BRPI1104413A2

BRPI1104413A2 - gas leak detection system and method, method of determining the magnitude and location of gas leakage through neural networks and the use in rigid and / or flexible piping

Info

Publication number: BRPI1104413A2
Application number: BRPI1104413A
Authority: BR
Inventors: Ana Maria Frattini Fileti; André Mauricio Pavan; Elisangela Orlandi De Sousa Gonçalves; João Alexandre Ferreira Da Rocha; Rejane Barbosa Santos; Sandra Lúcia Da Cruz
Original assignee: Unicamp
Priority date: 2011-09-19
Filing date: 2011-09-19
Publication date: 2015-12-22
Also published as: BRPI1104413B1; WO2013040667A1

Abstract

sistema e método de detecção de vazamento de gás, método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível. a presente invenção trata-se de um sistema e um método de detecção de vazamento de gás, um método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível, o método de determinação da magnitude e da localização de vazamento de gás envolve a utilização de redes neurais para análise dos dados, que apresenta como vantagem a possibilidade de manipulação eficiente de grandes quantidades de dados e grande capacidade de generalização. além disso, através dos modelos neurais não é necessário o monitoramento do operador através de computador para análise de gráficos gerados pelos sinais acústicos, pois os modelos neurais geram um alarme informando a ocorrência, o tamanho e a localização do vazamento. a rápida detecção e localização de vazamento através de um sistema eficiente de monitoramento são essenciais para reduzir e evitar acidentes de grandes proporções.gas leak detection system and method, method of determining the magnitude and location of gas leakage through neural networks and the use in rigid and / or flexible piping. The present invention is a gas leak detection system and method, a method for determining the magnitude and location of gas leakage through neural networks and the use in rigid and / or flexible piping. The determination of the magnitude and location of gas leakage involves the use of neural networks for data analysis, which has the advantage of being able to efficiently handle large amounts of data and a large generalization capacity. Furthermore, through neural models, operator monitoring through the computer is not necessary to analyze graphs generated by acoustic signals, because neural models generate an alarm informing the occurrence, size and location of the leak. Rapid leak detection and localization through an efficient monitoring system is essential to reduce and prevent major accidents.

Description

SISTEMA E MÉTODO DE DETECÇÃO DE VAZAMENTO DE GÁS, MÉTODOGAS LEAK DETECTION SYSTEM AND METHOD, METHOD

DE DETERMINAÇÃO DA MAGNITUDE E DA LOCALIZAÇÃO DEDETERMINATION OF MAGNITUDE AND LOCATION OF

VAZAMENTO DE GÁS POR MEIO DE REDES NEURAIS E O USO EM TUBULAÇÃO RÍGIDA E/OU FLEXÍVEL.GAS LEAKING THROUGH NEURAL NETWORKS AND USE IN RIGID AND / OR FLEXIBLE PIPING.

Campo da invenção A presente invenção trata-se de um sistema e um método de detecção de vazamento de gás, um método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível. O método de determinação da magnitude e da localização de vazamento de gás envolve a utilização de redes neurais para análise dos dados, que apresenta como vantagem a possibilidade de manipulação eficiente de grandes quantidades de dados e grande capacidade de generalização. Além disso, através dos modelos neurais não é necessário o monitoramento do operador através de computador para análise de gráficos gerados pelos sinais acústicos, pois os modelos neurais geram um alarme informando a ocorrência, o tamanho e a localização do vazamento.Field of the Invention The present invention is a gas leak detection system and method, a method for determining the magnitude and location of gas leakage through neural networks and the use in rigid and / or flexible piping. . The method of determining the magnitude and location of gas leakage involves the use of neural networks for data analysis, which has the advantage of being able to efficiently handle large amounts of data and a large generalization capacity. In addition, through the neural models it is not necessary to monitor the operator through a computer to analyze graphs generated by the acoustic signals, because the neural models generate an alarm informing the occurrence, the size and the location of the leak.

Redes de tubulações são sistemas de dutos utilizados no transporte de diferentes produtos químicos, líquidos ou gases, por longas distâncias. Estas redes estão sujeitas a fatores que podem afetar sua integridade e provocar vazamentos nas tubulações. Desta forma, a rápida detecção e localização de vazamento através de um sistema eficiente de monitoramento são essenciais para reduzir e evitar acidentes de grandes proporções.Piping networks are pipeline systems used to transport different chemicals, liquids or gases over long distances. These networks are subject to factors that may affect their integrity and cause pipeline leaks. Thus, rapid leak detection and location through an efficient monitoring system is essential for reducing and preventing major accidents.

Fundamentos da invenção A cada ano cresce o número de tubulações que transportam por longas distâncias gases e líquidos por terra e sob o mar, atravessando regiões densamente povoadas e reservas naturais. Os vazamentos nessas tubulações podem gerar sérios problemas de poluição ao meio ambiente e ocasionar prejuízos financeiros para as empresas. Desta forma é fundamental supervisionar as tubulações para detectar e localizar eventuais vazamentos nos dutos operacionais. Grandes recursos têm sido investidos para o desenvolvimento de novas tecnologias em sistemas de dutos, visando à melhoria dos níveis d© segurança, confiança, eficiência e efetividade de operação destes sistemas.BACKGROUND OF THE INVENTION Each year the number of pipelines that carry gases and liquids over long distances over land and under the sea, crossing densely populated regions and nature reserves, grows. Leaks in these pipes can cause serious environmental pollution problems and cause financial damage to companies. Therefore it is essential to supervise the pipes to detect and locate any leaks in the operating ducts. Great resources have been invested in the development of new technologies in pipeline systems, aiming at improving the levels of safety, reliability, efficiency and operating effectiveness of these systems.

Os métodos de detecção de vazamentos podem ser classificados em duas categorias: métodos externos e internos. Com o método externo verificam-se vazamentos na parte externa da tubulação, um exemplo disso é a inspeção visual. No método interno a inspeção é feita no interior do tubo. Este método envolve computação e processamento de sinais, métodos de balanço de volume e são baseados em instrumentos de medição para aquisição de dados, como por exemplo, medidor de pressão ou vazão.Leak detection methods can be classified into two categories: external and internal methods. With the external method there are leaks on the outside of the pipe, an example of this is visual inspection. In the internal method the inspection is made inside the tube. This method involves computation and signal processing, volume balance methods and are based on measurement instruments for data acquisition, such as pressure or flow meter.

No momento em que ocorre o vazamento, há uma queda de pressão repentina no local, que dá origem a uma onda de pressão negativa que se propaga à velocidade do som no sentindo a montante e a jusante. Estas ondas dissipam-se rapidamente e o sistema alcança um novo regime permanente.As the leak occurs, there is a sudden drop in pressure at the site, which gives rise to a negative pressure wave that propagates at the speed of sound upstream and downstream. These waves dissipate rapidly and the system reaches a new permanent regime.

Esta onda de pressão pode ser detectada pela instalação de uma série de transdutores de pressão ao longo da tubulação. Este método, chamado de análise de transiente de pressão, é muito apropriado para análise de vazamentos em tubulações que transportam líquidos. No entanto, ele não é apropriado para o transporte de gases. Como os gases são fluidos compressíveis, a pressão anterior ao vazamento é quase instantaneamente recuperada e a onda de pressão não é detectada pelos transdutores de forma nítida.This pressure wave can be detected by installing a series of pressure transducers along the pipe. This method, called pressure transient analysis, is very suitable for leak analysis in pipelines carrying liquids. However, it is not suitable for the transport of gases. Since gases are compressible fluids, the pressure prior to leakage is almost instantly recovered and the pressure wave is not clearly detected by the transducers.

Existem sistemas que utilizam dois sensores de pressão em cada extremidade da tubulação para discriminar a queda de pressão provocada pelo vazamento (ZHANG, 1996). Este sistema apresenta vantagens como a rápida detecção e a boa precisão na localização de vazamentos, porém há uma deficiência na quantificação do volume vazado e na detecção de vazamentos pré-existentes ou surgidos de forma gradativa (MARTINS, 2011).There are systems that use two pressure sensors at each end of the pipe to discriminate the pressure drop caused by leakage (ZHANG, 1996). This system has advantages such as rapid detection and good accuracy in the location of leaks, but there is a deficiency in the quantification of the leaked volume and in the detection of pre-existing or gradual leaks (MARTINS, 2011).

Aiguns métodos utilizam o aumento de fluxo e simultaneamente a diminuição de pressão à montante, para detectar vazamentos. Porém este método aplica-se somente ao transporte, em estado estacionário, de fluidos incompressíveis, pois do contrário pode levar a falsos alarmes. Além disso, segundo WIKE (1986), somente vazamentos por rupturas são detectáveis e o vazamento não pode ser localizado por esse método.Some methods use increased flow and simultaneously upstream pressure decrease to detect leaks. However, this method only applies to the steady state transport of incompressible fluids, otherwise it may lead to false alarms. Moreover, according to WIKE (1986), only leaks by ruptures are detectable and the leak cannot be located by this method.

Outro método utilizado na detecção de vazamentos é baseado na diferença entre o volume que entra na tubulação e o volume que sai (SANDBERG et al., 1989). Porém, este método sofre de limitações como a exatidão da medida do volume e das variações associadas a ela. Além disso, pode ocorrer alarmes falsos, pois a taxa de fluxo depende de vários parâmetros como, temperatura, pressão, densidade e viscosidade.Another method used for leak detection is based on the difference between the volume entering the pipe and the volume leaving (SANDBERG et al., 1989). However, this method suffers from limitations such as the accuracy of the volume measurement and the variations associated with it. In addition, false alarms may occur because the flow rate depends on various parameters such as temperature, pressure, density and viscosity.

Outra forma de detecção de vazamento é através da utilização de métodos acústicos. Estes métodos utilizam sensores capazes de detectar vibrações acústicas originadas por vazamentos pequenos em curto espaço de tempo. Os métodos acústicos para a inspeção de tubulações, localização dos vazamentos e danos têm sido amplamente utilizados com aplicações primárias relacionadas ao controle de qualidade dos tubos utilizados na indústria química (TOLSTOY et al., 2008), prática bastante comum em muitos países. O sucesso da supervisão depende da instalação de bons sensores acústicos ao longo da tubulação e um sistema satisfatório de captação de sinais e gravação de dados. Porém, quando as vibrações são medidas por transdutores de pressão (p. ex piezoelétricos), este método não é adequado para deteGtar vazamento em tubulações que transportam gases, pois as ondas de pressão se atenuam rapidamente em meio gasoso e nem sempre são capturadas pelos transdutores de pressão instalados na tubulação. Ao contrário da pressão, o som provocado pelo vazamento não se atenua e ainda se dissipa em alta velocidade dentro da tubulação. Desta forma, os trabalhos de PAVAN (2005) e SOUSA (2007) mostraram experimentalmente a grande potencialidade dos sensores acústicos do tipo microfone para detectar vazamentos em vasos de pressão e em tubulação transportando gás, respectivamente. A utilização de redes neurais já foi proposta como ferramenta de análise de dados para a detecção de vazamentos em alguns trabalhos como BELSITO et al. (1998), GARCIA ET al. (2010). Porém, as redes utilizadas não indicavam a localização e a magnitude dos vazamentos, já que se baseavam somente em medições de aparelho píezoelétrico.Another form of leak detection is through the use of acoustic methods. These methods use sensors capable of detecting acoustic vibrations caused by small leaks in a short time. Acoustic methods for pipe inspection, leak location and damage have been widely used with primary applications related to quality control of pipes used in the chemical industry (TOLSTOY et al., 2008), a practice quite common in many countries. Successful supervision depends on the installation of good acoustic sensors along the pipeline and a satisfactory signal capture and data recording system. However, when vibrations are measured by pressure transducers (eg piezoelectric), this method is not suitable for detecting leakage in gas-carrying pipelines, as pressure waves quickly attenuate in gaseous media and are not always captured by the transducers. installed in the pipe. Unlike pressure, the sound caused by leakage is not attenuated and still dissipates at high velocity inside the pipe. Thus, the works of PAVAN (2005) and SOUSA (2007) have shown experimentally the great potential of microphone type acoustic sensors to detect leaks in pressure vessels and piping carrying gas, respectively. The use of neural networks has already been proposed as a data analysis tool for leak detection in some works such as BELSITO et al. (1998), Garcia et al. (2010). However, the networks used did not indicate the location and magnitude of the leaks, as they were based solely on measurements of the piezoelectric device.

Em geral, os métodos tradicionais citados acima não apresentam desempenho satisfatório, pois geram com frequência alarmes falsos, são de difícil interpretação para o operador e a manutenção dos sistemas propostos apresenta custos elevados. Além disso, apresentam dificuldade em detectar vazamentos de gás de menor grandeza que podem ser provocados por corrosão, fadiga, erosão e falhas nas soldas ou junções, por exemplo.In general, the traditional methods mentioned above do not perform satisfactorily because they often generate false alarms, are difficult for the operator to interpret and the proposed systems are costly to maintain. In addition, they have difficulty detecting minor gas leaks that can be caused by corrosion, fatigue, erosion and weld or joint failure, for example.

Diante do exposto seria útil se a técnica dispusesse de um sistema e método de vazamento que pudesse determinar com exatidão a magnitude e localização de vazamentos de pequenas proporções em tubulações transportando gases.Given the above, it would be useful if the technique had a leakage system and method that could accurately determine the magnitude and location of small leaks in pipelines carrying gases.

Breve descrição da invenção Considerando a importância de sistemas de detecção de vazamentos em redes de tubulações, a presente invenção trata-se de um sistema e um método de detecção e vazamento de gás, um método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais baseados em sensor acústico e análise por redes neurais e o uso em tubulação rígida e/ou flexível. O sistema é composto por microfones, responsáveis por captar o ruído gerado pelo escape do gás da tubulação pelo orifício do vazamento. O sinal sonoro detectado é decomposto em diferentes frequências dominantes e é analisado por meio de redes neurais. Desta forma é possível identificar a magnitude e a localização dos vazamentos de pequenas proporções. Desta forma, pode-se tomar atitudes corretivas antes que a tubulação se rompa, evitando danos à saúde humana e ao meio ambiente, além de minimizar prejuízos decorrentes.Brief Description of the Invention Considering the importance of leak detection systems in pipe networks, the present invention is a gas leak detection and system, a method for determining the magnitude and location of gas leakage. through acoustic sensor-based neural networks and neural network analysis and use in rigid and / or flexible tubing. The system is made up of microphones, responsible for capturing the noise generated by the exhaust gas from the pipe through the leakage hole. The detected sound signal is decomposed into different dominant frequencies and is analyzed by neural networks. In this way it is possible to identify the magnitude and location of small leaks. Thus, corrective actions can be taken before the pipe is broken, avoiding damage to human health and the environment, in addition to minimizing resulting damage.

Os dados experimentais obtidos do sensor acústico foram utilizados como dados de entrada do modelo neural para determinação da magnitude dos vazamentos e a localização dos mesmos.The experimental data obtained from the acoustic sensor were used as input data of the neural model to determine the magnitude of the leaks and their location.

