Desenvolvimento de sistema baseado em redes neurais para detecção de vazamentos em dutos de mineração

Abstract

Este trabalho apresenta o desenvolvimento de um sistema para detecção e localização de vazamentos em tubulações, utilizando técnicas de aprendizado de máquina e integração com um ambiente de monitoramento em tempo real. Os dados utilizados foram gerados por meio de simulações hidráulicas, contemplando diferentes condições operacionais, incluindo cenários com e sem vazamento. Inicialmente, foi realizado o pré-processamento dos dados, incluindo remoção de outliers extremos e criação de variáveis derivadas a partir de grandezas como vazão e pressão. Em seguida, foram desenvolvidos dois modelos baseados em redes neurais: um para detecção de vazamentos (classificação binária) e outro para localização (classificação multiclasse por zonas). Para avaliação do modelo de localização, foram testadas diferentes configurações de divisão da tubulação em zonas, considerando cenários com 2, 3 e 4 regiões. Os resultados obtidos em ambiente de treinamento indicaram alto desempenho, com acurácia superior a 93% para duas zonas e aproximadamente 97% para três e quatro zonas. Além da análise quantitativa, foi implementada uma arquitetura de inferência em tempo real utilizando uma API e um sistema de visualização, permitindo avaliar o comportamento dinâmico do modelo. Nessa etapa, observou-se que, apesar das métricas elevadas, os cenários com maior número de zonas apresentaram menor estabilidade e maior sensibilidade a variações nos dados. Dessa forma, conclui-se que a configuração com duas zonas apresenta melhor equilíbrio entre desempenho e robustez operacional, sendo mais adequada para aplicações práticas. O trabalho evidencia a importância de avaliar modelos não apenas por métricas tradicionais, mas também por seu comportamento em condições dinâmicas.

This work presents the development of a system for leak detection and localization in pipelines using machine learning techniques integrated with a real-time monitoring environment. The dataset was generated through hydraulic simulations, covering different operational conditions, including both leak and no-leak scenarios. Initially, data preprocessing was performed, including outlier removal and feature engineering based on variables such as flow rate and pressure. Two neural network-based models were developed: one for leak detection (binary classification) and another for localization (multiclass classification based on zones). For the localization task, different zone configurations were evaluated, considering 2, 3, and 4 regions. Offline results showed high performance, with accuracy above 93% for two zones and approximately 97% for three and four zones. In addition to the quantitative analysis, a real-time inference architecture was implemented using an API and a visualization system, enabling the evaluation of the model’s dynamic behavior. In this stage, it was observed that, despite high accuracy metrics, scenarios with a higher number of zones exhibited lower stability and higher sensitivity to data variations. Therefore, the configuration with two zones proved to be more robust and suitable for practical applications. This work highlights the importance of evaluating machine learning models not only through traditional metrics but also considering their behavior in dynamic environments.