Beruflich Dokumente
Kultur Dokumente
, (1)
( ) { } [ ] ( ) { } 0
1
0
1
lim
=
=
U G I
nsi
U G I E
nsi
i nsi
, (2)
onde I {G(U) 0} 1 para G(U) 0 e 0 para G(U) > 0.
Um estimador de
f
p
U G I
nsi
f
nsi
i
p , (3)
onde a mdia e a varincia deste estimador so dadas por:
pf pf E =
(
, (4)
nsi
pf
nsi
pf pf
pf Var
=
(
) 1 (
. (5)
Embora esta tcnica seja bastante simples e apresente medidas de confiana em relao
probabilidade que se est avaliando, ela apresenta vrias dificuldades para ser usada. Uma
delas a quantidade de avaliaes da funo de estado limite G(U). Como j foi visto antes, a
probabilidade de falha em problemas estruturais baixa e tendo-se, por exemplo, um valor de
10
-3
e querendo-se um coeficiente de variao no estimador de 10%, o nmero de anlises
necessrias da ordem de 10
5
.
Da forma como foi apresentado o mtodo de Monte Carlo, ele definido por alguns
autores como o mtodo da fora bruta (Liu e Der Kiureghian, 1989). Entretanto, vrios
esquemas derivados deste mtodo foram desenvolvidos para tentar diminuir o nmero de
anlises necessrias, tais como, amostragem estratificada (stratified sampling) e amostragem
hipercubo latino (latin hypercube sampling). O mtodo de Monte Carlo por ser uma
ferramenta genrica muitas vezes usado para a aferio de outros mtodos, como o caso
deste trabalho.
3.2. Mtodo de Hipercubo Latino
As tcnicas da amostragem aleatria e a simulao por Monte Carlo so tcnicas muito
poderosas e teis para anlises probabilsticas. Entretanto, em alguns casos, o tempo
necessrio para executar o programa computacional em questo muito longo e, dependendo
do nmero de simulaes, pode ser impraticvel. A amostragem de hipercubo latino (Latin
Hypercube Sampling - LHS) faz corridas de simulao tornando o mtodo de Monte Carlo
menos atraente para muitos pesquisadores, exatamente porque reduz a varincia do valor
esperado da probabilidade de falha (pf), tornando-a mais til para o clculo de baixos valores
de probabilidade de falha (<10
-5
).
A tcnica de hipercubo latino produz um esquema de amostragem restringida em vez de
uma amostragem aleatria direta de acordo com o mtodo de Monte Carlo. Tradicionalmente,
F. THOM, G. SISQUINI, M. FREITAS 9060
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
nmeros aleatrios so gerados aleatoriamente entre 0 e 1. Estes nmeros aleatrios so
usados para gerar variveis de acordo com a funo de distribuio prescrita de cada varivel.
Na amostragem do hipercubo latino (Latin Hypercube Sampling - LHS), a regio entre 0 e 1
dividida uniformemente em ni intervalos no sobrepostos para cada varivel aleatria; onde ni
a quantidade de nmeros aleatrios que precisam ser gerados para cada varivel aleatria.
Os ni intervalos no sobrepostos so selecionados de modo que tenham a mesma
probabilidade de ocorrncia. Ento, ni diferentes valores em ni intervalos no sobrepostos so
aleatoriamente selecionados para cada varivel aleatria, isto , um valor por intervalo
gerado. Isto pode ser realizado inicialmente gerando-se ni nmeros aleatrios dentro da faixa
[0,1]. Estes valores representam a posio de porcentagem de cada valor gerado de uma
varivel dentro de um intervalo. Entretanto, estes valores so linearmente transformados em
intervalos no sobrepostos para cada varivel aleatria atravs do uso da seguinte equao:
|
\
|
+ =
ni
i
ni
u
u
i
1
, onde i = 1,2,..., ni, (6)
sendo, u um nmero aleatrio na faixa [0,1] e u
i
o nmero aleatrio no i-simo intervalo.
