazão nas condições de base e seu cálculo depende dos valores correntes de tem-peratura e pressão e dos valores pré-estabelecidos da composição do fluido que atravessao medidor.

A norma AGA-8 [Starling & Savidge 1992] especifica dois tipos de métodos distintospara o cálculo do fator de compressibilidade, que pode ser obtido tanto para as condiçõesde operação como as de base. Esses dois métodos são diferenciados pelos parâmetros deentrada necessários para o cálculo das equações de estado que os compõe.

Um desses métodos utiliza um conhecimento detalhado da composição do gás naturalpara computar o fator de compressibilidade, isto é, necessita como entradas as frações ouporcentagens de mols de todos os componentes da mistura do gás natural. Este método édenominado Método de Caracterização Detalhado.

O outro método utiliza um conhecimento mais grosseiro da composição do gás naturalpara a computação de sua vazão. Ele necessita como entradas apenas a densidade relativae/ou o poder calorífico e as frações dos mols do diluente do gás natural. Este método échamado, portanto, de Método de Caracterização Grosseiro.

Os dois métodos obtém uma melhor exatidão e uma menor faixa de incerteza com amistura de gás natural dentro das faixas normais de suas características de composição.Contudo, o Método Grosseiro, devido a sua simplicidade, é recomendado ser utilizadoapenas com temperaturas entre 32oF e 130oF (0oC e 55oC) e com pressões acima de 1200psia. Para todos as outras condições e composições do gás natural, o Método Detalhadoé recomendado, por considerar todas as variáveis que interferem na compressibilidade. Afigura 3.4 mostra como varia as incertezas do Método Detalhado dentro das faixas detemperatura e pressão.


Figura 3.4: Incertezas para o cálculo do fator Z usando o Método Detalhado.

Como o intuito deste trabalho é obter um valor mais exato da vazão que percorre atubulação, o Método Detalhado foi escolhido para o cálculo dos fatores de compressibil-idade tanto nas condições de operação quanto nas de base.

A seqüência de computação deste método é apresentado na figura 3.5. Ela foi desen-volvida para minimizar cálculos repetidos desnecessários. A sua estrutura é dividida emquatro subrotinas principais:

1. Cálculo dos valores dependentes dos componentes do gás natural;

2. Cálculo dos valores dependentes dos percentuais desses componentes;

3. Cálculo dos valores dependentes da temperatura do gás;

4. Cálculo dos valores dependentes da densidade do gás.


Figura 3.5: Estrutura de computação do Método Detalhado.

Metodologia da Computação

A freqüência mínima de amostragem para uma variável de entrada dinâmica, de acordocom a Norma API - Chapter 21.1 [Starling & Savidge 1993], deve ser de uma vez a cadacinco segundos. As variáveis dinâmicas de entrada para o cálculo da vazão que foramnecessárias para este trabalho foram pressão, temperatura, pulsos e fator de compressibil-idade em condições simuladas de operação de um medidor.

Amostragens múltiplas obtidas, das variáveis de entrada e da própria vazão corrente,dentro deste intervalo de tempo podem ser combinadas como uma média, calculada us-ando qualquer uma das técnicas apresentadas a seguir. A diferença entre os métodos étipicamente desprezível.

• Determinação linear da média ponderada no tempo, dependente do escoamento;

• determinação por fórmula da média ponderada no tempo, dependente do escoa-mento;

• determinação linear da média ponderada na vazão e


• determinação por fórmula da média ponderada na vazão.

Quando a saída do elemento primário (no caso, medidor do tipo turbina) for menor que0,2 Hz, as variáveis de entrada podem ser amostradas uma vez por ciclo. Uma freqüênciade amostragem menor pode ser utilizada desde que seja demonstrado que a diferençaentre a incerteza associada com esta freqüência e a incerteza associada com a freqüênciade amostragem de cinco segundos não supere 0,05% para determinada aplicação, e que ametodologia seja acordada entre as partes envolvidas.

A metodologia de cálculo implementada utiliza a forma básica da equação de vazão.Quando as condições de operação requerem amostragens e cálculos mais ou menos fre-qüentes, o critério de projeto deve atender a uma incerteza diária não maior do que 0,5%.O erro associado à metodologia de cálculo implementada deve ser calculado somando-seo erro de intervalo de amostragem e o erro de intervalo de integração.

3.2.2 Algoritmo InteligenteComo visto anteriormente, a rede neural utilizada para o algoritmo inteligente foi o

Percetron de Múltiplas Camadas com algoritmo de treinamento backpropagation. Asfases de treinamento e validação cruzada da rede neural foram realizadas em rotinas noprograma Matlab R14 [MATLAB 2007], e o processo feed-forward da rede foi realizadono ambiente da placa DSP, na linguagem de programação C.

Essa fase de validação cruzada teve como objetivo saber o melhor momento de encer-rar o treinamento, ou seja, para evitar que a rede neural acabe sendo treinada excessiva-mente ajustada aos dados de treinamento. Assim, divide-se os dados em dois conjuntos,um de treinamento e outro de validação. O primeiro conjunto treinará a rede de formausual, exceto por uma pequena modificação: a sessão de treinamento é interrompida pe-riodicamente e a rede é testada com o outro conjunto (de validação) após cada período.Esse procedimento é conhecido como método de treinamento com parada antecipada[Haykin 2001].

Treinamento da Rede Neural

Os dados utilizados para o treinamento e a validação foram obtidos da calibração demedidores de vazão do tipo turbina realizadas pelo CTGÁS. Estes dados formam umacurva para cada calibração, que relaciona a faixa de vazão em que o medidor atua com oseu percentual de erro. Essa relação se deve pois quando o medidor é submetido a umacalibração, determina-se seu erro relativamente ao valor verdadeiro convencional (valorindicado pelo padrão), através da seguinte fórmula:

Erro(%) =Vj−Vvc

Vvc. 100 (3.7)

onde Vj é o valor indicado pelo instrumento testado e Vvc é o valor indicado pelo medidorpadrão.


