UTILIZAÇÃO DE REDES NEURAIS ARTIFICAIS PARA … · FERNANDO GUIMARÃES AGUIAR UTILIZAÇÃO DE...
Transcript of UTILIZAÇÃO DE REDES NEURAIS ARTIFICAIS PARA … · FERNANDO GUIMARÃES AGUIAR UTILIZAÇÃO DE...
-
FERNANDO GUIMARES AGUIAR
UTILIZAO DE REDES NEURAIS ARTIFICAIS PARA
DETECO DE PADRES DE VAZAMENTO EM DUTOS
Dissertao apresentada Escola de
Engenharia de So Carlos da Universidade de
So Paulo, como parte dos requisitos para
obteno do Ttulo de Mestre em Engenharia
Mecnica.
rea de Concentrao: Trmica e Fluidos
Orientador: Prof. Tit. Paulo Seleghim Jnior
So Carlos
2010
-
DEDICATRIA
A minha amada me Mrcia Guimares, com muito carinho, admirao e gratido e
a minha querida irm Carolina pelo eterno amor fraternal incentivo e admirao
-
AGRADECIMENTOS
Agradeo primeiramente a Deus, por suas bnos e por me dar fora e confiana para
superar as dificuldades encontradas.
minha admirvel Me, pelo esforo rduo para prover a excelncia em estudo para
mim, alm do imenso amor e carinho incondicional em todos os momentos da minha vida.
A minha irm Carolina, pelo incentivo e por ser uma fonte de inspirao e incentivo
para superar dificuldades, sempre me tratando com muito amor e carinho e tambm ao meu
cunhado Guilherme.
Ao meu professor orientador Paulo Seleghim Jnior, pela orientao durante este
trabalho e pelos ensinamentos de vida durante os 6 anos de convivncia.
Ao meu querido av Messias e minha querida av Jovenilia (in memoriam) pelo amor
e carinho em toda minha vida.
Aos meus tios e tias Antnio, Clia, Marden, Janete, Bakkar, Silvia e a todos os outros
que mesmo distante me incentivaram e apoiaram em todos os momentos.
Aos meus amigos e amigas Ennes, Camila, Celi, Amauri, Gustavo Rodrigo, Thais,
Elma Ize, Marcus, Carlos Eduardo, Fabrcio, Ulisses, Tang, Leonardo, Diorginer, Jos
Robeto, Alisson Gallo, Frederico Ribeiro e todos, que mesmo longe sempre estiveram
presentes em minha vida, me apoiando, ajudando e incentivando com muitos momentos de
alegria e companheirismo.
Ao engenheiro Jorge Nicolau, aos tcnicos Roberto Prata e Luchesi e todos os
funcionrios do NETeF, pelos ensinamentos, colaborao e incentivo neste trabalho.
Escola de Engenharia de So Carlos Universidade de So Paulo, pela
oportunidade de continuar e desenvolver meus estudos.
todos os professores e colegas de departamento, que ajudaram na execuo e
concluso deste trabalho.
Enfim, a todos que tiveram envolvido direta ou indiretamente para o desenvolvimento
dessa dissertao, os meus sinceros agradecimentos.
-
muito melhor arriscar coisas grandiosas, alcanar triunfos e glrias, mesmo expondo-se a
derrota, do que formar fila com os pobres de esprito que nem gozam muito nem sofrem
muito, porque vivem nessa penumbra cinzenta que no conhece vitria nem derrota.
Theodore Roosevelt
-
RESUMO
AGUIAR, F. G. (2010). Utilizao de redes neurais artificiais para deteco de padres de
vazamentos em oleodutos. Dissertao de Mestrado em Engenharia Mecnica, Escola de
Engenharia de So Carlos Universidade de So Paulo.
O presente trabalho tem como objetivo principal o desenvolvimento de um sistema de
identificao do surgimento de vazamentos (rupturas) em dutos, atravs da anlise do sinal de
sensores de presso de resposta rpida (frequncia de corte superior a 1 kHz). O
reconhecimento do sinal de vazamento se realiza atravs de uma rede neural artificial feed-
foward do tipo Perceptron Multi Camadas, previamente treinada. Neste trabalho, a
implementao para tal operao foi feita off-line, mas devido ao baixo custo computacional
pode ser facilmente implementada em eletrnica embarcada, em tempo real (on-line). Os
resultados experimentais foram obtidos no oleoduto piloto do NETeF Ncleo de Engenharia
Trmica e Fluidos da USP Universidade de So Paulo, com uma seo de testes com 1500
metros e dimetro de 51,2 mm. Especificamente, os resultados foram obtidos com escoamento
monofsico de gua. Os resultados mostram-se promissores, visto que o sistema de redes
neurais artificiais foi capaz de discriminar 2 universos linearmente separveis, para sinais de
vazamento e de no vazamento, para diversas vazes e localizaes de vazamentos simulados.
Palavras-chave: Deteco de vazamento. Processamento de sinais. Redes neurais artificiais.
Instrumentao.
-
ABSTRACT
AGUIAR, F. G. (2010). The use of artificial neural networks for pattern detection of leaks in
pipelines. MSc. Dissertation in Mechanical Engineering, Escola de Engenharia de So
Carlos Universidade de So Paulo.
The present dissertation deals with the development of a system to recognize abrupt leaks
(ruptures) in pipelines, by analyzing the signal of fast response pressure sensors (cutoff
frequency over then 1kHz). The recognition of the leak signal is established by an artificial
neural network feed-forward Perceptron Multi Layer, previously trained. In the present work
the implementation was performed off-line, but due to low computational costs, the neural
network can be easily implemented in real time embedded electronics (online). The
experimental results were obtained in a 1500 meter-long and 51.2 millimeter-diameter pilot
pipeline at the Center of Thermal Engineering and Fluids. Specifically, the results were
obtained with single-phase flow of water. The results have proven to be promising, as the
trained neural network was capable of classifying the 2 types of signals into 2 linearly
separable regions, for leakage signals and no leakage signals, for various flow rates and
locations of simulated leaks.
Keywords: Leak detection. Signal processing. Artificial neural networks. Instrumentation.
-
LISTA DE FIGURAS
Figura 1 - Modelo do neurnio artificial. .............................................................................. 33
Figura 2 Modelo do Perceptron e sua correlao com o neurnio de McCulloch e Pitts. ... 35
Figura 3 - Perceptron Multicamadas. (Figura Adaptada de SILVA (2008)). ......................... 38
Figura 4 - Foto do Oleoduto Piloto Trifsico do NETeF/USP. .............................................. 47
Figura 5 - Representao Esquemtica do Oleoduto Piloto Trifsico do NETeF/USP. .......... 48
Figura 6 - Arquitetura da Aplicao do CompactRIO. .......................................................... 49
Figura 7 - Topologia de Conexo do Sistema CompactRIO. ................................................. 50
Figura 8 - Tela do software em LabVIEW que executado em um computador do tipo PC.
............................................................................................................................................ 51
Figura 9 - Tela do software em LabVIEW que executado no controlador de tempo real (NI
cRIO 9014). ......................................................................................................................... 52
Figura 10 - Tela do software em LabVIEW que executado em FPGA (NI cRIO 9114). .. 52
Figura 11 - Temporizaes programveis do software para execuo automtica dos
experimentos. ....................................................................................................................... 53
Figura 12 - Processo para obteno de resultados. ................................................................ 56
Figura 13 - Sinal Experimental de Simulao de Vazamento. ............................................... 58
Figura 14 - Componente AC dos Sinais Experimentais de Simulao de Vazamento da Figura
13......................................................................................................................................... 59
Figura 15 - Detalhe nos Sinais de Abertura de Vlvula das Simulaes de Vazamento da
Figura 14. ............................................................................................................................ 60
Figura 16 - Transformada de Fourier para o Sinal Vazamento (Abertura de Vlvula)
Exemplificado na Figura 15. ................................................................................................ 61
Figura 17 - Exemplo de Visualizao Grfica das Sadas da RNA. ....................................... 64
Figura 18 - Tangente Hiperblica Sigmide. ........................................................................ 65
Figura 19 - Topologia de RNA Perceptron Implementada. ................................................... 67
Figura 20 - Curvas de Aprendizagem para Neurnios na Camada Escondida Iguais a 3, 5, 10 e
20......................................................................................................................................... 68
Figura 21 - Classificao dos Dados Utilizados para Treinamento da RNA com N1 = 10. .... 69
Figura 22 - Histograma de Erro Quadrtico Mdio Absoluto dos Dados Utilizados para
Treinamento da RNA com N1 = 10. ..................................................................................... 70
-
Figura 23 - Classificao dos Dados Utilizados para Validao Cruzada (Teste) da RNA com
N1 = 10. ............................................................................................................................... 71
Figura 24 - Histograma de Erro Quadrtico Mdio Absoluto dos Dados Utilizados para
Validao Cruzada (Teste) da RNA com N1 = 10. ............................................................... 71
Figura 25 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 5%. ............................................................ 73
Figura 26 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 5% de rudo (Freq. Inversor de 40Hz; P2; S2). .............................................. 73
Figura 27 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 10%. .......................................................... 74
Figura 28 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 10% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 74
Figura 29 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 20%. .......................................................... 75
Figura 30 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 20% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 75
Figura 31 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 30%. .......................................................... 76
Figura 32 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 30% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 76
Figura 33 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 40%. .......................................................... 77
Figura 34 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 40% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 77
Figura 35 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 50%. .......................................................... 78
Figura 36 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 50% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 78
Figura 37 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 60%. .......................................................... 79
Figura 38 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 60% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 79
Figura 39 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 70%. .......................................................... 80
-
Figura 40 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 70% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 80
