⚡ engenharia elétrica

Integrity Assessment of Buried Pipelines under Surcharge Loading Based on a GA-BP Neural Network

Este estudo desenvolve um modelo de rede neural GA-BP, validado por uma simulação de elementos finitos 3D, para avaliar rapidamente a integridade de gasodutos enterrados sob carregamento de sobrecarga e identificou com sucesso um potencial risco de falha em um gasoduto em serviço dentro do Bloco Penglai Dengying.

Autores originais: Lin Chen, Yabo Lü, Liyuan Guo, Jiaqiang Ou, Wu Liu, Hongtao Xiao

Publicado 2026-10-21

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Lin Chen, Yabo Lü, Liyuan Guo, Jiaqiang Ou, Wu Liu, Hongtao Xiao

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Sob a superfície movimentada das cidades modernas e as extensas áreas silenciosas das paisagens rurais, uma vasta rede de artérias de aço transporta o gás natural que aquece lares e alimenta indústrias. Esses gasodutos estão enterrados profundamente o suficiente para evitar danos acidentais, mas não são imunes ao peso do mundo acima deles. Quando equipes de construção cavam valas ou estacionam maquinário pesado perto dessas linhas, elas criam uma pressão temporária, porém intensa, conhecida como sobrecarga de carga (surcharge loading). Esse peso extra pressiona o solo, que, por sua vez, aperta o tubo. Se a pressão se tornar grande demais, o metal pode esticar além de seus limites, levando a vazamentos ou falhas catastróficas. Para os engenheiros, o desafio tem sido prever exatamente quanto peso um tubo específico pode suportar antes de quebrar, uma tarefa que geralmente exige simulações computacionais complexas e demoradas, difíceis de executar rapidamente em campo.

Uma equipe de pesquisadores da PetroChina Southwest Oil & Gasfield Company e da Universidade de Petróleo de Southwest desenvolveu uma nova maneira de resolver esse problema, combinando modelagem computacional avançada com um tipo de inteligência artificial para criar uma verificação de segurança rápida. Eles começaram construindo uma réplica digital detalhada de um gasoduto enterrado e do solo ao seu redor. Usando softwares poderosos, eles simularam como o solo e o tubo interagem quando cargas pesadas são colocadas na superfície acima. O modelo levou em conta o fato de que o solo não é um bloco rígido, mas um material que se desloca e se deforma, pressionando o aço de maneiras complexas. Ao testar milhares de variações em seu computador, eles descobriram que a tensão no tubo não é uniforme; ela se concentra fortemente na parte inferior do tubo, diretamente abaixo da carga pesada, criando uma zona de perigo específica que muda dependendo de quão profundo o tubo está enterrado e de quanta pressão o gás exerce internamente.

Para transformar essas descobertas complexas em uma ferramenta que os engenheiros pudessem usar instantaneamente, os pesquisadores treinaram um programa de computador especializado para reconhecer padrões nos dados. Em vez de executar uma simulação completa e lenta toda vez que um novo canteiro de obras aparecesse, eles ensinaram este programa a observar apenas alguns detalhes fundamentais — o tamanho do tubo, a profundidade de enterramento, a pressão do gás em seu interior e o peso da carga acima — e então prever a tensão máxima que o tubo experimentaria. O programa aprendeu com cem exemplos cuidadosamente gerados, refinando sua capacidade de prever o resultado com alta precisão. O resultado foi um sistema que podia prever os níveis de tensão com um grau de certeza que correspondia de perto aos modelos computacionais lentos e detalhados, mas em uma fração do tempo.