De acordo com o CTGÁS, para uma curva de calibração convencional de um medidorque veio do campo são realizadas 4 medições em 7 níveis de vazão diferentes, totalizandoao todo 28 pontos de medição.

Neste trabalho, o treinamento foi realizado com dados de 4 calibrações realizadas emmedidores de vazão do tipo turbina distintos. As figuras 3.6, 3.7, 3.8 e 3.9 mostram osgráficos resultantes das quatro calibrações realizadas pelo CTGÁS. Os pontos e os limitesvermelhos e azuis (níveis de aceitação) são escolhidos de acordo com a portaria 114 doINMETRO [INMETRO 2007].

Figura 3.6: Medidor do tipo turbina Instromet G16, com tramo de 1,5”, faixa de trabalhode 0,6-25 m3/h e fator K de 0,1 m3/pulso.

Figura 3.7: Medidor do tipo turbina Instromet G100, com tramo de 3”, faixa de trabalhode 1-160 m3/h e fator K de 1 m3/pulso.


Figura 3.8: Medidor do tipo turbina Instromet G160, com tramo de 3”, faixa de trabalhode 13-250 m3/h e fator K de 1 m3/pulso.

Figura 3.9: Medidor do tipo turbina Instromet G1000, com tramo de 6”, faixa de trabalhode 80-1600 m3/h e fator K de 0,002070625 m3/pulso.

Para a construção dos conjuntos de treinamento e validação cruzada da rede neural, foinecessário que os dados recebidos fossem interpolados, por meio do método dos mínimosquadrados, e utilizados na equação 3.7, obtendo assim os exemplos de entrada (Vj) erespectiva saída desejada (Vvc) do algoritmo. A figura 3.10 estrutura esse procedimento.


Figura 3.10: Estruturação do treinamento.

Após o treinamento, com os ganhos das redes neurais de cada calibração já estipula-dos, espera-se que o procedimento feed-forward, para toda a faixa de trabalho em que omedidor atua, tenha o comportamento ideal mostrado na figura 3.11.

Figura 3.11: Resultado desejado pelo procedimento feed-forward.

Carregamento da Rede Neural

A possível arquitetura de rede neural que pode ser carregada pelo supervisório estálimitada na representação mostrada pela figura 3.12, onde xi representa a j-ésima entradada rede, ωl

ji representa o peso sináptico entre o neurônio j da l-ésima camada e o neurônioi da (l−1)-ésima camada, bl

j representa o bias associado ao neurônio j da l-ésima camadae yl

j representa a saída associada ao neurônio j da l-ésima camada. A rede neural podeser constituída de até quatro camadas, sendo:

• Uma camada de entrada com até três neurônios;

• Duas camadas ocultas com até três neurônios por camada;

• Uma camada de saída com até três neurônios.


Figura 3.12: Abrangência da arquitetura da rede neural.

Da mesma forma que a arquitetura, as funções de ativação que podem ser carregadaspelo supervisório são limitadas pela escolha de três opções e a escolhida é aplicada emtodos os neurônios da camada que está sendo carregada. As opções estão listada a seguir:

• Função Tangente Sigmóde: ϕ(x) = (1−e−ax)(1+e−ax)

• Função Tangente Hiperbólica: ϕ(x) = (eax−e−ax)(eax+e−ax)

• Função Linear Pura: ϕ(x) = x

Cada neurônio da arquitetura carregada pelo supervisório no ambiente de progra-mação da placa DSP, localizado a partir da primeira camada oculta até a camada de saída,realiza a seguinte operação sobre seus dados de entrada, para produzir sua saída:

ylj = ϕ

[(ni

∑i=1

ωljixi

)+bl

j

](3.8)

Com isso, para que o algoritmo implementado na placa possa executar suas operaçõescorretamente na bancada de testes, a rede neural deve ser carregada com os valores detodos os seus parâmetros descritivos.

3.3 ComunicaçãoPara a realização de uma comunicação confiável entre a placa DSP e o supervisório,

foi necessário um estudo detalhado dos protocolos de comunicação, Foundation Fieldbuse Modbus, e das operações que serão envolvidas nela para serem criadas as rotinas.

O Foundation Fieldbus (FF) é um sistema de comunicação totalmente digital, quepode ser em série ou bidirecional, conectando equipamentos fieldbus tais como atuadores,


sensores e controladores. O Fieldbus é uma LAN (rede local) para automação e instru-mentação de controle de processos, dotado da capacidade de distribuir o controle dessesprocessos no campo de atuação, só que, para conseguir o controle desejado, os disposi-tivos devem ser configurados adequadamente.

Uma de suas principais características é a organização da camada de aplicação emblocos, que pode ser dividida em três categorias: os blocos de recurso, os blocos trans-dutores e os blocos funcionais. Os blocos funcionais são responsáveis por manipular ossinais fornecidos pelos blocos de recurso, depois de tratados pelos blocos transdutores.

No projeto da bancada, foi especificado que esse protocolo irá enviar informaçõesprovenientes dos transmissores FF de temperatura e pressão tanto ao supervisório, porum servidor OPC (OLE for Process Control) através de blocos funcionais específicos,como ao hardware dedicado, diretamente através de circuitos conversores.

O OPC é uma nova tecnologia para conectar aplicações Windows e equipamentos decontrole de processos. É um padrão aberto que permite um método consistente de acessoaos dados de diversos equipamentos dos mais diferentes fabricantes.