Figura 41 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 80%. .......................................................... 81
Figura 42 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 80% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 81
Figura 43 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 90%. .......................................................... 82
Figura 44 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 90% de rudo (Freq. Inversor de 40Hz; P2; S2). ............................................ 82
Figura 45 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 100%. ........................................................ 83
Figura 46 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 100% de rudo (Freq. Inversor de 40Hz; P2; S2). .......................................... 83
Figura 47 - Diagrama de Blocos do software em LabVIEW que executado em um
computador do tipo PC......................................................................................................... 93
Figura 48 - Diagrama de Blocos do software em LabVIEW que executado no controlador
de tempo real (NI cRIO 9014). ............................................................................................. 94
Figura 49 - Diagrama de Blocos do software em LabVIEW que executado em FPGA (NI
cRIO 9114). ......................................................................................................................... 95
-
LISTA DE TABELAS
Tabela 1 - Posies Relativas dos Transdutores Bomba de gua. ...................................... 54
Tabela 2 - Posies Relativas das Vlvulas Solenides (Vazamentos). ................................. 55
Tabela 3 - Relao entre Simulao de Vazamento e Aquisio de Sinal. ............................. 56
-
LISTA DE ABREVIATURAS E SIGLAS
ASCII American Standard Code for Information Interchange
ANP Agncia Nacional de Petrleo
CAN Controller Area Network
cRIO Compact RIO
EESC Escola de Engenharia de So Carlos
FPGA Field Programmable Gate Array
Hz Hertz
IA Inteligncia Artificial
I/O Input and Output
NETeF Ncleo de Engenharia Trmica e Fluidos
NI National Instruments
PAC Programmable Automation Controller
PC Personal Computer
PMC Perceptron Multi Camada
RBF Radial Basis Function
RNA Rede Neural Artificial
RTOS Real Time Operational System
RTTM Real Time Transient Modeling
SCADA Supervisory Control and Data Acquisition
USP Universidade de So Paulo
-
LISTA DE SMBOLOS
dj Valor desejado para j-simo neurnio de sada da RNA
E t Erro da sada da RNA
E(k) Erro quadrtico para k-simo vetor de entrada da RNA
() Erro quadrtico mdio para k-simo vetor de entrada da RNA
fMAX Mxima freqncia contida em um sinal
fSMIN Freqncia de Nyquist
fS Freqncia de amostragem
g( ) Funo de ativao da RNA
Ilj Valor da entrada ponderada do j-simo neurnio da camada l
MEDIA_Pl( ) Media do vetor Pl( )
m e Vazo mssica a montante
mp Inventrio do duto (massa contida no duto)
m s Vazo mssica a jusante
Nl Nmero de neurnios da l-sima camada da RNA
Pl( ) Vetor Discreto do sinal de presso adquirido no experimento
Pl_AC( ) Componente AC do vetor Pl( )
Pl_DEC( ) Vetor Pl_AC( ) decimado
Wlji Valor do peso sinptico conectado ao j-simo neurnio da camada l ao i-simo
neurnio da camada (l-1);
X Vetor de entradas da RNA
xi i-sima entrada da RNA
yd Vetor de sada desejada da RNA
y(x) Vetor de sada calculada da RNA
Yl Vetor de sada da l-sima camada da RNA
Limiar
lj Gradiente local para l-sima camada neural, referente ao j-simo neurnio
Fator de Aprendizagem
-
SUMRIO
RESUMO ............................................................................................................................ 11
ABSTRACT ........................................................................................................................ 13
1. INTRODUO ........................................................................................................... 27
1.1. Objetivos ............................................................................................................... 28
2. REVISO BIBLIOGRFICA ..................................................................................... 29
2.1. Mtodos de Deteco de Vazamentos em Dutos..................................................... 29
2.2. Redes Neurais Artificiais ....................................................................................... 32
2.2.1. Breve Histrico das Redes Neurais Artificiais ................................................. 34
2.2.2. Rede Perceptron Multicamadas e Algoritmo de Treinamento
Backpropagation .......................................................................................................... 37
3. METODOLOGIA ........................................................................................................ 47
3.1. Circuito Experimental ............................................................................................ 47
3.1.1. Oleoduto Piloto e Instrumentao ................................................................... 47
3.1.2. Sistema de Controle e Aquisio de Dados ..................................................... 49
3.2. Aquisio de Dados Experimentais ........................................................................ 50
3.3. Aplicao de Redes Neurais Artificiais para Deteco de Vazamentos em Dutos ... 56
3.3.1. Sistema de Controle e Aquisio de Dados ..................................................... 57
3.3.2. Pr-processamento do Sinal Adquirido ........................................................... 57
3.3.3. Treinamento da RNA com Sinais Experimentais.............................................. 62
3.3.3.1. Classificao dos Sinais para Treinamento da RNA ................................. 62
3.3.3.2. Topologia da RNA Utilizada.................................................................... 64
3.3.4. Validao Cruzada do Treinamento da RNA ................................................... 65
3.3.5. Toolbox de Rede Neural Artificial MATLAB.............................................. 66
4. TESTES E RESULTADOS EXPERIMENTAIS .......................................................... 67
4.1. Interferncia de Rudo no Sinal de Entrada ............................................................ 72
5. CONCLUSES E PERSPECTIVAS............................................................................ 85
REFERNCIAS BIBLIOGRFICAS .................................................................................. 87
APNDICE A Diagrama de Blocos dos programas em LabVIEW para Controle da Planta
e Aquisio de dados nos experimentos. ............................................................................... 93
-
26
-
27
1. INTRODUO
O transporte de petrleo e seus derivados em dutos (oleodutos, gasodutos e polidutos)
uma maneira eficiente e econmica, quando se compara os custos de transporte de petrleo
pela malha rodoviria, ferroviria ou martima, especialmente em longas distncias. A
utilizao de dutos para transporte de produtos petroqumicos no recente. Em 1872 foi
inaugurado o primeiro duto para transporte de gs nos Estados Unidos da Amrica, no estado
da Pensilvnia, com 8 km de extenso e 2 de dimetro.
No Brasil, a construo de oleoduto teve incio na dcada de 40, sendo que a dcada
de 80 se caracterizou pelo grande nmero de projetos e construo de gasodutos no Brasil,
devido ao aumento da utilizao de gs natural na indstria.
Todavia, deve-se ressaltar que os riscos associados ao transporte de petrleo em dutos
so muito altos. Um vazamento ou rompimento da tubulao pode acarretar danos
irreparveis ao meio ambiente, em especial se o duto construdo em regies alagadas,
submersas ou em reservas ambientais. Quanto ao aspecto financeiro, um levantamento da
Agncia Nacional de Petrleo (ANP) estima-se que o prejuzo oriundo do vazamento de 1
metro cbico de petrleo supera R$ 100.000,00. Ressalta-se tambm que a lei brasileira de
crimes ambientais, que vigora sob o decreto de nmero 3.179 de 21 de setembro de 1999,
severa com multas que podem chegar a at R$ 50.000.000,00.
Segundo Papadakis, Porter e Wetting (1999), as principais causas de acidentes em
oleodutos e gasodutos esto ligadas a falhas operacionais, corroso, movimentao do solo,
fenmenos naturais e aes externas no intencionais ou no autorizadas (ligaes
clandestinas, por exemplo).
Neste contexto, diversas tcnicas para deteco de vazamentos em dutos vm sendo
pesquisadas, a fim de evitar e/ou diminuir danos ao meio ambiente e perdas econmicas.
Entretanto, destaca-se a citao de Stouffs e Michel (1993): Nenhum mtodo de deteco de
vazamento universalmente aplicvel e os requisitos operacionais ditam qual o mtodo
mais eficaz para o processo. Em geral, o ideal utilizar mais de um sistema independente de
deteco de vazamento em oleodutos importantes, que mesmo escrita h 17 anos continua
vlida e atual.
-
28
1.1.Objetivos
Neste trabalho uma tcnica de deteco de vazamentos abruptos atravs da anlise do
sinal transiente de presso (propagao acstica do sinal de vazamento), que utiliza uma rede
neural artificial para identificar padres de vazamento no sinal transiente de presso
aplicada a um duto com escoamento monofsico lquido.
Em especfico, pretende-se identificar uma arquitetura de rede neural artificial, que
seja treinada para classificar e diferenciar padres de vazamentos e de no-vazamentos, que
so obtidos experimentalmente, em regies linearmente separveis.
-
29
2. REVISO BIBLIOGRFICA
Neste captulo apresentada uma reviso bibliogrfica sobre os tpicos envolvidos
neste trabalho, destacando-se o histrico e metodologias de deteco de vazamentos em dutos
e o histrico e topologias de redes neurais artificiais.
2.1.Mtodos de Deteco de Vazamentos em Dutos
Problemas de corroso, fadiga, falhas de soldas, mudanas repentinas na presso e
aes de terceiros podem afetar a integridade de um duto e provocar vazamentos de diversas
propores, e de acordo com o produto transportado, isso pode representar graves prejuzos
ambientais, alm da perda econmica. Diante disso, vrias tcnicas de deteco de
vazamentos em dutos tm sido propostas e podendo estas ser classificadas em trs categorias,
segundo Khomairi (2008): observacionais, baseados em hardwares e baseados em softwares.
Os sistemas de deteco de vazamentos baseados em mtodos observacionais so os
mais simples para realizar a deteco de vazamento, consistindo basicamente da inspeo
visual (podendo utilizar cmeras de segurana, inspees areas, utilizao de cmeras infra-
vermelhos). Estes mtodos so muito dependentes do fator humano e so geralmente
aplicveis em dutos de pequeno comprimento que esto expostos em regies de fcil acesso.
Os mtodos de deteco baseados em softwares so sistemas com um custo maior e
requerem uma grande capacidade de processamento, e isso torna a utilizao proibitiva em
oleodutos curtos. Comumente, um sistema de controle e aquisio de dados (do ingls
Supervisory Control and Data Acquisition SCADA) usado para capturar dados do
processo, como presso, vazo, temperatura, densidade, dentre outros e ento, os dados so
analisados para detectar possveis vazamentos em oleodutos. Destacam-se os mtodos de
balano de massa, anlise do transiente fluido dinmico, anlise inversa de transientes, anlise
da transformada wavelet e mtodos de modelagem matemtica em tempo real.