Da Eq. (1), observa-se que existe somente um valor gerado que selecionado aleatoriamente
dentro de cada intervalo para cada varivel aleatria. Isto devido a seguinte relao:
ni ni
i 1 ) 1 (
<
, (7)
onde (i - 1)/ni e i/ni so os parmetros do i-simo intervalo. Portanto, ni valores de x
1
(a
primeira varivel aleatria) so emparelhados de uma maneira aleatria (combinao
igualmente provvel) com os valores ni de x
2
(a segunda varivel aleatria). Estes ni valores
emparelhados de (x
1
, x
2
) so combinados de uma maneira aleatria com os ni valores de x
3
(a
terceira varivel aleatria) para formar o primeiro conjunto (x
1
, x
2
, x
3
) e assim por diante, at
o (k - 2) simo conjunto (x
1
, x
2
,...,x
n-2
, x
n-1
, x
n
), onde k o nmero de variveis aleatrias.
Assim, uma matriz ni x k formada. A possvel correlao estatstica entre colunas da matriz
pode ter uma influncia notvel nos resultados de simulao. Isso naturalmente afeta o erro
sistemtico e a varincia do estimador.
Para ser mais especfico, vamos assumir que precisamos simular valores de uma funo y
qualquer descrita como:
y = f (x
1
, x
2
, ..., x
k
), (8)
onde f ( ) uma funo determinstica e x
i
(i = 1, 2, ..., k) so variveis aleatrias de entrada.
As etapas bsicas do hipercubo latino so as seguintes:
1. Diviso do intervalo de cada x
i
em ni intervalos. A diviso deve ser feita de modo que a
probabilidade de um valor de x
i
ocorrendo em cada intervalo 1/ni;
2. Para cada varivel x
i
e cada de seus ni intervalos, seleciona-se aleatoriamente um valor
representativo para o intervalo. Em aplicaes prticas, se o nmero de intervalos
grande, o valor mdio de cada intervalo pode ser utilizado ao invs de executarmos a
amostragem aleatria;
3. ps as etapas 1 e 2, existiro ni valores representativos para cada varivel aleatria k.
H ni
k
combinaes possveis para esses valores representativos. O objetivo da
amostragem hipercubo latino selecionar ni combinaes de forma que cada valor
representativo aparea uma nica vez em ni combinaes;
Mecnica Computacional Vol XXIX, pgs. 9055-9072 (2010) 9061
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
4. Para obtermos a primeira combinao, selecionamos aleatoriamente um dos valores
representativos para cada das k variveis aleatrias de entrada. Para obtermos a segunda
combinao, selecionamos aleatoriamente um dos ni -1 valores representativos
restantes de cada varivel aleatria. Para obtermos a terceira combinao, selecionamos
aleatoriamente um dos ni - 2 valores representativos restantes de cada varivel
aleatria. Continuamos esse processo de seleo at que tenhamos ni combinaes de
valores das variveis aleatrias de entrada;
5. Avaliamos a Eq. (8) para cada uma das ni combinaes das variveis de entrada
geradas anteriormente. Isto produzir ni valores da funo, que sero denominados
como y
i
(i = 1, 2, ..., ni).
3.3. A Amostragem Estratificada (AE)
A idia bsica da amostragem estratificada (stratified sampling) dividir o espao de
amostra de uma varivel aleatria dominante, por exemplo, a profundidade inicial de uma
trinca (a
0
) de um vaso de presso, em m sub-regies mutuamente excludentes. O nmero pr-
determinado de simulaes em cada sub-regio proporcional a sua contribuio para a
probabilidade total de falha. Dentro de cada sub-regio, os tamanhos de trinca individuais so
selecionados ainda de acordo com a funo densidade de probabilidade de a
0
. A probabilidade
de uma profundidade de trinca encontrar-se dentro da i-sima sub-regio, q
i
, determinada
pela integrao numrica quando a funo densidade de probabilidade de a
0
e a faixa da i-
sima sub-regio so conhecidos.
A simulao por Monte Carlo usada para calcular a probabilidade de falha (pf) na i-sima
sub-regio da profundidade da trinca inicial (a
0
) como:
i
i
i i
f
q
N
M
p = . (9)
onde q
i
a probabilidade de uma trinca inicial tendo uma profundidade dentro dos limites da
i-sima sub-regio, N
i
o nmero de amostras ou simulaes na i-sima sub-regio e M
i
o
nmero de amostras ou simulaes na i-sima sub-regio que geraram falha.
