Detecção de rompimentos de linhas de gases usando técnicas de cartas de controle estatístico

Vazamentos e rompimentos em tubulações nos segmentos de óleo e gás podem trazer diversos problemas graves, tanto ambientais quanto econômicos. Devido a isso, vários métodos de detecção de rompimentos nessas tubulações são propostos na literatura. Devido a grande parte desses rompimentos ocorrerem no fundo do mar, é difícil encontrar um método de detecção que tenha uma boa relação custo-benefício, pois ou o método de detecção não é satisfatório ou a sua implementação é muito cara. Dessa forma, o estudo em questão possui como objetivo a criação de um algoritmo para detectar rompimentos de fácil implementação e baixo custo. O método escolhido é um método estatístico que se baseia na Análise de Componentes Principais e na distribuição T² de Hotelling. No estudo, foram comparadas duas plantas: uma com sintonia rápida e outra com sintonia lenta. O algoritmo proposto para a primeira planta identificou 100% dos casos de rompimentos e apresentou 24% de falsos positivos. A planta de sintonia lenta também identificou 100% dos casos de rompimento, mas apresentou um número menor de falsos positivos, apenas 12%. Os dois algoritmos foram confrontados com a Distância de Mahalanobis e com as Redes Neurais Artificiais. A Distância de Mahalanobis teve um resultado próximo ao da planta de sintonia rápida e as Redes Neurais Artificiais detectaram todos os rompimentos sem a presença de falsos positivos. Como a base de dados da literatura era muito menor que a base do estudo em questão, o método proposto se mostra tão eficiente quanto as Redes Neurais. O método proposto pode ser utilizado como monitoramento dos rompimentos nas linhas de injeção e compressão de gases desde que sejam avaliados os seus limites de confiabilidade e os riscos associados à presença de falsos positivos.Leaks and ruptures in pipelines in the oil and gas segments can cause several serious problems, both environmental and economic. Because of this, several methods of leakage detection in these pipes are proposed in the literature. Because most of these disruptions occur on the seabed, it is difficult to find a good cost-effective detection method, as either the detection method is not satisfactory or it’s implementation is too expensive. Thus, the goal of this study is to create an algorithm to detect breaks that is easy to implement and low cost. The method chosen is a statistical method that is based on Principal Component Analysis and on Hotelling's T² distribution. In the study, two plants were compared: one with better performance controllers and the other with worst ones. The proposed algorithm for the first plant identified 100% of the rupture cases and presented 24% of false positives. The second plant also identified 100% of the rupture cases, but had a lower number of false positives, only 12%. The two algorithms were confronted with the Mahalanobis Distance and the Artificial Neural Networks. The Mahalanobis Distance had a result close to the better controllers plant and the Artificial Neural Networks detected all the ruptures without the presence of false positives. As the literature database was much smaller than the base of this study, the proposed method proves to be as efficient as Neural Networks. The proposed method can be used to monitor disruptions in gas injection and compression lines as long as its reliability limits and the risks associated with the presence of false positives are evaluated