-
30
Quanto ao mtodo de balano de massa, segundo Stouffs e Michel (1993) um
vazamento pode ocorrer quando o erro da computao do balano de massa for superior ao
limiar , sendo a computao do erro do balano de massa dada pela Equao 1.
m e m s dmp
dt (1)
Onde m e e m s so os fluxos de massa na entrada e sada do duto e o termo dmp
dt
descreve a variao do inventrio do duto (do ingls, line pack). Matematicamente simples a
teoria do balano de massa, todavia, o desafio calcular o inventrio do duto, devido a difcil
modelagem da densidade do lquido de acordo com as variaes de presso e temperatura, que
ocorrem tanto na direo longitudinal quanto na direo radial do duto, e tambm, tem-se a
incerteza dos instrumentos de medio de massa nas extremidades do duto. Dentre as
caractersticas do mtodo de balano de massa, destaque para o limite de deteco
proporcional a vazo do duto (tipicamente 2%) e o grande tempo de resposta para deteco de
vazamentos pequenos, podendo ser superior a 8 horas.
Segundo Wang, et al. (2002), o mtodo de anlise do transiente fluidodinmico baseia-
se no fato de que o evento de vazamento gera um sinal transiente amortecido. Esse transiente
fluidodinmico pode ser modelado em termos de uma srie de Fourier. A magnitude de cada
termo da srie de Fourier se reflete na dimenso do vazamento e, atravs da anlise da taxa de
amortecimento dos termos das componentes da srie de Fourier, pode-se estimar a posio do
vazamento.
A anlise inversa de transientes uma metodologia aplicvel a tubulaes onde possa
reproduzir um escoamento em regime permanente. realizada a modelagem da tubulao e o
vazamento na tubulao pode ser tratado como um problema inverso, atravs da modelagem
de vazo ou presso. A rea equivalente de possveis orifcios de vazamentos utilizada como
varivel desconhecida na formulao do problema inverso. A rea calculada atravs da
minimizao entre a varivel de processo media e o valor ideal calculado. Para minimizao
pode ser utilizado algoritmos de clculo numrico convencionais, como no estudo de Liggett
e Chen (1994), onde foi aplicado o algoritmo de Levenberg-Marquardt em uma rede de
distribuio de gua, ou podem ser utilizados algoritmos genticos como exemplificado no
trabalho de Wu e Sage (2006).
-
31
A aplicao de transientes em dutos pode tambm ser utilizada para deteco de
vazamento. O mtodo de resposta ao impulso usado para resolver diretamente as equaes
governantes de transiente de fluxo em dutos pressurizados, Analisando o domnio da
freqncia. Para tal, calculado o espectro de freqncias de sensores de presso
piezomtricos, comumente localizados em uma das extremidades de um duto. O espectro
constitudo de dois termos principais, sendo o primeiro relacionado as caractersticas do
sistema e outra relacionado as caractersticas do impulso (manobra utilizada para gerar o
transiente). Em 2003, Ferrante e Brunone (2003) demonstraram que o vazamento pode ser
detectado analisando a ocorrncia de descontinuidades no tempo, que podem ser atribudas ao
sinal de vazamento refletido pelas ondas de presso.
Mtodos de deteco de vazamentos baseados em modelagem de transientes em tempo
real (equao de conservao da massa, quantidade de movimento e energia associada a
equao de estado do escoamento), do ingls, Real Time Transient Modeling (RTTM), so
compostos por um sistema eletrnico para aquisio de dados de presso e vazo em ambas
extremidades de um segmento de duto. Um modelo de tempo real simula os transientes de
presso e vazo da tubulao utilizando equaes de regime transiente. Ento, utiliza-se uma
das grandezas medidas nas extremidades (presso ou vazo) como condio de contorno para
calcular a outra grandeza modelada. O mtodo analisa a variao de presso e vazo entre os
valores medidos e os valores modelados matematicamente e um desvio nesse clculo pode ser
atribudo a um vazamento. Esse desvio obtido utilizado para estimar vazo do vazamento.
Destaque para o trabalho de Hemande et al. (1995), que desenvolveu um sistema RTTM para
um duto de etileno.
Quanto aos mtodos de deteco baseados em hardware, so utilizados diferentes
dispositivos eletrnicos para deteco e localizao de um vazamento, podendo ser
classificados de acordo com o princpio de deteco. Destacam-se os mtodos de deteco de
ondas de presso negativa e sistemas acsticos de deteco de vazamento.
A deteco de vazamento atravs de onda de presso negativa baseada no fato de que
no instante da ocorrncia do vazamento h uma queda de presso abrupta no local do
vazamento, at que se atinja um novo perfil de presso no duto, ou um novo regime de
presso estacionrio. O recente trabalho de Li e Sun (2009), formaliza a metodologia para
deteco de vazamento atravs de onda de presso negativa e apesar de no relacionar os
falsos alarmes, demonstra bons resultados quanto deteco e localizao de vazamentos,
detectando vazamentos de 2% da vazo do duto e preciso de localizao de 98%.
-
32
Os mtodos acsticos de deteco de vazamento utilizam o fato de que na ocorrncia
do vazamento gerado um transiente acstico, o qual propagado atravs de estruturas e
fluidos ao longo da tubulao, podendo esse sinal ser captado por sensores acsticos, ou
sensores de presses de resposta rpida (comumente sensores de presso piezoeltricos ou
piezoresistivos com freqncia de corte superior a 1 kHz). Todavia o transiente acstico
atenuado ao propagar-se ao longo da tubulao e para uma boa sensibilidade na deteco dos
vazamentos, os sensores acsticos devem ser estrategicamente posicionados to prximos
quanto possvel. So requeridas tcnicas de processamento de sinal para extrair informaes
caractersticas do sinal de vazamento para ento, classificar o sinal como vazamento ou sinal
de operao normal da tubulao. Este mtodo propicia a localizao do vazamento, caso seja
possvel obter o tempo exato da deteco do sinal nos diferentes sensores acsticos ao longo
da tubulao.
Neste trabalho abordado o mtodo acstico de deteco de vazamento, sendo que
proposto uma rede neural artificial, previamente treinada que seja capaz de extrair as
caractersticas de um sinal de vazamento e distingui-lo de sinais operacionais do escoamento.
2.2. Redes Neurais Artificiais
Sistemas baseados em Inteligncia Artificial (IA) tem sido desenvolvidos e
demonstrado resultados promissores e flexveis, tal como nos trabalhos de Simes (2000),
para a classificao robusta variao de grandezas como iluminao ou brilho da cor para
aplicao em futebol de robs; Goedtel (2007), desenvolvendo um estimador neural de
velocidade de motores de induo trifsico a partir de variveis primrias de tenso e
corrente; Selli (2007), para identificao de regimes de escoamentos bifsicos com um
classificador neural analisando a transformada de Gabor do sinal de presso; Gaspar (2006)
desenvolvendo um identificador de faces humanas utilizando redes neurais artificiais; dentre
inmeros outros trabalhos, sendo aplicveis a diversas reas de engenharia, representando um
domnio de pesquisa multidisciplinar, envolvendo alm de engenharia, fsica, matemtica,
biologia, neurofisiologia, etc.
Dentre as ferramentas que constituem a IA destacam-se os Algoritmos Genticos,
Lgica Difusa e Redes Neurais Artificiais (FILIPATTI F., et al., 2000), sendo que este
trabalho tem a utilizao focada em Redes Neurais Artificiais (RNA).
-
33
Conforme descrito por Selli e Seleghim (2007), em uma anlise matemtica, as RNA
podem ser definidas como um mapeamento no linear de um vetor de espao de entrada para
um vetor de espao de sada, que pode ser feito atravs de camadas de funes de ativao ou
neurnios, nos quais coordenadas de entrada so somadas de acordo com o valor de seus
respectivos pesos e bias para produzir uma sada simples, ativada ou no, de acordo com o
respectivo nvel de disparo.
importante salientar que essa anlise matemtica tem sua inspirao biolgica, pois
o crebro constitudo por unidades funcionais, denominadas neurnios, que emitem
impulsos eltricos em resposta a estmulos, tal como salientado por Timoszczuk (2004). Essas
unidades so densamente interconectadas, resultando em uma arquitetura altamente complexa.
Inspirados nessa arquitetura complexa, vrios modelos matemticos de neurnios artificiais
foram desenvolvidos, refletindo o conhecimento biolgico sobre o funcionamento do crebro
humano (TAGLIARINI G. A., et al., 1991).
Segundo Guyon (1991), o neurnio artificial uma estrutura lgico-matemtica que
procura simular a forma, comportamento e funes de um neurnio biolgico. Assim, os
dendritos so substitudos por entradas, cujas ligaes com o corpo celular artificial so
realizadas atravs de elementos chamados de peso (simulando as sinapses neuronais). Os
estmulos so captados pelas entradas e processados pela funo de soma e o bias. O limiar de
disparo do neurnio biolgico tem como analogia a funo de transferncia no neurnio
artificial (CHUA L.O.; YANG L., 1988). A Figura 1 exibe uma representao do neurnio
artificial.
Figura 1 - Modelo do neurnio artificial.
-
34
2.2.1. Breve Histrico das Redes Neurais Artificiais
As pesquisas sobre Redes Neurais datam de 1943 (PICCININI G., 2004) por
McCulloch (fisiologista) e Pitts (matemtico) em um trabalho pioneiro, consistindo num
estudo sobre o comportamento do neurnio biolgico objetivando a criao do modelo
matemtico correspondente, com a interpretao do funcionamento do neurnio como sendo
um circuito binrio (MCCULLOCH W. S.; PITTS W. H., 1943). O modelo matemtico do
neurnio de McCulloch e Pittts capaz de separar duas entradas booleanas, todavia no
possvel treinar os neurnios, pois no possuem parmetros livres. McCulloch e Pitts no
desenvolveram nenhum mtodo para adaptar os pesos do neurnio em um processo de
treinamento ou aprendizagem.
Uma contribuio importante ocorreu em 1949 de autoria do neuro-psicologista
Donnald Hebb (TEES R. C., 2002). Hebb props uma lei de aprendizagem especfica para a
sinapse dos neurnios, demonstrando que a capacidade de aprendizagem das redes neurais
vem da alterao da eficincia sinptica, isto , a conexo reforada somente se tanto as
clulas pr-sinpticas quanto as ps-sinpticas estiverem excitadas, tal como citado no livro
de Russell e Norvig em 1995 (RUSSELL S. J., NORVIG P., 1995). A Equao 2 expressa
matematicamente o enunciado da lei de aprendizagem de Hebb.