Breve descrição das fiauras A estrutura e operação da presente invenção, juntamente com vantagens adicionais da mesma poderão ser melhor entendidas mediante referência aos desenhos em anexo e às seguintes descrições: - A Figura 1 representa o sistema operando com tubulação rígida. - A Figura 2 representa o sistema operando com tubulação flexível (mangueira). - A Figura 3 apresenta uma ilustração dos dados de entrada do modelo neural. - A Figura 4 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado no início da tubulação (0 m) com orifício de 1mm (vazamentos provocados com 10,88 s, 10,82 s e 7,80 s de testes respectivamente). - A Figura 5 representa o sistema de detecção utilizado na tubulação flexível. - A Figura 6 representa o sistema de detecção e localização de vazamento utilizado no monitoramento da tubulação de ferro galvanizado. - A Figura 7 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado a 50 m do inicio da tubulação com orifício de 1mm (vazamentos provocados com 10,05 s, 7,19 s e 8,79 s de teste respectivamente). F - A Figura 8 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado no início da tubulação (0 m) com orifício de 3 mm (vazamentos provocados com 9,95 s, 5,71 s e 6,32 s de teste respectivamente). - A Figura 9 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado a 50 m do início da tubulação com orifício de 3mm (vazamentos provocados com 10,65 s, 8,18 s e 4,94 s de teste respectivamente). - A Figura 10 apresenta os transientes de pressão e amplitudes dos ruídos sonoros para vazamento provocado no início da tubulação, com orifício de 1mm (vazamentos provocados com 28,13s e 32,19 s de teste respectivamente). - A Figura 11 apresenta os transientes de pressão e amplitudes dos ruídos sonoros para vazamentos provocados no início da tubulação, com orifício de 2mm (vazamentos provocados com 2Q,93s e 20,90 s de teste respectivamente). - A Figura 12 apresenta os transientes de pressão e amplitudes dos ruídos sonoros para vazamentos provocados no início da tubulação, com orifício de 3mm (vazamentos provocados com 13,79 s e 22,70 s de teste respectivamente). - A Figura 13 apresenta os transientes de pressão e amplitudes dos ruídos sonoros para vazamentos provocados a 3 m do início da tubulação, com pressão de 6 kgf/cm2 (vazamentos provocados com 39,06 s, 32,19 s e 28,74 s de teste respectivamente). -A Figura 14 representa o teste do modelo neural com dados não vistos no treinamento para vazamentos nos pontos 0 e 50 m do início da tubulação, com pressão inicial de 2 kgf/cm2. - A Figura 15 representa o teste do modelo neural com dados não vistos no treinamento para vazamento nos pontos 0 e 50 m do início da tubulação, com pressão inicial de 4 kgf/cm2. - A Figura 16 representa o teste do modelo neural com dados não vistos no treinamento para vazamento nos pontos 0 e 50 m do inicio da tubulação, com pressão inicial de 6 kgf/cm2. - Figura 17 apresenta a diferença entre dados reais, e dados calculados pelos modelos neurais da tubulação flexível versus o número de vetores nos pontos de vazamento a 0 e 50 m do Inicio da tubulação, para a pressão de 2 kgf/cm2. - A Figura 18 apresenta a diferença entre dados reais, e dados calculados pelos modelos neurais da tubulação flexível versus o número de vetores nos pontos de vazamento a 0 e 50 m do início da tubulação, para a pressão de 4 kgf/cm2. - A Figura 19 apresenta a diferença entre dados reais, e dados calculados pelos modelos neurais da tubulação flexível versus o número de vetores nos pontos de vazamento a 0 e 50 m do início da tubulação, para a pressão de 6 kgf/cm2. - A Figura 20 apresenta o teste off-line do modelo neural entre dados calculados e dados testes gerados no ponto 0 m da tubulação. - A Figura 21 apresenta a diferença entre dados reais, e dados calculados pelos modelos neurais da tubulação flexível versus o número de vetores nos pontos de vazamento a 0 m do início da tubulação, para as pressões de 4 e 6 kgf/cm2. - A Figura 22 apresenta o teste off-line dos modelos neurais entre dados calculados e dados testes gerados da tubulação com pressão de 6 kgf/cm2. - A Figura 23 apresenta a diferença entre dados reais, e dados calculados pelos modelos neurais da versus o número de vetores, para a pressão de 6 kgf/cm. - A Figura 24 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com orifício de 1 mm. - A Figura 25 apresenta a comparação entre dados de treinamento dos testes online. - A Figura 26 apresenta os testes online do modelo neural para determinar o tamanho do vazamento visando um orifício de 1,5 mm (não visto no treinamento). - A Figura 27 apresenta os testes online do modelo neural para determinar o tamanho do vazamento usando orifício de 2mm. - A Figura 28 apresenta os testes online do modelo neural para determinar o tamanho do vazamento usando um orifício de 2,5 mm (dados não vistos no treinamento). - A Figura 29 apresenta os testes online do modelo neural para determinar o tamanho do com um orifício de 3mm. - A Figura 30 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com um orifício de 1 mm. - A Figura 31 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com um orifício de 1,5 mm. - A Figura 32 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com um orifício de 2mm. - A Figura 33 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com um orifício de 2,5 mm. - A Figura 34 apresenta os testes online do modelo neural para determinar o tamanho do vazamento com um orifício de 3mm. - A Figura 35 apresenta os testes online dos modelos neurais para determinar o tamanho e localização do vazamento usando um orifício de 1 mm no início da tubulação (0 m). - A Figura 36 apresenta os testes online dos modelos neurais para determinar o tamanho e localização do vazamento de orificio de 2 mm, no início da tubulação ( 0 m). - A Figura 37 apresenta os testes online do modelo neural para determinar o tamanho e localização do vazamento de orifício de 3 mm no ponto com 0 m do início do tubulação (0 m). - A Figura 38 apresenta os testes online do modelo neural para determinar o tamanho do vazamento para a pressão de 6 kgf/cm2 com um orifício de 1 mm no ponto com 3 m do início da tubulação. - A Figura 39 apresenta os testes online dos modelos neurais para determinar o tamanho e localização do vazamento de orifício de 2 mm a 3 m do início da tubulação. - A Figura 40 apresenta os testes online dos modelos neurais para determinar o tamanho e localização do vazamento de orifício de 3 mm a 3 m do início da tubulação. - A Figura 41 apresenta os testes online do modelo neural para determinar o tamanho do vazamento usando orifício de 1mm a 1,5 m do início da tubulação. - A Figura 42 apresenta os testes online dos modelos neurals para determinar o tamanho e localização do vazamento de2 mm a 1,5 m do inicio da tubulação. - A Figura 43 apresenta os dados utilizados para treinamento do modelo neural 2 com vazamento de orifício 2 mm e a 3 m do início da tubulação. - A Figura 44 apresenta os dados de entrada dos modelos neurais dos testes online com vazamento a 1,5 m do início da tubulação. - A Figura 45 apresenta os testes online do modelo neural para determinar o tamanho e localização do vazamento com um orifício de 3 mm no ponto com 1,5 m do inicio da tubulação. - A Figura 46 apresenta os dados utilizados para treinamento do modelo neural 2 com vazamento de orifício 3 mm e a 3 m do início da tubulação. - A Figura 47 apresenta os dados de entrada dos modelos neurais dos testes online realizado para determinar o tamanho e a localização do vazamento para um orifício de 3 mm. - A Figura 48 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado no inicio da tubulação (0 m) com orifício de 2mm. - A Figura 49 apresenta os transientes de pressão e amplitudes do ruído sonoro para vazamento provocado a 50 m do início da tubulação com orifício de 2mm.BRIEF DESCRIPTION OF THE FRAMES The structure and operation of the present invention, together with further advantages thereof, may be better understood by reference to the accompanying drawings and the following descriptions: Figure 1 represents the rigid piping operating system. - Figure 2 represents the system operating with flexible tubing (hose). - Figure 3 shows an illustration of the input data of the neural model. - Figure 4 shows the pressure transients and sound noise amplitudes for leakage caused at the beginning of the pipe (0 m) with 1mm hole (leaks caused with 10.88 s, 10.82 s and 7.80 s of tests respectively) . - Figure 5 represents the detection system used in flexible piping. - Figure 6 represents the leak detection and location system used for monitoring galvanized iron pipe. - Figure 7 shows the pressure transients and sound noise amplitudes for leakage caused at 50 m from the beginning of the 1mm orifice pipe (leaks caused by 10.05 s, 7.19 s and 8.79 s test respectively). F - Figure 8 shows the pressure transients and sound noise amplitudes for leakage at the beginning of the pipe (0 m) with a 3 mm hole (leakage caused with 9.95 s, 5.71 s and 6.32 s of test). respectively). - Figure 9 shows the pressure transients and sound noise amplitudes for leakage caused at 50 m from the beginning of the 3mm orifice pipe (leaks caused by 10.65 s, 8.18 s and 4.94 s test respectively). - Figure 10 shows the pressure transients and sound noise amplitudes for leakage caused at the beginning of the pipe, with a 1mm hole (leaks caused with 28.13s and 32.19s of test respectively). - Figure 11 shows the pressure transients and noise noise amplitudes for leaks caused at the beginning of the pipe, with a 2mm orifice (leaks caused by 2Q, 93s and 20.90 s of test respectively). - Figure 12 shows the pressure transients and noise noise amplitudes for leaks caused at the beginning of the pipe, with a 3mm orifice (leaks caused with 13.79 s and 22.70 s of test respectively). - Figure 13 shows the pressure transients and sound noise amplitudes for leaks caused at 3 m from the start of the pipe, with pressure of 6 kgf / cm2 (leaks caused by 39.06 s, 32.19 s and 28.74 s of test respectively). -Figure 14 represents the neural model test with data not seen in training for leaks at points 0 and 50 m from the beginning of the pipe, with initial pressure of 2 kgf / cm2. - Figure 15 represents the neural model test with data not seen in the training for leakage at points 0 and 50 m from the beginning of the pipe, with initial pressure of 4 kgf / cm2. - Figure 16 represents the neural model test with data not seen in the training for leakage at points 0 and 50 m from the beginning of the pipe, with initial pressure of 6 kgf / cm2. - Figure 17 shows the difference between actual data, and data calculated by the flexible pipe neural models versus the number of vectors at the 0 and 50 m leakage points at the beginning of the pipe, for the pressure of 2 kgf / cm2. - Figure 18 shows the difference between actual data, and data calculated by the neural models of the flexible tubing versus the number of vectors at the 0 and 50 m leakage points at the beginning of the tubing, at the pressure of 4 kgf / cm2. - Figure 19 shows the difference between actual data and data calculated by the flexible pipe neural models versus the number of vectors at the 0 and 50 m leakage points at the beginning of the pipe for the pressure of 6 kgf / cm2. - Figure 20 shows the offline test of the neural model between calculated data and test data generated at the 0 m point of the pipe. - Figure 21 shows the difference between actual data, and data calculated by the flexible pipe neural models versus the number of vectors at the 0 m leakage points at the beginning of the pipe, at pressures of 4 and 6 kgf / cm2. - Figure 22 shows the offline testing of neural models between calculated data and test data generated from 6 kgf / cm2 pressure piping. - Figure 23 shows the difference between real data, and data calculated by neural models of versus number of vectors, for the pressure of 6 kgf / cm. - Figure 24 shows the online tests of the neural model to determine the size of the 1mm hole leak. - Figure 25 shows the comparison between training data from online tests. - Figure 26 shows the online tests of the neural model to determine the leak size for a 1.5mm hole (not seen in training). - Figure 27 shows online neural model testing to determine leak size using 2mm hole. - Figure 28 shows online neural model testing to determine leak size using a 2.5 mm hole (data not seen in training). - Figure 29 shows the online tests of the neural model to determine the size of the 3mm hole. - Figure 30 shows online neural model testing to determine leak size with a 1 mm hole. - Figure 31 shows online neural model testing to determine leak size with a 1.5 mm hole. - Figure 32 shows the online tests of the neural model to determine the leak size with a 2mm hole. - Figure 33 shows the online neural model tests to determine the leak size with a 2.5 mm hole. - Figure 34 shows online neural model testing to determine leak size with a 3mm hole. - Figure 35 shows online testing of neural models to determine leak size and location using a 1 mm hole at the beginning of the pipe (0 m). Figure 36 shows the online testing of neural models to determine the size and location of the 2 mm orifice leak at the beginning of the pipe (0 m). - Figure 37 presents the online neural model tests to determine the size and location of the 3 mm orifice leak at the 0 m point at the beginning of the pipe (0 m). - Figure 38 shows the online tests of the neural model to determine the leakage size for the 6 kgf / cm2 pressure with a 1 mm hole at the 3 m point at the beginning of the pipe. - Figure 39 shows the online testing of neural models to determine the size and location of the 2mm hole leakage 3m from the start of the pipe. - Figure 40 shows online testing of neural models to determine the size and location of the 3 mm or 3 m hole leak from the beginning of the pipe. - Figure 41 shows the online tests of the neural model to determine the size of the leak using a 1mm hole at 1.5m from the start of the pipe. - Figure 42 shows online testing of neural models to determine leak size and location from 2 mm to 1.5 m from pipe start. - Figure 43 shows the data used for training of neural model 2 with 2 mm orifice leakage and 3 m from the beginning of the tubing. - Figure 44 shows the input data from neural models of online tests leaking 1.5 m from the start of the pipe. - Figure 45 shows the online neural model tests to determine the size and location of the leak with a 3 mm hole at the 1.5 m point at the beginning of the pipe. - Figure 46 shows the data used for training of neural model 2 with hole leakage 3 mm and 3 m from the beginning of the tubing. - Figure 47 shows the input data from neural models of the online tests performed to determine the size and location of the leak for a 3 mm hole. - Figure 48 shows the pressure transients and sound noise amplitudes for leakage caused at the beginning of the pipe (0 m) with a 2mm hole. - Figure 49 shows the pressure transients and sound noise amplitudes for leakage caused at 50 m from the beginning of the 2mm orifice pipe.

Pescricão Detalhada Embora a presente invenção possa ser suscetível a diferentes modalidades, é mostrada nos desenhos e na seguinte discussão detalhada, uma modalidade preferida com o entendimento de que a presente descrição deve ser considerada uma exemplificação dos princípios da invenção e não pretende limitar a presente invenção ao que foi ilustrado e descrito aqui. A presente invenção se refere a um sistema e um método de detecção de vazamento de gás, um método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível.DETAILED DESCRIPTION While the present invention may be susceptible to different embodiments, it is shown in the drawings and the following detailed discussion, a preferred embodiment with the understanding that the present disclosure should be considered an exemplification of the principles of the invention and is not intended to limit the present invention. as illustrated and described herein. The present invention relates to a gas leak detection system and method, a method of determining the magnitude and location of gas leakage through neural networks and the use in rigid and / or flexible piping.

Sistema de deteccão de vazamento de gás O sistema de detecção de vazamento de gás da presente invenção compreende um transdutor de pressão (4), um microfone (3), um pré- ampiificador (5), um banco de filtros passa-faixa (6), uma placa conversora analógica/digital/analógica (ADA) (7) e um microcomputador (8).Gas Leak Detection System The gas leak detection system of the present invention comprises a pressure transducer (4), a microphone (3), a preamplifier (5), a bandpass filter bank (6). ), an analog / digital / analog (ADA) converter board (7) and a microcomputer (8).

Transdutor de pressão O transdutor de pressão (4) utilizado (COLE PARMER modelo K1) é calibrado para realizar leituras de até 300 psig (20 kgf/cmz), com precisão de aproximadamente 0,4 psig, para um sinal elétrico variando entre 0 e 5 V.Pressure transducer The pressure transducer (4) used (COLE PARMER model K1) is calibrated to read up to 300 psig (20 kgf / cmz), accurate to approximately 0.4 psig, for an electrical signal ranging from 0 to 5 V.

Microfone O microfone (3) utilizado é do tipo ominidirecional (CZN-15E) e colocado no interior da tubulação de gás. O microfone capta o som da fonte não importando a direção em que este chegue a sua cápsuia.Microphone The microphone (3) used is omni-directional (CZN-15E) and is placed inside the gas line. The microphone picks up the sound from the source no matter where it comes in your capsule.

Pré-Amplificador O pré-amplificador (5) foi utilizado com a finalidade de converter a alta impedância do microfone a um valor adequadamente baixo para que o sinal possa ser facilmente transmitido sem perda significativa a longa distância, através de um cabo. O pré-amplificador é posicionado externamente à tubulação de gás, em -local acessfvel, conectado por um cabo blindado ao microfone.Preamplifier Preamp (5) has been used for the purpose of converting the high impedance of the microphone to a suitably low value so that the signal can be easily transmitted without significant loss over long distances via a cable. The preamplifier is positioned externally to the gas pipeline, in accessible location, connected by a shielded cable to the microphone.

Placa conversora Analóqica/Diqital/Analóqica (ADA) A placa conversora analógica/digital/analógica (ADA) (7) foi utilizada para realizar a conversão de sinais analógicos em digitais e vice-versa. Ela é composta por multiplexador, conversor analógico-digital (CAD) de 12 bits e 8 canais, conversor digital-analógico (CDA) de 10 bits e 8 canais e uma placa de digital-digital (D/D) de 8 bits com 8 canais de entrada e 8 canais de saída.Analog / Digital / Analog Converter Card (ADA) The Analog / Digital / Analog Converter Card (ADA) (7) was used to convert analog to digital signals and vice versa. It is made up of a multiplexer, an 8-channel 12-bit analog to digital (CAD) converter, an 8-channel 10-bit digital-to-analog (CDA) converter, and an 8-bit 8-bit digital-to-digital (D / D) card. input channels and 8 output channels.

A placa conversora utilizada foi a placa ADA versão 2.2 da TAURUS ELETRÔNICA-Brasil. A placa de aquisição Analógica-Digital foi instalada no microcomputador.The converter board used was the ADA version 2.2 board from TAURUS ELECTRONICS-Brazil. The Analog-Digital acquisition board was installed on the microcomputer.

Microcom p utador O microcomputador (8) utilizado para aquisição de dados em tempo real no exemplo de concretização foi um Pentium 233 MHz, Disco Rígido 500 MB e 16 MB RAM.Microcomputer The microcomputer 8 used for real time data acquisition in the embodiment example was a Pentium 233 MHz, 500 MB Hard Disk and 16 MB RAM.

Banco de Filtros Passa-Faixa De acordo com PAVAN (2005) o sinal de saÉda do pré-amplificador do microfone varia em amplitude e em frequência, dependendo da pressão no interior do vaso e do diâmetro do orifício. A placa de aquisição Analógica-Digital foi instalada no microcomputador possuindo uma taxa de amostragem de 2 kHz, ou seja, sinais com frequências acima de 1 kHz não são amostrados corretamente. O sinal amostrado é um sinal de áudio e sua frequência varia entre 20 Hz e 20 kHz ultrapassando a máxima frequência compreendida pela placa AJD. Além disso, a placa de aquisição está configurada para compreender sinais positivos variando entre 0 e 5 Volts e o sinal de áudio é um sinal alternado apresentando valores positivos e negativos.Band Pass Filter Bank According to PAVAN (2005) the output signal of the microphone preamplifier varies in amplitude and frequency, depending on the pressure inside the vessel and the diameter of the orifice. The Analog-Digital acquisition board was installed on the microcomputer having a sampling rate of 2 kHz, ie signals with frequencies above 1 kHz are not sampled correctly. The sampled signal is an audio signal and its frequency varies between 20 Hz and 20 kHz exceeding the maximum frequency comprised by the AJD card. In addition, the acquisition board is configured to comprise positive signals ranging from 0 to 5 Volts and the audio signal is an alternating signal having positive and negative values.

Desta maneira, é necessário compatibilizar novamente o sinal gerado pelo microfone com aquele compreendido pala placa de aquisição Analógica- Digital. O circuito elétrico foi desenvolvido por PAVAN (2005) apresentando quatro estágios: • 1° estágio: Filtro ativo Butterworíh passa-baixo No primeiro estágio, o sinal proveniente do pré-amplificador de microfone passa por um filtro ativo passa-baixo de segunda ordem. O filtro foi desenvolvido de forma a apresentar uma frequência de corte (fc) de 20 kHz, compreendendo toda a faixa de áudio. Foi necessário utilizar esse tipo de filtro, pois o pré-amplificador de microfone, que fica localizado junto ao vaso, está cerca de 6 metros do computador e o cabo que interliga os dois circuitos, mesmo sendo blindado, funciona como uma antena captando ruídos e outras frequências indesejáveis. * 2o estágio: Controle de ganho O ganho não é fixo, sendo controlado por um potenciômetro externo. O controle de ganho foi utilizado para definir manualmente a amplitude do sinal que chega ao computador, de modo que fosse possível a detecção do vazamento para todos os orifícios utilizados. • 3o estágio: Banco de Filtros ativos passa-faixa O terceiro e o quarto estágios são os mais importantes, pois são responsáveis por compatibilizar o sinal proveniente do microfone com o sinal compreendido pela placa A/D.Thus, it is necessary to reconcile the signal generated by the microphone with that comprised by the Analog-Digital acquisition board. The electrical circuit was developed by PAVAN (2005) with four stages: • 1st stage: Butterworíh Low Pass Active Filter In the first stage, the signal from the microphone preamplifier passes through a second order active low pass filter. The filter was developed to have a cutoff frequency (fc) of 20 kHz, comprising the entire audio track. It was necessary to use this type of filter, because the microphone preamplifier, which is located next to the vessel, is about 6 meters from the computer and the cable that interconnects the two circuits, even being shielded, works as an antenna capturing noise and other undesirable frequencies. * 2nd Stage: Gain Control The gain is not fixed but is controlled by an external potentiometer. Gain control was used to manually set the amplitude of the signal that reaches the computer, so that leak detection could be detected for all holes used. • 3rd Stage: Active Pass-Pass Filter Bank The third and fourth stages are the most important, as they are responsible for matching the signal from the microphone to the signal comprised by the A / D card.

