Notícias

Structural Health Monitoring (SHM) have become paramount to prevent systems from severe damage, specially if they are subject to continuous operation in harsh conditions. Nowadays, because visual inspection strongly depends on manual activities, the inspection process tends to be costly, time-consuming, labor-intensive, hazardous, and biased. In this context, advances in Computer Vision (CV) provide the means to the development of automated, accurate, non-contact and non-destructive inspection methods. Therefore, this paper proposes and compares two different approaches to detect cracks in images automatically, one based on texture analysis and machine learning methods (TA+ML-based), and the second based on deep learning (DL-based). We analyze the performance of both approaches with a real crack database considering six distinct dataset sizes. The results showed that for small dataset sizes, the DL-based approach achieved a balanced accuracy (BA) of ~74%, while the TA+ML-based approach obtained a BA >95%. For greater dataset sizes, the performances for both approaches present comparable results.

Oil refining comprises a series of interconnected operations that guarantee full use of the potential energy of the petroleum through the generation of fractionated products with defined physical composition and properties. Therefore, in refineries and processing plants, the enormous amount of piping and equipment makes the operations more complex, increasing the difficulty to plan inspections. In this sense, this paper proposes a multicriteria approach to support the maintenance planning in a complex system of the refining process, which operates under hazardous conditions (e.g. high pressures, flammable and corrosive products, toxic dispersions). The model aims to help the maintenance planning integrated with risk management and decision-making, considering the multiple dimensions of risk that arise from accidents in an oil refinery. In general, we should not assess the scenarios based just on the risks to human lives. Still, they should involve a broader perspective that simultaneously considers the human, environmental, financial and operational dimensions that impact the criticality of the components in the system. Therefore, considering the multicriteria approach, the opportunistic maintenance pinpoints when and where inspections must be performed to detect the system’s or subsystem’s state based on the critical component.

Reliability estimation is an essential task to ensure predictability on the life of equipment installed in oil wells, allowing forecasting costs, planning maintenance, and estimating system availability. In the Bayesian framework, the prior knowledge about a reliability measure can be updated as new information is obtained. Theoretically, the possibly more spread initial state of knowledge about the system reliability may gradually reduce as a new field and/or test data may narrow the prior estimate’s uncertainty. However, failure and test data are rather scarce and exorbitantly expensive to be obtained, especially for technologies that are under development in industries such as O&G. In this context, the intrinsically limited prior knowledge on the system reliability is only available in terms of generic databases and expert opinions. In those cases, the prior distribution has a major strength in the reliability estimate that is obtained at the end of the development of new technology Bayesian reliability analysis strongly relies on estimating appropriate informative prior distributions. Thus, we propose an approach that does not require direct elicitation of parameters to define informative prior distribution using expert’s opinion and/or generic data at the system level of new equipment. Specifically, the method of moments and Maximum-Entropy (ME) are adopted to aggregate information at system level from generic sources and expert opinions for the estimation of the prior probability distributions of the reliability parameters. Finally, we present a case study of specific completion equipment to be installed in a Brazilian oil field considering an O&G generic database and expert opinion.

A fase de concepção de sistemas espaciais é caracterizada por apresentar grande incerteza e pouca disponibilidade de dados e informações para suportar análise de riscos quantitativa através de métodos formais (ex. PRA, ETA, FTA, FMEA). As ferramentas atualmente utilizadas para a análise de riscos em ambientes de Engenharia Simultânea como o CPRIME (INPE), Team-X (NASA) e CDF (ESA) utilizam avaliação qualitativa de risco com base em matriz de risco e lista de riscos, fundamentados no conceito de três componentes do risco (cenário, probabilidade de ocorrência e consequências – risk triplet). Os resultados da análise de risco suportam o processo de tomada de decisão (Risk informed decision-making) dos demandantes e autoridades de um estudo. Portanto, os fundamentos e incertezas relacionadas aos riscos devem ser claramente disponibilizados. Entretanto, existem diversos desafios quanto ao estabelecimento de uma metodologia consistente e efetiva de avaliação e comunicação dos riscos identificados neste tipo de ambiente devido à alta frequência de iterações entre os especialistas durante a concepção do projeto. Adicionalmente, existem limitações metodológicas quanto à representação de incertezas impostas pela utilização de ferramentas como a matriz de risco. Este artigo apresenta uma abordagem integrativa para avaliar os fundamentos de riscos considerando os seguintes aspectos conhecimento, tecnológico e maturidade do projeto, contexto organizacional e tomada de decisão sob incertezas. Os resultados preliminares mostram que a aplicação da abordagem apresenta distinção entre riscos de acordo com os seus fundamentos, aceitável convergência de avaliação entre diferentes avaliadores e amplia o nível de informações disponibilizadas aos usuários de resultados da análise de risco.