Wi = xi y(x) (2)
Onde o fator de aprendizagem, xi a i-sima entrada do neurnio (valor do neurnio
pr-simptico) e y(x) o valor do neurnio ps-simptico.
Outra contribuio de grande importncia nas pesquisas com redes neurais foi a
concepo do modelo denominado Perceptron, por Rosenblatt (1958), que consistia em um
modelo cognitivo de unidades sensoriais (entradas) conectadas a uma nica camada de
neurnios tal como o modelo de McCulloch e Pitts, acrescidos de sinapses ajustveis.
Utilizando a lei de aprendizagem de Hebb, Rosenblatt demonstrou que essas redes poderiam
ser treinadas para classificar padres de classes linearmente separveis o que uma grande
limitao para utilizao prtica (GUYON I., 1991). A Figura 2 apresenta o modelo do
neurnio Perceptron e sua correlao com o neurnio proposto por McCulloch e Pitts.
-
35
Figura 2 Modelo do Perceptron e sua correlao com o neurnio de McCulloch e Pitts.
(Figura adaptada de GUYON I., 1991).
Ainda em 1960, uma grande contribuio de Widrow e Hoff foi uma variao do
algoritmo de aprendizagem do Perceptron (WIDROW B.; LEHR M. A., 1990), aplicando o
conceito do erro mdio quadrtico, formulando o modelo Adaline, acrnimo do ingls
(Adaptative Linear Element, podendo ser traduzido por Elemento Linear Adaptativo). Neste
modelo proposto por Widrow, o ajuste dos pesos da rede realizado atravs de uma
aproximao linear do clculo do gradiente de uma funo de erro quadrtica, atualmente
conhecida como Regra Delta ou Regra de Widrow-Hoff. A Equao 3 expressa
matematicamente o enunciado da Regra de Widrow-Hoff.
E t = yd y(x) (3)
W t + 1 = W t E(t)
t (4)
Onde t a iterao do treinamento, o fator de aprendizagem, yd a sada desejada,
y(x) a sada do neurnio, W t so os pesos na iterao t e E(t)
t o gradiente do erro na
iterao t.
Apesar do otimismo a respeito da capacidade de aprendizagem e reconhecimento de
padres das redes neurais propostas por Rosenblatt, Widrow, dentre outros, em 1969 Marvin
Minsky, juntamente com Seymour Papert publicaram sua monografia que refletiam o
-
36
ceticismo dos autores quanto aos conceitos das redes Perceptron e Adaline (KELEMEN J.,
2007). Na monografia, Minsky e Papert provaram alguns teoremas matemticos a respeito dos
limites do treinamento proposto por Rosenblatt e Widrow. Uma ilustrao simples que os
modelos Perceptron e Adaline no so capazes de resolver dois operadores lgicos cruciais
OU EXCLUSIVO e NO OU EXCLUSIVO (BORCHARDT F. L., 1988). Segundo
Timoszczuk (2004), a publicao de Minsky e Papert colocou que no havia motivo aparente
que redes formadas por mltiplas camadas de Perceptron ou Adaline pudessem superar as
limitaes e ainda herdar as boas caractersticas das redes simples. Tais argumentos
desmotivaram substancialmente os pesquisadores e reduziram drasticamente as pesquisas
sobre RNA nas dcadas de 70 e 80.
Apesar da considervel reduo nas pesquisas sobre RNA nas dcadas de 70 e 80,
ocorreram notveis contribuies, podendo ser destacado o surgimento das redes auto-
organizveis utilizando algoritmos competitivos no supervisionados. Em 1973 Von del
Marlsburg apresentou um trabalho pioneiro, demonstrando o princpio da auto-organizao
(MALSBURG V. D., 1973) e juntamente com Willshaw, publicaram em 1976 um artigo
sobre a formao das redes auto-organizveis (WILLSHAW D. J.; MALSBURG V. D.,
1976).
Ainda na dcada de 70, outra importante contribuio foram os estudos pioneiros de
Kohonen (KOHONEN T., 1972), Reid e Frame (REID R. J.; FRAME J. S., 1975) no
desenvolvimento de modelos e mtodos de convergncia mapas auto-organizados tambm
conhecidos como Mapa de Kohonen, sendo uma nova topologia de RNA que utiliza
aprendizado no-supervisionado. Os mapas de Kohonen produzem uma representao
discretizada clusterizada do universo de entrada, chamado mapas, muito conveniente para
representar dados de vrias dimenses em um universo de poucas dimenses. Assim, os
mapas de Kohonen so capazes de descobrir padres ou caractersticas especficas nos dados
de entrada sem a interferncia do usurio.
Na dcada de 80, juntamente com o advento de computadores com maior capacidade
de clculo, ocorreu um novo impulso nas pesquisas de redes neurais. Destaca-se as pesquisas
de Carpenter e Grossberg (1980), com a introduo dos conceitos da rede neural Adaptative
Resonance Theory (ART) (CARPENTER G. A.; GROSSBERG S., 1988), sendo uma rede
auto-organizvel cujo princpio a auto-definio dos seus parmetros, sendo mais uma rede
de aprendizado no supervisionado. A primeira verso da rede ART proposta foi a rede ART1
que trabalhava apenas com valores binrio. Posteriormente foi desenvolvida a rede ART2,
cujos valores de entradas so contnuos. Tm sido desenvolvidas diversas sofisticaes e
-
37
variaes do modelo ART, como ART3, Fuzzy-ART, Fuzzy-MAP, dentre outros (CASTRO A.
P. A.; SILVA J. D. S., 2002).
Em 1982, outro trabalho de grande relevncia com enfoque pioneiro em redes
recorrentes (HOPFIELD J. J., 1982), utilizando a idia da minimizao da funo de energia,
apresentando uma rede, normalmente com camada nica, com conexes retro-alimentadas
entre os neurnios. Deve-se ressaltar que a funo de energia deve ser associada a funo
objetivo e tambm as restries fsicas e matemticas do problema a ser resolvido.
Deve-se enfatizar que a dcada de 80 teve o pice das pesquisas de Redes Neurais
Artificiais com o desenvolvimento do algoritmo backpropagation (ou retro-propagao em
portugus), formalizado por Rumelhart, Hinton e Williams (RUMELHART D. E., et al.,
1986) propiciando o treinamento de redes Perceptron Multi-camadas resultando em uma rede
com grande poder de generalizao, possibilitando a implementao de diversas aplicaes,
idealizadas at ento. Destaque para o trabalho de Broomhead com a implementao de redes
neurais com funes de base radial (do ingls radial basis functions (RBF)), com excelente
capacidade de aproximao (HUNT K. J., et al., 1996).
2.2.2. Rede Perceptron Multicamadas e Algoritmo de Treinamento Backpropagation
As redes Perceptron Multicamadas (PMC), so caracterizadas pela presena de
mltiplas camadas de unidades bsicas de processamento do tipo Perceptron (GUYON I.,
1991). O incremento de mais camadas neurais implica em um aumento na capacidade de
processamento no linear e generalizao da rede neural. Assim, foram superadas as
limitaes para o modelo do Perceptron e Adaline por Minsky e Papert em 1969.
A rede PMC composta minimamente por 1 camada de entrada e 1 camada de
neurnios de sada, sendo que entre essas camadas podem conter inmeras camadas
intermedirias, tambm denominadas de camadas escondidas. Cada camada pode conter
inmeros neurnios Perceptrons, sendo que as sadas dos neurnios de cada camada so as
entradas dos neurnios da cama sub-sequente, desde a camada de entrada, at a camada de
sada. Neste tipo de rede no h retro-alimentaes, pois a propagao do processamento
neural unidirecional.
As redes PMC possuem treinamento supervisionado, sendo que o algoritmo de
treinamento visa ajustar os pesos da rede para, a partir de um conjunto conhecido de vetores
de entrada para obter da rede um conjunto de sadas desejadas. A Figura 3 exemplifica uma
rede Perceptron Multicamadas.
-
38
Figura 3 - Perceptron Multicamadas. (Figura Adaptada de SILVA (2008))1.
Na Figura 3 tem-se a seguinte simbologia:
N: Nmero de pontos do vetor de entrada X;
X: Vetor de entrada da rede: X = [1, x1, x, , xN ]T ;
Wlji: Valor do peso sinptico conectado ao j-simo neurnio da camada l ao i-
simo neurnio da camada (l-1); Ressalta-se que nesta conveno o valor do
peso Wlj0, para todos valores de l e j, teremos o valor do bias (ou limiar) de
cada neurnio;
Ilj: Valor da entrada ponderada do j-simo neurnio da camada l. Assim:
I1j = W1ji Ni=0 ; para j = 1..N1 (5)
I2j = W2ji 1N1i=0 ; para j = 1..N2 (6)
1 Figura Adaptada das notas de aula da disciplina SEL5712 Redes Neurais Artificiais, ministrada pelo
professor Tit. Dr. Ivan Nunes da Silva em 2008.
-
39
I3j = W3ji 2N2i=0 ; para j = 1..N3 (7)
Generalizando para l camadas, teremos:
Ilj = Wlji [l 1]N[l1]i=0 ; para j = 1..Nl (8)
ylj: Valor da sada do j-simo neurnio da camada l. Assim:
y1j = g(I1j); para j = 1..N1 (9)
y2j = g(I2j); para j = 1..N2 (10)
y3j = g(I3j); para j = 1..N3 (11)
Generalizando para l camadas, teremos:
ylj = g(Ilj); para j = 1..Nl (12)
g( ): Funo de ativao do neurnio.
Para treinamento das redes PMC utilizado o treinamento supervisionado atravs do
algoritmo backpropagation, onde apresentado rede um conjunto de treinamento da rede
neural, com pares de entrada e sada conhecidos. O vetor de entrada propagado camada a
camada, at a camada de sada. O vetor de sada da rede ento comparado ao vetor de sada
desejado, sendo a diferena entre ambas sadas (calculada e desejada) o erro de sada da rede.
Esse erro ento retropropagado na rede, a fim de ajustar os pesos sinpticos para que
a prxima iterao o erro de sada seja reduzido. Esse processo repetido para todos os pares
do conjunto de treinamento da rede, at que o erro de sada aceitvel seja atingindo, e assim, a
condio de parada do treinamento.