A probabilidade de falha total ento:
P
f
total
=
|
|
\
|
=
m
i
i
i
i
q
N
M
1
. (10)
O nmero total de simulaes n dado por:
n =
=
m
i i
N
1
, (11)
onde m o nmero total de sub-regies.
As referncias citadas neste texto sobre a tcnica de amostragem estratificada no fornecem
uma explicao terica a respeito de como matematicamente dividir em intervalos as sub-
regies da varivel aleatria dominante. Em Hocevar et alli (1983) citado que ...o espao
amostral estratificado atravs da simples escolha de uma partio nos parmetros espaciais
de entrada.... Assim, para fins de simplificao, vamos considerar, q
i
e N
i
constantes em cada
i-sima sub-regio. Desta forma, as Equaes (8) e (9) so dadas por:
i
i
i i
f
M
N
q
p = , (12)
F. THOM, G. SISQUINI, M. FREITAS 9062
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
P
f
total
=
=
m
i
i
i
i
M
N
q
1
. (13)
3.4. Combinao da Amostragem Estratificada com a Amostragem por Hipercubo
Latino
Embora a amostragem por hipercubo latino (LHS) tenha vantagens na estimativa do valor
esperado da probabilidade de falha com um nmero relativamente menor de simulaes, em
relao ao mtodo de Monte Carlo, a reduo na varincia da probabilidade estimada de falha
ainda pode ser melhorada (Ayyub e Lai, 1989). Como a amostragem estratificada (stratified
sampling) pode tambm reduzir a varincia da probabilidade de falha estimada tal como o
mtodo do hipercubo latino, surgiu a idia bsica da amostragem combinada (LHS + stratified
sampling). De acordo com a amostragem estratificada, o espao amostral de uma varivel
aleatria dominante (por exemplo, a profundidade inicial de uma trinca (a
0
), o limite de
escoamento (
y
) ou qualquer outra varivel da Mecnica da Fratura), dividido em m sub-
regies mutuamente excludentes e o nmero de simulao em cada sub-regio proporcional
a sua contribuio para a probabilidade de falha total. Ento, o valor da probabilidade de falha
(pf) estimado de cada sub-regio da varivel aleatria dominante, com a aplicao da
simulao de LHS, nas variveis aleatrias restantes. Vale lembrar que tanto o LHS como a
amostragem estratificada (AE) so aprimoramentos do mtodo de Monte Carlo.
4. METODOLOGIA
4.1. Probabilidade de Falha Devido Perda Metlica por Corroso
A seo da tubulao com defeito depende da proporo de metal perdida pela ao da
corroso, em comparao com a seo original. Um modelo analtico foi desenvolvido por
Kiefner et al. (1973) para estimar a presso de falha, Q, de uma tubulao sob corroso, que
dada por:
(
=
(
=
) /( 1
/ 1
3 , 2
) /( 1
/ 1
2
0 0
0
0
M h
h
D MA A
A A
D
Q
y f
, (14)
onde A = hl a rea do corte transversal da perda de metal na regio corroda projetada no
eixo longitudinal da tubulao, A
0
= l a rea original do corte transversal da regio
corroda, M o fator de Folias que considera as salincias antes da falha do tubo,
f
a tenso
de fluxo geralmente definida como uma funo da tenso de escoamento (
y
), a espessura
da parede da tubulao e D
0
o dimetro do tubo. Neste trabalho vamos assumir que
f
=
1,15
y
. O fator de Folias, M, definido como:
2 2
0
4
0
2
003375 , 0 6275 , 0 1
D
l
D
l
M + = , para 50
0
2
D
l
(15a)
3 , 3 032 , 0
0
2
+ =
D
l
M , para 50
0
2
>
D
l
. (15b)
Por causa do crescimento das dimenses h e l do defeito com o tempo, a resistncia
remanescente dada pela Equao (14) continua a deteriorar. Para prever esta resistncia aps
um tempo t, uma estimativa da taxa de crescimento da corroso requerida. Para fins de
Mecnica Computacional Vol XXIX, pgs. 9055-9072 (2010) 9063
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
simplificao, vamos usar um modelo linear para o crescimento da corroso, onde as
dimenses do defeito no tempo t podem ser:
t r h t h
d
+ = ) 0 ( ) ( t r l t l
l
+ = ) 0 ( ) ( , (16)
onde r
d
e r
l
so as taxas de corroso para a profundidade e o comprimento do feito,
respectivamente.