Devido a necessidade de trabalhar com um sinal contínuo no tempo para garantir sua amostragem. E transformando um sinal alternado em um sinal contínuo, não é possível preservar suas características de áudio. A solução encontrada por PAVAN (2005) foi separar as diversas frequências presentes em um sinal de áudio, gerando sinais independentes e depois transformar cada sinal em um sinal contínuo.Due to the need to work with a continuous signal in time to ensure its sampling. And by turning an alternating signal into a continuous signal, you cannot preserve its audio characteristics. The solution found by PAVAN (2005) was to separate the various frequencies present in an audio signal, generating independent signals and then transform each signal into a continuous signal.

Foram construídos por PAVAN (2005) vários filtros passa-faixa projetados para frequências de 1 kHz, 3 kHz, 5 kHz, 7 kHz, 9 kHz, 11 kHz, 13 kHz, 15 kHz e 17 kHz. Para facilitar a análise da resposta em frequência do ruído gerado pelo vazamento, foram escolhidos os três filtros passa-faixa que melhor responderam ao sinal gerado para a tubulação em teste: 1 kHz, 5 kHz e 9 kHz. A escolha das faixas de frequência é realizada para ficar mais apropriadas para a tubulação utilizada. • 4o estágio: Circuito retificador de meia sonda O sinal na saída de cada filtro passa-faixa ainda é um sinal alternado, ou seja, ele precisa ser transformado em um sinal contínuo no tempo para que a placa de aquisição A/D possa compreendê-lo. Essa transformação foi feita por PAVAN (2005) utilizando um circuito retificador de meia onda na saída de cada filtro. O circuito retificador de meia onda é formado por um diodo em série com um capacitor eietrolítico. Método de aquisição de dados para deteccão de vazamento de gás É um objeto adicional da presente invenção um método de aquisição de dados para detecção de vazamento de gás. A principal função do método de aquisição é o monitoramento em tempo real dos dados fornecidos pelo microfone e pelo transdutor de pressão. O método de aquisição de dados para detecção de vazamento de gás compreende as seguintes etapas: a) Medir a variação de pressão na tubulação: Para medir a variação de pressão na tubulação foi utilizado um transdutor de pressão (4) instalado no interior da tubulação. bf Captar o ruído gerado pelo vazamento na tubulação: Para captar o ruído gerado pelo vazamento na tubulação foi utilizado um microfone (3) instalado no interior da tubulação. c) Alustar o sinal do microfone com o sinal compreendido pela placa de aquisição analóqlca-diqital: Para ajustar o sinal do microfone com o sinal compreendido pela placa de aquisição analógica-digital foi utilizado um condicionador de sinais composto por dois circuitos eletrônicos, o pré-amplificador de microfone e o circuito responsável pelos filtros passa-faixa.PAVAN (2005) built several bandpass filters designed for frequencies of 1 kHz, 3 kHz, 5 kHz, 7 kHz, 9 kHz, 11 kHz, 13 kHz, 15 kHz and 17 kHz. To facilitate the analysis of the frequency response of the noise generated by the leak, we chose the three bandpass filters that best responded to the signal generated for the pipe under test: 1 kHz, 5 kHz and 9 kHz. Frequency ranges are chosen to be more appropriate for the piping used. • 4th Stage: Half Probe Rectifier Circuit The signal at the output of each bandpass filter is still an alternating signal, ie it needs to be transformed into a continuous signal over time so that the A / D acquisition board can understand it. lo. This transformation was made by PAVAN (2005) using a half-wave rectifier circuit at the output of each filter. The half wave rectifier circuit is formed by a diode in series with an electrolytic capacitor. Data acquisition method for gas leak detection It is a further object of the present invention a data acquisition method for gas leak detection. The primary function of the acquisition method is real-time monitoring of data provided by the microphone and pressure transducer. The data acquisition method for gas leak detection comprises the following steps: a) Measuring pipeline pressure variation: A piping pressure transducer (4) installed inside the pipeline was used to measure pipeline pressure variation. bf Capture the noise generated by the pipe leak: To capture the noise generated by the pipe leak a microphone (3) was installed inside the pipe. c) Costing the microphone signal with the signal comprised by the analog-digital acquisition card: To adjust the microphone signal with the signal comprised by the analog-digital acquisition card, a signal conditioner composed of two electronic circuits was used, the pre - microphone amplifier and the circuit responsible for the bandpass filters.

Para que o sinal elétrico recebido pelo microfone fosse compreendido pelo conversor A/D foi necessário primeiramente passá-lo por um pré- amplificador de sinal (5) e, em seguida, por um banco de filtros (6) de modo a transformar o sinal proveniente do pré-amplificador em três sinais com amplitudes diferentes, cada uma com uma faixa de frequência específica. d) Conversão do sinal do microfone e do transdutor de pressão em números binários: A conversão do sinal do microfone e do transdutor de pressão em números binários foi realizada por uma placa conversora que compreende um multiplexador, um conversor analógico-digital (CAD), um conversor digital- analógico (CDA) e uma placa de digital-digítal (D/D).In order for the electrical signal received by the microphone to be understood by the A / D converter it was first necessary to pass it through a signal preamplifier (5) and then through a filter bank (6) in order to transform the signal. from the preamplifier on three signals with different amplitudes, each with a specific frequency range. (d) Conversion of the microphone and pressure transducer signal to binary numbers: The conversion of the microphone and pressure transducer signal to binary numbers has been performed by a converter board comprising a multiplexer, an analogue to digital converter (CAD), a digital-to-analog converter (CDA) and a digital-to-digital (D / D) card.

Os sinais do microfone enviados ao microcomputador são de natureza analógica, devido a isto, foi necessário utilizar um multiplexador e um conversor Analógico/Digital (CAD) em conjunto com o microcomputador. O multiplexador possibilitou ao microcomputador ter acesso aos sinais do transdutor de pressão e do microfone alternadamente, enquanto o conversor Analógico/Digital (CAD) discretizou estes sinais e os transformou em números binários. O conversor Analógico/Digital (CAD) foi habilitado para trabalhar na faixa de 0 a 5 Voits podendo gerar números binários de 0 (000000000000) a 4095 (111111111111) dependendo do sinal de entrada. O sinal de saída do conversor é proporcional à amplitude do sinal de entrada. O programa de aquisição de dados trabalha com o sinal digitai na forma de número decimal equivalente, ou seja, a programação é feita em número decimal equivalente ao sinal digital. A relação entre a tensão de entrada (amplitude) e o número decimal é linear conforme a Equação 6. Para 0 Voits na entrada do conversor tem-se o número decimal equivalente 0 e para 5 Voits, têm-se o número decimal equivalente a 4095. ------=-—(6) onde: ND é o número decimal e SA é tensão de entrada.Microphone signals sent to the microcomputer are analog in nature, because of this, it was necessary to use a multiplexer and an Analog / Digital (CAD) converter together with the microcomputer. The multiplexer allowed the microcomputer to access the pressure transducer and microphone signals alternately, while the Analog / Digital (CAD) converter discretized these signals and transformed them into binary numbers. The Analog / Digital (CAD) converter has been enabled to work in the range of 0 to 5 Voits and can generate binary numbers from 0 (000000000000) to 4095 (111111111111) depending on the input signal. The output signal of the converter is proportional to the amplitude of the input signal. The data acquisition program works with the digital signal in the form of an equivalent decimal number, ie programming is done in a decimal number equivalent to the digital signal. The relationship between the input voltage (amplitude) and the decimal number is linear according to Equation 6. For 0 Voits at the drive input there is the equivalent decimal number 0 and for 5 Voits the decimal number is 4095 ------ = -— (6) where: ND is the decimal number and SA is input voltage.

Após a conversão, o número decimal equivalente foi transformado em unidades de tensão (voits) para as três entradas relativas ao sinal do microfone, e em unidades de pressão (kgf/cm2) para o sinal proveniente do transdutor de pressão. Esta conversão é realizada na sub-rotina leitura no programa de aquisição de dados. A amplitude dos sinais referentes ao microfone variam entre 0 e 5 Voits enquanto que a amplitude do sinal proveniente do transdutor de pressão varia entre 1 e 5 Voits. Isso implica que a conversão em unidades de tensão é realizada de forma diferente da conversão em unidades de pressão. et Processar, apresentar e arquivar os dados emitidos pelo transdutor de pressão e pelo microfone: A etapa de processar, apresentar e arquivar os dados emitidos pelo transdutor de pressão e pelo microfone são de responsabilidade do microcomputador (8). Os dados são apresentados em forma gráfica ao usuário em tempo real. O microcomputador faz a interface entre o programa de aquisição de dados e a placa conversora ADA. fi Gerar arquivo de dados: O programa de aquisição de dados permite ao usuário o monitoramento do processo de vazamento. Este programa armazena os sinais emitidos pelos sensores e transdutores em forma de arquivos de dados, que posteriormente são consultados e utilizados no treinamento da rede neural. O programa apresenta as seguintes funções: 1. Definições das variáveis de controle da piaca de aquisição ADA; 2. Declaração das varáveis para o cálculo da média móvel; 3. Declaração das variáveis globais e sub-rotinas; 4. Limpeza de tela; 5. Tela de apresentação; 6. Escolha do nome e construção do arquivo de resultados; 7. Construção do arquivo com dados da média móvel; 8. Abrir arquivos de pesos e bias do modelo neural para leitura; 9. Pressionar uma tecla para início da aquisição de dados; 10. Variável tempol assume o valor do clockQ; 11. Limpeza de tela; 12. Construção dos gráficos: amplitude dos sinais sonoros versus números de pontos e pressão versus números de pontos; 13. Inicio do loop de leitura que compreende as tarefas: • Aquisição de dados; • Filtragem por média aritmética; • Conversão dos dados lidos em sinais digitais e posteriormente em unidades de amplitude (Voits) e pressão {kgf/cmz); • Variável tempo2 assume o valor do clockQ; • Cálculo do tempo de aquisição por ponto, subtraindo o valor das variáveis tempo2 de tempol; • Gravação do arquivo de resultados; • Impressão na tela do microcomputador dos três valores obtidos em amplitude e do valor obtido em pressão; • Apertar uma tecla para sair do loop de leitura; • Voltar ao inicio do loop de leitura; 14. Cálculo da média móvel dos dados emitidos pelo microfone; 15. Teste do modelo neural a partir do quadragésimo ponto de aquisição: • Declaração das variáveis do teste do modelo neural; • Normalização dos dados de entrada da rede neural; • Cálculos das camadas intermediárias e da camada de saída do modelo neural; • Desnormalização dos dados. 16. Limpeza de tela. 17. Fim do programa de aquisição de dados. O programa é capaz de realizar o teste da rede neural online, sendo duas sub-rotinas: uma para o cálculo da média móvel dos dados do microfone e outra para realizar os cálculos algébricos da rede neural visando determinar em tempo real o tamanho e a localização do vazamento.After conversion, the equivalent decimal number was transformed into voltage units (voits) for the three microphone signal inputs, and into pressure units (kgf / cm2) for the signal from the pressure transducer. This conversion is performed in the read subroutine in the data acquisition program. The amplitude of the microphone signals varies from 0 to 5 Voits while the signal amplitude from the pressure transducer ranges from 1 to 5 Voits. This implies that conversion to voltage units is performed differently than conversion to pressure units. et Process, present and archive the data emitted by the pressure transducer and the microphone: The step of processing, presenting and archiving the data emitted by the pressure transducer and the microphone is the responsibility of the microcomputer (8). Data is presented graphically to the user in real time. The microcomputer interfaces between the data acquisition program and the ADA converter board. fi Generate data file: The data acquisition program allows the user to monitor the leakage process. This program stores the signals emitted by the sensors and transducers in the form of data files, which are later consulted and used in neural network training. The program has the following functions: 1. Definitions of the control variables of the ADA acquisition sink; 2. Declaration of variables for the calculation of the moving average; 3. Declaration of global variables and subroutines; 4. Screen cleaning; 5. Presentation screen; 6. Choice of name and construction of the results file; 7. Construction of the archive with moving average data; 8. Open neural model weights and bias files for reading; 9. Press a key to start data acquisition; 10. Tempol variable assumes the value of clockQ; 11. Screen cleaning; 12. Construction of the graphs: sound signal amplitude versus point numbers and pressure versus point numbers; 13. Beginning of the reading loop comprising the tasks: • Data acquisition; • Arithmetic mean filtration; • Conversion of data read into digital signals and later into amplitude units (Voits) and pressure (kgf / cmz); • variable time2 assumes the value of clockQ; • Acquisition time calculation per point, subtracting the value of tempol time2 variables; • Recording of the results file; • Microcomputer screen printing of the three values obtained in amplitude and the value obtained in pressure; • Press a key to exit the reading loop; • Return to the beginning of the reading loop; 14. Calculation of the moving average of data emitted by the microphone; 15. Neural model test from the fortieth acquisition point: • Declaration of neural model test variables; • Normalization of neural network input data; • Calculations of the intermediate layers and the output layer of the neural model; • Denormalization of data. 16. Screen cleaning. 17. End of data acquisition program. The program is capable of performing the online neural network test, being two subroutines: one to calculate the moving average of the microphone data and another to perform algebraic calculations of the neural network in order to determine the size and location in real time. of the leak.

Quando o programa de aquisição de dados é finalizado, o arquivo de dados é gerado, gerando informações da dinâmica dos três sinais de frequências do microfone e do transdutor de pressão. O programa de aquisição de dados tem como uma das funções principais determinar o intervalo de tempo gasto pelo computador para efetuar um laço de leitura (temporização). O laço de leitura no programa de aquisição de dados compreende as tarefas de leitura, conversão dos sinais analógicos em número decimal equivalente, filtragem através da média aritmética, transformação dos sinais em unidades de pressão e tensão e armazenamento desses dados em um arquivo. Esse intervalo de tempo gasto pelo computador é bastante importante, pois quanto mais rápido houver o processamento dos dados, mais rápido será detectado qualquer mudança no sistema de tubulações, A temporização é feita utilizando o relógio interno do microcomputador, por meio da sub-rotina clockQ e da biblioteca time.hàa linguagem C, no programa principal. Com a sub-rotina clockQ, é possível saber o exato instante em que a sub-rotina leitura termina. O intervalo de tempo é calculado da seguinte forma: ao iniciar a aquisição de dados, o valor do clockQ é enviado para uma variável denominada tempol. Essa variável é mantida inalterada durante toda a execução do programa. Após a realização das tarefas realizadas na subrotina leitura, o valor do clockQ é enviado para uma outra variável denominada tempo2. A diferença entre o tempol e tempo2 corresponde ao tempo gasto pelo microcomputador para realizar a leitura.When the data acquisition program is terminated, the data file is generated, generating information on the dynamics of the three frequency signals of the microphone and the pressure transducer. One of the main functions of the data acquisition program is to determine the interval of time taken by the computer to perform a read loop (timing). The reading loop in the data acquisition program comprises reading tasks, conversion of analog signals to equivalent decimal numbers, filtering through arithmetic averaging, transforming signals into units of pressure and voltage, and storing this data in a file. This interval of time spent by the computer is quite important, because the faster the data processing, the faster any changes in the piping system will be detected. The timing is done using the microcomputer's internal clock through the clockQ subroutine. and the time.hàa C library in the main program. With the clockQ subroutine, you can know the exact instant when the reading subroutine ends. The time interval is calculated as follows: when starting data acquisition, the clockQ value is sent to a variable called tempol. This variable is kept unchanged throughout the program execution. After performing the tasks performed in the read subroutine, the clockQ value is sent to another variable named time2. The difference between tempol and time2 corresponds to the time taken by the microcomputer to perform the reading.

Através da informação do tempo, é possível acompanhar o tempo que foi provocado vazamento, e o tempo que leva para a rede neural reconhecer o mesmo.Through time information, it is possible to track the time that has been leaked, and the time it takes for the neural network to recognize the same.

Os ruídos podem ser provocados por várias fontes, equipamentos elétricos, distância entre a instrumentação e a placa de aquisição de dados, ou por uma variação qualquer no processo. Para que fosse possível identificar um vazamento com mais facilidade, tornou-se necessário reduzir ao máximo esses ruídos, uma vez que podem ser confundidos com o próprio vazamento e para isso o programa compreende uma etapa de filtragem dos dados. A filtragem dos dados possibilita a redução desses ruídos gerados pelo processo. A presente invenção utilizou-se um filtro analógico, um filtro por média aritmética e um filtro por média móvel.Noises can be caused by various sources, electrical equipment, distance between the instrumentation and the data acquisition board, or any variation in the process. In order to be able to identify a leak more easily, it became necessary to minimize these noises as they can be confused with the leak itself and for this the program comprises a data filtering step. The filtering of the data enables the reduction of these noises generated by the process. The present invention used an analog filter, an arithmetic average filter and a moving average filter.

Foram utilizados dois tipos de filtros analógicos: filtro passa-baixa e o filtro passa-faixa. Apenas o filtro passa-baixa foi utilizado com a intenção de redução de ruídos, já que o filtro passa-faixa serviu na separação das frequências estabelecidas para o sinat sonoro proveniente do microfone. O filtro digital por média aritmética foi implementado na sub-rotina leitura no programa de aquisição de dados. Para cada medida, foram realizadas 500 leituras consecutivas por entrada analógica do conversor. O valor médio das 500 leituras consecutivas foi considerado como a medida realizada num intervalo de tempo.Two types of analog filters were used: low pass filter and band pass filter. Only the low pass filter was used with the intention of reducing noise, as the bandpass filter served to separate the frequencies established for the sound signal from the microphone. The arithmetic mean digital filter was implemented in the reading subroutine in the data acquisition program. For each measurement, 500 consecutive readings were taken per analog input of the converter. The average value of 500 consecutive readings was considered as the measurement taken over a period of time.

Este filtro é considerado satisfatório para ruídos de baixa frequência e para mínimas variações em amplitude, considerando um sinal contínuo no tempo. O filtro digital por média móvel foi utilizado por último com a finalidade de diminuir os ruídos ainda presentes nos sinais das três frequências separadas pelo filtro analógico. Pelo estudo da dinâmica do sinal sonoro, determinou-se que 40 medidas consecutivas das três frequências estabelecidas seriam utilizadas para o cálculo das médias móveis, resultando nos sinais denominados: SikHz(k).S5kHz(t<) e S9kHz(i<).This filter is considered satisfactory for low frequency noise and for minimum amplitude variations considering a continuous signal over time. The moving average digital filter was last used to reduce the noise still present in the signals of the three frequencies separated by the analog filter. By studying the dynamics of the sound signal, it was determined that 40 consecutive measurements of the three established frequencies would be used for the calculation of moving averages, resulting in the signals named: SikHz (k) .S5kHz (t <) and S9kHz (i <).