As funes de erro empregadas como critrio de parada do processo de treinamento
so: Erro Quadrtico que fornece o valor instantneo da soma dos erros quadrticos do
-
40
padro de treinamento de todos os neurnios da camada de sada , e Erro Quadrtico Mdio
obtido a partir da soma dos erros quadrticos relativos a todos os padres de entrada
utilizados no conjunto de treinamento. A Equao (13) expressa matematicamente o Erro
Quadrtico para uma RNA com m camadas, enquanto a Equao (14) expressa
matematicamente o Erro Quadrtico Mdio para um conjunto de treinamento com p pares de
vetores de entrada e sada desejadas.
E k =1
2 (dj k ymj k )
2Nmj=1 (13)
EM =1
p E(k)
pk=1 (14)
Logo, o objetivo do processo de treinamento backpropagation ajustar a matriz de
pesos sinpticos da rede (matriz Wlji), visando minimizar o Erro Quadrtico Mdio. Esse
ajuste divido em 2 casos: Ajuste dos pesos dos neurnios da camada de sada; Ajustes dos
pesos dos neurnios das camadas escondidas.
Desenvolvendo o mtodo backpropagation para a rede PMC da Figura 3, teremos:
Ajuste dos pesos dos neurnios da camada de sada:
Ajustam-se os pesos da camada de sada (3 camada neural) a partir da minimizao da
funo de erro quadrtico mdio em relao aos pesos W3ji. Utilizando a regra de
diferenciao em cadeia, tem-se:
E(W3ji ) =E
W3ji=
E
y3j
y3j
I3j
I3j
W3ji (15)
I3j
W3ji= y2i (16)
y3j
I3j= g (I3j) (17)
-
41
E
y3j= (dj y3j) (18)
Tendo g( ) uma funo montona, a derivada de 1 ordem no alterna de sinal em
todo o domnio. Assim, substituindo as Equaes (16), (17) e (18) em (15), tem-se:
E
W3ji= (dj y3j)
(3 ) 2 (19)
Para minimizao, o ajuste deve ser realizado oposto ao gradiente do erro E(W3ji ).
W3ji = E
W 3ji= 3j 2 (20)
Onde:
3j = (dj y3j) (3 ) (21)
Sendo a taxa de aprendizagem do algoritmo backpropagation e 3j definido como
gradiente local.
Assim, em uma anlise temporal, teremos:
W3ji t + 1 = W3ji t + W3ji (t) = W3ji t + 3j 2 (22)
-
42
Ajuste dos pesos dos neurnios das camadas escondidas:
Ajuste para 2 Camada Neural
Ajustam-se os pesos da 2 camada neural a partir da minimizao da funo de erro
quadrtico mdio em relao aos pesos W2ji. Utilizando a regra de diferenciao em cadeia,
tem-se:
E(W2ji ) =E
W2ji=
E
y2j
y2j
I2j
I2j
W2ji (23)
I2j
W2ji= 1 (24)
y2j
I2j= (2 ) (25)
E
y2j=
E
I3k
I3k
y2j
N3k=1 (26)
Substituindo a Equao (7) em (26), teremos:
E
y2j=
E
I3k
W3kj y2jN 2i=0
y2j
N3k=1 =
E
I3kN3k=1 W3kj (27)
Substituindo as Equaes (17) e (18) em (27), teremos:
E
y2j=
E
I3kN3k=1 W3kj =
E
y3k
y3k
I3k N3k=1 W3kj
= 3k N3k=1 W3kj (28)
-
43
Substituindo as Equaes (24), (25) e (28) em (23), tem-se:
E(W2ji ) = 3k N3k=1 W3kj
(2 ) 1 (29)
Para minimizao, o ajuste deve ser realizado oposto ao gradiente do erro E(W2ji ).
W2ji = E
W 2ji= 2j 1 (30)
Onde:
2j = 3k N3k=1 W3kj
(2 ) (31)
Sendo a taxa de aprendizagem do algoritmo backpropagation e 2j definido como
gradiente local.
Assim, em uma anlise temporal, teremos:
W2ji t + 1 = W2ji t + W2ji (t) = W2ji t + 2j 1 (32)
Ajuste para 1 Camada Neural
Ajustam-se os pesos da 1 camada neural a partir da minimizao da funo de erro
quadrtico mdio em relao aos pesos W1ji. Utilizando a regra de diferenciao em cadeia,
tem-se:
E(W1ji ) =E
W1ji=
E
y1j
y1j
1
I1j
W1ji (33)
-
44
I1j
W1ji= (34)
y1j
I1j= (1 ) (35)
E
y1j=
E
2
I2k
y1j
N2k=1 (36)
Substituindo a Equao (6) em (36), teremos:
E
y1j=
E
I2k
W2kj 1N 2i=0
y1j
N2k=1 =
E
I2kN2k=1 W2kj (37)
Substituindo as Equaes (26) e (28) em (37), teremos:
E
y1j=
E
I2kN2k=1 W2kj =
E
y2k
y2k
I2k N2k=1 W2kj
= 2k N3k=1 W2kj (38)
Substituindo as Equaes (34), (35) e (38) em (33), tem-se:
E(W1ji ) = 2k N2k=1 W2kj g
(I1j) xi (39)
Para minimizao, o ajuste deve ser realizado oposto ao gradiente do erro E(W1ji ).
W1ji = E
W1ji= 1j (40)
-
45
Onde:
1j = 2k N2k=1 W2kj
(1 ) (41)
Sendo a taxa de aprendizagem do algoritmo backpropagation e 1j definido como
gradiente local.
Assim, em uma anlise temporal, teremos:
W1ji t + 1 = W1ji t + W1ji (t) = W1ji t + 1j (42)
Assim, aplica-se o ajustes dos pesos da camada neural de sada e o ajustes dos pesos
das camadas neurais escondidas (2 e 1 camada neural) seqencialmente, at que o Erro
Quadrtico Mdio atinja um valor desejvel para a aplicao.
O algoritmo backpropagation pode ser sintetizado pelos seguintes passos:
Definir conjunto de vetores de entradas (x(k) = [1, x1 , x2 , x3, , xN ]T)
com N elementos e sadas desejadas (d(k) = [ d1, d2, d3, , dM ]T) com M
elementos;
Definir os parmetros da rede (nmero de camadas neurais, de neurnios,
funes de ativao, parmetros de aprendizagem, funes de erro;
Iniciar os as matrizes de pesos Wlji;
REPITA:
o PARA CADA PAR: X(k), d(k) FAA:
Passo forward
1 = 1 = g(W1ji ) (43)
2 = 2 = g(W2ji 1) (44)
= = g(Wlji (1)) (45)
Passo backward
Determinar l e ajustar Wlji
-
46
Determinar (l 1) e ajustar W(l 1)ji
...
Determinar 1 e ajustar W1ji
o FIM PARA
o Calcular ()
AT QUE | 1 | <
A cada repetio do lao REPITA do algoritmo de treinamento tem-se 1 poca de
aprendizagem da RNA.
-
47
3. METODOLOGIA
3.1.Circuito Experimental
Neste trabalho, todos os testes experimentais foram realizados no oleoduto piloto do
laboratrio do Ncleo de Engenharia Trmica e Fluidos (NETeF) da Universidade de So
Paulo (USP) em So Carlos, Brasil. Sero descritos nesta seo o oleoduto piloto e o sistema
de instrumentao e aquisio de dados.
3.1.1. Oleoduto Piloto e Instrumentao
O oleoduto piloto trifsico (Figura 4) opera com misturas gs-lquido-lquido com
seo de teste construda em ao galvanizado com 50,8 mm de dimetro e comprimento til
de 1512 metros. Um sistema de tanques instalados jusante das sees de testes responsvel
pela separao primria ar-lquido e, subseqentemente, pela separao lquido-lquido.
Figura 4 - Foto do Oleoduto Piloto Trifsico do NETeF/USP.
-
48
Bombas centrfugas controladas por inversores de freqncia de 15kW (YASKAWA
CIMR-P5U2011) recirculam as fases lquidas (Figura 5). Um compressor de parafuso de
50kW assegura o suprimento de ar, cujo controle feito atravs de 3 posicionadores
pneumticos de vlvulas (SMAR FY301) acoplados a vlvulas de controle (VALTEK P-15)
instaladas em paralelo. Esta arquitetura foi adotada para permitir maiores variaes de escala
nas estratgias de controle de vazo.
Figura 5 - Representao Esquemtica do Oleoduto Piloto Trifsico do NETeF/USP.
Quanto instrumentao do oleoduto piloto, tanto a montante quanto a jusante, esto
instalados sensores e transmissores de vazo do tipo eletromagntico (ROSEMOUNT
EMERSON 570TM) com fundo de escala de 23,76 m/h (396 l/min). A instrumentao
tambm inclui transdutores de presso de resposta rpida (WIKA A10 com freqncia de
corte superior de 5 kHz) para medida da perda de carga e aquisio do sinal acstico do
escoamento, com fundo de escala de 16 bar.
Os elementos primrios de atuao (inversores de freqncia e posicionadores
pneumticos de vlvulas) so acionados a partir de estaes de transferncia
automtico/manual (SMAR AM01P), que permitem o acionamento em modo manual atravs
de seu painel frontal ou em modo automtico. O equipamento retransmite proporcionalmente
em escala de 4 a 20 mA o sinal de entrada, podendo ser em escala de 0 a 5V ou de 4 a 20 mA,
proveniente do mdulo Transdutor Atuador Controller Area Network (CAN) (ESEL
TCAN002) com sada de 4-20 mA.
-
49
3.1.2. Sistema de Controle e Aquisio de Dados
O conjunto de sinais a serem lidos pelo sistema de aquisio de dados composto por
10 transmissores de presso, 2 transmissores de vazo e 22 vlvulas solenides distribudas ao
longo do duto para simulao de vazamento em posies determinadas. O sistema de controle
composto por 5 transdutores CAN/4-20mA que acionam os 2 inversores de freqncia e os
3 posicionadores pneumticos de vlvula, atravs da estao de transferncia automtico
manual.