Já o protocolo Modbus define basicamente uma estrutura de mensagens compostapor bytes, onde a comunicação é feita através da técnica mestre-escravo, onde apenasum dispositivo (mestre) pode iniciar a comunicação (query). Os escravos respondemenviando os dados solicitados pelo mestre.

Figura 3.13: Comunicação Modbus.

Este protocolo deve ser utilizado para realizar a comunicação entre dispositivos queestejam capacitados a transferir dados nos modos ASCII ou RTU (Remotal TerminalUnit), podendo operar tanto nos padrões RS232 como RS485. Nessas condições o proto-colo Modbus embarcado nos dispositivos funciona normalmente pois independe do meioelétrico.

No projeto da bancada, foi especificado que esse protocolo irá transferir dados nomodo RTU pela interface padrão RS485 ou RS232, sem paridade, com 2 STOP bits e comapenas funções de leitura e escrita. O modo de transmissão de dados define basicamentecomo os dados serão "empacotados" na mensagem. No modo RTU, para cada palavra dedados da mensagem é enviado apenas um caracter no padrão hexadecimal. Em relaçãoao padrão RS485, ele é semelhante ao conhecido RS232, exceto pelo fato dos driversassociados serem tri-state e não dual-state, possibilitando aplicações multiponto em queum computador controla muitos dispositivos diferentes, podendo chegar até 1200 metrospara o último ponto.

3.3.1 Comunicação ModbusDurante a comunicação, o protocolo Modbus determina como cada dispositivo:


• Identifica seu endereço de rede;

• Reconhece uma mensagem endereçada a ele;

• Determina o tipo de ação a ser executada e

• Obtém toda a informação necessária para executar a ação.

Quando há a necessidade de devolver uma resposta ao comando recebido, o disposi-tivo monta uma mensagem e a envia, mesmo que esta indique um erro na comunicação.

O Modbus estabelece o formato de envio da mensagem de query definindo:

• O endereço do escravo;

• O código da função, que indica qual a ação deve ser executada pelo escravo;

• Parâmetros ou dados pertinentes à função definida e

• O campo de checksum para checar a integridade da mensagem enviada.

A resposta do dispositivo escravo é gerada obedecendo o formato correspondente àfunção recebida pelo mestre que basicamente define:

• A confirmação da função realizada;

• Os parâmetros ou dados pertinentes à função solicitada e

• O campo de checksum para checar a integridade da mensagem enviada.

O modo RTU não possui bytes que indiquem início e fim de framing. Para identificarestes campos, não deve haver nenhuma transmissão de dados por um período mínimo,equivalente a 3,5 vezes o tamanho da palavra de dados (silent). A tabela 3.1 mostra umquadro típico no modo RTU.

Tabela 3.1: Quadro no modo RTU.

Início doquadro

Endereçodo escravo

FunçãoModbus

Dados para oEscravo

Checksum Fim doquadro

T Início 1 char 1 char N chars CRC -/+ T Fim

Como já foi visto acima, o CRC (Cycle Redundant Code) é o responsável pela inte-gridade da mensagem enviada, ou seja, em informar se a mensagem foi enviada corre-tamente. Isso é realizado através de uma função que compara, através de X-OR (OU-Exclusivo), a mensagem origem com a destino. Se o resultado for zero significa que amensagem foi enviada sem erro, caso contrário houve algum erro na comunicação.


3.3.2 Protocolo Modbus na Bancada de TestesO mestre neste tipo de comunicação é o supervisório, que tem dois comportamentos

distintos, inicialmente como transmissor de mensagens para o escravo para então servirde receptor das mensagens enviadas pelo escravo.

Já o escravo é o sistema baseado em hardware dedicado, que será, inicialmente, umreceptor das mensagens enviadas pelo mestre para então servir de transmissor de men-sagens ao mestre quando solicitado.

As funções do supervisório que envolvem a comunicação Modbus estão apresentadasabaixo:

• Configuração do Sistema: Responsável pelo carregamento e envio de parâmetrosdo algoritmo inteligente e da computação da vazão. Esses dados são carregadosatravés de um arquivo .xls ou manualmente na tela do supervisório.

• Supervisão e Controle: Tem como funções supervisionar todas as variáveis doprocesso.

Assim, o hardware dedicado terá de receber e diferenciar tanto mensagens prove-nientes da parte de Supervisão e Controle como da parte de Configuração do Sistema,como também enviar os valores das variáveis monitoradas pelo supervisório.

Para dispor à comunicação um tráfego confiável dos quadros, nas operações de leiturae escrita, uma camada de comunicação foi implementada, tanto no ambiente do su-pervisório como no ambiente do hardware. A figura 3.14 mostra como está disposto aarquitetura geral do sistema.

Na operação de leitura, a camada de comunicação terá uma sistemática de endereça-mento para poder diferenciar as estruturas recebidas e alocá-las nas variáveis apropriadaspara o correto funcionamento dos algoritmos implementados.

Da mesma forma, na operação de escrita também será necessário montar os quadrosde saída com os valores e respectivos endereços dos dados requeridos pelo supervisório,obedecendo ao protocolo Modbus.


Figura 3.14: Arquitetura geral do sistema.

Camada de comunicação

Tabela 3.2: Quadro Básico Modbus.

Função Modbus Endereço dos Dados Dados Checksum06H XXXX (16 bits) N chars CRC -/+

Uma mensagem Modbus tem basicamente o formato mostrado acima. O campo dafunção Modbus enviando um hexadecimal informando o tipo de operação (06H - Es-crita, 03H - Leitura), o campo de endereço lógico enviando 4 hexadecimais (16 bits)informando qual estrutura de dados está sendo enviada ou requisitada na comunicação, ocampo de dados enviando o valor do parâmetro e o campo de checksum enviando dadospara o cálculo do erro.

