| dc.contributor | Calôba, Luiz Pereira | |
| dc.contributor | http://lattes.cnpq.br/7359512648900588 | |
| dc.contributor | Souza Filho, João Baptista de Oliveira e | |
| dc.contributor | Pinto, Carlos Fernando Carlim | |
| dc.contributor | Soares, Sérgio Damasceno | |
| dc.creator | Marnet, Luiza Ribeiro | |
| dc.date | 2020-03-25T11:46:13Z | |
| dc.date | 2023-09-27T03:02:58Z | |
| dc.date | 2018-06 | |
| dc.date.accessioned | 2023-09-27T13:38:11Z | |
| dc.date.available | 2023-09-27T13:38:11Z | |
| dc.identifier | http://hdl.handle.net/11422/11611 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8910953 | |
| dc.description | Monitoring equipments in real time is of fundamental importance in production systems that pose risks to safety and the environment. The Acoustic Emission method stands out among nondestructive tests for the possibility of analyzing the integrity of equipments during its use. Using neural networks to analyze acoustic emission signals from cracks can be a way to monitor equipment failures in real time and without the need for expert analysis. Crack propagation can be classified into several phases, and it is important to stop production for repair before a failure of the equipment enters in the unstable propagation phase. The objective of this work is the use of supervised and unsupervised neural networks to perform an automatic division of the crack propagation phase into 40 meter pipelines and then train supervised neural networks to classify the data previously categorized by the developed automatic methodology . Two sets of data from different hydrostatic tests were used in this research. For one of them, the supervised neural networks achieved, on average, approximately 82% accuracy in the classification of the crack propagation phases for the test data set and, for the other, around 90%. | |
| dc.description | Monitorar os equipamentos em tempo real é de fundamental importância em sistemas de produção que apresentam riscos à segurança e ao meio ambiente. O método de Emissão Acústica se destaca entre os ensaios não destrutivos pela possibilidade de analisar a integridade de equipamentos durante o seu uso. Utilizar redes neurais para analisar os sinais de emissão acústica provenientes de trincas pode ser uma forma de monitorar falhas em equipamentos em tempo real e sem a necessidade da análise de especialistas. A propagação de trincas pode ser classificada em diversas fases, e é importante parar a produção para reparo antes que a falha no equipamento entre na fase de propagação instável. O objetivo deste trabalho é o uso de redes neurais supervisionadas e não supervisionadas para realizar uma divisão automática da fase de propagação de trincas em dutos rígidos de 40 metros e, em seguida, treinar redes neurais supervisionadas para classificar os dados previamente categorizados pela metodologia automática desenvolvida. Dois conjuntos de dados provenientes de ensaios hidrostáticos diferentes foram utilizados nesta pesquisa. Para um deles, as redes neurais supervisionadas atingiram, em média, aproximadamente 82% de acerto na classificação das fases de propagação da trinca para o conjunto de teste e, para o outro, em torno de 90%. | |
| dc.language | por | |
| dc.publisher | Universidade Federal do Rio de Janeiro | |
| dc.publisher | Brasil | |
| dc.publisher | Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia | |
| dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica | |
| dc.publisher | UFRJ | |
| dc.rights | Acesso Aberto | |
| dc.subject | Engenharia elétrica | |
| dc.subject | Reconhecimento de padrões | |
| dc.subject | Redes neurais | |
| dc.subject | Emissão acústica | |
| dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | |
| dc.title | Monitoramento de defeitos em dutos rígidos longos por parâmetros de emissão acústica e redes neurais | |
| dc.type | Dissertação | |