O sistema de controle e aquisio de dados gerenciado por um Controlador de
Automao Programvel (do ingls Programmable Automation Controller (PAC)), que um
hardware eletrnico da National Instruments (NI), denominado CompactRIO, sendo este
um sistema de alta performance e confiabilidade. Aplicaes para CompactRIO utilizam trs
processadores separados: um computador do tipo PC com sistema operacional Windows, um
controlador com sistema operacional em tempo real (do ingls Real Time Operacional System
(RTOS)) e um arranjo de portas programvel em campo (do ingls Field Programmable Gate
Array (FPGA)), tal como exemplificado na Figura 6.
Figura 6 - Arquitetura da Aplicao do CompactRIO.
(Figura adaptada de NATIONAL INSTRUMENTS INC., 2008)
O CompactRIO constitudo por mdulos de entradas e sadas (do ingls Input and
Output Module(I/O)), um chassi de FPGA e um controlador de tempo real. Os mdulos de
entrada e sada realizam a comunicao com equipamentos externos tais como sensores e
atuadores e comunicam diretamente com o chassi de FPGA (Figura 7), podendo ser
-
50
integrados diversos mdulos de entradas analgicas e digitais. O chassi de FPGA permite a
implementao de lgicas de controle especficas, em hardware, sendo que no chassi h um
barramento de transferncia de dados. Atravs do duto de transferncia de dados possvel
transmitir dados dos mdulos I/O para o controlador de tempo real, para anlises, ps-
processamento, armazenamento do sinal ou comunicao com o computador atravs da rede
Ethernet.
O controlador de tempo real possui processador de ponto flutuante, comunicao
Ethernet (com a aplicao em computador do tipo PC), porta serial e relgio em tempo real,
para base de tempo em anlises e ps-processamento do sinal. Ainda, o controlador de tempo
real possui interface para dispositivos de armazenamento de dados de alta capacidade do tipo
PenDrive.
Figura 7 - Topologia de Conexo do Sistema CompactRIO.
(Figura adaptada de NATIONAL INSTRUMENTS INC., 2008)
3.2.Aquisio de Dados Experimentais
Para aquisio e armazenamento dos dados experimentais foram implementados 3
programas em software LabVIEW. O primeiro executa em um computador do tipo PC
(Figura 8), para interface com o usurio, onde so configurados os parmetros dos ensaios. O
segundo (Figura 9) executa no controlador de tempo real (NI cRIO 9014), realizando o filtro
dos dados do tipo Butterworth passa baixa e armazenamento dos dados em dispositivos de
-
51
alta capacidade do tipo PenDrive. Por fim, o terceiro (Figura 10) executa no FPGA (NI 9114),
realizando a aquisio e controle dos dados a uma taxa de 100 Hz.
Figura 8 - Tela do software em LabVIEW que executado em um computador do tipo PC.
-
52
Figura 9 - Tela do software em LabVIEW que executado no controlador de tempo real (NI
cRIO 9014).
Figura 10 - Tela do software em LabVIEW que executado em FPGA (NI cRIO 9114).
-
53
Para execuo dos testes foi utilizado um escoamento monofsico de gua, sendo que
o software para execuo automtica dos testes realiza ciclicamente as seguintes operaes:
i. define a freqncia da bomba de gua;
ii. define a vlvula solenide que simula um vazamento;
iii. aguarda o tempo de estabilizao do sistema (10 segundos);
iv. inicia o armazenamento de dados ( 9 transdutores de presso (ver Tabela 1)) no
PenDrive em arquivos ASCII separados por tabulao;
v. aguarda tempo para abertura da vlvula solenide (60 segundos);
vi. abre a vlvula solenide pr-definida;
vii. aguarda tempo para fechamento da vlvula solenide (60 segundos);
viii. fecha a vlvula solenide;
ix. finaliza ensaio e aquisio de sinais.
Mais detalhes das temporizaes programveis do software para execuo automtica
dos testes so ilustrados na Figura 11. A disposio dos transdutores de presso, vazo e as
vlvulas solenides podem ser visualizadas na Figura 5.
Figura 11 - Temporizaes programveis do software para execuo automtica dos
experimentos.
-
54
Tabela 1 - Posies Relativas dos Transdutores Bomba de gua.
Sensores Posio Relativa (metros)
FMI Medidor de Vazo da Entrada 15
P1 Transdutor de Presso 1 143
P2 Transdutor de Presso 2 263
P3 Transdutor de Presso 3 387
P4 Transdutor de Presso 4 508
P5 Transdutor de Presso 5 632
P6 Transdutor de Presso 6 878
P7 Transdutor de Presso 7 1000
P8 Transdutor de Presso 8 1123
P9 Transdutor de Presso 9 1243
P10 Transdutor de Presso 10 1367
FMO Medidor de Vazo da Sada 1492
Foram arbitradas 4 frequncias (30, 40, 50 e 60 Hz) de bomba. Devido a manutenes
no oleoduto piloto, apenas 10 das 22 vlvulas de simulao de vazamento esto operantes
(V2, V4, V6, V8, V10, V13, V15, V17, V19 e V21). Ainda, o sensor de presso P1 tambm
est inoperante. Assim, constituiu um total de 40 ciclos de testes experimentais, sendo cada
ciclo com durao de 180 segundos, totalizando a aquisio de 360 sinais de simulao de
vazamento. A vazo mdia de cada experimento para as frequncias de bomba de 30, 40, 50 e
60 Hz so respectivamente, 73.7, 100.4, 125.4 e 146.6 l/min. A abertura das vlvulas
utilizadas para simulao de vazamento foram calibradas para fornecer uma vazo
aproximada de 7 litros por minuto com o inversor de freqncia da bomba 30Hz.
-
55
Tabela 2 - Posies Relativas das Vlvulas Solenides (Vazamentos).
Vlvulas Posio Relativa (metros)
V1 Vlvula Solenide 1 100
V2 Vlvula Solenide 2 142
V3 Vlvula Solenide 3 185
V4 Vlvula Solenide 4 266
V5 Vlvula Solenide 5 344
V6 Vlvula Solenide 6 387
V7 Vlvula Solenide 7 430
V8 Vlvula Solenide 8 511
V9 Vlvula Solenide 9 589
V10 Vlvula Solenide 10 631
V11 Vlvula Solenide 11 674
V12 Vlvula Solenide 12 835
V13 Vlvula Solenide 13 878
V14 Vlvula Solenide 14 921
V15 Vlvula Solenide 15 1002
V16 Vlvula Solenide 16 1080
V17 Vlvula Solenide 17 1122
V18 Vlvula Solenide 18 1165
V19 Vlvula Solenide 19 1246
V20 Vlvula Solenide 20 1324
V21 Vlvula Solenide 21 1366
V22 Vlvula Solenide 22 1410
Como o ponto de aquisio de presso e simulao de vazamento o mesmo para os
sensores P2, P3, P4, P5, P6, P7, P8, P9 e P10, e respectivamente para as vlvulas V4, V6, V8,
V10, V13, V15, V17, V19 e V21, esses sinais de presso nos testes coincidentes foram
desconsiderados na anlise. A Tabela 3 explicita a matriz de sinais adquiridos para cada
freqncia da bomba (30, 40, 50 e 60Hz), sendo que as colunas em destaque exibem os
sensores que capturam dados para cada simulao de vazamento.
-
56
Tabela 3 - Relao entre Simulao de Vazamento e Aquisio de Sinal.
Vlvula
Sensor
V2
V4
V6
V8
V10
V13
V15
V17
V19
V21
P2
P3
P4
P5
P6
P7
P8
P9
P10
3.3. Aplicao de Redes Neurais Artificiais para Deteco de Vazamentos em Dutos
Neste trabalho, utiliza-se redes neurais artificiais do tipo Perceptron, sendo o
treinamento realizado atravs do mtodo backpropagation (detalhado no item 2.2.2). O
processo de aquisio dos dados, pr-processamento do sinal, treinamento e validao da rede
neural aplicada so detalhados no fluxograma da Figura 12.
Figura 12 - Processo para obteno de resultados.
-
57
3.3.1. Sistema de Controle e Aquisio de Dados
O Sistema de controle e aquisio de dados est detalhado nos itens 3.2 e 3.3.
Sucintamente, utiliza-se um PAC da National Instruments composto por um controlador de
tempo real, um FPGA e mdulos de I/Os. A lgica do programa do PAC controla a freqncia
do inversor controlador da bomba de gua e tambm aciona a vlvula solenide que simula o
vazamento em posies pr-determinadas detalhadas na Figura 5. O PAC realiza a aquisio
de sinais de 10 transdutores de presso a taxa de 100 Hz, armazenando os dados em um
dispositivo do tipo PenDrive. Na lgica do programa, possvel executar experimentos com
diferentes freqncias de aquisio, freqncias do inversor de freqncia, posies de
vazamentos.
3.3.2. Pr-processamento do Sinal Adquirido
Um exemplo de sinal adquirido experimentalmente de uma simulao de vazamento
est disposto na Figura 13. Os sinais experimentais so compostos por 2 componentes: 1)
Componente DC, que expressa o valor em regime permanente; 2) Componente AC, que
expressa o sinal transiente.
A diferena de cotas altimtricas nos sensores de presso e a perda de carga do
escoamento acarretam em uma diferena na presso esttica em cada sensor instalado no
oleoduto piloto (ver Figura 5). Assim, extrado a componente DC do sinal atravs da
subtrao da mdia do sinal, para centralizar todos os sinais e ento realizar uma anlise na
componente AC do sinal. A Figura 14 exemplifica a componente AC extrada do sinal,
experimental, exemplificado na Figura 13. As Equaes (46) e (47) expressam
matematicamente o algoritmo para obteno do sinal AC do sinal experimental adquirido.
MEDIA_Pl(i) =1
N Pl(i)Ni=1 (46)
Pl_AC i = Pl i MEDIA_Pl (47)
Onde: Pl o vetor discreto do sinal de presso adquirido no ensaio; N nmero de
amostras do experimento; Pl_AC a componente AC do vetor de sinal de presso.
-
58
Figura 13 - Sinal Experimental de Simulao de Vazamento.
-
59
Figura 14 - Componente AC dos Sinais Experimentais de Simulao de Vazamento da Figura
13.