Como a comunicação é mestre-escravo, o mestre sempre a iniciará, ora enviandoparâmetros para serem escritos ora enviando pedido de leitura de alguma variável doprocesso.

Caso seja uma operação de escrita de parâmetros, o quadro enviado será formadopelo endereço do escravo, o código de escrita 06H, o endereço e o valor do parâmetroa ser modificado e o CRC. Esse parâmetro pode ser um peso sináptico, bias, arquitetura


da rede, tipo de função de ativação ou variável do processo. Pelo padrão Modbus, umamensagem de confirmação de envio será enviada pelo escravo ao mestre informando seesses dados foram recebidos corretamente pelo escravo. Esse quadro de confirmação seráigual ao recebido pelo escravo, diferindo apenas o checksum atualizado.

Caso seja uma operação de leitura, o quadro enviado terá o mesmo formato básico,com a exceção do código de operação ser 03H e do endereço lógico indicar agora qual avariável de interesse a ser lida. Após essa requisição, o mestre espera o escravo enviar oquadro com o valor do parâmetro. Antes de apresentar esse dado ao usuário, o mestre teráde validar esse quadro através do cálculo do novo checksum e comparação com o recebidona comunicação.

Do outro lado da comunicação, o escravo precisa ficar aguardando o mestre iniciá-la.Quando é requisitado, o escravo verifica se existe erro de comunicação através do CRC doquadro recebido. Se o quadro for validado, analisa-se então qual a operação desejada pelomestre. Caso seja operação de leitura, o escravo analisará o endereço lógico da variávelrequisitada, carregará o parâmetro e enviará a resposta com o novo CRC calculado.

Caso seja uma operação de escrita, o escravo verificará os endereços lógicos dos dadosrecebidos, podendo ser uma das estruturas já citadas anteriormente; carregará os dadosnas variáveis designadas pelos endereços, para o correto funcionamento dos algoritmosimplementados; calculará o novo CRC e enviará o quadro de volta ao mestre para a con-firmação do recebimento.

Para que tanto o supervisório quanto o hardware dedicado executem essas operaçõesda forma desejada, uma camada de comunicação faz-se necessário em cada lado da comu-nicação. Elas serão responsáveis tanto por formar o quadro Modbus, preenchendo todosos seus campos de forma adequada para enviá-los corretamente, como por receber osquadros, validá-los, interpretá-los e disponibilizá-los ao usuário (mestre) ou ao algoritmo(escravo).

Para uma melhor compreensão, os diagramas de atividades das figuras 3.15 e 3.16 de-talham os procedimentos a serem seguidos pela camada de comunicação do supervisórioe do hardware dedicado.


Figura 3.15: Diagrama de atividades da camada de comunicação do supervisório.


Figura 3.16: Diagrama de atividades da camada de comunicação do hardware.


3.4 SupervisãoO supervisório utilizado na bancada de testes foi implementado no programa propri-

etário Elipse PRO Master Full. Esse programa possibilitou a implementação tanto dacamada de aplicação como da camada de comunicação do supervisório, pois já possuiferramentas prontas de aplicação de automação industrial e de comunicação Modbus.

O programa supervisório foi implementado com as seguintes tarefas específicas:

• Supervisão e Controle do Processo: Responsável pela contínua recepção e reg-istro dos valores das variáveis do processo monitoradas pela bancada de testes, paraque se possa verificar e validar a eficácia dos algoritmos implementados, e detectarpossíveis falhas do sistema. Os dados monitorados são os valores de temperatura epressão dos transmissores Fieldbus Foundation, e volume, número de pulsos, vazãoreal e vazão corrigida do medidor de vazão (através do hardware dedicado).

• Configurar Sistema: Responsável pelo envio ao hardware dedicado (escravo) to-dos os parâmetros preliminares para o cálculo da vazão (condições de medição ebase) e para a passagem pelo algoritmo inteligente, ou seja, informando fraçõesmolares dos componentes do gás natural, o fator K do medidor de vazão utilizado,e o número de camadas, número de neurônios por cada camada, qual a funçãode ativação para cada camada e os ganhos sinápticos e bias de cada neurônio daarquitetura da rede neural estipulada. Esses dados poderão ser carregados manual-mente ou através de uma tabela .xls. A figura 3.17 apresenta a janela responsávelpor essa tarefa;

• Configurar Conta: Não há nenhum tipo de comunicação com o escravo e se refereapenas a mudança de login e senha por parte do usuário e também por mudança deníveis de acesso dos usuários cadastrados por parte do administrador.

• Configurar Conexão Serial: Não há nenhum tipo de comunicação com o escravoe destina-se apenas a mudança da porta de comunicação, da taxa de transmissão,dos bits de dados, dos bits de parada e dos bits de paridade. A configuração cor-reta desses dados são de extrema importância para um funcionamento confiável dacomunicação.


Figura 3.17: Janela onde é realizado o carregamento da rede neural, da cromatografia dogás natural e do fator K.

O supervisório sendo o mestre da comunicação, cabe a ele iniciar a comunicaçãocom o escravo, podendo ser operação de escrita ou leitura. Portanto, haverá situaçõesno supervisório em que poderá tanto ocorrer operações de leitura e/ou escrita como nãohaver comunicação alguma. O diagrama de atividades apresentado no apêndice A mostracomo se apresenta as funções do supervisório.

Capítulo 4

Implementação e Resultados

A implementação proposta terá a estruturação mostrada na figura 4.1. Por praticidade,nos testes de verificação da eficácia das rotinas implementadas, o medidor de vazão dotipo turbina foi substituído por um gerador de funções que pode emitir uma onda quadradasimilar ao transmitido por um medidor linear qualquer.