Simulações de vazamento de aás Foram analisadas as características do rufdo sonoro gerado peta ocorrência de vazamento de gás em uma tubulação rígida de 1/i” de diâmetro e 60 m de comprimento e em uma tubulação flexível (mangueira) de 3A” de diâmetro e 100 m de comprimento, alimentada através de um vaso de pressão, com alimentação continua de gás, sob diversas condições de operação.Water leakage simulations The characteristics of the noise generated by the occurrence of gas leakage in a 1 / i ”diameter 60 m long rigid pipe and a 3A” diameter 100 mm flexible pipe (hose) were analyzed. m long, fed through a pressure vessel, with continuous gas supply under various operating conditions.

Os vazamentos foram provocados manualmente por meio de válvulas de abertura/fechamento rápido instaladas ao longo da tubulação rígida (Figura 1) e/ou da flexível (Figura 2), A magnitude do vazamento foi controlada pela instalação de orifícios de diâmetros que variam entre 1,0 e 3,0 mm.The leaks were caused manually by quick-open / close valves installed along the rigid (Figure 1) and / or flexible piping (Figure 2). The magnitude of the leak was controlled by installing holes of diameters ranging from 1 .0 and 3.0 mm.

Utilizou-se ar comprimido (1), como fluido de trabalho, proveniente da linha que serve os laboratórios da FEQ. A pressão foi controlada pelo monitoramento de um manômetro instalado na entrada da tubulação. A pressão máxima utilizada foi de 6 kgf/cm2. O estudo dos vazamentos foi realizado pelo sistema de detecção de vazamento de gás da presente invenção onde o transdutor de pressão e o microfone foram instalados no vaso de pressão à entrada da tubulação e conectados a um microcomputador dotado de uma placa de aquisição de dados. Foram realizados em várias condições de operação em duas situações principais, tubulação rígida de ferro galvanizado e tubulação flexível (mangueira), conforme Figuras 1 e 2, respectivamente.Compressed air (1) was used as the working fluid from the line serving the FEQ laboratories. Pressure was controlled by monitoring a pressure gauge installed at the inlet. The maximum pressure used was 6 kgf / cm2. The leakage study was performed by the gas leak detection system of the present invention where the pressure transducer and microphone were installed in the pressure vessel at the pipe inlet and connected to a microcomputer equipped with a data acquisition board. They were performed under various operating conditions in two main situations, rigid galvanized iron tubing and flexible tubing (hose), as shown in Figures 1 and 2, respectively.

Na tubulação rígida foram provocados vazamento em três pontos diferentes (0 m, 1,5 m e 3 m). O primeiro ponto e o terceiro foram utilizados para o treinamento do modelo neural, enquanto que o segundo foi para os testes de localização do vazamento pelo modelo neural.The rigid piping caused leakage at three different points (0 m, 1.5 m and 3 m). The first and third points were used for neural model training, while the second was for neural model leak location tests.

Na tubulação flexível, em dois pontos diferentes foram provocados vazamentos (0 m e 50 m). Para cada ponto de vazamento foi feito um modelo neural para determinar o tamanho do vazamento.In the flexible pipe, at two different points leaks were caused (0 m and 50 m). For each leak point a neural model was made to determine the leak size.

Para que o sinal elétrico recebido pelo microfone fosse compreendido pelo conversor A/D foi necessário primeiramente passá-lo por um pré- ampiificador de sinal e, em seguida, por um banco de filtros de modo a transformar o sinal proveniente do pré-amplificador em três sinais com amplitudes diferentes, cada uma com uma faixa de frequência específica.In order for the electrical signal received by the microphone to be understood by the A / D converter it was first necessary to pass it through a signal preamplifier and then through a filter bank in order to transform the signal from the preamp into three signals with different amplitudes, each with a specific frequency range.

Os testes de simulação de gás foram realizados em duas situações diferentes, sendo que na primeira foram realizados testes na tubulação de ferro galvanizado (Figura 1) e na segunda situação utilizou-se a tubulação flexível (Figura 2), ambas com alimentação contínua de ar e com o transdutor de pressão e o microfone instalado no interior do vaso de pressão.The gas simulation tests were performed in two different situations. In the first one, tests were performed on the galvanized iron pipe (Figure 1) and in the second situation, the flexible pipe was used (Figure 2), both with continuous air supply. and with the pressure transducer and microphone installed inside the pressure vessel.

As etapas do procedimento de instalação do sistema para os testes é: 1. Instalação do orifício que controla a magnitude (tamanho) do vazamento; 2. A extremidade da tubulação é fechada; 3. O sistema é preenchido com ar comprimido a uma determinada pressão. Cada teste tem um valor fixo de pressão inicial, na faixa entre 2 e 6 kgf/cm2; 4. A válvula de alimentação é mantida aberta durante todo o teste; 5. O programa de aquisição de dados é inicializado e é dado o nome do arquivo de resultados; 6. O vazamento é provocado manualmente; 7. O tempo de teste é o suficiente para que o sistema volte a manter a pressão interna constante após a queda de pressão relativa à abertura de válvuia; 8. O programa de aquisição de dados é finalizado. A primeira etapa da simulação de vazamento de gás consiste na coleta de dados para detecção de vazamento através do método de detecção de gás da presente invenção com alimentação continua de ar comprimido. Para a tubulação permanecer pressurizada foi instalado um orifício de 0,8 mm na extremidade de saída na tubulação. O orifício que controla o tamanho do vazamento é colocado no ponto escolhido e em seguida a tubulação é preenchida com ar comprimido a uma determinada pressão de entrada que é mantida durante todo o teste. Logo após, o programa é ligado e o vazamento é provocado.The system installation procedure steps for testing are: 1. Installing the hole that controls the magnitude (size) of the leak; 2. The pipe end is closed; 3. The system is filled with compressed air at a certain pressure. Each test has a fixed starting pressure value in the range of 2 to 6 kgf / cm2; 4. The feed valve is kept open throughout the test; 5. The data acquisition program is started and the name of the results file is given; 6. The leak is triggered manually; 7. The test time is sufficient for the system to keep the internal pressure constant again after the valve opening pressure drop; 8. The data acquisition program is terminated. The first step of the gas leak simulation is to collect data for leak detection using the gas detection method of the present invention with continuous supply of compressed air. For the piping to remain pressurized, a 0.8 mm hole was installed at the outlet end of the piping. The orifice that controls the size of the leak is placed at the chosen point and then the tubing is filled with compressed air at a certain inlet pressure that is maintained throughout the test. Soon after, the program is started and the leak is triggered.

Quando o programa de aquisição de dados é finalizado, o arquivo de dados é gerado, gerando informações da dinâmica dos três sinais de frequências do microfone e do transduíor de pressão.When the data acquisition program is terminated, the data file is generated, generating information on the dynamics of the three frequency signals of the microphone and the pressure transducer.

Estes testes foram realizados em várias situações de operação, conforme as Tabelas 1 e 2, gerando um extenso banco de dados, para cada pressão inicial de operação. Em média foram utilizados aproximadamente 4000 vetores para cada modelo neural correspondente, sendo 80 % dos dados para treinamento e 20 % utilizados para teste off-line. Dados sem a ocorrência de vazamentos foram também incluídos neste banco de dados. Método de determinação da magnitude e da localização de vazamento de gás oor meio de redes neurais É um objeto adicional da presente invenção um método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais O método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais compreende as seguintes etapas: a) Criação do banco de dados; b) Normalização das variáveis e cálculo das médias móveis para cada uma das 3 frequências escolhidas de sinal sonoro; c) Definição da arquitetura dos modelos neurais; d) Treinamento das redes neurais para determinação de seus parâmetros (pesos e bias) e geração de dois modelos neurais: um para predição da magnitude e outro para localização do vazamento; e) Testes off-line de validação dos modelos neurais gerados com banco de dados não usados no treinamento; f) Transporte dos parâmetros das redes neurais validadas para a sub- rotina de redes neurais do programa de aquisição de dados; g) Acionamento do programa com experimento em tempo reaf; h) Cátculo das médias móveis para cada leitura de sinal; i) Implementação das médias como valores de entrada para os cálculos das redes neurais; j) Apontamento de vazamento e qual sua magnitude na saída do primeiro modelo neural; k) Ativação de alarme se houve detecção de vazamento de gás e a segunda rede neural é ativada com as mesmas entradas implementadas no primeiro modelo, para determinar a localização do vazamento; l) Envio dos valores preditos de magnitude e de localização para visualização. A etapa (c) é de definição da arquitetura dos modelos neurais: estrutura de alimentação direta (feedforward); quais são os sinais de entrada (sonoros e/ou pressão); em quantos instantes de amostragem anteriores eles serão usados; quantas camadas e neurônios intermediários; e quais as funções de ativação. A melhor arquitetura é definida pelo menor erro obtido no treinamento e também pelo menor erro obtido com dados não vistos no treinamento, observado pela proximidade da dispersão dos dados em torno da diagonal no gráfico de “dados preditos” versus “dados reais”. A dinâmica dos três sinais de frequência advindos do microfone no tempo (arquivo de dados) foi utilizada como entrada do modelo neural para determinar a ocorrência ou não, o tamanho e a localização do vazamento. Para os casos em que a pressão inicial é maior que 4 kgf/cm2, o sinal pontual de pressão pode ser utilizado também como entrada da rede, auxiliando a predição, Para pressões menores, este sinal não altera o desempenho da predição. O treinamento da RNA foi realizado para todas as situações de operação mostradas nas Tabelas 1 e 2. Para os dados da tubulação flexível foram realizados somente testes off-line com dados diferentes do treinamento para determinar o tamanho do vazamento. Para os dados da tubulação rígida, além dos testes off-line, com dados diferentes do treinamento, foram realizados testes online para determinar o tamanho e a localização de vazamentos em tempo real.These tests were performed in various operating situations, according to Tables 1 and 2, generating an extensive database for each initial operating pressure. Approximately 4000 vectors were used for each corresponding neural model, 80% of the training data and 20% for offline testing. Data without leaks has also been included in this database. Method for determining the magnitude and location of gas leakage by means of neural networks It is an additional object of the present invention to determine the magnitude and location of gas leakage by means of neural networks. Gas leak location through neural networks comprises the following steps: a) Creation of the database; (b) standardization of variables and calculation of moving averages for each of the 3 chosen signal frequencies; c) Definition of the architecture of neural models; d) Training of neural networks to determine their parameters (weights and bias) and generation of two neural models: one for magnitude prediction and one for leak location; e) Offline validation tests of neural models generated with databases not used in training; (f) Transport of validated neural network parameters to the neural network subroutine of the data acquisition program; g) Program activation with real time experiment; h) Calculation of moving averages for each signal reading; i) Implementation of averages as input values for neural network calculations; j) Leak point and what is its magnitude at the output of the first neural model; k) Alarm activation if gas leakage has been detected and the second neural network is activated with the same inputs implemented in the first model to determine the location of the leak; l) Submission of predicted magnitude and location values for viewing. Step (c) is to define the architecture of the neural models: feedforward structure; what are the input signals (audible and / or pressure); how many previous sampling times they will use; how many layers and intermediate neurons; and what are the activation functions. The best architecture is defined by the smallest error obtained in training and also the smallest error obtained with data not seen in training, observed by the proximity of data dispersion around the diagonal in the “predicted data” versus “real data” graph. The dynamics of the three frequency signals coming from the microphone over time (data file) was used as input to the neural model to determine the occurrence or not, the size and location of the leak. For cases where the initial pressure is greater than 4 kgf / cm2, the point pressure signal may also be used as a mains input, aiding the prediction. For lower pressures, this signal does not change the prediction performance. RNA training was performed for all operating situations shown in Tables 1 and 2. For flexible piping data only off-line tests with different training data were performed to determine leak size. For rigid piping data, in addition to offline tests with different training data, online tests were performed to determine the size and location of leaks in real time.

Treinamento e arquitetura da rede neural Logo após a aquisição de dados através do programa, os dados foram organizados em arquivos para a realização dos treinamentos. Deve-se observar que para cada pressão inicial de operação foi gerado um modelo neural independente. O algoritmo de treinamento dos modelos neurais foi implementado no Software Matlab. O método escolhido para o treinamento da rede neural foi o de Levenberg-Marquardt com Regularização Bayesiana (função “trainbr” no Matlab). O programa desenvolvido no Matlab apresenta as seguintes funções: 1. Leitura do arquivo de dados; 2. Divisão dos dados de treinamento e dados de teste; 3. Normalização dos dados entre -1 e 1; 4. Criação da rede neural; 5. Definição do número de épocas; 6. Chute inicial dos pesos e biases; 7. Treinamento da rede com o conjunto de dados; 8. Simulação da variável de saída a partir das entradas do conjunto de teste; 9. Desnormalização da variável de saída; 10. Geração dos gráficos para análise do erro; 11. Fim do programa.Training and architecture of the neural network Soon after the data acquisition through the program, the data were organized in files for the training. It should be noted that for each initial operating pressure an independent neural model was generated. The training algorithm of the neural models was implemented in the Matlab software. The method chosen for training the neural network was that of Levenberg-Marquardt with Bayesian Regularization (Matlab “trainbr” function). The program developed in Matlab has the following functions: 1. Data file reading; 2. Division of training data and test data; 3. Data normalization between -1 and 1; 4. Creation of the neural network; 5. Definition of the number of times; 6. Initial kick of weights and biases; 7. Network training with data set; 8. Simulation of the output variable from the test set inputs; 9. Denormalization of the output variable; 10. Generation of graphs for error analysis; 11. End of the program.

Os dados salvos no arquivo de dados foram primeiramente transformados por meio do cálculo de média móvel no tempo em 40 instantes passados. Para a determinação deste número de amostragens anteriores, foram realizados cálculos com 5, 10, 20 e 40 instantes anteriores e verificou-se que usando 40 pontos houve uma grande redução do ruído ainda existente nos sinais do microfone, facilitando o treinamento da rede neural. O cálculo da média móvel é realizado conforme Equações 7, 8 e 9. A Equação 7 representa o primeiro ponto, a Equação 8 representa o segundo ponto e a Equação 9 representa o cálculo de um ponto N qualquer com número de pontos passados (n) a ser utilizado. Como entradas da rede foram, utilizados os dados dos três sinais de frequência (S) fornecidos pelo microfone nos instantes atuais (k) e em três instantes anteriores (k-1, k-2 e k-3), totalizando 12 entradas, conforme Figura 3. Este número de instantes foi definido também através de testes e percebeu-se que usando três instantes anteriores e o instante atual a rede neural teve um desempenho melhor, auxiliandoas predições do modelo neural. O intervalo de tempo de aquisição de dados entre os instantes k e k-1 é de aproximadamente 0,16 segundos.Data saved in the data file was first transformed by calculating time moving average over 40 past moments. For the determination of this number of previous samples, calculations were performed with 5, 10, 20 and 40 anterior moments and it was verified that using 40 points there was a great reduction of the noise still existing in the microphone signals, facilitating the neural network training. The moving average is calculated according to Equations 7, 8 and 9. Equation 7 represents the first point, Equation 8 represents the second point and Equation 9 represents the calculation of any point N with number of past points (n) to be used. The network inputs were the data from the three frequency signals (S) provided by the microphone at the current time (k) and three previous time (k-1, k-2 and k-3), totaling 12 inputs, as shown. Figure 3. This number of instants was also defined by tests and it was noticed that using three previous instants and the current instant the neural network performed better, helping the neural model predictions. The data acquisition time interval between k and k-1 is approximately 0.16 seconds.

As redes neurais são bastante sensíveis à escala dos dados, se os valores destes dados forem muito diferentes, a rede pode erroneamente atribuir uma maior importância a valores maiores. Devido a isto, é bastante usual a normalização do conjunto de dados de treinamento dentro de um intervalo específico. O intervalo utilizado foi de -1 a 1. A normalização do conjunto de dados para o treinamento foi realizada pelo próprio MATLAB, o comando utilizado pelo mesmo foi premnmx (entrada,saída). Foram determinados os mínimos (min) e máximos (max) para cada entrada e saída.Neural networks are quite sensitive to data scale, if the values of these data are very different, the network may erroneously attach greater importance to larger values. Because of this, normalization of the training dataset within a specific range is quite usual. The range used was from -1 to 1. The normalization of the data set for training was performed by MATLAB itself, the command used by it was premnmx (input, output). Minimum (min) and maximum (max) were determined for each input and output.

No caso dos testes reaiizados em tempo real no C, foi implementado a Equação 10 para normalizar os dados de teste, os mínimos e máximos foram os mesmos utilizados no treinamento. (10) Da mesma forma que os dados são normalizados, os dados de saída da rede são também desnormaiizados para a faixa de valores reais. Na fase de treinamento, a desnormalização é feita pelo MATLAB com o comando postmnmx (tamanho ou localização do vazamento). No caso dos testes realizados online, foi utilizada a Equação 11 para desnormalizar os dados de teste. (11) Vários testes off-line foram executados para verificar a melhor configuração da rede neural para as situações testadas. Nestes testes foram definidos: o número de instantes anteriores usados na camada de entrada, ou seja, o número de nós na primeira camada; o número de camadas intermediárias; e seus respectivos números de neurônios. Assim como, foram analisadas também as funções de ativações das camadas intermediárias que obtiveram um melhor desempenho para a situação em estudo: tangente (terminologia do MATLAB: tansig) ou sigmoidal (terminologia do MATLAB: logsig). Na camada de saída foi utilizada como função de ativação a função linear.In the case of tests performed in real time in C, Equation 10 was implemented to normalize the test data, the minimum and maximum were the same used in training. (10) In the same way as data is normalized, network output data is also non-normalized to the actual value range. In the training phase, MATLAB is denormalized with the postmnmx command (leak size or location). For online tests, Equation 11 was used to denormalize the test data. (11) Several offline tests were performed to verify the best neural network configuration for the situations tested. In these tests were defined: the number of previous instants used in the input layer, ie the number of nodes in the first layer; the number of intermediate layers; and their respective neuron numbers. As well as, the activation functions of the intermediate layers that had the best performance for the situation under study were analyzed: tangent (MATLAB: tansig terminology) or sigmoidal (MATLAB: logsig terminology). In the output layer the linear function was used as activation function.

As melhores configurações foram definidas prímeiramente através dos valores dos erros médios quadráticos (MSE) de treinamento, na qual a raiz quadrada do MSE representa a precisão do modelo, sendo que valores menores que 0,1 mm foram aceitáveis. Visando avaliar a capacidade de generalização dos modelos desenvolvidos, foram analisados os gráficos de dispersão (dados reais versus preditos) usando dados de teste (não vistos no treinamento). Quando os dados se apresentavam na forma de reta coincidente com a diagonal, onde o coeficiente linear se aproximava de zero e o coeficiente angular ficava próximo de um, a configuração do modelo neural foi considerada adequada.The best configurations were first defined through the training mean square error (MSE) values, in which the square root of the MSE represents the model accuracy, and values smaller than 0.1 mm were acceptable. In order to assess the generalizability of the developed models, the scatter plots (actual versus predicted data) were analyzed using test data (not seen in training). When the data were in the form of a line coincident with the diagonal, where the linear coefficient approached zero and the angular coefficient was close to one, the neural model configuration was considered adequate.