Analisando o grfico da Figura 13, pode-se destacar 5 etapas no experimento de
simulao de vazamento.
i. Entre os instantes 0 6000 centsimos de segundo: Aguarda abertura de vlvula
que simula vazamento;
ii. Instante 6000 centsimos de segundo: Instante da abertura da vlvula que simula
vazamento;
iii. Entre os instantes 6000 12000 centsimos de segundo: Acomodao do sinal de
vazamento;
iv. Instante 12000 centsimos de segundo: Instante do fechamento da vlvula que
simula vazamento;
-
60
v. Entre os instantes 12000 18000 centsimos de segundo: Acomodao do sinal de
fechamento de vazamento.
Para realizar uma anlise especfica para extrair caractersticas dos sinais de
vazamentos, focaremos a anlise nos 1500 centsimos de segundos a partir do instante de
abertura da vlvula que simula o vazamento. Assim, a Figura 15 exibe os sinais de vazamento
dos experimentos exemplificados na Figura 14.
Figura 15 - Detalhe nos Sinais de Abertura de Vlvula das Simulaes de Vazamento da
Figura 14.
Para realizar uma anlise espectral de um sinal, uma ferramenta muito utilizada a
Transformada de Fourier, que consiste na decomposio do sinal em termos de senos e
cossenos de diferentes freqncias caractersticas (COHEN L., 1995). Para um sinal discreto,
utiliza-se a Transformada de Fourier Discreta, que est expressa na Equao (48).
-
61
X k = x n ej2 k1 (n1)/NNn=1 ; 1 k N (48)
A Figura 16 apresenta uma anlise do espectro de freqncias, atravs do mdulo da
transformada de Fourier para o sinal vazamento (abertura de vlvula) exemplificado na Figura
15. Descries abrangentes sobre anlise no espao tempo-freqncia podem ser encontradas
em COHEN L., 1995.
Figura 16 - Transformada de Fourier para o Sinal Vazamento (Abertura de Vlvula)
Exemplificado na Figura 15.
Analisando a transformada de Fourier para os sinais de vazamento analisados, conclui-
se que as freqncias caractersticas de vazamento, tipicamente so inferiores a 10 Hz para os
sinais adquiridos neste trabalho. De acordo com o critrio da amostragem de Nyquist (LKE
H., 1999) a taxa mnima de amostragem de um sinal (fsMIN) freqncia de Nyquist tal
que a relao entre a mxima freqncia do sinal () e (fsMIN) seja superior a 2. Em
termos matemticos temos:
-
62
fsMIN 2 fMAX (49)
Logo, para MAX = 10, temos uma freqncia de Nyquist fsMIN = 20Hz. Os
experimentos foram realizados a freqncia de amostragem = 100, assim tem uma
freqncia de amostragem 5 vezes freqncia mxima, satisfazendo o critrio de Nyquist.
Para uma diminuio no esforo computacional, os sinais experimentais foram
decimados, sendo o fator de decimao igual a 4. Portanto, os sinais experimentais foram
reamostrados em uma freqncia de aquisio de 25Hz. A Equao (50) exibe o algoritmo
implementado efetivando a decimao e um filtro de mdia mvel, passa baixa de primeira
ordem.
Pl_DEC(i) =1
5 Pl_AC j
j=4i+2j=4i2 (50)
Assim, pode-se resumir o pr-processamento do sinal como atravs das etapas de
remoo da componente DC, decimao e filtragem (passa baixa) do sinal.
3.3.3. Treinamento da RNA com Sinais Experimentais
3.3.3.1.Classificao dos Sinais para Treinamento da RNA
Os testes experimentais de simulao de vazamento foram executados em 10 vlvulas
distintas (ver Tabela 2) e em 4 rotaes distintas da bomba, sendo que cada experimento foi
registrado nos sensores de presso de resposta rpida de acordo com a Tabela 3. Ressalta-se
que cada teste experimental composto inicialmente por um instante de rudo de fundo da
linha, prosseguido por um instante de abertura da vlvula solenide e um instante de
fechamento da vlvula solenide.
-
63
A partir das informaes experimentais, os sinais foram classificados em 3 classes:
Vazamento (abertura da vlvula solenide)
Fechamento de vazamento (fechamento da vlvula solenide)
Rudo da linha (sem acionar a vlvula solenide)
O sinais de fechamento de vazamento devem ser classificados como uma manobra
operacional no duto. Para simplificar o treinamento da rede, padronizou-se que a classificao
em somente 2 classes:
Vazamento;
No Vazamento (fechamento de vazamento e rudo da linha).
Assim, tem-se um total de 324 sinais de vazamento e 648 sinais de no vazamento,
sendo que destes, 75% dos sinais de vazamento e tambm 75% dos sinais de no vazamento
foram utilizados para efetuar o treinamento da Rede Neural Artificial. Os demais sinais foram
utilizados para efetuar a validao cruzada da RNA.
A sada da RNA ser composta por 2 neurnios, que produziro uma sada do tipo (y1,
y2), sendo que as sadas ideais para cada classe so:
(1,-1) Vazamento;
(-1,1) No Vazamento.
Sintetizando, para uma visualizao grfica teremos dois eixos cartesianos y1 e y2,
sendo que 1 em y1 indica vazamento, enquanto -1 em y1 indica no vazamento, e
conseqentemente, 1 em y2 indica no vazamento, enquanto -1 em y2 indica vazamento.
A Figura 17 exemplifica, em termos grficos, a sada da RNA para um vazamento e para um
no vazamento.
-
64
Figura 17 - Exemplo de Visualizao Grfica das Sadas da RNA.
3.3.3.2.Topologia da RNA Utilizada
A definio da topologia de Rede Neural Artificial do tipo Perceptron a ser utilizada
neste trabalho foi norteada pelo trabalho de Cybenko, que em 1989 demonstrou que regies
de decises arbitrrias podem ser bem aproximadas por uma rede neural feedforward, com
uma nica camada neural escondida, com funo de ativao sigmoidal e camada neural de
sada com funo de ativao do tipo linear (GYBENKO G. V., 1989).
Como os dados de entrada na rede so normalizados no conjunto [1; 1] , definiu-
se a utilizao da funo tangente hiperblica sigmide para funo de ativao da camada
neural escondida. A Equao (51) expressa matematicamente funo de ativao tangente
sigmide.
y x = 2
1+e2x 1 (51)
-
65
Figura 18 - Tangente Hiperblica Sigmide.
Assim, defini-se que sero testadas RNAs do tipo Perceptron feedforward, com uma
camada escondida com funo de ativao tangente hiperblica sigmide e funo de ativao
linear identidade para a camada de sada.
3.3.4. Validao Cruzada do Treinamento da RNA
A validao cruzada (do ingls Cross-validation) uma metodologia comumente
utilizada para testar o poder de generalizao da uma rede neural artificial. Nesse contexto,
deve-se particionar o conjunto de dados em 2 subconjuntos, sendo o primeiro com cerca de 70
90% dos dados que utilizado somente para treinamento; e os demais dados constituem o
segundo subconjunto que compem o conjunto de testes, para verificar se a rede neural est
generalizando de forma satisfatria.
Neste trabalho, os dados obtidos com o inversor de freqncia da bomba nas
freqncias de 30, 50 e 60 Hertz sero utilizados para treinamento, enquanto os dados de
40Hz sero utilizados para validao da RNA, representando uma classe de dados no
apresentados para a RNA durante o treinamento. Assim, 75% dos dados so utilizados para
treinamento e 25% para validao cruzada;
-
66
3.3.5. Toolbox de Rede Neural Artificial MATLAB
O MATLAB (acrnimo do ingls MATrix LABoratory) um software de alta
performance voltado para o clculo numrico, desenvolvido no final da dcada de 70,
contendo constantes atualizaes e aperfeioamentos. O MATLAB integra a anlise
numrica, clculo com matrizes, processamento de sinais e construo de grficos em um
ambiente de fcil utilizao.
O processo de criao, treinamento e simulao das redes neurais artificiais, foi
desenvolvido no software MATLAB. Com um sistema iterativo e linguagem de
programao para computao tcnica e cientfica em geral, o MATLAB permite a
construo de "bibliotecas" de funes, denominada "toolboxes", que o tornam apto a resolver
classes particulares de problemas (DEMUTH H.; et al., 2010).
O "toolbox" de Redes Neurais do MATLAB possui ampla versatilidade e
flexibilidade, haja visto que o seu uso possibilita a aplicao dos mais variados tipos de redes
neurais alm de permitir a modificao de redes j existentes, como alteraes no nmero de
camadas ou mesmo de algoritmos de treinamento com uma facilidade particular de insero.
-
67
4. TESTES E RESULTADOS EXPERIMENTAIS
Foram analisadas 4 diferentes topologias de RNA para verificar a aplicabilidade das
redes neurais treinadas. Em acordo com o item 3.3.3.2, todas as topologias so constitudas de
1 camada neural escondidas com N1 neurnios e uma camada neural de sada com 2
neurnios (ver Figura 19).
No h uma frmula para determinar o nmero ideal para a quantidade de neurnios
nas camadas escondidas. Os valores de N1 devem ser escolhidos de forma que se tenha baixo
custo computacional (rede neural artificial com o mnimo de neurnios) e a minimizao do
erro entre sada obtida na RNA e a sada desejada. Assim, aps a anlise dos resultados de
um pr-estudo emprico com diferentes valores de N1, foram analisadas as topologias para os
valores de N1 iguais a 3, 5, 10 e 20.
Figura 19 - Topologia de RNA Perceptron Implementada.
A Figura 20 apresenta as curvas de aprendizagem para o os diferentes valores de N1
analisados. O critrio utilizado para treinamento um nmero mximo de 10000 pocas ou
erro quadrtico mdio inferior a 0,0005. O treinamento finalizado quando um dos critrios
atingido.
-
68
Figura 20 - Curvas de Aprendizagem para Neurnios na Camada Escondida Iguais a 3, 5, 10 e
20.
Com as curvas de aprendizado do treinamento das RNAs com os testes experimentais
apresentadas na Figura 20, todas as curvas de aprendizado apresentam resultados satisfatrios,
com erro mdio quadrtico prximo ao desejado, ao final das 10.000 pocas de treinamento.