Inicialmente, é necessário informar à placa através do supervisório variáveis impor-tantes para a computação, totalização e compensação da vazão. Estas informações serãoenviadas, serialmente pela conexão física RS232, através do protocolo Modbus. As var-iáveis são:

• O fator K, que varia de acordo com o medidor e é utilizado para o cálculo da vazão(equação 3.2). Esse fator é fornecido pela fabricante ou obtido em laboratórios decalibração.

• A composição química do gás natural, ou seja, as frações molares dos seus com-ponentes, que é necessária para o cálculo do fator de compressibilidade. Essa in-formação é obtida através de um cromatógrafo, que analisa a composição de umaamostra do gás natural que percorre a tubulação.

• Os ganhos sinápticos e os bias da rede neural que compõe o algoritmo inteligentepara a correção da medida de vazão. Estes dados são obtidos após o treinamento darede neural com exemplos de entrada e saída obtidas da curva de calibração maisatual do medidor utilizado.

Valores preestabelecidos podem ser atribuídos ao fator K e às frações molares doscomponentes do gás, caso o usuário não envie essas informações, contudo a exatidãoda computação e totalização da vazão podem ficar comprometidas, pois não são valoresexatos da operação. Em relação aos ganhos da rede neural, a correção do erro só poderáser correta se a rede neural for devidamente treinada antecipadamente.

CAPÍTULO 4. IMPLEMENTAÇÃO E RESULTADOS 50

Figura 4.1: Estruturação do trabalho proposto.

Após esses dados serem corretamente enviados ao ambiente da placa DSP, os seguintesprocedimentos preliminares são realizados:

1. Os sinais de vazão (trem de pulsos), temperatura (4-20 mA) e pressão (4-20 mA)são adquiridos e convertidos para um formato adequado.

2. As bases de tempo de amostragem dos valores de pressão, temperatura, vazão evolume nas condições de base e medição são ajustados, de acordo com a normaAPI 21.1 [Starling & Savidge 1993];

3. Os pulsos do sinal de vazão são contados no período de tempo estabelecido para ocálculo da vazão e do volume nas condições de medição.

4. O fator de compressibilidade é calculado, baseado nos valores das frações molarese nos valores correntes de temperatura e pressão, de acordo com a norma AGA-8[Starling & Savidge 1992]. Esse fator será utilizado para a conversão de volume evazão para as condições de base (equações 3.5 e 3.6).

Com a vazão nas condições de base calculada, esse valor é então fornecido comoentrada da rede neural já devidamente instanciada pelo supervisório. A entrada (vazãocalculada) e o resultado (vazão corrigida) da rede neural serão então enviados ao super-visório juntamente com os valores de volume acumulado, pulsos, temperatura e pressão.

Estas variáveis monitoradas pelo supervisório tem seus dados registrados em umbanco de dados para posterior análise e/ou processamento.


4.1 Resultados Simulados

4.1.1 Computação da VazãoAs implementações para o cálculo da computação da vazão foram realizadas inicial-

mente em um Pentium 4 CPU 2.80GHz, através do código de programação C, para entãoserem incorporadas ao ambiente de programação do DSP.

A etapa inicial foi o desenvolvimento das rotinas para o cálculo do fator de com-pressibilidade (Z). Como visto na figura 3.5, o método implementado é influenciado pormudanças de temperatura, pressão e composição do gás. Portanto, para a verificação daeficácia do método, uma tabela foi montada no apêndice A comparando os resultadosobtidos em código C e em DSP com os exemplos apresentados pela norma AGA 8, paradiferentes valores de entrada.

Após obtido esse fator, implementou-se o cálculo da vazão nas condições de base deacordo com a equação 3.6. Da mesma forma como no caso anterior, testes simuladosforam realizados com diferentes valores de entrada. No apêndice B são apresentados osresultados obtidos em código C e em DSP, comparando com os valores apresentados porum computador de vazão comercial pertencente ao CTGÁS.

4.1.2 Algoritmo InteligenteApós o treinamento realizado baseado na estrutura da figura 3.10, testes foram feitos

para comprovar a eficácia da metodologia utilizada. Esses testes foram realizados inicial-mente de forma off-line em um computador pessoal. Com os ganhos das redes neuraisde cada calibração (figuras 3.6, 3.7, 3.8 e 3.9) já estipulados, realizou-se o procedimentofeed-forward da rede neural para toda a faixa de trabalho em que cada medidor atua. Aarquitetura escolhida para todos os treinamentos foi a 1x3x1.

Os resultados desses testes são apresentados nas figuras 4.2, 4.3, 4.4 e 4.5, onde alinha azul indica a curva resultante da interpolação dos pontos da respectiva calibração, ea linha vermelha indica a curva de erro resultante da equação 3.7 tendo como entrada asaída do processo feed-forward da rede neural.


Figura 4.2: Comparação entre a curva de calibração do medidor do tipo turbina InstrometG16 (0,6-25 m3/h) e a saída da rede neural treinada.

Figura 4.3: Comparação entre a curva de calibração do medidor do tipo turbina InstrometG100 (1-160 m3/h) e a saída da rede neural treinada.




4.1.3 Resultados FinaisCom os ganhos dos quatro treinamentos realizados, referentes às quatro calibrações já

mencionadas nas sessões 3.2.2 e 4.1.2, o carregamento destes dados foi realizado pelo su-pervisório na janela apresentada na figura 3.17. Além disso, também podem ser enviadoso fator K do medidor e a composição do gás natural obtida pela cromatografia.