A equipe então colocou esse novo método à prova em três gasodutos reais e ativos no Bloco Penglai Dengying. Eles inseriram as condições específicas de cada local em seu modelo de previsão para ver se os tubos estavam seguros sob possíveis cargas de construção. Dois dos gasodutos mostraram níveis de tensão bem dentro dos limites de segurança, o que significa que poderiam suportar a pressão esperada da construção próxima. No entanto, o terceiro gasoduto contou uma história diferente. O modelo previu que, sob certas condições, especificamente quando a pressão interna do gás fosse alta e uma carga pesada fosse colocada diretamente acima, a tensão no tubo atingiria 219,11 megapascais. Esse número excedeu o limite de segurança de 216 megapascais para aquele tubo específico, indicando um risco real de falha. A análise revelou que este perigo se devia principalmente ao fato de o tubo estar enterrado a apenas um metro de profundidade, o que deixava o tubo com muito pouco solo para amortecer o impacto da carga pesada.

Esta descoberta destaca uma vulnerabilidade crítica na segurança dos gasodutos: a profundidade de enterramento é tão importante quanto a resistência do aço. Para o terceiro gasoduto, os pesquisadores concluíram que as equipes de construção devem limitar rigorosamente o peso de qualquer equipamento ou pilha de solo colocado nas proximidades, e medidas de reforço adicionais devem ser instaladas para proteger a linha. O estudo demonstra que, ao combinar simulações físicas detalhadas com ferramentas de previsão inteligentes, os engenheiros podem passar de supor riscos para conhecê-los com precisão. Essa abordagem permite a avaliação rápida da integridade dos gasodutos, garantindo que a energia que flui sob nossos pés permaneça segura mesmo enquanto o mundo acima continua a construir e mudar.

Resumo Técnico: Avaliação de Integridade de Oleodutos Enterrados sob Carga de Sobrecarga Baseada em uma Rede Neural GA-BP

Definição do Problema
A rápida expansão das redes de gasodutos, impulsionada pela urbanização global e pelas demandas de energia, aumentou a frequência de oleodutos submetidos a cargas de sobrecarga de construção. Essas cargas, decorrentes de estoques temporários de solo e da operação de maquinário pesado próximo a oleodutos enterrados, tornaram-se uma causa significativa de vazamentos e falhas em oleodutos. Embora modelos teóricos e a análise de elementos finitos (FEA) tenham sido utilizados para estudar as interações tubo-solo, os métodos existentes frequentemente dependem de suposições simplificadoras em relação às condições de carregamento e mecânica de contato, ou são computacionalmente muito intensivos para avaliações rápidas de integridade em canteiros de obras. Consequentemente, há a necessidade de um método que caracterize com precisção a resposta mecânica de oleodutos sob carga de sobrecarga, permitindo simultaneamente a identificação rápida de riscos.

Metodologia
O estudo emprega uma abordagem híbrida combinando simulação numérica de alta fidelidade com aprendizado de máquina:

Modelagem de Elementos Finitos (FEM): Um modelo ABAQUS tridimensional foi desenvolvido para simular um gasoduto de gás natural enterrado (aço L360) interagindo com o solo circundante.
- Modelos Constitutivos: O material do oleoduto foi modelado utilizando o modelo de Ramberg–Osgood para capturar o comportamento plástico não linear, enquanto o solo foi modelado utilizando o critério de escoamento elastoplástico de Drucker–Prager.
- Interação Tubo-Solo: O contato não linear foi simulado usando contato superfície-a-superfície com uma formulação de contato "rígido" na direção normal e uma formulação de penalidade com um coeficiente de fricção de 0,3 na direção tangencial.
- Validação: O modelo foi validado através de uma análise de independência de malha (selecionando 824.600 elementos) e comparação com dados experimentais da literatura, resultando em um erro médio de 6,32%.
- Análise Mecânica: O modelo analisou as distribuições de tensão sob várias condições, revelando que a tensão de von Mises máxima ocorre tipicamente na parte inferior do tubo dentro da região afetada pela sobrecarga.
Predição por Aprendizado de Máquina (GA-BP): Para superar o custo computacional de execuções repetidas de FEA, uma rede neural de Algoritmo Genético-Backpropagation (GA-BP) foi desenvolvida.
- Geração de Dados: 100 amostras de simulação foram geradas usando amostragem de hipercubo latino, variando cinco parâmetros de entrada: diâmetro do oleoduto, posição da sobrecarga, pressão interna, profundidade de enterramento e pressão de sobrecarga.
- Arquitetura do Modelo: O GA foi utilizado para otimizar os pesos iniciais e os limiares da rede neural BP para evitar ótimos locais. A arquitetura final utilizou uma única camada oculta com sete neurônios.
- Treinamento: 80% dos dados foram usados para treinamento e 20% para teste. O desempenho do modelo foi avaliado contra Máquinas de Vetores de Suporte (SVM) e outros algoritmos.
Estrutura de Avaliação de Integridade: O modelo de predição foi integrado aos critérios de projeto de resistência da norma GB 50251-2015 (Código para Projeto de Engenharia de Gasodutos). Um critério de falha baseado na teoria de escoamento de von Mises foi estabelecido para determinar se a tensão máxima prevista excedia a tensão admissível ( $\sigma_{Allow}$ ).