Muitas decisões no planejamento e programação da manutenção industrial ainda são tomadas com base em critérios subjetivos ou seguindo estritamente recomendações dos fabricantes, seja nas manutenções preventivas ou nos testes de detecção de falhas ocultas e calibrações. O fato de ser conservador e executar tais atividades com uma pequena periodicidade passa a sensação de segurança, de uma boa gestão dos ativos físicos e de garantia de disponibilidade e confiabilidade dos sistemas. Na realidade, as quantidades elevadas de intervenções não redundam necessariamente no melhor desempenho dos ativos e, frequentemente, surtem o efeito contrário ou indesejado. O presente trabalho apresenta uma abordagem simplificada para encontrar intervalos ideais para testes e calibrações de equipamentos ou itens sujeitos a falhas ocultas, mais especificamente perda de calibração. A proposta aplica-se a válvulas de segurança, detectores de fogo e gás e instrumentos de campo, tais como transmissores de pressão e temperatura. A partir de técnicas de análise de dados de vida para a estimação dos parâmetros dos modelos probabilísticos, otimiza-se por meio de algoritmos genéticos a função confiabilidade. Por meio de variações na solução proposta são construídos cenário de decisão. Para a seleção do cenário mais favorável utiliza-se um método multicritério de apoio à decisão. Para mostrar a aplicabilidade da proposta, apresenta-se um estudo de caso simplificado, cujos resultados demostram a aplicabilidade da abordagem proposta para lidar com este tipo de problema.

A partir de dados históricos de perda de calibração são feitas estimativas para os parâmetros dos modelos probabilísticos a serem considerados. Em seguida, considerando-se a configuração do sistema, é modelada a disponibilidade para o estado estacionário do sistema em função das periodicidades e duração de testes e calibrações. Posteriormente busca-se a melhor solução para os intervalos de calibração para cada dispositivo de segurança. A busca se dá por meio de algoritmos genéticos (AG), onde o objetivo é maximizar a disponibilidade da função protetora do arranjo de dispositivos. Por fim, a partir da solução fornecida pelo AG, são feitas variações percentuais nas periodicidades de testes e calibrações ao redor da solução encontrada. Essas variações acarretam diferentes valores de disponibilidade, custo, mão de obra e materiais necessários. Para selecionar a variação mais adequada para o problema, combinam-se os métodos Processo Hierárquico de Análise (Analytic Hierarchical Process – AHP) e Technique for Order Preferences by Similarity of Ideal Solution – TOPSIS).

Para aplicar a metodologia proposta, foi coletada e tratada uma enorme amostra de dados disponíveis . O objetivo foi maximizar a disponibilidade de estado estacionário, encontrando os intervalos de calibração ótimos para um sistema de três dispositivos de segurança distintos. Com o algoritmo genético foram obtidas as periodicidades de teste e calibração de cada dispositivo, o que já permitiu ampliar tais periodicidades em relação ao recomendado por fabricantes. Aplicam-se então os métodos multicritério de apoio à decisão, trabalhando-se ao redor da solução obtida pelo algoritmo genético. A solução indicada pelos métodos AHP e TOPSIS, a partir da melhor solução encontrada pelo algoritmo genético, desonera consideravelmente os custos, a mão de obra e recursos utilizados.

A finalidade deste trabalho é a otimização da configuração de um parque eólico offshore formado por turbinas eólicas flutuantes para águas profundas. Conforme as referências bibliográficas, a operação e manutenção de parques eólicos offshore chegam a representar até 40% dos custos totais em sua vida útil. 

O trabalho propõe o estudo da estratégia de manutenção a ser seguida para minimizar os custos de operação através de uma otimização pelo método de Algoritmos Genéticos (AG), baseando-se nos resultados da análise RAM, pelo método de Monte Carlo, do parque eólico. As funções de mérito a serem otimizadas serão a disponibilidade (a ser maximizada) e custo total (a ser minimizado) do parque eólico. Como resultado, busca-se as quantidades ótimas de equipes e embarcações de manutenção, além dos sobressalentes de peças de reposição e da quantidade de turbinas do parque.

É reconhecido que ainda são escassos os bancos de dados com as taxas de falha e reparo para turbinas eólicas offshore flutuantes e, quando disponíveis apresentam forma de classificação e taxonomia diferentes. Assim, para determinação das taxas de falhas e reparos utilizadas para cada subsistema da turbina objeto deste estudo, foram consultadas referências bibliográficas, bancos de dados para turbinas onshore, bancos de dados para turbinas offshore flutuantes além de bancos de dados para estruturas flutuantes de outros tipos, utilizando os valores máximos encontrados na literatura.

Inicialmente utilizou-se as taxas de falha e reparo de uma turbina, viabilizadas pela aplicação dos seus subsistemas em série. Posteriormente a rotina será atualizada contemplando as taxas de falha e reparo para cada um dos subsistemas. Na avaliação do parque, as turbinas estão dispostas em paralelo, e os tempos de falha e reparo gerados através das taxas falha e reparo de cada subsistema de cada turbina, serão incrementados pelos períodos necessários para o início das manutenções, bem como os tempos de translado e demais especificidades do parque eólico. O método utilizado nessa simulação é o da transformada inversa, realizada de forma direta, onde as transições do sistema são efetuadas amostrando diretamente os tempos de todas as transições possíveis de todos os componentes de cada turbina, organizando estas transições em ordem crescente de tempo de ocorrência, prevendo o histórico de falhas no tempo missão. Assim, quando uma turbina sofre falha em algum dos seus subsistemas, esta turbina não produzirá energia até a manutenção efetuar o reparo do componente. 

Com os resultados dos estudos iniciais, pôde-se observar que a estratégia de manutenção prevista para a substituição dos componentes é o principal contribuinte para o custo de manutenção, em função do valor de afretamento diário de embarcações aptas a realizar esta atividade. Assim, novas estratégias para o evento de substituição de alguns componentes da turbina estão sendo analisadas para verificação da melhoria do processo. Através dos resultados preliminares também foi possível estimar pelo menos duas fases de operação do parque eólico, variando a quantidade de turbinas em função da quantidade de energia necessária para operação da FPSO.