Para uma anlise mais detalhada dos resultados, utilizada a rede com 10 neurnios na
camada escondida, vista que esta apresentou o menor erro mdio quadrtico no treinamento.
Aps o treinamento da rede com N1 = 10, os dados de treinamento foram
classificados. A Figura 21 apresenta a classificao dos dados experimentais utilizados para
treinamento e pode-se observar que os dados de vazamento e no vazamento (rudo e
fechamento de vlvula) so linearmente separveis, o que permite a utilizao de uma funo
linear para efetuar a separao dos espaos.
-
69
Figura 21 - Classificao dos Dados Utilizados para Treinamento da RNA com N1 = 10.
Para quantificar o erro absoluto de cada ponto classificado pela rede neural utilizada
a distncia euclidiana da sada da rede (y1, y2 ) ao centride ideal vazamento (y1d, y2d)
(1, -1) para vazamento; (-1, 1) para no vazamento. A Equao (52) expressa
matematicamente o clculo do erro absoluto.
erro = y1 y1d 2 + y2 y2d 2 (52)
A Figura 22 apresenta um histograma do erro quadrtico mdio absoluto da sada da
RNA, com os valores ideais para vazamento (1, -1) e no vazamento (-1, 1) onde se
tem 99,7% dos dados experimentais classificados com erro absoluto compreendido entre 0 e
0,2.
-
70
Figura 22 - Histograma de Erro Quadrtico Mdio Absoluto dos Dados Utilizados para
Treinamento da RNA com N1 = 10.
Para verificar a capacidade de generalizao da RNA, realizada a validao cruzada,
onde so apresentados dados para serem classificados, que no foram utilizados para
treinamento da rede. A Figura 23 apresenta a classificao dos dados de testes utilizados para
validao cruzada. Tal como o resultado obtido nos dados utilizados para treinamento da
RNA, pode-se observar que os dados de vazamento e no vazamento (rudo e fechamento de
vlvula) so linearmente separveis, podendo utilizar uma funo linear para efetuar a
separao dos espaos.
-
71
Figura 23 - Classificao dos Dados Utilizados para Validao Cruzada (Teste) da RNA com
N1 = 10.
Figura 24 - Histograma de Erro Quadrtico Mdio Absoluto dos Dados Utilizados para
Validao Cruzada (Teste) da RNA com N1 = 10.
-
72
4.1. Interferncia de Rudo no Sinal de Entrada
Visto que a RNA com 10 neurnios na camada escondida respondeu satisfatoriamente
com os resultados obtidos na validao cruzada, realizou-se tambm uma anlise quanto
interferncia de rudo no sinal de entrada na RNA. Para isso, foi adicionado aos sinais de
validao cruzada da RNA rudos pseudo-randmicos uniformemente distribudos, onde foi
variada a amplitude do rudo. Para anlise, foram avaliados sinais com taxa de relao sinal-
rudo de 5, 10, 20, 30, 40, 50, 60, 70, 80, 90 e 100%.
-
73
Figura 25 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 5%.
Figura 26 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 5% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
74
Figura 27 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 10%.
Figura 28 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 10% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
75
Figura 29 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 20%.
Figura 30 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 20% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
76
Figura 31 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 30%.
Figura 32 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 30% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
77
Figura 33 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 40%.
Figura 34 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 40% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
78
Figura 35 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 50%.
Figura 36 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 50% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
79
Figura 37 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 60%.
Figura 38 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 60% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
80
Figura 39 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 70%.
Figura 40 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 70% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
81
Figura 41 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 80%.
Figura 42 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 80% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
82
Figura 43 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 90%.
Figura 44 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 90% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
83
Figura 45 - Classificao e Histograma de Erro Absoluto dos Dados Utilizados para
Validao Cruzada com Relao Sinal-rudo de 100%.
Figura 46 - Exemplo de um Sinal de Vazamento, Rudo e Abertura de Vlvula, com
incremento de 100% de rudo (Freq. Inversor de 40Hz; P2; S2).
-
84
Pela anlise das Figuras 25, 27, 29, 31, 33, 35, 37, 39, 41, 43 e 45 comprova-se a
robustez da RNA treinada, pois se observa que a RNA produz uma sada satisfatria
classificando os vazamentos e no vazamentos em 2 regies distintas e linearmente
separveis, atravs de uma funo identidade para uma relao sinal-rudo de at 50%.
Para uma relao sinal-rudo igual ou superior a 60% o elevado nmero de
vazamentos classificados na regio de no-vazamentos e tambm o nmero de no
vazamentos classificados como vazamentos, tm-se que a RNA no produziu uma resposta
satisfatria.
As Figuras 26, 28, 30, 32, 34, 36, 38, 40, 42, 44, 46 exemplificam o sinal adquirido no
sensor P2, para teste de vazamento na vlvula V2 e freqncia da bomba de 40Hz, somado a
rudos, cuja relao sinal-rudo de 5, 10, 20, 30, 40, 50, 60, 70, 80, 90 e 100%,
respectivamente.
-
85
5. CONCLUSES E PERSPECTIVAS
Nesta dissertao foram estudados os fundamentos do funcionamento das redes
neurais artificiais e apresentada uma tcnica para reconhecimento de um padres de
vazamentos abruptos, utilizando uma rede neural Perceptron feed-forward com 2 camadas
neurais, treinada como um classificador de sinais de vazamentos e no vazamentos, atravs do
mtodo de aprendizado backpropagation.
Foram realizados experimentos no oleoduto piloto do NETeF para capturar padres de
vazamentos e no vazamentos (rudos de fundo da tubulao e sinais de fechamento de
vlvula). Os padres de vazamento foram obtidos realizando o acionamento de uma vlvula
solenide de abertura rpida.
De acordo com os dados apresentados no item 4, em especial, nos resultados obtidos
com a validao cruzada da rede neural, os resultados obtidos foram extremamente
satisfatrios, tendo sido, neste caso, a rede neural artificial capaz de generalizar sinais de
vazamento.
Ainda, com os resultados obtidos no item 4.1, pde-se observar a robustez da rede
quando a interferncia de rudos nos sinais de entrada.
Devido ao baixo custo computacional para o processamento da rede neural em estudo,
a mesma pode facilmente ser implementada em hardwares embarcados com processador de
ponto flutuante, como por exemplo, o Programmable Automation Controller (PAC) utilizado
para realizao dos experimentos deste estudo.
Como sugesto para trabalhos futuros pode-se destacar 3 pontos de grande interesse:
Obter resultados de diferentes padres, tais como partida e parada de bomba e golpes
de arete no escoamento e analisar a robustez da rede para classificar tais padres
como no vazamento.
Estudar a eficincia de outras topologias de rede neural Perceptron feedforward, com
diferentes nmeros de camadas escondidas e neurnios, bem como analisar redes
neurais com funes de ativao de base radial, tais como RBF, para efetuar a
-
86
classificao de um padro de vazamento e comparar com os resultados obtidos neste
trabalho;
Analisar caractersticas dos sinais de vazamento, tais como, varincia, mdia, mdia
quadrtica, transformada de Fourier, transformadas wavelets e inserir tais
caractersticas como entradas da rede neural.
Reconhecer sinal caracterstico de vazamento em transientes hidrulicos (partida e
parada de bomba, dentre outros)
De uma forma geral, o objetivo de estudar a aplicao de redes neurais multicamadas
do tipo Perceptron para a classificao de um padro de vazamento foi atingido.
-
87
REFERNCIAS BIBLIOGRFICAS
BORCHARDT F. L. (1988). Neural Network Computing and Natural Language Processing.
Calico Journal, v. 5, n. 4, p. 63-75.
CARPENTER G. A.; GROSSBERG S. (1988). The ART of adaptative pattern recognition by
self-organizing neural network. IEEE Computer Society, v. 21, n. 3, p. 77-88.
CASTRO A. P. A.; SILVA J. D. S. (2002). Deteco de bordas com redes neurais BAM e
ART. I Workshop dos Cursos de Computao Aplicada do INPE. 2002.
CHUA L.O.; YANG L. (1988). Cellular neural networks: theory. IEEE Transactions on
Circuits and Systems, v. 35, n. 10, p. 1257-1272.
COHEN, L. (1995). Time-frequency analysis. New Jersey, Prentice-Hall.
CYBENKO, G.V. (1989). Approximation by Superpositions of Sigmoidal Function.
Mathematics of Control, Signals and Systems, v. 2, n. 4, p. 303-314.
DEMUTH H.; BEALE M.; HAGAN M. (2010). Neural network toolbox Users guide,
version 6.0.4. The Mathworks Inc., 901p.
FERRANTE M.; BRUNONE B. (2003). Pipe system diagnosis and leak detection by
unstead-state tests 2: Wavelet analysis. Advances in Water Resources, v.26, n 1, p. 107-116.
FILIPATTI F.; FRANCESCHINI G.; TASSONI C.; VAS P. (2000). Recent developments of
induction motor drives fault diagnosis using AI techniques. IEEE Transactions on Industrial
Eletronics, v. 47, n. 5, p. 994-1004.
-
88
GASPAR, T. L. (2006). Reconhecimento de faces humanas usando redes neurais MLP.
Dissertao (Mestrado) Escola de Engenharia de So Carlos, Universidade de So Paulo,
So Carlos. 2006.
GOEDTEL, A. (2007). Estimador neural de velocidade para motores de induo trifsicos.
Tese (Doutorado) Escola de Engenharia de So Carlos, Universidade de So Paulo, So
Carlos. 2007.
GUYON I. (1991). Neural networks and applications tutorial. Physics Reports, v. 17 n. 3, p.
215-259.
HEMANDE, A.; CONDACSE, V.; MODISETTE J. (1995). New system pinpoints leak
ethylene pipeline. Pipeline & Gas Journal, v. 222, n. 4, p. 38-41.
HOPFIELD J. J. (1982). Neural networks and physical systems with emergent collective
computational abilities. Proceedings of the National Academy of Sciences of the USA, v. 79,
p. 2555-2558.
HUNT K. J.; HAAS R.; SMITH R. M. (1996). Extending the functional equivalence of radial
bases function net