4.2. Estimao da Probabilidade de Falha
Dimenses do defeito, presso de operao, taxa de crescimento da corroso, tenso
produzida e as propriedades geomtricas da seo da tubulao so tratadas como variveis
aleatrias para levar em conta as incertezas associadas (Pandey, 1997). A extenso da
corroso na tubulao , entretanto, uma funo de variveis aleatrias no lineares
dependentes do tempo. A falha se localiza num local onde a resistncia da tubulao cai
abaixo da presso de operao do sistema, p
0
. Deste modo, a probabilidade de falha, P
f|d
(t), de
um dado defeito, num intervalo de tempo 0 a t, pode ser estimada como:
[ ] 0 ) ( ) (
0 |
= p t Q P t P
d f
. (17)
Observe-se que p
0
modelado como uma varivel aleatria independente do tempo porque
a presso de operao regulada por dispositivos de controle de presso. Isto usual para
definir a probabilidade de falha no final da extenso do duto. Assumindo que os defeitos de
corroso ocorrem aleatoriamente ao longo do comprimento da tubulao, e que a falha de
qualquer defeito independente dos outros defeitos na tubulao, a probabilidade de falha por
km de comprimento da tubulao pode ser obtido como:
[ ]
nd
d f f
t P t P ) ( 1 1 ) (
|
= , (18)
onde nd a mdia do nmero de defeitos por km de comprimento da tubulao. Em essncia,
1 km de comprimento da seo da tubulao modelado como um sistema em srie com uma
determinada quantidade de elementos crticos de modo que a falha de algum elemento (isto ,
defeito) soma-se a falha de todo o sistema.
4.3. Modelando a Inspeo e o Reparo de Defeitos
Os dados de inspeo podem ser usados para caracterizar as condies da tubulao em
torno da mdia do nmero de defeitos por km e as distribuies de probabilidade da
profundidade e do comprimento dos defeitos de corroso.
Deve-se levar em considerao que defeitos curtos e pouco profundos podem escapar da
deteco durante o escaneamento magntico contnuo da seo da tubulao. Existem dois
fatores envolvidos na definio da preciso da inspeo, isto , a probabilidade de deteco e
o erro de medio. A probabilidade de deteco modela a habilidade de deteco da
imperfeio pelas ferramentas MFL, sendo geralmente uma funo do incremento da
profundidade de defeito e definida como uma funo exponencial dada por:
qh
H D
e h P
=1 ) (
|
, (19)
onde q uma constante que descreve a resoluo da ferramenta de inspeo. Enquanto que as
limitaes na preciso do tamanho do defeito medido por uma ferramenta MFL so
modeladas pela adio de uma medida de erro sistemtico para o atual tamanho, que so
dados por:
F. THOM, G. SISQUINI, M. FREITAS 9064
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
h m
e h h + = ,
l m
e l l + = , (20)
onde h
m
e l
m
so a profundidade e o comprimento medidos, respectivamente; e
h
e
e
l
denotam
os erros sistemticos associados com as medidas de h e l, os quais podem ser estimados pelo
fabricante do equipamento MFL ou baseados em dados de comparao obtidos de tubulaes
desenterradas.