Organização dos dados oara o treinamento Os dados foram organizados em um arquivo de dados.DAT com 12 entradas e uma saída (tamanho e/ou localização do vazamento)em cada situação operacional testada, conforme Tabela 3. A apresentação do tamanho do vazamento na saída do modelo neural deu-se da seguinte forma: 0, representa que não houve vazamento, 1, representa que houve vazamento com tamanho de 1 mm de diâmetro, 2, ilustra um vazamento com 2 mm de diâmetro e 3, representa um vazamento com 3 mm de vazamento. No caso do modelo neural desenvolvido para determinar a localização do vazamento, tinha como saída 1, representando que houve vazamento no início da tubulação, 2, representa vazamento no ponto com 1,5 m do início da tubulação e 3 ilustrando o ponto com 3 m do início da tubulação.Data organization for training The data was organized in a data file. DAT with 12 inputs and one output (leak size and / or location) in each operating situation tested, as per Table 3. The presentation of leak size at output The neural model was as follows: 0 represents no leak, 1 represents 1 mm diameter leak, 2 illustrates a 2 mm diameter leak and 3 represents a 3 mm leak mm of leakage. In the case of the neural model developed to determine the location of the leak, it had output 1, representing that there was a leak at the beginning of the pipe, 2, representing a leak at the point 1.5 m from the beginning of the pipe and 3 illustrating the point with 3 m. from the beginning of the pipe.

Tabeta 3: Organização das variáveis de entrada no arquivo de dados para o treinamento do modelo neural.Table 3: Organization of data file input variables for neural model training.

Testes off-lirte e online da RNARNA Off-Line and Online Testing

Os dados utilizados para teste off-line foram dados diferentes do treinamento, sendo separados em uma proporção de 20% do total de dados do arquivo original, como dito anteriormente, compreendidos nas faixas de valores do arquivo de treinamento, e em situações transientes ou estacionárias de operação do sistema.The data used for offline testing were different training data, being separated by a proportion of 20% of the total data from the original file, as stated above, within the value ranges of the training file, and in transient or stationary situations. of system operation.

Para testar a utilização dos modelos neurais para determinação da magnitude, inicialmente foi desenvolvido um modelo neural para cada posição de vazamento, utilizando uma determinada pressão da tubulação.To test the use of neural models for magnitude determination, a neural model was initially developed for each leak position using a given pipe pressure.

Para a tubulação flexível foram realizados somente testes off-line para determinar o tamanho do vazamento para as pressões iniciais de 2, 4 e 6 kgf/cm2. Os modelos neurais desenvolvidos para tais situações tiveram como saída a magnitude (tamanho) do vazamento, conforme ilustrado na Figura 5.For flexible tubing only off-line tests were performed to determine the leak size for the initial pressures of 2, 4 and 6 kgf / cm2. The neural models developed for such situations had as output the magnitude (size) of the leak, as illustrated in Figure 5.

Inicialmente para a tubulação de ferro galvanizado, visando à análise de desempenho dos modelos neurais quando realmente aplicados para o monitoramento em tempo real, foram realizados testes off-line e também testes online para determinar o tamanho do vazamento para as pressões iniciais de 4 e 6 kgf/cm2.Initially for galvanized iron piping, in order to analyze the performance of neural models when actually applied for real-time monitoring, off-line tests were performed as well as online tests to determine the leak size for the initial pressures of 4 and 6. kgf / cm2.

Posteriormente, visando monitorar online uma situação real, na qual não se sabe a posição do vazamento, foram elaborados dois modelos neurais independentes usando no treinamento dados de diferentes locais de vazamento, para determinar a magnitude e a localização do vazamento. De modo que, o primeiro modelo neural (determinação do tamanho do vazamento) ativa o segundo modelo para localizar o vazamento, conforme ilustrado na Figura 6. Foram realizados testes off-line e testes online especialmente para a tubulação rígida a 6 kgf/cm2. O primeiro modelo neural (modelo neural 1) foi elaborado para detectar o vazamento e determinar o tamanho do mesmo. No treinamento, foram utilizados dados provenientes de situações de vazamentos de magnitudes 1, 2 e 3 mm, além de situações sem ocorrência de vazamento, nos locais de vazamento situados a 0 e 3 m do inicio da tubulação. O segundo modelo (modelo neural 2), que tem a função de localizar o vazamento detectado pelo modelo neural 1, será ativado quando a saida do modelo neural 1 for diferente de zero. No treinamento do modelo neural 2, foram utilizados dados provenientes de situações de vazamentos localizados a 0 e 3 m do início da tubulação. Locais de vazamento diferentes destes foram usados nos testes online.Later, in order to monitor a real situation online, in which the position of the leak is not known, two independent neural models were elaborated using in training data from different leak locations to determine the magnitude and location of the leak. Thus, the first neural model (leak size determination) activates the second model to locate the leak, as illustrated in Figure 6. Offline and online tests were performed especially for rigid tubing at 6 kgf / cm2. The first neural model (neural model 1) was designed to detect leakage and determine its size. In training, data from situations of leakage of magnitudes 1, 2 and 3 mm, as well as situations without leakage, were used in the leakage sites located at 0 and 3 m from the beginning of the pipe. The second model (neural model 2), which has the function of locating the leak detected by neural model 1, will be activated when the output of neural model 1 is nonzero. In the training of neural model 2, data from leak situations located 0 and 3 m from the beginning of the tubing were used. Leak locations other than these were used in online testing.

Tubulação flexível (manaueiraí A seguir são apresentados e analisados os transientes de pressão e as variações em amplitude (volts) do ruído sonoro gerado pelos vazamentos provocados na tubulação flexível (11). As Figuras 4 a 9 representam gráficos da variação da pressão interna da tubulação, juntamente com a dinâmica das amplitudes do ruído sonoro provocados por um vazamento, utilizando orifícios de 1 e 3 mm, para as pressões iniciais de 2, 4 e 6 kgf/cm2, em dois locais diferentes da tubulação, com 0 e 50 m do início do duto. Os gráficos com orifícios de 2 mm estão apresentados nas Figuras 48 e 49.Flexible piping (manaueiraí) The following are presented and analyzed the pressure transients and amplitude variations (volts) of the noise generated by the leaks caused by the flexible piping (11). , together with the dynamics of the noise noise amplitudes caused by a leak, using 1 and 3 mm orifices, for initial pressures of 2, 4 and 6 kgf / cm2, at two different piping locations, with 0 and 50 m of The 2 mm hole graphs are shown in Figures 48 and 49.

Em todos os testes com a tubulação flexível, o ganho no circuito de banco de filtros passa faixa foi ajustado para o valor 2, pois este valor possibilitou a detecção do vazamento nas três frequências utilizadas.In all tests with flexible tubing, the gain in the pass-through filter bank circuit was set to 2, as this value allowed leak detection at the three frequencies used.

No método acústico, as frequências utilizadas (1 kHz, 5 kHz e 9 kHz) foram escolhidas por apresentarem maior variação em amplitude para os sistemas estudados.In the acoustic method, the frequencies used (1 kHz, 5 kHz and 9 kHz) were chosen because they present greater variation in amplitude for the studied systems.

As Figuras 4 e 7 ilustram os dados dos vazamentos com tamanho de 1 mm, para as pressões iniciais de 2, 4 e 8 kgf/cm2, provocados nos pontos 0 e 50 m do início da tubulação, respectivamente. As mesmas revelam que, no momento em que houve o vazamento, a pressão interna sofreu uma pequena redução, sendo praticamente imperceptível a ocorrência de vazamento. Porém, a amplitude do ruído sonoro aumentou, caracterizando claramente a ocorrência do vazamento.Figures 4 and 7 illustrate the 1 mm size leak data for the initial pressures of 2, 4 and 8 kgf / cm2, caused at points 0 and 50 m from the start of the pipe, respectively. They reveal that, at the moment of the leak, the internal pressure suffered a small reduction, and the leakage was almost imperceptible. However, the amplitude of noise increased, clearly characterizing the occurrence of leakage.

Foi observado na Figura 4 que a queda de pressão interna na tubulação foi um pouco maior no caso com a pressão inicial de 6 kgf/cm2, assim como a queda de pressão para 4 kgf/cm2 foi maior que os dados com pressão inicial de 2 kgf/cm2, Logo, percebe-se que quanto maior a pressão do sistema, mais fácii a identificação de vazamento através do sina) de pressão.It was observed in Figure 4 that the internal pressure drop in the pipe was slightly higher in the case with the initial pressure of 6 kgf / cm2, as the pressure drop to 4 kgf / cm2 was greater than the data with the initial pressure of 2 kgf / cm2. kgf / cm2 Therefore, the higher the system pressure, the easier it is to identify leakage through the pressure signal.

Nos testes realizados com orifício de 1 mm (Figura 4), para pressão de 2 kgf/cm2, o vazamento foi provocado com 10,88 s depois de iniciado o teste.In tests performed with a 1 mm orifice (Figure 4), for a pressure of 2 kgf / cm2, the leak was caused with 10.88 s after the test started.

Para a pressão de 4 kgf/cm2, o vazamento foi provocado com 10,82 s e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 7,80 s de teste.For the pressure of 4 kgf / cm2, the leak was caused with 10.82 s and for the pressure of 6 kgf / cm2, the leak was caused with 7.80 s of test.

Percebeu-se que a partir do momento que foi provocado o vazamento, houve um aumento nas amplitudes do ruído sonoro nas três frequências. Porém, para as pressões de 2 e 4 kgf/cm2, o sinat com frequência de 1 kHz não respondeu ao vazamento, permanecendo em zero, enquanto que as outras (5 e 9 kHz) aumentaram, caracterizando a ocorrência do vazamento.It was noticed that from the moment the leak was caused, there was an increase in the noise noise amplitudes in the three frequencies. However, for pressures of 2 and 4 kgf / cm2, the 1 kHz sinat frequency did not respond to leakage, remaining zero, while the others (5 and 9 kHz) increased, characterizing the occurrence of leakage.

Nos testes reaiizados com orifício de 1 mm, locai com 50 m do início da tubulação (Figura 7), para pressão de 2 kgf/cm2, o vazamento foi provocado com 10,05 s depois de iniciado o teste. Para a pressão de 4 kgf/cm2, o vazamento foi provocado com 7,19 s e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 8,79 s.In tests performed with a 1 mm orifice, located 50 m from the beginning of the pipe (Figure 7), for pressure of 2 kgf / cm2, leakage was caused with 10.05 s after the start of the test. For the pressure of 4 kgf / cm2, the leak was caused with 7.19 s and for the pressure of 6 kgf / cm2, the leak was caused with 8.79 s.

As Figuras 8 e 9 ilustram os dados dos vazamentos provocados com o tamanho de 3 mm para as pressões iniciais de 2, 4 e 6 kgf/cm2 nos pontos 0 e 50 m do início da tubulação, respectivamente. As mesmas revelam que no momento em que houve o vazamento, a pressão interna sofreu uma redução, desta vez com fácil percepção da ocorrência de vazamento. Visualiza-se também o aumento brusco das amplitudes dos ruídos sonoros, mostrando nitidamente a ocorrência de vazamento.Figures 8 and 9 illustrate the leakage data of the 3 mm size for the initial pressures of 2, 4 and 6 kgf / cm2 at points 0 and 50 m from the start of the pipe, respectively. They reveal that at the moment of the leak, the internal pressure was reduced, this time with easy perception of leakage. The sharp increase in sound noise amplitudes can also be seen, clearly showing the occurrence of leakage.

Nos testes realizados com orifício de 3 mm, com vazamento no início da tubulação (0 m), conforme Figura 8, para pressão de 2 kgf/cm2, o vazamento foi provocado com 9,95 s depois de iniciado o teste. Para a pressão de 4 kgf/cm2, o vazamento foi provocado com 5,71 s e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 6,32 s.In tests performed with a 3 mm hole, with leakage at the beginning of the pipe (0 m), as shown in Figure 8, for pressure of 2 kgf / cm2, the leak was caused with 9.95 s after the test started. For the pressure of 4 kgf / cm2, the leak was caused with 5.71 s and for the pressure of 6 kgf / cm2, the leak was caused with 6.32 s.

Nos testes realizados com orifício de 3 mm, com vazamento a 50 m do início da tubulação (0 m), conforme Figura 9, para pressão de 2 kgf/cm2, o vazamento foi provocado com 10,65 s depois de iniciado o teste. Para a pressão de 4 kgf/cm2, o vazamento foi provocado com 8,18 s e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 4,94 s de teste.In tests performed with a 3 mm hole, with leakage 50 m from the beginning of the pipe (0 m), as shown in Figure 9, for pressure of 2 kgf / cm2, the leak was caused with 10.65 s after the test started. For the pressure of 4 kgf / cm2, the leak was caused with 8.18 s and for the pressure of 6 kgf / cm2, the leak was caused with 4.94 s of test.

De acordo com PAVAN (2005), frequências abaixo de 1 kHz apresentam sons mais graves enquanto que frequências acima de 9 kHz apresentam sons mais agudos. Portanto, verificou-se que em todas as situações as amplitudes da frequência com 5 kHz supera as amplitudes com frequência de 9 kHz, apresentando um som mais grave. Percebeu-se também que para orifícios maiores o ruído sonoro é mais grave.According to PAVAN (2005), frequencies below 1 kHz have lower sounds while frequencies above 9 kHz have higher sounds. Therefore, it was found that in all situations the frequency amplitudes with 5 kHz exceed the amplitudes with frequency of 9 kHz, presenting a lower sound. It was also noticed that for larger holes the noise noise is more severe.

Tubulação rfaida (ferro galvanizado) No caso da tubulação rígida (10) de ferro galvanizado foram realizados testes com pressões iniciais de 4 e 6 kgf/cm2 com vazamento provocado no ponto inicial da tubulação (0 m) e, para o vazamento provocado no ponto a 3 m do inicio da tubulação, foram realizados testes somente para a pressão inicial de 6 kgf/cm. A seguir são apresentados e analisados os transientes de pressão e as variações em amplitude do ruído sonoro gerado pelos vazamentos provocados na tubulação de ferro galvanizado. As Figuras 10, 11 e 12 apresentam a variação da pressão interna da tubulação juntamente com as amplitudes do ruído sonoro provocados por um vazamento de magnitude 1,2 e 3 mm, para as pressões iniciais de 4 e 6 kgf/cm2. A Figura 10 ilustra os dados do monitoramento de vazamentos no início da tubulação, provocados com o tamanho de 1 mm, para as pressões iniciais de 4 e 6 kgf/cm2. A mesma revela que no momento em que houve o vazamento a pressão interna sofreu uma pequena redução, sendo praticamente insignificante a mudança, não indicando claramente a ocorrência de vazamento. Porém, a amplitude do ruído sonoro aumentou, apontando a ocorrência do vazamento de maneira clara.Rigid tubing (galvanized iron) In the case of rigid galvanized iron tubing (10), tests were performed at initial pressures of 4 and 6 kgf / cm2 with leakage at the pipe start point (0 m) and for leakage at the point At 3 m from the beginning of the pipe, tests were performed only for the initial pressure of 6 kgf / cm. The following are presented and analyzed the pressure transients and the variations in amplitude of the noise generated by the leaks caused by galvanized iron pipe. Figures 10, 11 and 12 show the variation of the pipe internal pressure along with the noise noise amplitudes caused by a leakage of magnitude 1.2 and 3 mm for the initial pressures of 4 and 6 kgf / cm2. Figure 10 illustrates pipeline leakage monitoring data at 1 mm in size at initial pressures of 4 and 6 kgf / cm2. It reveals that at the moment of the leakage the internal pressure suffered a small reduction, being practically insignificant the change, not clearly indicating the occurrence of leakage. However, the amplitude of noise increased, indicating the occurrence of leakage clearly.

Nos testes realizados com orifício de 1 mm, conforme Figura 10, para pressão de 4 kgf/cm2, o vazamento foi provocado com 28,13 s depois de iniciado o teste e para a pressão de 6 kgf/cmz, o vazamento foi provocado com 32,19 s de teste.In tests performed with a 1 mm orifice, as shown in Figure 10, for pressure of 4 kgf / cm2, the leak was caused with 28.13 s after the start of the test and for pressure of 6 kgf / cmz, the leak was caused with 32.19 s of test.

Foi empregado ganho de valor 4 no circuito de banco de filtros, pois ganhos de 2 a 3,5 não foram suficientes para caracterizar um vazamento, uma vez que as amplitudes dos ruídos sonoros assumiram valores próximos de zero, não caracterizando um vazamento na tubulação rígida.A gain of 4 was used in the filter bank circuit, since gains of 2 to 3.5 were not sufficient to characterize a leak, since the noise noise amplitudes assumed values close to zero, not characterizing a leak in the rigid pipe. .

No caso dos resultados para um vazamento com 2 mm de diâmetro (Figura 11), a frequência de 5 kHz ultrapassou o limite em que a placa de aquisição pode converter que é de 4,75 Volts com ganho de 4 no circuito de filtros, apresentando a saturação da amplitude das frequências, pressão de 4 e 6 kgf/cm2. Para a pressão 6 kgf/cm2 a amplitude da frequência 9 kHz também uítrapassou o limite. Como dito anteriormente, o ganho no banco de filtros foi utilizado para definir manualmente a amplitude do sina! que chega ao computador, logo quanto mais alto o ganho, maior a amplitude do sinal. No caso de um ganho maior que 4, as amplitudes de todas as frequências para um vazamento com 2 mm ultrapassam o limite de 4,75 Volts, se comportando da mesma forma que os dados da Figura 12. Logo, prejudicaria o treinamento do modelo neural, para determinar o tamanho do vazamento, pois não teria diferenciação entre dados com 2 e 3 mm. Desta forma foi definido o valor 4 para o ganho.In the case of the results for a 2 mm diameter leak (Figure 11), the frequency of 5 kHz has exceeded the limit at which the acquisition board can convert to 4.75 Volts with a gain of 4 in the filter circuit. frequency amplitude saturation, pressure of 4 and 6 kgf / cm2. For pressure 6 kgf / cm2 the frequency range 9 kHz also exceeded the limit. As stated earlier, the filter bank gain was used to manually set the amplitude of the signal! that reaches the computer, so the higher the gain, the greater the signal amplitude. In the case of a gain greater than 4, the amplitudes of all frequencies for a 2 mm leakage exceed the limit of 4.75 Volts, behaving in the same way as the data in Figure 12. Therefore, it would impair neural model training. , to determine the size of the leak, as there would be no differentiation between data with 2 and 3 mm. Thus was set the value 4 for the gain.