Após realizado o cálculo da vazão nas condições de base em ambiente DSP, esse valoré então utilizado pelo algoritmo inteligente. Com o intuito de verificação de resultados, ogerador de pulsos representou cada medidor e foram escolhidos 7 valores dentro da faixada vazão aceitável. Cada resultado foi então comparado ao obtido pelo procedimentofeed-forward realizado off-line, mais exato devido às limitações do DSP na tratamento denúmeros reais, como mostrado na sessão 3.2.2. As tabelas 4.1, 4.2, 4.3 e 4.4 apresentamesses resultados, com precisão de seis casas decimais.


Tabela 4.1: Resultados do algoritmo inteligente para o medidor G16.

Vazão (m3/h) off-line DSP Erro (±) Erro Relativo (%)3 3,015600 3,015602 0,000002 0,0000666 5,999863 5,999862 0,000001 0,000017

11 10,996180 10,996175 0,000005 0,00004514 13,986840 13,986841 0,000001 0,00000717 16,962119 16,962120 0,000001 0,00000622 21,901900 21,901901 0,000001 0,00000525 24,873540 24,873543 0,000003 0,000012


Vazão (m3/h) off-line DSP Erro (±) Erro Relativo (%)6 5,984592 5,984606 0,000014 0,000234

33 32,737600 32,737679 0,000079 0,00024155 54,700791 54,700844 0,000053 0,00009783 82,790892 82,790955 0,000043 0,000052

109 108,934593 108,934660 0,000067 0,000061132 132,079458 132,079530 0,000072 0,000054156 156,776152 156,776200 0,000048 0,000031


Vazão (m3/h) off-line DSP Erro (±) Erro Relativo (%)28 28,601534 28,601494 0,000040 0,00014065 65,168916 65,168831 0,000085 0,00013099 99,072759 99,072708 0,000051 0,000051

141 141,215700 141,215620 0,000080 0,000056176 176,207759 176,207700 0,000059 0,000033209 209,201827 209,201750 0,000077 0,000037239 239,257354 239,257320 0,000034 0,000014



Vazão (m3/h) off-line DSP Erro (±) Erro Relativo (%)165 169,011174 169,011250 0,000076 0,000045389 391,376364 391,376310 0,000054 0,000014617 617,071431 617,071470 0,000039 0,000006875 873,305289 873,305540 0,000251 0,0000291103 1098,008596 1098,008610 0,000014 0,0000011340 1334,339875 1334,340000 0,000125 0,0000091579 1573,065615 1573,065900 0,000285 0,000018

Para finalizar, os erros relativos de cada calibração em relação ao seu medidor padrãoe do algoritmo inteligente foram comparados através dos gráficos apresentados nas figuras4.6, 4.7, 4.8 e 4.9, ratificando a eficácia da implementação em DSP.

Figura 4.6: Comparação entre erros da calibração do medidor do tipo turbina InstrometG16 e do algoritmo inteligente implementado no DSP.

Capítulo 5

Conclusões

A medição do gás natural pode ser entendida como uma atividade complexa, que ne-cessita que cuidados operacionais sejam garantidos para que a medição possa ser aceita,por exemplo, para uma transferência da custódia do produto dentre os diversos partici-pantes da cadeia produtiva deste combustível. E também o crescimento esperado do con-sumo do gás natural leva a uma incansável tentativa de melhorar os sistemas de medição,garantindo a diminuição de perdas e evitando problemas legais de cumprimento dos con-tratos.

Tendo em vista a necessidade de exatidão nas medições, o sucesso deste trabalhofoi de extrema importância na instrumentação inteligente, contribuindo para que novastecnologias e/ou funcionalidades sejam desenvolvidas para aprimorar a confiabilidade damedição.

Os resultados atingidos mostram que as soluções apresentadas para o processamento,a comunicação e a supervisão dos dados foram acertadas, não influindo consideravel-mente no erro final do sistema.

O ponto mais crítico em relação a geração de erro está no correto treinamento da redeneural. Assim, para melhorar ainda mais os resultados apresentados, mais dados poderiamser fornecidos pela calibração para uma construção mais correta da curva, conseqüente-mente um melhor treinamento seria realizado e melhores resultados seriam obtidos peloalgoritmo inteligente.

Em relação às incertezas, como o algoritmo apenas corrige o erro obtido na calibração,a incerteza inerente a cada dado fornecido é também incorporada à saída da rede neural.Mecanismos de redução e/ou eliminação desta medida podem ser estudadas e abordadasem trabalhos futuros, integrando e formando uma ferramenta mais ampla.

Bibliografia

Alonso, Paulo Sergio Rodrigues (1999), O gás natural na matriz energética brasileira:avaliação global de seus impactos, estratégias para disseminar sua utilização e cri-ação de um suporte de tecnologias para o brasil., Relatório técnico, UFRJ,COPPE,Rio de Janeiro, RJ.

ANP (2005), Agência Nacional de Petróleo, http://www.anp.gov.br/conheca/anuario_2005.asp, visitado em 20/09/07.

Batinga, H. (2006), VCONE - Nova tecnologia para medição de gás úmido, Rio Au-tomação.

Besch, Gaudio (2004), Especificação de um bloco funcional implementando rede neu-ral para rede industrial fieldbus foundation, Dissertação de mestrado, UniversidadeFederal do Rio Grande do Norte, PPGEE-UFRN, Natal,RN.

CTGAS (2007), Centro de Tecnologia do Gás, http://www.ctgas.com.br/, visi-tado em 20/09/07.

Daniel, G. (1996), Measurement of gas by turbine meters american gas association (aga) -transmission measurement commites report no. 7, http://www.aga.org, AmericanGas Association, EUA.

Texas Instruments (2007), http://www.ti.com/, visitado em 20/09/07.

Foundation, Fieldbus (2001), Fieldbus Foundation. Function Block Application Process.In FoundationT M Specification, Fieldbus Foundation, EUA.

Haykin, Simon (2001), Redes Neurais - Princípios e Prática, Vol. 2, Editora Bookman,EUA, capítulo 3.

