Anais do Congresso Anual da ABM


ISSN 2594-5327

73º Congresso Anual da ABM vol. 73, num.73 (2018)


Título

DETECÇÃO DE VAZAMENTO UTILIZANDO TÉCNICAS DE MACHINE LEARNING

LEAK DETECTION SYSTEM USING MACHINE LEARNING TECHNIQUES

DOI

10.5151/1516-392X-31365

Downloads

Baixar Artigo 100 Downloads

Resumo

"A Ciência de Dados e a análise avançada de dados são tecnologias que permitem o desenvolvimento de soluções de baixo custo com alto grau de personalização. Com base nisso, este artigo apresenta um sistema de detecção de vazamento em um mineroduto usando uma combinação de técnicas de aprendizado de máquina. As técnicas usadas para detectar vazamentos foram baseadas em inteligência artificial e detecção de anomalias. Basicamente, o sistema prevê a energia em um ponto da tubulação com base em outro ponto, a fim de inferir se há perda de energia (vazamento) ao longo desta. Embora o modelo de aprendizado de máquina utilizado seja uma regressão linear paramétrica simples e essa técnica seja bem conhecida no domínio da inteligência artificial, seu diferencial competitivo é o uso de uma plataforma de aprendizado de máquina de código aberto, permitindo que os clientes tenham um modelo personalizado em vez de usar instrumentação dispendiosa com sistemas embarcados. Este trabalho foi totalmente implementado em um mineroduto de uma das maiores empresas brasileiras de minério de ferro. Já detectou várias ocorrências de vazamentos reais, superiores a 70 m³/h, com apenas três a cinco alarmes falsos de vazamentos por mês. Embora ele possa detectar vazamento entre pontos de medição de pressão, ele não pode detectar o ponto exato do vazamento, o que motiva estudos posteriores. "

 

Data Science and advanced data analytics are technologies that enable the development of low cost solutions with a high degree of customization. Based on that, this article presents a leakage detection system in a slurry pipeline using a combination of machine learning techniques. The techniques used to detect leakage were based on artificial intelligence, a machine learning model for the energy balance of the pipe combined with an anomaly detection technique approach. The system predicts energy at one point of the pipe based on another point, in order to infer if there is loss of energy (leakage) on it. Although the machine learning model used is a simple parametric linear regression and this technique is well-known in the artificial intelligence domain, its competitive differential is the use of an open source machine learning platform to implement them, which allows clients to have a customized model instead of using costly instrumentation with embedded systems. This work was fully implemented in a ore tailings pipeline of one of the biggest Brazilian iron ore companies. It has already detected several real leakage occurrences, greater than 70 m³/h with only three to five leak false alarms per month. Based on these results, this solution can be considered as an alternative solution for leak detection in short length pipelines, especially for the ones that transport iron ore tailings. Although it can detect leakage between a pipe sections, it cannot detect the exact point of the leak that motivates further development, such the use of wavelet package technique.

Palavras-chave

Detecção de Anomalia, Inteligência artificial, Vazamento em Tubulações, Regressão Linear

Anomaly detection, Artificial intelligence, Pipeline Leak, Linear Regression

Como citar

Ferreira, Pablo Parreiras Drumond; Kappes, Daniele Pereira; Oliveira, Eduardo Magalhães; Fonseca, Mário Lopes da; Medeiros, Arthur Parreira Silva. DETECÇÃO DE VAZAMENTO UTILIZANDO TÉCNICAS DE MACHINE LEARNING , p. 407-415. In: 73º Congresso Anual da ABM, São Paulo, 2018.
ISSN: 2594-5327 , DOI 10.5151/1516-392X-31365