Depois da inspeo, os dados coletados so processados para indicar os defeitos que so
crticos para a integridade da tubulao. O critrio de reparo (k) geralmente baseado no fator
de segurana em relao presso de falha, definido como a razo da presso de ruptura
calculada pela Equao (14) e pela mxima presso de operao permissvel (Maximum
Allowable Operating Pressure MAOP) da tubulao (Pandey, 1997). Se o fator de
segurana para um dado defeito baixo, o defeito considerado crtico e necessita ser
reparado ou retirado da tubulao. Matematicamente, o critrio de reparo pode ser obtido
como:
m m
p k Q . , (21)
onde k o fator de segurana de presso de falha (1,25 k 1,5), p
m
o MAOP e Q
m
a
presso de falha nominal, calculada pela Equao (9) usando-se a tenso mnima especificada,
ymin
, os valores nominais de D
0
e , e as dimenses de comprimento e profundidade do
defeito so medidos ao invs das dimenses reais. comum adotar um valor de k igual a 1,25,
pois este valor assegura o mesmo nvel de integridade como estabelecido atravs do teste
hidrosttico na tubulao.
(
=
) /( 1
/ 1
3 , 2
0
min
M h
h
D
Q
m
m
y
m
(22)
4.4. Avaliao das Condies e Planejamento da Manuteno
Os resultados possveis, dentro do tempo de inspeo, esto expostos na forma de rvore de
eventos como mostra a Figura 9, que por sua vez ser melhor entendido atravs das Figuras 10
e 11 e seus resultados numricos. assumido em qualquer tempo de inspeo T
i
, que alguns
defeitos escapam da deteco devido imperfeio do mtodo de inspeo. A Equao (21)
define o reparo do defeito em funo da criticidade. O reparo assumido como perfeito e os
defeitos reparados no iro causar falhas. A probabilidade de falha depois da inspeo
depende principalmente dos defeitos no detectados e detectados, mas no reparados, j que
continuam a crescer com o tempo. O processo de inspeo e de reparo mostrado na rvore de
eventos de manuteno pode ser modelado em termos de seis eventos aleatrios descritos a
seguir (Pandey, 1997). A falha provocada pelo defeito de corroso durante um intervalo de 0 a
t um evento denominado de M(t), dado por:
M(t): [ ] 0 ) (
0
p t Q , (23)
enquanto que a sobrevivncia do defeito no tempo t denominada por S(t):
S(t): [ ] 0 ) (
0
> p t Q . (24)
O evento de deteco do defeito, D(t), acontece quando a profundidade do defeito h(t)
maior ou igual a profundidade detectvel h
a
, que representa a resoluo da inspeo, sendo
dado por:
Mecnica Computacional Vol XXIX, pgs. 9055-9072 (2010) 9065
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
D(t): [ ] 0 ) ( t h ha , (25)
e o evento de no deteco, ND(t), complementar ao evento de deteco, :
ND(t): [ ] 0 ) ( > t h ha . (26)
O reparo de um defeito selecionado aleatoriamente denominado por R(t):
R(t): [ ] 0 .
m m
p k Q , (27)
sendo o evento de no reparo, NR(t), definido como:
NR(t): [ ] 0 . >
m m
p k Q . (28)
Figura 6: rvore de eventos de manuteno (Eventos: D = detectado, ND = no detectado, R = reparado e
NR = no reparado). Fonte: PANDEY, 1997.
O planejamento de manuteno envolve decises com respeito ao tempo de futuras
inspees e extenso de reparo. A deciso bsica fazer a estimativa da confiabilidade
incorporando o impacto das atividades de planejamento de inspeo e do reparo na vida til
da tubulao. Vamos admitir que as distribuies da profundidade e do comprimento de todos
os defeitos da populao so conhecidas a princpio entre o intervalo de tempo 0 < t T
L
,
onde T
L
o tempo de vida em servio remanescente. assumido que a tubulao est
operando satisfatoriamente em t = 0 e uma inspeo planejada em t = T
1
. Um modelo
probabilstico desenvolvido para prever a probabilidade de falha da tubulao para este
perodo.