INMETRO (1995), VIM, Vocabulário Internacional de Termos Fundamentais e Geraisde Metrologia, http://www.inmetro.org.

INMETRO (2007), Instituto Nacional de Metrologia, http://www.inmetro.org,visitado em 20/09/07.

INSTROMET (2007), Instromet International, http://www.elster-instromet.com/, visitado em 20/09/07.

MATLAB (2007), http://www.matlab.com/, visitado em 20/09/07.

59

http://www.anp.gov.br/conheca/anuario_2005.asp

http://www.anp.gov.br/conheca/anuario_2005.asp

http://www.ctgas.com.br/

http://www.aga.org

http://www.ti.com/

http://www.inmetro.org

http://www.inmetro.org

http://www.elster-instromet.com/

http://www.elster-instromet.com/

http://www.matlab.com/

BIBLIOGRAFIA 60

Petrobras (2007), Petróleo Brasileiro S.A., http://www.petrobras.com.br/,visitado em 20/09/07.

Ribeiro, M. A. (2003), Metrologia Industrial. Fundamentos da Confirmação Metrológica.

Silva, Diego R. Cabral (2005), Redes neurais artificiais no ambiente de redes industri-ais foundation fieldbus usando blocos funcionais padrões, Dissertação de mestrado,Universidade Federal do Rio Grande do Norte, PPGEE-UFRN, Natal,RN.

Silva, Diego R. Cabral, Adrião Duarte Dória Neto, Jorge Dantas de Melo & Luiz AffonsoGuedes (2006), ‘Neural networks implementation in foundation fieldbus environ-ment: A case study in neural control’, International Journal of Factory Automation,Robotics and Soft Computing (Issue) .

Silva, Diego R. Cabral, Adrião Duarte Dória Neto, Raphaela Galhardo Fernandes &Luiz Affonso Guedes (2006), ‘Identificação neural de um sistema de níveis em am-biente foundation fieldbus’, Congresso Latinon Americano de Automática .

Starling, K.E. & J.L. Savidge (1992), Compressibility factors of natural gas and other re-lated hydrocarbon gases american gas association (aga) - transmission measurementcommites report no. 8, http://www.aga.org, American Gas Association.

Starling, K.E. & J.L. Savidge (1993), Api - chapter 21, manual of petroleum measurementstandards - flow measurement using eletronic metering systems, Relatório técnico,Electronic Gas Measurement, EUA.

http://www.petrobras.com.br/

http://www.aga.org

Apêndice A

Diagrama de Atividades

Figura A.1: Diagrama de atividades do supervisório.

Apêndice B

Fator de Compressibilidade

Utilizando a composição do gás natural da Costa do Golfo [Starling & Savidge 1992]como exemplo, foram executadas as rotinas que compõe o Método Detalhado para valoresde temperatura e pressão variadas. A composição desse gás é mostrada na tabela B.1, eos resultados do programa C, do DSP e da norma AGA 8 são apresentados na tabela B.2.

Tabela B.1: Composição do gás natural da Costa do Golfo.

Componentes Percentuais (%)Metano 96,5222

Nitrogênio 0,2595Dióxido de Carbono 0,5956

Etano 1,8186Propano 0,4596i-Butano 0,0977n-Butano 0,1007i-Pentano 0,0473n-Pentano 0,0324n-Hexano 0,0664n-Heptano 0,0000n-Octano 0,0000

APÊNDICE B. FATOR DE COMPRESSIBILIDADE 63

Tabela B.2: Tabela de resultados do cálculo de Z.

Temperatura (oF) Pressão (psi) DSP Código C AGA 832,0 14,73 0,997405 0,997406 0,99740632,0 100,0 0,982354 0,982355 0,98235532,0 400,0 0,929176 0,929176 0,92917632,0 800,0 0,859408 0,859409 0,85940932,0 1000,0 0,826339 0,826341 0,82634132,0 1200,0 0,795679 0,795680 0,79568050,0 14,73 0,997706 0,997707 0,99770750,0 100,0 0,984431 0,984432 0,98443250,0 400,0 0,937933 0,937934 0,93793450,0 800,0 0,877957 0,877958 0,87795850,0 1000,0 0,849908 0,849909 0,84990950,0 1200,0 0,824022 0,824023 0,824023

100,0 14,73 0,998362 0,998363 0,998363100,0 100,0 0,988929 0,988930 0,988930100,0 400,0 0,956545 0,956545 0,956545100,0 800,0 0,916307 0,916308 0,916308100,0 1000,0 0,898040 0,898041 0,898041100,0 1200,0 0,881409 0,881410 0,881410130,0 14,73 0,998659 0,998660 0,998660130,0 100,0 0,990958 0,990959 0,990959130,0 400,0 0,964795 0,964796 0,964796130,0 800,0 0,932910 0,932911 0,932911130,0 1000,0 0,918668 0,918669 0,918669130,0 1200,0 0,905825 0,905826 0,905826

Apêndice C

Computação da Vazão

Utilizando a composição do gás natural mostrada na tabela C.1, foram executadas asrotinas do fator de compressibilidade e, em seguida, da computação da vazão, para difer-entes valores de vazão, temperatura e pressão nas condições de medição. Os resultados doprograma C, do DSP e de um computador de vazão comercial são apresentados na tabelaC.2. Os erros relativos são apresentados na tabela C.3. Considera-se nesta simulaçãotemperatura de base 20 oC, pressão de base 101,3291 kPa e pressão atmosférica 100,641kPa.

Tabela C.1: Composição do gás natural utilizada nos testes.