Nos testes realizados com orifício de 2 mm, conforme Figura 11, para pressão de 4 kgf/cm2, o vazamento foi provocado com 20,93 s depois de iniciado o teste e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 20,90 s de teste.In tests performed with a 2 mm orifice, as shown in Figure 11, for a pressure of 4 kgf / cm2, the leak was caused with 20.93 s after the start of the test and for the pressure of 6 kgf / cm2, the leak was caused with 20.90 s of test.

Percebeu-se que em todas as situações as amplitudes da freqüência com 5 kHz supera as amplitudes com freqüência de 9 kHz, apresentando um som mais grave.It was noticed that in all situations the frequency amplitudes with 5 kHz exceed the amplitudes with frequency of 9 kHz, presenting a lower sound.

Pode-se observar na Figura 12 que as amplitudes das três frequências ultrapassam o limite em que a placa de aquisição pode converter, com ganho no banco de filtros de 4. Esta saturação da amplitude das frequências ocorre para vazamentos maiores que 2 mm para as pressões de 4 e 6 kgf/cm2.It can be seen from Figure 12 that the amplitudes of the three frequencies exceed the limit at which the acquisition plate can convert, with filter bank gain of 4. This frequency amplitude saturation occurs for leaks greater than 2 mm for the pressures. 4 and 6 kgf / cm2.

Nos testes realizados com orifício de 3 mm, conforme Figura 12, para pressão de 4 kgf/cm2, o vazamento foi provocado com 13,79 s depois de iniciado o teste e para a pressão de 6 kgf/cm2, o vazamento foi provocado com 22,70 s de teste.In tests performed with a 3 mm orifice, as shown in Figure 12, for 4 kgf / cm2 pressure, the leak was caused with 13.79 s after the test started and for 6 kgf / cm2 pressure, the leak was caused with 22.70 s of test.

Visando ao treinamento do modelo neurai 2 (localização) foi realizado um teste com vazamento provocado no ponto a 3 m do início da tubulação, conforme resultados da Figura 13. Para o treinamento do modelo neurai para determinar a localização, foi necessário realizar o teste do ponto com 3 m do início do vazamento nas mesmas condições que o teste do início da tubulação (0 m), ou seja, o ganho do circuito banco de filtros foi 4. Porém, como pode ser visto na Figura 13, o gráfico para vazamento de 1 mm mostra que somente o ruído de uma frequência respondeu ao vazamento, ou seja, somente a amplitude da frequência de 5 kHz apresentou aumento quando o vazamento foi provocado, caracterizando a ocorrência do vazamento. Por outro lado, os sinais das outras duas frequências não responderam ao vazamento. Logo, o microfone usado não foi eficiente a distância de 3 m com ganho de 4, necessitando de um ganho maior ou de uma proximidade maior ao vazamento.In order to train the neurai 2 model (localization) a leak test was performed at the point 3 m from the beginning of the pipe, as shown in Figure 13. For the neurai model training to determine the location, it was necessary to perform the test 3 m from the start of the leak under the same conditions as the pipe start test (0 m), ie the gain of the filter bank circuit was 4. However, as can be seen in Figure 13, the leak graph 1 mm shows that only one frequency noise responded to the leak, that is, only the frequency amplitude of 5 kHz increased when the leak was caused, characterizing the occurrence of the leak. On the other hand, signals from the other two frequencies did not respond to the leak. Therefore, the microphone used was not efficient at a distance of 3 m with a gain of 4, requiring greater gain or closer proximity to the leak.

Para o vazamento com 3 mm, ilustrado na Figura 13, somente a amplitude da frequência de 9 kHz não ultrapassou o limite da placa de aquisição de dados.For the 3 mm leak, shown in Figure 13, only the 9 kHz frequency amplitude did not exceed the data acquisition board limit.

Nos testes realizados com vazamento com 3 m do início da tubulação, conforme Figura 13, com tamanho de 1 mm, o vazamento foi provocado com 39,06 s depois de iniciado o teste. Para o vazamento com tamanho de 2 mm, o vazamento foi provocado com 32,19 s de teste e o vazamento com tamanho de 3 mm foi provocado com 28,74 s.In tests performed with leakage 3 m from the beginning of the pipe, as shown in Figure 13, with a size of 1 mm, the leak was caused with 39.06 s after the test started. For the 2 mm size leak, the leak was triggered with 32.19 s of test and the 3 mm size leak was triggered with 28.74 s.

Uso das redes neurais na determinação da magnitude (tamanho) do vazamento e da localização do mesmo.Use of neural networks to determine the magnitude (size) of the leak and its location.

Para o treinamento das redes neurais foram utilizados os dados das amplitudes dos ruídos sonoros usando-se orifícios de três tamanhos diferentes (1, 2 e 3 mm) e também dados sem vazamento, tanto para a tubulação rígida quanto para a flexível. Os dados originais foram submetidos ao cálculo da média móvel com 40 pontos, reduzindo o ruído ainda existente nos dados e facilitando o treinamento da rede neural, pois esta faz uso dos dados históricos do sistema.For the training of the neural networks we used the data of the noise noise amplitudes using holes of three different sizes (1, 2 and 3 mm) as well as leak-free data for both rigid and flexible tubing. The original data were submitted to the 40-point moving average calculation, reducing the noise still existing in the data and facilitating the training of the neural network, since it makes use of the historical data of the system.

Tubulação flexível Para gerar os modelos neurais para determinação de ocorrência ou não e o tamanho do vazamento, serem usados no sistema de tubulação flexível, foram realizados treinamentos de redes neurais empregando-se as pressões de 2, 4 e 6 kgf/cm2, com vazamentos em dois pontos da tubulação, conforme os dados apresentados nas Figuras 4 a 9. Para cada pressão dois modelos neurais independentes foram gerados um com o banco de dados do vazamento no início da tubulação e outro com dados de vazamento a 50 m do início da tubulação.Flexible tubing To generate the neural models for determining whether or not the leakage size and the size to be used in the flexible tubing system, neural network training was performed using pressures of 2, 4 and 6 kgf / cm2, with leaks. at two piping points, as shown in Figures 4 through 9. For each pressure two independent neural models were generated with one leak database at the beginning of the pipeline and one with leak data at 50 m from the beginning of the pipeline. .

Para analisar a melhor configuração dos modelos neurais, foram realizados vários testes off-line, observando-se os gráficos de dispersão obtidos (dados reais versus preditos). As Tabelas 4 e 5 ilustram as configurações dos modelos neurais escolhidas para as pressões 2, 4 e 6 kgf/cm2, que apresentaram melhor resposta.To analyze the best configuration of the neural models, several off-line tests were performed, observing the scatter plots obtained (actual versus predicted data). Tables 4 and 5 illustrate the configurations of the neural models chosen for pressures 2, 4 and 6 kgf / cm2, which showed the best response.

Os somatórios dos erros quadrados (SSE) dos treinamentos dos modelos neurais desenvolvidos para as pressões iniciais de 2,4 e 6 kgf/cm2, com vazamento no ponto inicial da tubulação, foram de aproximadamente 10'2, consequentemente as raízes quadradas do MSE (erro médio quadrado) apresentaram valores menores que 0,1 mm, conforme Tabela 4, sendo consideradas aceitáveis.The sum of the square errors (SSE) of the training of the neural models developed for the initial pressures of 2.4 and 6 kgf / cm2, with leakage at the pipe starting point, was approximately 10'2, consequently the square roots of the MSE ( mean square error) presented values smaller than 0.1 mm, according to Table 4, being considered acceptable.

Para se obter um bom modelo, os dados de teste (não vistos no treinamento) devem aparecer na forma de reta coincidente com a diagonal nos gráficos de dispersão (Figuras 14 e 15). Dos testes realizados percebeu-se que a função transferência das camadas intermediárias que obteve um melhor desempenho foi a tangente hiperbólico. O número de camadas e neurônios variou em todas as situações testadas.To get a good model, the test data (not seen in training) should appear as a line coincident with the diagonal in the scatter plots (Figures 14 and 15). From the tests performed it was noticed that the transfer function of the intermediate layers that obtained the best performance was the hyperbolic tangent. The number of layers and neurons varied in all situations tested.

Tabela 4: Configurações das RNAs escolhidas para cada pressão com vazamento no início da tubulação flexível.Table 4: RNA configurations chosen for each leaking pressure at the beginning of the flexible tubing.

Os SSE’s de treinamento dos modelos neurais desenvolvidos para as pressões iniciais de 2,4 e 6 kgf/cm2, com vazamento no ponto a 50 m do início da tubulação, foram de aproximadamente 10~2 para as pressões de 2 e 4 kgf/cm2, e um SSE de aproximadamente 1 para a pressão de 6 kgf/cm2, consequentemente as raízes quadradas do MSE (erro médio quadrado) apresentaram valores menores que 0,1 mm, conforme Tabeía 5, sendo consideradas aceitáveis.The training SSE's of the neural models developed for the initial pressures of 2.4 and 6 kgf / cm2, with leakage at 50 m from the beginning of the pipe, were approximately 10 ~ 2 for the pressures of 2 and 4 kgf / cm2. , and an SSE of approximately 1 for the pressure of 6 kgf / cm2, consequently the square roots of the MSE (mean square error) presented values smaller than 0.1 mm, according to Table 5, being considered acceptable.

Tabela 5: Configurações das RNAs escolhidas para cada pressão com vazamento a 50 m do início da tubulação flexível. O primeiro conjunto de pontos das Figuras 14 a 16 são originários da situação que não houve vazamento na tubulação. O segundo conjunto é proveniente de vazamento provocado com uma magnitude de 1 mm. O terceiro advém de uma magnitude de 2 mm e, por último, o quarto conjunto significa um vazamento de 3 mm. A Figura 14 mostra o teste realizado para determinar a ocorrência e a magnitude do vazamento para a pressão de 2 kgf/cmz. Verifica-se que o ajuste desta rede foi satisfatório para os dois pontos de vazamento (0 e 50 m do início da tubulação), pois os dados estão na diagonal. Para o caso do teste realizado no início da tubulação obteve-se o R = 0,9986 (aproximadamente um), coeficiente linear = 0,02 (próximo de zero) e coeficiente angular = 1,0079 (próximo de um), E no caso do vazamento provocado a 50 m do início da tubulação o R = 0,9997 (aproximadamente um), coeficiente linear = 0,0002 (próximo de zero) e coeficiente angular = 0,9997 (próximo de um). A Figura 15 mostra o teste realizado para determinar a ocorrência e a magnitude do vazamento para a pressão de 4 kgf/cm2. Verifica-se que o ajuste desta outra rede foi satisfatório para os dois pontos de vazamento (0 e 50 m do início da tubulação), pois os dados estão na diagonal. Para o caso do teste com vazamento realizado no início da tubulação o R = 0,9999 (aproximadamente um), coeficiente linear = 0,0003 (próximo de zero) e coeficiente angular = 1,0006 (próximo de um). E no caso do vazamento provocado a 50 m do inicio da tubulação, oR = 0,9999 (aproximadamente um), coeficiente linear = 0,0019 (próximo de zero) e coeficiente angular = 0,9989 (próximo de um). A Figura 16 mostra o teste realizado para determinar a ocorrência e a magnitude do vazamento para a pressão de 6 kgf/cm2. Verifica-se que o ajuste desta terceira rede foi satisfatório para os dois pontos de vazamento (0 e 50 m do início da tubulação), pois os dados estão na diagonal. Para o caso do teste realizado no inicio da tubulação o R = 1, coeficiente linear = 0,001 (próximo de zero) e coeficiente angular = 0,9997(próximo de um). E no caso do vazamento provocado a 50 m do início da tubulação o R = 0,9992 (aproximadamente um), coeficiente linear = 0,0037 (próximo de zero) e coeficiente angular = 1,0026 (próximo de um).Table 5: RNA configurations chosen for each pressure leaking 50 m from the start of the flexible tubing. The first set of points in Figures 14 to 16 originate from the situation that there was no leakage in the pipe. The second set comes from leakage caused with a magnitude of 1 mm. The third comes from a magnitude of 2 mm and lastly the fourth set means a leak of 3 mm. Figure 14 shows the test performed to determine the occurrence and magnitude of the leakage at a pressure of 2 kgf / cmz. It is verified that the adjustment of this network was satisfactory for the two leakage points (0 and 50 m from the beginning of the pipe), because the data are diagonal. For the case of the test performed at the beginning of the pipe, R = 0.9986 (approximately one), linear coefficient = 0.02 (near zero) and angular coefficient = 1.0079 (near one), E at In the case of leakage caused 50 m from the beginning of the pipe, R = 0.9997 (approximately one), linear coefficient = 0.0002 (near zero) and angular coefficient = 0.9999 (near one). Figure 15 shows the test performed to determine the occurrence and magnitude of the leakage at a pressure of 4 kgf / cm2. It is verified that the adjustment of this other net was satisfactory for the two leakage points (0 and 50 m from the beginning of the pipe), because the data are diagonal. In the case of the leakage test performed at the beginning of the pipe, R = 0.9999 (approximately one), linear coefficient = 0.0003 (close to zero) and angular coefficient = 1.0006 (close to one). And in the case of leakage caused 50 m from the start of the pipe, the R = 0.9999 (approximately one), linear coefficient = 0.0019 (near zero) and angular coefficient = 0.9989 (near one). Figure 16 shows the test performed to determine the occurrence and magnitude of the leakage at a pressure of 6 kgf / cm2. The adjustment of this third network was found to be satisfactory for both leakage points (0 and 50 m from the beginning of the pipe), as the data are diagonal. For the case of the test performed at the beginning of the pipe R = 1, linear coefficient = 0.001 (near zero) and angular coefficient = 0.9997 (near one). And in the case of leakage caused 50 m from the beginning of the pipe, R = 0.9992 (approximately one), linear coefficient = 0.0037 (near zero) and angular coefficient = 1.0026 (near one).

Para melhor visualização dos resultados dos testes, as Figuras 17 a 19 representam a diferença entre dados calculados pela rede neural e dados testes (erro-mm), comprovando o desempenho satisfatório dos modelos neurais desenvolvidos.For a better visualization of the test results, Figures 17 to 19 represent the difference between data calculated by the neural network and test data (mm-error), proving the satisfactory performance of the developed neural models.

Deve ser observado no eixo x dos gráficos da Figura 17, que para o modelo neural desenvolvido para vazamento no ponto inicial da tubulação foram utilizados aproximadamente 350 vetores de dados para testar o modelo e aproximadamente 500 vetores de dados para o modelo neural no ponto de vazamento a 50 m do início da tubulação. Dentre esses pontos, os erros máximos absolutos obtidos para as posições de vazamento de 0 e 50 m foram respectivamente: 0,6990 mm e 0, 2938 mm em momentos que não houve vazamento, ou seja, caracterizando vazamento quando não existia.It should be noted on the x-axis of the graphs in Figure 17, that for the neural model developed for pipe start point leakage, approximately 350 data vectors were used to test the model and approximately 500 data vectors for the leak point neural model. 50 m from the start of the pipe. Among these points, the absolute maximum errors obtained for the leakage positions of 0 and 50 m were, respectively: 0.6990 mm and 0.2938 mm at moments without leakage, that is, characterizing leakage when it did not exist.

Deve ser observado no eixo x da Figura 18 que para o modelo neural desenvolvido para vazamento no ponto inicial da tubulação foram utilizados aproximadamente 350 vetores de dados para testar o modelo e aproximadamente 400 pontos de dados para o modelo neural para vazamento no ponto a 50 m do início da tubulação. Dentre esses pontos, os erros máximos absolutos obtidos para as posições de 0 e 50 m foram respectivamente: 0,0908 mm e 0, 1495 mm para a situação real de vazamento de magnitude 3 mm. Em outras palavras, os erros relativos são menores que 10% do tamanho real de vazamento, o que foi considerado aceitável.It should be noted on the x-axis of Figure 18 that for the neural model developed for pipe start point leakage, approximately 350 data vectors were used to test the model and approximately 400 data points for the neural model for point leakage at 50 m. from the beginning of the pipe. Among these points, the absolute maximum errors obtained for the 0 and 50 m positions were respectively: 0.0908 mm and 0.1495 mm for the actual leakage situation of magnitude 3 mm. In other words, relative errors are less than 10% of the actual leak size, which was considered acceptable.

Observa-se no eixo x da Figura 19 que para cada modelo neural desenvolvido nos dois pontos de vazamento ao longo da tubulação foram utilizados aproximadamente 300 vetores de dados para testar os mesmos.It is observed in the x-axis of Figure 19 that for each neural model developed at the two leakage points along the pipe, approximately 300 data vectors were used to test them.

Entre esses pontos, os erros máximos absolutos obtidos para as posições de vazamento a 0 e 50 m foram respectivamente: 0,0257 mm e 0,2629 mm para as situações reais de orifícios de magnitude 0 (sem vazamento) e 1 mm, respectivamente.Among these points, the absolute maximum errors obtained for the casting positions at 0 and 50 m were respectively: 0.0257 mm and 0.2629 mm for the actual situations of holes of magnitude 0 (no leak) and 1 mm, respectively.

Os maiores erros obtidos nos modelos neurais ocorreram na fase transiente, ou seja, na fase em que houve a perturbação (vazamento) no sistema de tubulação.The biggest errors obtained in the neural models occurred in the transient phase, that is, in the phase in which there was a disturbance (leakage) in the piping system.

De acordo com os resultados, nas pressões 4 e 6 kgf/cm2 os modelos neurais apresentaram 100 % de acerto na detecção. Usando pressão de 2 kgf/cm2 houve apenas 2 casos em 25 pontos de teste onde não ocorria vazamento nos quais a rede indicou que havia, ou seja, apresentou um erro de 8%.According to the results, at pressures 4 and 6 kgf / cm2 the neural models presented 100% of correctness in the detection. Using a pressure of 2 kgf / cm2, there were only 2 cases in 25 non-leakage test points where the network indicated that there was an error of 8%.

As Tabelas 6, 7 e 8 apresentam os maiores erros de cada teste off-line na tubulação flexível, obtidos da aplicação dos modelos neurais para determinação da magnitude do vazamento, em relação ao tamanho real do vazamento, nas três pressões utilizadas. De acordo com as mesmas, verifica- se que os modelos neurais apresentaram um bom desempenho.Tables 6, 7 and 8 show the biggest errors of each off-line flexible pipe test, obtained from the application of neural models to determine the magnitude of the leakage in relation to the actual leakage size at the three pressures used. According to them, it appears that the neural models performed well.