A probabilidade de falha antes de T
1
e condicionada sobrevivncia em t = 0, pode ser
estimada como:
[ ]
[ ] ) 0 (
) ( ) 0 (
) (
S P
t M S P
t P
f
= . (0 < t T
1
) (29)
Devido ao reparo de alguns dos defeitos detectados, a probabilidade de falha ser alterada
para:
) ( ) ( ) ( ) ( ) ( ) (
2 1 1 1
t P t P T P t P T P t P
f f f f f f
+ + = + = (T
1
< t T
L
), (30)
onde P
f
(t) a probabilidade de falha aps o reparo, a qual tem duas componentes: P
f1
(t) e
P
f2
(t) correspondente aos defeitos no detectados e detectados mas no reparados,
F. THOM, G. SISQUINI, M. FREITAS 9066
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
respectivamente, os quais so dados por:
[ ]
[ ] ) 0 (
) ( ) ( ) ( ) 0 (
) (
1 1
1
S P
t M T ND T S S P
t P
f
= , (T
1
< t T
L
) (31)
[ ]
[ ] ) 0 (
) ( ) ( ) ( ) ( ) 0 (
) (
1 1 1
2
S P
t M T NR T D T S S P
t P
f
= . (T
1
< t T
L
) (32)
Caso a inspeo seja repetida a diferentes intervalos, T
2
, T
3
, ..., T
k
, as mesmas expresses
para P
f
(t) podem ser escritas numa forma expandida pela construo de uma rvore de
eventos, semelhante aos das Figuras 6, 7 e 8.
4.5. Simulao
O procedimento de simulao pode ser entendido esquematicamente atravs das Figuras 6,
7 e 8, para o caso onde todos os defeitos da populao so conhecidos. A primeira etapa
simular as variveis bsicas do problema (dimenses de defeitos, taxa de crescimento de
corroso, incertezas de inspeo e propriedades dos materiais) por meio de suas respectivas
distribuies de probabilidade utilizando o mtodo de Monte Carlo e, como comparao, a
amostragem composta, que uma combinao da amostragem hipercubo latino (LHS) com a
amostragem estratificada (AE) (Thom, 2003).
Figura 7: Fluxograma de rotina computacional considerando uma inspeo com 10 anos. Observao: os
nmeros que aparecem ao lado de cada bloco representam os resultados de uma simulao com n = 1000.
4.6. Exemplos Ilustrativos
4.6.1. Decises de Manuteno Baseadas na Populao de Defeitos Globais
Este exemplo ilustra o planejamento da manuteno baseada em confiabilidade dada pelo
conhecimento prvio do nmero mdio de defeitos e as distribuies de profundidade e
n
Nfo Nso
Nft1 Nst1
Nnd Nd
Ndnrft
Ndnr
Ndnrst
Ndr
t = 0
t = 10 anos
t = tempo Nndft Nndst
1000
999 1
9 990
500 490
400 100
90 400
300 100
Pf = (Nft1 + Nndft + Ndnrft) / Nso
Mecnica Computacional Vol XXIX, pgs. 9055-9072 (2010) 9067
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
comprimento dos defeitos. Vamos considerar uma tubulao com 914 mm de dimetro
externo, 8,74 mm de espessura de parede e feita em ao API 5L X60. A mxima presso de
operao aceitvel de 5,7 MPa. As distribuies de probabilidade de todos os parmetros de
entrada esto listadas na Tabela III.
Tabela 1: Distribuio de probabilidade dos parmetros de entrada.
N Parmetros Simbologia Unidade Mdia Desvio
Padro
Tipo de
Distribuio
1 Tenso de escoamento
ymin
MPa 461 16,13 Normal
2 Espessura da parede do duto mm 8,74 0,087 Normal
3 Dimetro do duto D
0
mm 914 0 Fixo
4 Presso de operao MAOP MPa 5,7 0 Fixo
5 Profundidade do defeito h mm 1,7 0,765 Lognormal
6 Comprimento do defeito l mm 110 44 Lognormal
7 Profundidade detectvel do defeito h
a
mm 0,76 0,76 Exponencial
8 Erro na medio da profundidade e
h
mm 0 0,68 Normal
9 Erro na medio do comprimento e
l
mm 15 27 Normal
10 Taxa de crescimento na profundidade r
d
mm/ano 0,1 0 Fixo
11 Taxa de crescimento no comprimento r
l
mm/ano 5 0 Fixo
Fonte: Pandey, 1997.
