Modelagem e propagação de incertezas na detecção e localização de vazamentos em tubulações subterrâneas

Abstract

A detecção precoce de vazamentos em tubulações enterradas é essencial para a redução de perdas de água, o que irá impactar diretamente os custos operacionais e o meio ambiente. Entretanto, os modelos tradicionais utilizados em correlacionadores acústicos e em técnicas baseadas em vibração do solo geralmente desconsideram as incertezas presentes nas propriedades do fluido, do tubo e do solo, o que pode comprometer a estimativa da velocidade de propagação do ruído de vazamento e, consequentemente, a localização da falha. Além disso, quando há consideração de incertezas, o termo representativo do solo não é considerado. Dessa forma, este trabalho busca considerar as incertezas de todos os componentes presentes no sistema, incluindo as do solo, e isso é feito por meio de uma abordagem estocástica para quantificar o impacto das incertezas dos parâmetros do sistema fluido–tubo–solo sobre o número de onda complexo, a velocidade de propagação e a atenuação do ruído de vazamento em tubulações plásticas enterradas. Inicialmente, é adotado um modelo determinístico de rigidez dinâmica de onda para dois cenários representativos, envolvendo combinações de solo argiloso e tubo de PVC (sistema brasileiro) e de solo arenoso e tubo de PEAD (sistema britânico). Em seguida, essas grandezas são tratadas como variáveis aleatórias, sendo avaliadas por meio de simulações de Monte Carlo e de um método de propagação de incertezas baseado em momentos estatísticos de baixa ordem. Posteriormente, analisa-se a influência das incertezas nas respostas de vibração da superfície do solo (ground vibration) via Monte Carlo, considerando a propagação de ondas de compressão e cisalhamento em diferentes profundidades da tubulação. Os resultados indicam que o método dos Momentos Estatísticos reproduz, com excelente aproximação e custo computacional significativamente reduzido, as bandas de incerteza obtidas por Monte Carlo. Conclui-se que a modelagem estocástica por meio dos momentos estatísticos de baixa ordem apresenta-se como um item-chave para projetos de estratégias mais robustas de detecção de vazamentos em redes de distribuição de água, bem como que o desenvolvimento de modelagem estocástica para medições diretamente no solo se apresenta como um item potencializador para a detecção de vazamentos.

Early leak detection in buried pipelines is essential for reducing water losses, which will directly impact operating costs and the environment. However, traditional models used in acoustic correlators and in ground-vibration-based techniques generally disregard the uncertainties present in the properties of the fluid, the pipe, and the soil, which can compromise the estimation of the leak-noise propagation velocity and, consequently, the fault location. In addition, when uncertainties are considered, the representative soil term is not included. Thus, this work seeks to account for the uncertainties of all components present in the system, including those of the soil, and this is done through a stochastic approach to quantify the impact of uncertainties in the parameters of the fluid–pipe–soil system on the complex wavenumber, the propagation velocity, and the attenuation of leak noise in buried plastic pipelines. Initially, a deterministic wave dynamic stiffness model is adopted for two representative scenarios, involving combinations of clay soil and a PVC pipe (Brazilian system) and sandy soil and an HDPE pipe (UK system). Then, these quantities are treated as random variables and evaluated through Monte Carlo simulations and an uncertainty propagation method based on low-order statistical moments. Subsequently, the influence of uncertainties on the soil surface vibration responses (ground vibration) is analyzed via Monte Carlo, considering the propagation of compressional and shear waves at different pipeline depths. The results indicate that the Statistical Moments method reproduces, with excellent approximation and significantly reduced computational cost, the uncertainty bands obtained by Monte Carlo. It is concluded that stochastic modeling through low-order statistical moments presents itself as a key element for designing more robust leak detection strategies in water distribution networks, as well as that the development of stochastic modeling for measurements directly in the soil presents itself as a factor that enhances leak detection.