Tabela 6: Os maiores erros obtidos dos modelos neurais para determinar o tamanho do vazamento na tubulação flexível a uma pressão de 2 kgf/cm2.Table 6: The biggest errors obtained from the neural models to determine the leakage size in the flexible pipe at a pressure of 2 kgf / cm2.

Considerando que os dados de saída apresentados a rede neural se constituíam de números inteiros da medida em milímetros, efetuou-se o arredondamento da coluna da saída da rede neural, e verificou-se que desta forma são anulados todos os erros ocorridos. Mesmo na situação mostrada na Tabela 8 para vazamento na posição 50 m, com erro apresentado de 26,3 %, a rede conseguiu predizer claramente a ocorrência de vazamento com magnitude de 1 mm quando somente os algarismos significativos são levados em consideração.Considering that the output data presented to the neural network consisted of integers of the measurement in millimeters, the column of the neural network output was rounded, and it was found that this way all errors occurred are nullified. Even in the situation shown in Table 8 for leakage in the 50 m position, with an error of 26.3%, the network was able to clearly predict the occurrence of leakage with a magnitude of 1 mm when only significant figures are taken into account.

Tubulação de ferro galvanizado Para a tubulação de ferro galvanizado foi realizado treinamento para as pressões iniciais de 4 e 6 kgf/cm2 com vazamento no ponto 0 m do inicio da tubulação. A Tabela 9 ilustra as configurações dos modelos neurais escolhidas para as pressões 4 e 6 kgf/cm2, que apresentaram melhor resposta.OsSSE’s de treinamento dos modelos neuraís desenvolvidos, com vazamento no início da tubulação, foram de aproximadamente 10'2para as pressões de 4 e 6 kgf/cm2, consequentemente as raízes quadradas do MSE (erro médio quadrado) apresentaram valores menores que 0,1 mm, conforme Tabela 9, sendo consideradas aceitáveis. A Figura 20 representa o teste realizado com modelos para determinar a ocorrência e a magnitude do vazamento para as pressões de 4 e 6 kgf/cm2.Galvanized Iron Pipe For galvanized iron pipe training was performed for the initial pressures of 4 and 6 kgf / cm2 with leakage at the 0 m point at the beginning of the pipe. Table 9 illustrates the configurations of the neural models chosen for the 4 and 6 kgf / cm2 pressures, which showed the best response. The training SSEs of the developed neural models, with leakage at the beginning of the pipe, were approximately 10'2 for the pressures of 4. and 6 kgf / cm2, therefore the square roots of the MSE (mean square error) presented values smaller than 0.1 mm, according to Table 9, being considered acceptable. Figure 20 represents the test performed with models to determine the occurrence and magnitude of leakage at pressures of 4 and 6 kgf / cm2.

Nos dois casos, verifica-se que o ajuste da rede foi satisfatório, pois os dados estão na diagonal. Para a menor pressão inicial o R = 0,9999 (aproximadamente um), coeficiente linear = 0,0006 (próximo de zero) e coeficiente angular = 0,9992 (próximo de um). Para a pressão de 6 kgf/cm2 o R = 0,9997 (aproximadamente um), coeficiente linear = 0,0289 (próximo de zero) e coeficiente angular = 1,0090 (próximo de um).In both cases, it appears that the network adjustment was satisfactory, because the data are diagonal. For the lowest initial pressure R = 0.9999 (approximately one), linear coefficient = 0.0006 (near zero) and angular coefficient = 0.9999 (near one). For the pressure of 6 kgf / cm2 the R = 0.9997 (approximately one), linear coefficient = 0.0289 (near zero) and angular coefficient = 1.0090 (near one).

Tabela 9: Configurações das RNAs escolhidas para cada pressão com vazamento no início da tubulação rígida.Table 9: RNA configurations chosen for each leaking pressure at the beginning of the rigid piping.

Deve ser observado na abscissa dos gráficos da Figura 21, que para os respectivos modelos neurais desenvolvidos para as pressões de 4 e 6 kgf/cm2 foram utilizados aproximadamente 400 pontos em cada um dos casos.Dentre esses pontos, os erros máximos absolutos obtidos para os modelos de pressões de 4 e 6 kgf/cm2 foram respectivamente: 0,0388 mm e 0,0965 mm.It should be noted in the abscissa of the graphs in Figure 21 that for the respective neural models developed for the pressures of 4 and 6 kgf / cm2 approximately 400 points were used in each case. Among these points, the absolute maximum errors obtained for the pressure models of 4 and 6 kgf / cm2 were respectively: 0.0388 mm and 0.0965 mm.

Sendo os orifícios dos pontos onde ocorreram os erros máximos de tamanhos de 1 mm nas duas situações.Being the holes of the points where the maximum errors of sizes of 1 mm occurred in both situations.

Os maiores erros obtidos nos modelos neurais para a tubulação de ferro galvanizado ocorreram na fase de regime permanente, porém os erros foram bastante pequenos.The biggest errors obtained in the neural models for galvanized iron pipe occurred in the steady state phase, but the errors were quite small.

Para a tubulação rígida não houve nenhum caso em que os modelos neurais apresentassem comportamentos diferentes do real na detecção de vazamento. Logo, nota-se que os modelos neurais desenvolvidos para a tubulação rígida apresentaram um bom desempenho. A Tabela 10 apresenta os maiores erros dos modelos neurais, obtidos de cada teste off-line na tubulação rígida, para determinar a magnitude dos vazamentos, em relação ao tamanho real do vazamento, nas duas pressões utilizadas. De acordo com a mesma, percebe-se que os modelos neurais apresentaram erros menores que 10% e, quando transformados em números inteiros apresentaram 100% de acerto do tamanho do vazamento provocado.For rigid piping there was no case in which neural models exhibited behaviors other than actual leak detection. Therefore, it is noted that the neural models developed for rigid piping performed well. Table 10 shows the largest neural model errors obtained from each off-line rigid pipe test to determine the magnitude of the leaks in relation to the actual leak size at the two pressures used. According to it, it is noticed that the neural models presented errors less than 10% and, when transformed into integers presented 100% accuracy of the size of the leak caused.

Tabela 10: Os maiores erros obtidos dos modelos neurais para determinar o tamanho do vazamento na tubulação rígida com vazamento provocado no início da tubulação (0 m). A Figura 22 mostra o teste off-line realizado para determinar a ocorrência e a magnitude do vazamento utilizando o modelo neural 1, e a determinação da localização, através do modelo neural 2,para a pressão de 6 kgf/cmz. Nos dois casos, verifica-se que o ajuste da rede foi satisfatório, pois os dados estão na diagonal. Para o caso do teste do modelo neural 1 o R = 0,9999 (aproximadamente um), coeficiente linear = 0,0068 (próximo de zero) e coeficiente angular = 0,9980 (próximo de um). Para o caso do modelo neural 2, com finalidade de determinar o local do vazamento,o R = 0,9990 (aproximadamente um), coeficiente linear = 0,0393 (próximo de zero) e coeficiente angular = 1,0131 (próximo de um).Table 10: The biggest errors obtained from the neural models to determine the leak size in the rigid pipe with leakage caused at the beginning of the pipe (0 m). Figure 22 shows the offline test performed to determine the occurrence and magnitude of the leak using the neural model 1, and the location determination, through the neural model 2, for the pressure of 6 kgf / cmz. In both cases, it appears that the network adjustment was satisfactory, because the data are diagonal. For the case of the neural model test 1 R = 0.9999 (approximately one), linear coefficient = 0.0068 (near zero) and angular coefficient = 0.9980 (near one). For the case of neural model 2, in order to determine the location of the leak, R = 0.9990 (approximately one), linear coefficient = 0.0393 (near zero) and angular coefficient = 1.0131 (near one). ).

Observa-se na abscissa dos gráficos da Figura 23, que para detectar e determinar o vazamento por meio do modelo neural 1, foram utilizados aproximadamente 750 vetores (dados com e sem ocorrência de vazamento) para testar o modelo e aproximadamente 600 pontos de dados para o modelo neural 2 (dados com ocorrência de vazamento). Dentre esses pontos, os erros máximos absolutos obtidos foram respectivamente: 0,0522 mm e 0, 5631 m. A Tabela 11 apresenta os maiores erros obtidos no modelo neural 1, para determinação da magnitude do vazamento, em relação ao tamanho real de vazamento com pressão de 6 kgf/cm2. De acordo com a mesma, percebe- se que o modelo apresentou um bom desempenho, com erro aproximado de aproximadamente 5 %. A Tabeia 12 ilustra os maiores erros obtidos no modelo neural 2, teste off-line, ativado com a determinação de vazamento através do modelo neural 1, para predição do local de vazamento. Para o cálculo dos maiores erros deste modelo, a saída da rede neural foi normalizada entre valores 1 e 3, de maneira que, 1 representa vazamento no início da tubulação (0 m), 2 representa vazamento com 1,5 m do início da tubulação e 3 representa vazamento com 3 m. A diferença da saída normalizada da rede e o local real normalizado, dividido por este último configura o cálculo do erro relativo. Logo, constatou-se um erro máximo de 37,54% com vazamento no início da tubulação (0 m). Conforme Tabelas 11 e 12, percebe-se o bom desempenho dos modelos neurais 1 e 2, caracterizando com alta precisão a predição do tamanho do vazamento e a predição da localização do mesmo com erro máximo de 0,6 m.It is observed in the abscissa of the graphs of Figure 23, that to detect and determine the leak through neural model 1, approximately 750 vectors (data with and without leakage) were used to test the model and approximately 600 data points for the neural model 2 (leakage data). Among these points, the absolute maximum errors obtained were respectively: 0.0522 mm and 0.5631 m. Table 11 presents the largest errors obtained in the neural model 1, to determine the magnitude of the leak, in relation to the actual leak size with pressure of 6 kgf / cm2. According to it, it is clear that the model performed well, with an approximate error of approximately 5%. Table 12 illustrates the major errors obtained in the neural model 2, offline test, activated with the determination of leakage through neural model 1, to predict the leakage site. For the calculation of the largest errors of this model, the output of the neural network was normalized between values 1 and 3, so that 1 represents leak at the beginning of the pipe (0 m), 2 represents leak at 1.5 m from the beginning of the pipe. and 3 represents leak with 3 m. The difference in the normalized output from the network and the actual normalized location divided by the latter sets the calculation of the relative error. Thus, a maximum error of 37.54% with leakage at the beginning of the pipe (0 m) was found. According to Tables 11 and 12, we can see the good performance of neural models 1 and 2, characterizing with high precision the prediction of leakage size and the prediction of its location with a maximum error of 0.6 m.

Tabela 11: Os maiores erros obtidos do modelo neural 1 para determinar o tamanho do vazamento na tubulação rígida, quando o mesmo ocorre na posição 3.Table 11: The biggest errors obtained from neural model 1 to determine the leakage size in rigid pipe, when it occurs in position 3.

Da mesma forma que para o modelo neural 1, no caso da localização, a saída do modelo neural 2 foi arredondada para uma casa decimal, coincidindo com o formato apresentado no treinamento.As for neural model 1, in the case of localization, the output of neural model 2 was rounded to one decimal place, coinciding with the format presented in the training.

Tabela 12: Os maiores erros obtidos do modelo neural 2 para determinar o local de vazamento na tubulação rígida.Table 12: The biggest errors obtained from neural model 2 to determine the leakage location in the rigid pipe.

Testes online para predicão da magnitude do vazamento Com o objetivo de avaliar o desempenho dos modelos neurais quando aplicados em tempo real, as Figuras 24, 26 a 29 mostram os resultados dos testes realizados para determinar o tamanho dos vazamentos para testes do modelo gerado para pressão inicial de 4 kgf/cm2. Orifícios de tamanhos diferentes aos os usados no treinamento foram também empregados para avaliação da capacidade de interpolação dos modelos neurais obtidos. A Figura 24 ilustra dois testes realizados com vazamento de 1 mm de diâmetro sob monitoramento constante das redes neurais. Conforme pode ser visto, o resultado não foi eficaz para esta situação. Acredita-se que o microfone utilizado não foi tão eficiente a ponto de capturar corretamente os sinais sonoros, enviando para o microcomputador um sinal fraco, sendo difícil para a rede neural a percepção da ocorrência do vazamento. No primeiro gráfico desta figura houve um aumento apenas por alguns momentos da saída do modelo, chegando ao valor do tamanho real de vazamento (próximo de 1 mm).Online Tests to Predict Leakage Magnitude In order to evaluate the performance of neural models when applied in real time, Figures 24, 26 to 29 show the results of the tests performed to determine the size of the leakage for pressure model tests. 4 kgf / cm2. Holes of different sizes to those used in training were also used to evaluate the interpolation capacity of the obtained neural models. Figure 24 illustrates two tests performed with 1 mm diameter leakage under constant monitoring of neural networks. As can be seen, the result was not effective for this situation. It is believed that the microphone used was not so efficient as to correctly capture the sound signals, sending a weak signal to the microcomputer, making it difficult for the neural network to perceive the occurrence of the leak. In the first graph of this figure there was an increase only for a few moments of the model output, reaching the value of the actual leak size (close to 1 mm).

Por outro lado, o gráfico do segundo teste ilustra que a saída sempre se comportou como se não houvesse vazamento, ou seja, a saída permaneceu em aproximadamente 0 (zero), indicando situação de não ocorrência revelando que não houve vazamento apesar de haver.No primeiro teste o vazamento foi provocado com 21,26 s de teste e no segundo teste o vazamento foi provocado com 26,65 s, como pode ser visto pela Figura 24.On the other hand, the graph of the second test illustrates that the output always behaved as if there was no leak, that is, the output remained at approximately 0 (zero), indicating non-occurrence situation revealing that there was no leak despite there. In the first test the leak was caused with 21.26 s of test and in the second test the leak was caused with 26.65 s, as can be seen from Figure 24.

Para justificar os resultados ilustrados nas Figuras 24 a Figura 25 mostra a comparação entre os sinais que foram utilizados para o treinamento do modelo neural e os sinais obtidos nos testes online para as três frequências utilizadas.To justify the results illustrated in Figures 24, Figure 25 shows the comparison between the signals that were used for neural model training and the signals obtained in the online tests for the three frequencies used.

Pela observação da Figura 25 os sinais sonoros, nas frequências de 1 kHz e 5 kHz, obtidos nos testes não repetiram a tendência do treinamento e, portanto, não esperaria que o modelo neural tivesse um bom desempenho.By observing Figure 25 the audible signals at the frequencies of 1 kHz and 5 kHz obtained in the tests did not repeat the training trend and therefore would not expect the neural model to perform well.

Orifícios maiores foram então utilizados para novos testes. A Figura 26 ilustra dois testes realizados para comparação entre os resultados do teste online e o tamanho real de vazamento que foi de 1,5 mm (tamanho diferente dos utilizados no treinamento). Conforme a Figura 26, a predição da rede online obteve um erro de 0,5 mm, ou seja, de aproximadamente 30 %.Desta figura observa-se também que o modelo neural não prevê instantaneamente o valor da magnitude do vazamento após a sua ocorrência. Isto já era previsível, pois há uma região de transição antes do sinal sonoro estabilizar. De qualquer forma, a rede “percebe” que há um vazamento ocorrendo, pois a saída do modelo sai do zero alguns segundos após a ocorrência do vazamento. A Figura 27 ilustra mais dois testes realizados para comparação entre os resultados do teste online e o tamanho real de vazamento, que foi de 2mm.Larger holes were then used for further testing. Figure 26 illustrates two tests performed to compare the online test results to the actual leak size which was 1.5 mm (different size from those used in training). According to Figure 26, the prediction of the online network obtained an error of 0.5 mm, or approximately 30%. From this figure it is also observed that the neural model does not instantly predict the value of the magnitude of the leak after its occurrence. . This was already predictable as there is a transition region before the beep stabilizes. Either way, the network “notices” that a leak is occurring because the model output exits zero a few seconds after the leak occurs. Figure 27 illustrates two more tests performed to compare the online test results to the actual leak size, which was 2mm.

Observa-se que a predição onlrne foi praticamente coincidente à magnitude real do vazamento. Isto indica um funcionamento adequado do microfone, com reprodutividade de dados, além do perfeito ajuste obtido no treinamento do modelo neural para estas condições testes.It is observed that the online prediction was practically coincident with the actual magnitude of the leak. This indicates proper microphone operation, with data reproducibility, and the perfect fit obtained in training the neural model for these test conditions.

Usando mais uma vez uma confirmação de vazamentos diferente do banco de dados do treinamento com orifício de tamanho 2,5 mm, realizaram-se mais dois testes, Conforme a Figura 28, os gráficos revelaram comportamentos diferentes, pois no primeiro gráfico mostra estabilização da saída da rede em aproximadamente 2 enquanto que o segundo gráfico a saída do modelo neural iniciou com praticamente 1,5 mm e foi aumentando até estabilizar em aproximadamente 3mm. Isto implica em um erro de aproximadamente 20 % do tamanho real do vazamento. A Figura 29 ilustra dois testes realizados para comparação entre os resultados do teste online e o tamanho real de vazamento que foi de 3mm, Observa-se através da mesma que a predição online foi praticamente semelhante à magnitude real do vazamento, indicando um perfeito ajuste obtido no treinamento do modelo neural para estas condições testes.Using once again a different confirmation of leaks from the 2.5mm hole training database, two further tests were performed. As shown in Figure 28, the graphs showed different behaviors, as the first graph shows stabilization of the output. approximately 2 mm while the second graph the output of the neural model started with practically 1.5 mm and increased until stabilizing in approximately 3 mm. This implies an error of approximately 20% of the actual leak size. Figure 29 illustrates two tests performed for comparison between the results of the online test and the actual leak size which was 3mm. It can be seen from this that the online prediction was practically similar to the actual magnitude of the leak, indicating a perfect fit obtained. in neural model training for these test conditions.

Modificando a pressão inicial para 6 kgf/cmz, as predições online de magnitude se tornaram mais precisas para orifícios de maiores tamanhos. As Figuras 30 a 34 mostram os resultados dos testes online realizados para determinar o tamanho dos vazamentos quando estes ocorriam no mesmo ponto da tubulação usado no treinamento (0 m). A Figura 30 ilustra dois testes realizados com vazamento de 1 mm (tamanho utilizado para o treinamento do modelo neural) de diâmetro.By changing the initial pressure to 6 kgf / cmz, online magnitude predictions have become more accurate for larger orifices. Figures 30 to 34 show the results of the online tests performed to determine the size of the leaks when they occurred at the same point as the pipe used in training (0 m). Figure 30 illustrates two tests performed with a 1 mm leak (size used for neural model training) in diameter.

