Elvis Jhoarsy Osorio Santander
PREDIÇÃO DA VIDA EM FADIGA DE DUTOS DANIFICADOS ATRAVÉS DE REDE NEURAL ARTIFICIAL
Resumo
No desenvolvimento de campos de petróleo, os dutos submarinos são utilizados em várias aplicações. Esses dutos estão sujeitos a acidentes que podem ocorrer durante a operação, como, por exemplo, colisões entre dutos ou entre um duto e uma âncora, rocha ou qualquer equipamento ou objeto pesado, o que pode causar danos mecânicos, tais como mossas.
O principal objetivo deste trabalho é o desenvolvimento de uma metodologia para a avaliação da vida em fadiga de dutos com mossas simples sob carregamento de pressão interna cíclica, usando parâmetros prontamente disponíveis em campo. A metodologia usa os resultados da análise pelo método dos elementos finitos (MEF) para treinar uma rede neural artificial (RNA) que pode, então, ser usada na avaliação da vida em fadiga. Outro objetivo é estudar o efeito da introdução de mossas simples na vida em fadiga de dutos sob carregamentos cíclicos nas etapas de serviço e parada (shutdown) para diferentes geometrias de dutos, profundidades de mossas, tipos de indentador e aços de diferentes graus API 5L.
Um modelo numérico 3D em elementos finitos (EF) de um tubo com mossa
simples foi validado através de testes experimentais em escala real com espécimes de aço API 5L Gr B. Após a validação, foi realizado um estudo paramétrico abrangente sobre os principais parâmetros geométricos do duto e da mossa, compreendendo um total de 240 modelos EF, considerando geometrias de tubos padrão na indústria, a fim de propor uma metodologia para avaliação da vida em fadiga com a integração entre o MEF e a técnica de RNA. Esse conjunto de dados paramétricos são então usados para treinar uma RNA capaz de prever o fator de concentração de tensão (FCT), a máxima deformação plástica e os parâmetros dimensionais residuais da mossa em dutos.
Os resultados mostram que as RNAs podem ser usadas para prever esses valores com precisão semelhante ao que é alcançado usando MEF. O uso de RNAs tem o benefício adicional de alcançar resultados com muito menos tempo do que usando apenas MEF, sendo seus resultados imediatos e sua aplicação viável em todo um sistema, incluindo o diagnóstico e a manutenção de dutos.
Abstract
In the development of oil fields, subsea pipelines are used in various applications. These pipelines are subject to accidents that may occur during operation, such as collisions between risers or between a pipeline and an anchor, rock, or any equipment or heavy object, which may cause mechanical damage, such as dents.
The main objective of this work is to develop a methodology for the evaluation of fatigue life of pipelines with plain dents under cyclic internal pressure loading, using parameters readily available in the field. The methodology uses the results from analysis by the finite element method (FEM) to train an artificial neural network (ANN) that can be used for fatigue life assessment. Another objective is to study the effect of the introduction of plain dents on the fatigue life of pipelines under cyclic loading in service and shutdown stages for different geometries, dent depths, indenter types, and steels of different API 5L grades.
A 3D numerical finite element model of a pipe with a plain dent was validated through full-scale experimental tests with API 5L Gr B steel specimens. After validation, a comprehensive parametric study was performed on the main geometric parameters of the pipe and dent, comprising 240 FEM models, considering industry standard pipes, to propose a methodology for fatigue life assessment integrating the FEM and the technique of ANN. These parametric datasets were then used to train
an artificial neural network (ANN) that can predict the stress concentration factor (SCF), the maximum plastic strain, and the residual dimensional parameters of the dent in the pipeline.
The results show that ANNs can be used to predict these values with accuracy comparable to that achieved using FEM. The use of ANNs has the added benefit of achieving results in much less time than using MEF alone, with immediate results and feasible application across a whole system, including pipeline diagnostics and maintenance.