Figura 8: Fluxograma de rotina computacional considerando uma inspeo com 10 anos e outra com 20 anos.
n
Nfo Nso
Nft1 Nst1
Nnd Nd
NdnrT1sT2
Ndnr
NdnrT1fT2
Ndr
t =0
t =10anos
t =tempo
NndT1fT2 NndT1sT2
Nd3 Nnd3 Nnd2 Nd2
Ndnr3 Ndr3
Ndnrft3 Ndnrst3 Nndst3 Nndft3 Nndft2 Nndst2
Ndr2 Ndnr2
Ndnrft2 Ndnrst2
t =20anos
Pf =(Nft1+NdnrT1fT2+Ndnrft2+Nndft2+NndT1fT2+Ndnrft3+Nndft3) / Nso
F. THOM, G. SISQUINI, M. FREITAS 9068
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
planejado que de tempos em tempos, a tubulao ser inspecionada usando a ferramenta
de alta resoluo MFL. A ferramenta de inspeo tem 99% de probabilidade de detectar uma
profundidade de defeito de 40% da espessura da parede do tubo, a qual implica uma
profundidade mdia detectvel (1/q) de 0,76 mm. Os defeitos com uma presso de falha, Q
m
,
menor que 1,3 MAOP sero reparados. A densidade mdia de defeitos assumida como
sendo 1 defeito para cada km de tubulao.
Os resultados numricos obtidos por procedimentos baseados em simulao esto plotados
na Figura 9, para uma inspeo nos dutos em 10 anos (considerando uma vida til de 25
anos), e na Figura 10, para duas inspees nos dutos, uma em 10 anos e outra em 20 anos
(considerando uma vida til de 30 anos). Mais detalhes sobre as simulaes usadas esto
descritas na referncia Thom (2003) e Sisquini et al. (2008). As Figuras 9 e 10 mostram que a
inspeo sempre provoca uma descontinuidade (perturbao) nos grficos, pois h uma queda
na taxa de falha devido aos defeitos reparados.
4.6.2. Otimizao da Inspeo
Se somente uma inspeo pode ser feita durante 25 anos de vida til, o mtodo de Monte
Carlo ou um dos outros mtodos desenvolvidos em Thom (2003) pode ser utilizado para
determinar o tempo de inspeo tima e o critrio de reparo que minimiza a probabilidade de
falha total durante a vida til da tubulao. Neste exemplo, vamos usar o mtodo de Monte
Carlo.
Figura 9: Obteno da probabilidade de falha utilizando o mtodo de Monte Carlo (MC) e amostragem composta
(LHS + AE), para uma inspeo feita com 10 anos.
Como ilustrao, o tempo de inspeo foi variado entre 1 e 20 anos e a probabilidade de
falha foi calculada para um critrio de reparo pr-fixado, definido pelo fator k. Os resultados
numricos so mostrados na Figura 11 para 3 diferentes critrios de reparo. Isto confirma que
uma inspeo aps 7 anos com critrio de reparo de 1,4 MAOP minimizar a probabilidade de
P
r
o
b
a
b
i
l
i
d
a
d
e
d
e
f
a
l
h
a
Tempo (anos)
Mecnica Computacional Vol XXIX, pgs. 9055-9072 (2010) 9069
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
falha da tubulao para 10
-2
por km ao final de 25 anos. Esta anlise pode ser usada para
satisfazer uma meta de confiabilidade.
Figura 10: Obteno da probabilidade de falha utilizando os mtodos de Monte Carlo (MC) e amostragem
composta (LHS + AE), para uma inspeo feita com 10 anos e outra com 20 anos.
Figura 11: Otimizao do tempo de inspeo variando o critrio de reparo (considerando k = 1,2; 1,3 e 1,4).
P
r
o
b
a
b
i
l
i
d
a
d
e
d
e
f
a
l
h
a
Tempo (anos)
P
r
o
b
a
b
i
l
i
d
a
d
e
d
e
f
a
l
h
a
Tempo (anos)
F. THOM, G. SISQUINI, M. FREITAS 9070
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
5. CONCLUSES
Este trabalho mostra que possvel criar modelos probabilsticos para o planejamento da
manuteno, baseada na confiabilidade de manuteno que relaciona a probabilidade de falha
devido a corroso com a vida til dentro de critrios de inspeo e reparo previamente
definidos, utilizando a ferramenta MFL, muito popular em inspees de tubulaes enterradas.
