Uso de redes neurais artificiais na detecção de propagação de defeitos em dutos rígidos

Abstract

RESUMOO interesse no monitoramento de equipamentos em tempo real é crescente nos dias de hoje, visando a maior segurança de operação dos mesmos. O ensaio de Emissão Acústica vem sendo objeto de desenvolvimentos com o intuito de aplicação em diversos tipos de equipamentos, com destaque na inspeção de dutos rígidos e flexíveis. O presente trabalho apresenta a metodologia e os resultados obtidos de um estudo de aplicação do método de Emissão Acústica para detectar defeitos em propagação em dutos rígidos pressurizados, sendo um trabalho pioneiro nessa área de pesquisa. Para tal, foram confeccionados corpos de prova com defeitos inseridos artificialmente, empregando-se a técnica de ultrassom por Time-of-flight diffraction (TOFD) para acompanhar o crescimento dos defeitos no duto submetido a ensaio hidrostático. Os sinais resultantes foram divididos em classes de Propagação, Propagação Estável e Propagação Instável, e usados como dados de entrada na implementação de classificadores não lineares via Redes Supervisionadas do tipo Retropropagação do Erro. Os resultados atingiram acertos de classificação próximos a 86%, comprovando a eficiência do método para as condições testadas até o presente momento.Palavras-chave: Ensaios não destrutivos, Redes Neurais, Emissão Acústica. ABSTRACTThe interest in monitoring equipment in real time is increasing in nowadays, mainly aiming the greater security of its operations. The Acoustic Emission (AE) testing has been the subject of developments with the aim of application in various types of equipment, especially in the inspection of rigid and flexible pipes. This paper presents the methodologies and results of a study of applying the method of Acoustic Emission to detect propagation in defects in pressurized rigid pipes, being a pioneering work in this area of research. In this way, specimens were manufactured with defects artificially inserted. These specimens were submitted to hydrostatic testing and the defect propagation was monitor by AE. The ultrasound by Time of Flight Diffraction (TOFD) was the technique chosen to monitor the defect growth. The AE resulting signals were divided into the classes No Propagation (SP), Stable Propagation (PE) and Unstable Propagation (PI) and used as inputs set in the implementation of nonlinear classifiers by error back propagation. The correct classification results reached close to 86%, proving the efficiency of the method for the conditions tested in this job.

Monitoramento De Defeitos Em Dutos Rígidos Por Parâmetros De Emissão Acústica E Redes Neurais

“…Redes neurais foram treinadas para classificar as fases de propagação do defeito, e se conseguiu obter aproximadamente 92% de sucesso na identificação das classes. Em suas pesquisas Pinto et al [12] propuseram que a classe com propagação fosse dividida em duas, uma de propagação estável e outra de propagação instável, e as redes neurais que treinaram chegaram a alcançar até 86% de acerto de classificação.…”

“…Como já foi demostrado por Pinto [13], os sinais acústicos emitidos em cada fase de propagação das deformações possuem características diferentes que podem ser identificadas por métodos de análises de dados. Em seus trabalhos, Pinto [12,13,14] demostrou ser possível classificar, através de redes neurais feedforward e de mapas neurais auto organizáveis (SOM), as fases de propagação de trincas em dutos pressurizados de pequeno comprimento (1,81 m). No entanto, para saber se estes métodos também poderiam ser aplicados à dutos longos, um trabalho de pesquisa, similar ao realizado por este autor, precisaria ser executado.…”