Conforme pode ser visto, os resultados dos dois gráficos revelam que o modelo neural conseguiu caracterizar claramente o vazamento e determinar o tamanho do vazamento. Em média os valores destes testes online foram de aproximadamente 0,6 mm, apresentando um erro próximo de 40% e com um atraso de aproximadamente 5 s para os modelos neurais “perceberem” o vazamento. A Figura 31 ilustra dois testes realizados com vazamento de 1,5 mm (tamanho diferente do treinamento do modelo neurai) de diâmetro. Conforme pode ser visto, os resultados dos dois gráficos revelam que o modelo neural foi eficiente, caracterizando claramente o vazamento e determinando o tamanho do vazamento, pois os testes online obtiveram valores próximos do tamanho real de vazamento. Em média os valores preditos nos testes online foram de aproximadamente 1,36 mm, apresentando aproximadamente um erro de 10% e também um atraso de aproximadamente 5 s para os modelos neurais “perceberem” a ocorrência do vazamento. A Figura 32 ilustra dois testes realizados com vazamento de 2 mm (tamanho utilizado no treinamento do modelo neurai) de diâmetro. Conforme pode ser visto, os resultados dos dois gráficos revelam que o modelo neural foi eficiente, caracterizando ctaramente o vazamento e determinando o tamanho do vazamento, pois os testes online obtiveram valores muito próximos do tamanho real de vazamento. Em média os valores dos testes online foram de aproximadamente 2 mm, apresentando um erro praticamente nulo, porém houve um pequeno atraso de aproximadamente 3 s. A Figura 33 ilustra dois testes realizados com vazamento de 2,5 mm (tamanho diferente do treinamento do modelo neural) de diâmetro. Conforme pode ser visto, os resultados dos dois gráficos revelam que o modelo neural foi eficiente, caracterizando claramente o vazamento e determinando o tamanho do vazamento, porém as predições de magnitude dos testes online obtiveram uma média de valores de 2,82 mm, apresentando um erro de aproximadamente 13 %. Isto indica certa capacidade de generalização do modelo preditivo para operação com pressões maiores. A Figura 34 ilustra dois testes realizados com vazamento de 3 mm (tamanho utilizado no treinamento do modelo neura!) de diâmetro. Conforme pode ser visto, os resultados dos dois gráficos revelam que o modelo neural foi perfeito, caracterizando claramente o vazamento e determinando o tamanho exato do vazamento provocado.As can be seen, the results of both graphs reveal that the neural model was able to clearly characterize the leak and determine the leak size. On average, the values of these online tests were approximately 0.6 mm, showing an error close to 40% and with a delay of approximately 5 s for neural models to "perceive" the leak. Figure 31 illustrates two tests performed with 1.5 mm leakage (different size from neurai model training) in diameter. As can be seen, the results of both graphs reveal that the neural model was efficient, clearly characterizing the leak and determining the leak size, since the online tests obtained values close to the actual leak size. On average, the predicted values in the online tests were approximately 1.36 mm, presenting approximately a 10% error and also a delay of approximately 5 s for neural models to “perceive” the occurrence of the leak. Figure 32 illustrates two tests performed with a leakage of 2 mm (size used in training the neurai model) in diameter. As can be seen, the results of the two graphs reveal that the neural model was efficient, clearly characterizing the leak and determining the leak size, since the online tests obtained values very close to the actual leak size. On average the values of the online tests were approximately 2 mm, showing a practically null error, but there was a slight delay of approximately 3 s. Figure 33 illustrates two tests performed with a 2.5 mm leak (different size from neural model training) in diameter. As can be seen, the results of the two graphs reveal that the neural model was efficient, clearly characterizing the leak and determining the leak size, but the predictions of magnitude of the online tests obtained an average of 2.82 mm, presenting a approximately 13% error. This indicates some generalizability of the predictive model for operation with higher pressures. Figure 34 illustrates two tests performed with leakage of 3 mm (size used in training the neura! Model) in diameter. As can be seen, the results of the two graphs reveal that the neural model was perfect, clearly characterizing the leak and determining the exact size of the leak caused.

Conforme as Figuras 33 e 34 houve um pequeno atraso dos modelos neurais caracterizarem a ocorrência do vazamento. As mesmas revelam que o atraso foi de aproximadamente 3 s para todas as situações.According to Figures 33 and 34 there was a slight delay of neural models characterizing the occurrence of leakage. They reveal that the delay was approximately 3 s for all situations.

Testes online para predicão da localização do vazamento Para a pressão inicial de 6 kgf/cm2 na tubulação rígida foram realizados testes com vazamentos em dois pontos diferentes da tubulação com a finalidade de realizar o treinamento das redes neurais para determinar a magnitude e também o local do vazamento. Os vazamentos foram provocados nos pontos 0 m e 3 m do início da tubulação. Para os testes online foi realizado um teste com vazamento ocorrendo em um ponto diferente do treinamento a 1,5 m do inicio da tubulação. O primeiro modelo neural foi elaborado para detectar o vazamento e determinar o tamanho do mesmo para o treinamento, foram utilizados dados provenientes de vazamentos de magnitudes 1, 2 e 3 mm nos dois pontos de vazamento (0 e 3 m do início da tubulação) e dados sem ocorrência de vazamento. O segundo modelo, que tem a função de localizar o vazamento detectado pelo primeiro modeJo, será ativado quando a saída do modelo neural 1 for diferente de zero. As meihores estruturas obtidas para estes modelos foram: 12x12x1 e 12x12x10x1, respectivamente. A Figura 35 ilustra os testes online realizados para determinar o tamanho e a localização do vazamento no ponto 0 m (início da tubulação) com orifício de 1 mm.Online Tests for Prediction of Leak Locations For the initial pressure of 6 kgf / cm2 in rigid piping, leak tests were conducted at two different points of the piping to train neural networks to determine the magnitude and location of the leak. leakage. Leaks were caused at points 0 m and 3 m from the beginning of the pipe. For online testing, a leak test was performed at a different point of training at 1.5 m from the beginning of the pipe. The first neural model was designed to detect the leakage and determine its size for training. Data from 1, 2 and 3 mm magnitudes at both leakage points (0 and 3 m from the beginning of the pipe) were used. data without leakage occurrence. The second model, which has the function of locating the leak detected by the first mode, will be activated when the output of neural model 1 is nonzero. The best structures obtained for these models were: 12x12x1 and 12x12x10x1, respectively. Figure 35 illustrates the online tests performed to determine the size and location of the leak at the 0 m (pipe start) point with a 1 mm hole.

Conforme representado na Figura 35, os gráficos que ilustram a predição da magnitude do vazamento revelam que, depois de provocado o vazamento, a saída do primeiro modelo aumenta chegando próximo ao valor real do tamanho do vazamento (1 mm) com um erro médio de 27%. Da mesma forma, os gráficos que ilustram a saída do segundo modelo neural indicam boa predição da posição do vazamento, com erro médio de 35%.As shown in Figure 35, the graphs illustrating the leakage magnitude prediction show that, after the leakage is caused, the output of the first model increases to close to the actual leakage size value (1 mm) with an average error of 27. %. Similarly, graphs illustrating the output of the second neural model indicate good prediction of leak position, with an average error of 35%.

Para a mesma posição do vazamento (Om), a Figura 36 ilustra dois testes online realizados para determinar o tamanho e a localização do vazamento de orifício de 2 mm.For the same leak position (Om), Figure 36 illustrates two online tests performed to determine the size and location of the 2 mm hole leak.

Nos dois testes, o modelo neural 1 atinge o valor exato do orifício em sua predição, após um período transiente. O modelo neural 2 prediz com exatidão o local do vazamento como sendo o início da tubulação (0 m).In both tests, neural model 1 reaches the exact hole value in its prediction after a transient period. The neural model 2 accurately predicts the leak location as the beginning of the tubing (0 m).

Conforme revelam (Figura 37), os gráficos que ilustram a magnitude do vazamento versus o tempo do teste online da rede neural, depois de provocado o vazamento a saída do primeiro modelo aumenta chegando bem próximo ao valor real do tamanho do vazamento (3 mm). Com a caracterização do vazamento através do primeiro modelo, o segundo modelo determinou o local de vazamento, porém o modelo não conseguiu identificar o locai reat de 0 m apresentando uma saída média de 1,2 m, caracterizando o vazamento próximo do ponto de 1,5 m do início da tubulação.As shown (Figure 37), the graphs illustrating the magnitude of the leak versus the time of the online neural network test, after the leak is triggered, the output of the first model increases very close to the actual leak size value (3 mm). . With the characterization of the leak through the first model, the second model determined the leak location, but the model could not identify the 0 m loca react with an average output of 1.2 m, characterizing the leak near the point of 1, 5 m from the beginning of the pipe.

Verificou-se também na Figura 37, nos gráficos para determinar o tamanho do vazamento, que depois de provocado o vazamento, os modelos neurais apresentaram uma queda na saída e logo após alguns segundos (aproximadamente 6 s) os modelos neurais apresentaram o valor exato da magnitude dos vazamentos.It was also found in Figure 37, in the graphs to determine the size of the leak, that after causing the leak, the neural models showed a drop in output and soon after a few seconds (approximately 6 s) the neural models showed the exact value of the leak. magnitude of leaks.

Mudando o local de ocorrência do vazamento para 3 m do início da tubulação, as Figuras 38 a 40 mostram os resultados dos testes online usando pressão de 6 kgf/cm2,para tamanhos de orifícios de: 1 mm, 2 mm e 3 mm, respectivamente.Changing the leakage location to 3 m from the start of the pipe, Figures 38 to 40 show online test results using pressure of 6 kgf / cm2, for hole sizes of: 1 mm, 2 mm and 3 mm, respectively. .

Nos dois testes realizados com vazamento de 1 mm de diâmetro (Figura 38) o resultado não foi preciso. Acredita-se que o microfone não foi tão eficiente, enviando para o microcomputador um sinal fraco, sendo difícil para a rede neural a percepção do vazamento, pois o pequeno vazamento se encontrava a 3 metros do microfone. Neste caso, o modelo neural 2 não foi ativado, pois o modelo neural 1 indicava a inexistência de vazamento.In the two tests performed with a 1 mm diameter leak (Figure 38) the result was not accurate. It is believed that the microphone was not as efficient, sending to the microcomputer a weak signal, being difficult for the neural network to perceive the leak, because the small leak was 3 meters from the microphone. In this case, neural model 2 was not activated because neural model 1 indicated no leakage.

Ainda com vazamento provocado a 3 m do início da tubulação, entretanto utilizando-se orifício de maior diâmetro (2 e 3 mm), o monitoramento online pelos modelos neurais 1 e 2 foram perfeitos, com predição exata do tamanho e da localização do vazamento. Isto é comprovado pelos gráficos das Figuras 39 e 40.Even with leakage caused 3 m from the beginning of the pipe, however using a larger diameter hole (2 and 3 mm), online monitoring by neural models 1 and 2 were perfect, with accurate prediction of the size and location of the leak. This is evidenced by the graphs of Figures 39 and 40.

Com o objetivo de analisar o desempenho dos modelos neurais 1 e 2 para um vazamento ocorrendo em local não visto no treinamento, foram realizados testes online para determinar o tamanho e a localização destes vazamentos no ponto a 1,5 m do início da tubulação, manteve-se a pressão inicia! em 6 kgf/cmz.In order to analyze the performance of neural models 1 and 2 for a leak occurring at a location not seen in training, online tests were performed to determine the size and location of these leaks at the point 1.5 m from the start of the pipeline. sure the pressure starts! at 6 kgf / cmz.

Com a mesma tendência dos resultados anteriores, o modelo neural 1 não teve bom desempenho para menor orifício (1 mm). O modelo neural 2 não foi ativado pois o modelo neural 1 não apontava a ocorrência de vazamento (Figura 41).With the same trend as previous results, neural model 1 did not perform well for smaller orifice (1 mm). Neural model 2 was not activated because neural model 1 did not indicate the occurrence of leakage (Figure 41).

Provocado o vazamento de 2 mm, a saída do primeiro modelo aumenta (Figura 42) chegando ao valor real do tamanho do vazamento (2 mm). Por outro lado, a saída do segundo modelo (localização) não teve um bom desempenho, predizendo um vazamento a 3 metros do início da tubulação, caracterizando um erro de aproximadamente 1,5 m, Como dito anteriormente, o teste online com vazamento provocado em local não visto no treinamento (1,5 m do início do vazamento) não teve um bom desempenho do caso do segundo modelo neural. Porém, observando-se as Figuras 43 e 44 percebe-se que os perfis dos dados de treinamento (local=3 m) e dos testes (iocal=1,5 m) são bastante semelhantes, levando a rede a concluir pelo valor visto no treinamento. Desta forma, conclui-se que o microfone não distinguiu os sons emitidos.Caused by the 2 mm leak, the output of the first model increases (Figure 42) to the actual leak size value (2 mm). On the other hand, the output of the second model (location) did not perform well, predicting a leak at 3 meters from the start of the pipe, featuring an error of approximately 1.5 m. location not seen in training (1.5 m from the beginning of the leak) did not perform well in the case of the second neural model. However, observing Figures 43 and 44, it is clear that the training data (local = 3 m) and test (local = 1.5 m) profiles are very similar, leading the network to conclude by the value seen in training. Thus, it is concluded that the microphone did not distinguish the sounds emitted.

Conforme mostra a Figura 45 para orifício real de 3 mm, os gráficos que ilustram a magnitude do vazamento versus o tempo revelam que depois de provocado o vazamento a saída do primeiro modelo alcança um valor bem próximo do valor real do tamanho do vazamento (3 mm). Por outro lado, a saída do segundo modelo (localização) não teve um bom desempenho, revelando um vazamento no ponto 3 (3 metros do início da tubulação), com um erro de 1,5 m da mesma forma que o teste realizado com um orifício de 2 mm. O teste online com vazamento em local diferente do treinamento (1,5 m do início da tubulação) não teve um bom desempenho no caso do segundo modelo neural. Da mesma forma que para orifícios de 2 mm, foram observados na Figura 47, os dados que foram utilizados como entrada do modelo neural no teste online e percebeu-se que os perfis dos gráficos foram muito parecidos com os dados (Figura 46) usados no treinamento. Logo, o modelo neural desenvolvido revelaria um vazamento a 3 m, pois o perfil para a localização a 1,5 m é muito parecido com o vazamento ocorrido a 3 m.As shown in Figure 45 for 3mm real hole, graphs illustrating leakage magnitude versus time show that after leakage the first model output reaches a value very close to actual leakage size value (3mm ). On the other hand, the output of the second model (location) did not perform well, revealing a leak at point 3 (3 meters from the start of the pipe), with an error of 1.5 m just as the test performed with a 2 mm hole. The online leak test at a location other than training (1.5 m from the start of the tubing) did not perform well for the second neural model. As for 2 mm holes, we observed in Figure 47, the data that was used as the input of the neural model in the online test and it was noticed that the graph profiles were very similar to the data (Figure 46) used in the training. Thus, the neural model developed would reveal a leak at 3 m, since the profile for the location at 1.5 m is very similar to the leak at 3 m.

Desta forma pode-se concluir que quanto mais próximo o vazamento ocorrer do microfone utilizado, mais precisa será a detecção do vazamento e a determinação do tamanho do mesmo através do sistema e métodos propostos na presente invenção. No caso da predição da localização através do modelo neural 2, percebe-se que a solução mais adequada seria adotar mais microfones ao longo da tubulação, afim de utilizar todos os sinais dos mesmos como entrada no modelo neural, facilitando a diferenciação dos sinais acústicos de cada ponto de vazamento da tubulação, já que os sinais dos pontos de vazamentos próximos comportam-se de maneira semelhante.Thus, it can be concluded that the closer the leakage occurs to the microphone used, the more accurate the leak detection and size determination will be through the system and methods proposed in the present invention. In the prediction of the location through the neural model 2, it is clear that the most appropriate solution would be to adopt more microphones along the pipe, in order to use all their signals as input to the neural model, facilitating the differentiation of acoustic signals from each pipe leak point, since the signs of nearby leak points behave similarly.

Claims

1. A gas leak detection system comprising a pressure transducer (4), a microphone (3), a preamplifier (5), a bandpass filter bank (6), an analog converter / digital / analog (ADA) (7) and a microcomputer (8).

System according to Claim 1, characterized in that the pressure transducer is calibrated to read up to 300 pssg (20 kgf / cmz), accurate to approximately 0.4 psig, for an electrical signal ranging from 0 and 5 V,

System according to Claim 1, characterized in that the microphone is of the omnidirectional type positioned inside the gas pipe.

System according to Claim 1, characterized in that the preamplifier is positioned externally to the gas pipe in an accessible location connected by a shielded cable to the microphone.

System according to claim 1, characterized in that the analog / digital / analog converter (ADA) board comprises multi-multiplexer, 12-bit and 8-channel analog-to-digital converter (CAD), digital-to-analog converter (CDA). 10-bit, 8-channel, and an 8-bit 8-channel digital input (D / D) card with 8 output channels installed on the microcomputer.

6. Data acquisition method for gas leak detection comprising the following steps: a) Measuring the pressure variation in the pipeline; b) Capture the noise generated by the pipe leak; c) adjust the microphone signal with the signal comprised by the analogue-digital acquisition board; (d) conversion of microphone signal and pressure transducer to binary numbers; e) Process, display and archive the data emitted by the pressure transducer and the microphone; f) Generate data file;

7. Method for determining the magnitude and location of gas leakage through neural networks characterized by the following steps: a) Creation of the database; (b) standardization of variables and calculation of moving averages for each of the 3 chosen signal frequencies; c) Definition of the architecture of neural models; d) Training of neural networks to determine their parameters (weights and bias) and generation of two neural models: one for magnitude prediction and one for leak location; e) Offline validation tests of neural models generated with databases not used in training; (f) Transport of validated neural network parameters to the neural network subroutine of the data acquisition program; g) Program activation with real time experiment; h) Calculation of moving averages for each signal reading; i) Implementation of averages as input values for neural network calculations; j) Leak point and what is its magnitude at the output of the first neurai model; k) Alarm activation if gas leakage has been detected and the second neurai network is activated with the same inputs implemented in the first model to determine the location of the leak; l) Submission of predicted magnitude and location values for viewing.

Use of the system as defined by claims 1 to 7 characterized in that it is for detecting gas leakage.

Use of the system according to claim 8, characterized in that it is for detecting gas leakage preferably in rigid gas transport pipes (10).

10

Use of the system according to claim 9, characterized in that it is preferably for detecting gas leakage in flexible gas transport pipes (11).