Componentes Percentuais (%)Metano 88,66299

Nitrogênio 0,865Dióxido de Carbono 1,117

Etano 8,543Propano 0,802Oxigênio 0,010i-Butano 0,000n-Butano 0,000i-Pentano 0,000n-Pentano 0,000n-Hexano 0,000n-Heptano 0,000n-Octano 0,000

APÊNDICE C. COMPUTAÇÃO DA VAZÃO 65

Tabela C.2: Tabela de resultados da vazão corrigida, em m3/dia.

Vazão Temp. Pressão DSP C Comp. Vazão1000 m3/dia 17 oC 490,332 kPa 5961,7695 5961,7684 5961,7731500 m3/dia 17 oC 490,332 kPa 8942,6553 8942,6526 8942,6592000 m3/dia 17 oC 490,332 kPa 11923,539 11923,5368 11923,5501000 m3/dia 17 oC 980,665 kPa 11037,321 11037,3193 11037,3151500 m3/dia 17 oC 980,665 kPa 16555,984 16555,9790 16555,9802000 m3/dia 17 oC 980,665 kPa 22074,643 22074,6386 22074,6401000 m3/dia 17 oC 1470,998 kPa 16234,341 16234,3399 16234,2831500 m3/dia 17 oC 1470,998 kPa 24351,512 24351,5099 24351,5102000 m3/dia 17 oC 1470,998 kPa 32468,682 32468,6798 32468,6801000 m3/dia 22 oC 490,332 kPa 5855,9629 5855,9620 5856,0131500 m3/dia 22 oC 490,332 kPa 8783,9443 8783,9430 8783,9842000 m3/dia 22 oC 490,332 kPa 11711,926 11711,9241 11711,9301000 m3/dia 22 oC 980,665 kPa 10833,673 10833,6704 10833,6861500 m3/dia 22 oC 980,665 kPa 16250,510 16250,5056 16250,5002000 m3/dia 22 oC 980,665 kPa 21667,346 21667,3408 21667,3401000 m3/dia 22 oC 1470,998 kPa 15922,867 15922,8662 15922,7921500 m3/dia 22 oC 1470,998 kPa 23884,301 23884,2992 23884,1402000 m3/dia 22 oC 1470,998 kPa 31845,734 31845,7323 31845,5201000 m3/dia 27 oC 490,332 kPa 5753,9893 5753,9888 5753,9891500 m3/dia 27 oC 490,332 kPa 8630.9834 8630,9832 8630,9822000 m3/dia 27 oC 490,332 kPa 11507,979 11507,9776 11507,9801000 m3/dia 27 oC 980,665 kPa 10637,915 10637,9127 10637,9101500 m3/dia 27 oC 980,665 kPa 15956,873 15956,8690 15956,8702000 m3/dia 27 oC 980,665 kPa 21275,830 21275,8254 21275,7921000 m3/dia 27 oC 1470,998 kPa 15624,278 15624,2776 15624,1801500 m3/dia 27 oC 1470,998 kPa 23436,418 23436,4164 23436,2602000 m3/dia 27 oC 1470,998 kPa 31248,557 31248,5552 31248,350

APÊNDICE C. COMPUTAÇÃO DA VAZÃO 66

Tabela C.3: Tabela de erros relativos (%) do programa em C e em DSPem relação aos respectivos valores indicados por um computador de vazão.

Vazão Temp. Pressão DSP C1000 m3/dia 17 oC 490,332 kPa 0,000010780 0,0000141671500 m3/dia 17 oC 490,332 kPa 0,000011396 0,0000197112000 m3/dia 17 oC 490,332 kPa 0,000033879 0,0000406551000 m3/dia 17 oC 980,665 kPa 0,000018479 0,0000132441500 m3/dia 17 oC 980,665 kPa 0,000012320 0,0000030802000 m3/dia 17 oC 980,665 kPa 0,000009234 0,0000043121000 m3/dia 17 oC 1470,998 kPa 0,000178630 0,0001752501500 m3/dia 17 oC 1470,998 kPa 0,000006160 0,0000003082000 m3/dia 17 oC 1470,998 kPa 0,000000616 0,0000006161000 m3/dia 22 oC 490,332 kPa 0,000154300 0,0001570701500 m3/dia 22 oC 490,332 kPa 0,000122270 0,0001262802000 m3/dia 22 oC 490,332 kPa 0,000012320 0,0000181711000 m3/dia 22 oC 980,665 kPa 0,000040039 0,0000480461500 m3/dia 22 oC 980,665 kPa 0,000030799 0,0000172472000 m3/dia 22 oC 980,665 kPa 0,000018479 0,0000024641000 m3/dia 22 oC 1470,998 kPa 0,000230990 0,0002285301500 m3/dia 22 oC 1470,998 kPa 0,000495860 0,0004903202000 m3/dia 22 oC 1470,998 kPa 0,000659100 0,0006538601000 m3/dia 27 oC 490,332 kPa 0,000000924 0,0000006161500 m3/dia 27 oC 490,332 kPa 0,000004312 0,0000036962000 m3/dia 27 oC 490,332 kPa 0,000003080 0,0000073921000 m3/dia 27 oC 980,665 kPa 0,000015399 0,0000083161500 m3/dia 27 oC 980,665 kPa 0,000009240 0,0000030802000 m3/dia 27 oC 980,665 kPa 0,000117040 0,0001028701000 m3/dia 27 oC 1470,998 kPa 0,000301830 0,0003006001500 m3/dia 27 oC 1470,998 kPa 0,000486620 0,0004816902000 m3/dia 27 oC 1470,998 kPa 0,000637540 0,000631990

Software Inteligente Embarcado Aplicado à Correção de Erro na Medição de … · 2011-12-02 ·...

Documents

Transcript of Software Inteligente Embarcado Aplicado à Correção de Erro na Medição de … · 2011-12-02 ·...