Alm disso, mostra que podemos otimizar o momento em que se deve realizar uma inspeo
para uma determinada vida til restante.
O propsito deste trabalho criar uma ferramenta de tomada de deciso baseada na
estimao da vida til de uma tubulao, durante o tempo de uso da mesma, que permite a
determinao da curva de probabilidade de falha ao longo do tempo, utilizando dados de
entrada obtidos por monitorao atravs do pig instrumentado, com intervalos de inspeo
pr-definidos pelos resultados da monitorao.
A implementao desta ferramenta combinada com uma inspeo adequada e uma
avaliao de confiabilidade nos permite:
- Impedir as falhas, a perda do produto e casualidades;
- Evitar reparos caros e desnecessrios;
- Diminuir o custo de manuteno;
- Otimizar o momento em que se deve realizar uma inspeo para uma determinada vida
til restante.
REFERNCIAS BIBLIOGRFICAS
Ayyub, B. M.; Lai, K., Structural Reliability Assessment using Latin Hypercube Sampling. 5
th
International Conference on Structural Safety and Reliability. San Francisco, USA, 1989.
Caleyo, F., Gonzalez, J.L., Hallen, J.M., A study on the reliability assessment methodology
for pipelines with active corrosion. International Journal Pressure Vessels Piping, v. 79,
7786, 2002.
Clayton, P. Specialist Pigging and Line Cleaning. Second Latin American Pipeline Integrity
Conference. Puerto La Cruz, Venezuela, 1999.
Cosham, A., Hopkins, P., Macdonald, K. A., Best practice for the assessment of defects in
pipelines - Corrosion. Engineering Failure Analysis, v. 14, p. 12451265, 2007.
Dawson, J.; Race, J.; Peet, S.; Krishnamurthy, R., Pipeline Corrosion Management. Houston,
USA. 2000.
Fishman, G.S., Monte Carlo: Concepts, Algorithms and Applications. Springer. 1996.
Hocevar, D.E.; Lightner, M.R.; Trick, T.N.,. A Study of Variance Reduction Techniques for
Estimating Circuit Yields. Computer-Aided Design, v. 2, n. 3, p. 180-192, 1983.
Karamchandani, A., Structural System Reliability Analysis Methods. Report n. 83, John A.
Blume Earthquake Engineering Center, Stanford University, USA, 1987.
Kiefner, J.F.; Maxey, W.A.; Eiber, R.J.; Duffy, A.R., Failure Stress Levels of Flaws in
Pressurized Cylinders. Progress in Flaw Growth and Fracture Toughness Testing. ASTM
STP 536, p. 461-481, 1973.
Liu, P.L.; Der Kiureguian, A., Finite-Element Reliability Methods for Geometrically
Nonlinear Stochastic Structures. Report n. UCB/SEMM-89/05, Department of Civil
Engineering, University of California at Berkeley, USA, 1989.
Pandey, M.D., Probabilistic models for condition assessment of oil and gas pipelines. NDT&E
International. Great Britain, v. 31, p. 349-358, 1997.
Sisquini, G. R., Thom, F. C. M., Martins Filho, B., Tcnicas de Amostragem Aplicadas na
Confiabilidade e Durabilidade de Estruturas. In: XXIX CILAMCE - Iberian Latin American
Mecnica Computacional Vol XXIX, pgs. 9055-9072 (2010) 9071
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar
Congress on Computational Methods in Engineering. Macei, p. 1-18, 2008.
Thom, F. C. M., Clculo da Confiabilidade de Tubulaes de leo e Gs Baseado em
Amostragem por Hipercubo Latino e Estratificada. Tese M.Sc., UFES, Esprito Santo.
Novembro 2003.
F. THOM, G. SISQUINI, M. FREITAS 9072
Copyright 2010 Asociacin Argentina de Mecnica Computacional http://www.amcaonline.org.ar