Principais Contribuições

Modelo Acoplado Não Linear: Estabelecimento de um modelo de elementos finitos 3D incorporando contato tubo-solo não linear e comportamento elastoplástico do solo para caracterizar a distribuição de tensão de von Mises sob carga de sobrecarga.
Modelo de Predição Híbrido: Desenvolvimento de uma rede neural GA-BP treinada em dados de simulação para prever rapidamente e com precisão a tensão máxima do oleoduto, alcançando um coeficiente de determinação ( $R^2$ ) de 0,9691.
Estrutura de Avaliação de Engenharia: Criação de um procedimento prático de avaliação de integridade que integra o modelo de predição com fatores de projeto regulatórios, permitindo a geração de mapas de contorno de tensão 3D para avaliação rápida de risco.

Resultados

Distribuição de Tensão: Os resultados da FEA indicaram variações acentuadas de tensão dentro da região de sobrecarga (17,5–32,5 m). A distribuição de tensão exibiu um padrão de pico duplo simétrico na parte inferior e na coroa do tubo, sendo que a tensão máxima ocorre consistentemente na parte inferior do tubo.
Desempenho do Modelo: O modelo GA-BP demonstrou precisão preditiva superior em comparação ao modelo SVM, com um Erro Quadrático Médio (RMSE) de 10,5775 e um $R^2$ de 0,9691. O valor de aptidão (fitness) convergiu para aproximadamente 0,035 após 42 gerações.
Aplicação de Estudo de Caso: A estrutura foi aplicada a três oleodutos em operação no Bloco Penglai Dengying:
- Oleodutos Nº 1 e Nº 2: Sob pressões de sobrecarga de 0–0,4 MPa e pressões internas de 2–8 MPa, as tensões máximas previstas (171,06 MPa e 137,05 MPa, respectivamente) permaneceram abaixo do limite admissível de 216 MPa.
- Oleoduto Nº 3: Sob as mesmas condições de carregamento, a tensão de pico prevista atingiu 219,11 MPa, excedendo o limite admissível de 216 MPa. Este risco foi atribuído à baixa profundidade de enterramento (1 m) e ao grande diâmetro (406,4 mm) do oleduto.

Significância e Alegações
O artigo afirma fornecer uma solução para a "avaliação rápida de integridade" de oledutos enterrados submetidos a cargas de sobrecarga de construção, uma lacuna identificada na literatura anterior. Ao acoplar simulações ABAQUS com uma rede neural GA-BP, o estudo oferece um método que equilibra a precisão da análise de elementos finitos com a velocidade necessária para a tomada de decisão na engenharia. A aplicação bem-sucedida a oleodutos reais no Bloco Penglai Dengying demonstra a utilidade da estrutura para identificar riscos de falha específicos (como visto no Oleoduto Nº 3) e orientar decisões de engenharia, como a restrição de carga de sobrecarga e a implementação de medidas de reforço. O estudo conclui que esta abordagem integrada permite a identificação rápida de riscos de sobrecarga relacionados à construção sem a necessidade de simulações numéricas repetitivas e demoradas.

Mais como este