Avaliação de métodos de monitoramento da integridade de válvula de bloqueio do tipo esfera para a indústria de petróleo e gás

Abstract

As válvulas de bloqueio do tipo esfera, também chamadas de (Emergency Shutdown Valves, ou ESDV) são componentes essenciais na indústria do petróleo e gás, especialmente na exploração e produção submarina. O monitoramento da integridade destes ativos críticos situados em locais de difícil acesso é fundamental. Uma abordagem para monitorar a integridade da válvula de segurança envolve a análise dos sinais de pressão e torque gerados durante suas operações de abertura e fechamento. Porém, a metodologia atual é realizada através da análise manual de pontos notáveis (Key Points, ou KPs), que necessita de um operador especializado e altamente treinado para localizar e apontar tais pontos. Algoritmos de processamento de sinais podem ser utilizados para automatizar esta tarefa, além de permitir também a identificação de eventuais danos nas válvulas de bloqueio. No entanto, estes algoritmos necessitam de um amplo banco de dados para o seu treinamento, o que pode ser escasso. Neste sentido, surge a oportunidade de utilizar dados sintéticos para treinar os algoritmos a fim de expandir o banco de dados. Soma-se a isto, a possibilidade de usar os algoritmos para o cálculo de Vida Útil Remanescente (Remaining Useful Life - RUL), para aumentar a confiabilidade e garantir a integridade das válvulas de segurança. Esta tese se propõe a avaliar técnicas de monitoramento em danos ocorridos em uma válvula de segurança do tipo esfera, durantes testes de ciclagem. A avaliação será conduzida por 3 técnicas: i) KPs, ii) índices de dano (Damage Index, ou DIs) e iii) assinatura de pressão completa. Primeiramente, foi implementado a automatização de localização dos KPs através dos algoritmos de processamento por técnicas de regressão. Também foi analisada a classificação de dano usando os 3 conjuntos de dados por 3 algoritmos distintos. O método de Monte Carlo, foi aplicado para gerar os dados sintéticos para treinar os algoritmos e aumentar o banco de dados. Por fim, foi aplicado um algoritmo de redes neurais, para a previsão do RUL do equipamento durante sua falha. As análises mostraram notáveis resultados na automatização dos KPs, com o algoritmo Gradiente Boosting apresentando os menores erros. Para a classificação de dano, a assinatura de pressão se mostrou o melhor conjunto de dado. Para o cálculo do RUL, as redes neurais obtiveram excelentes resultados, frente aos algoritmos de processamento. Os dados sintéticos se mostraram ótimos conjunto de dados para se treinar um algoritmo, na falta de dados reais, usando-se principalmente o sinal por completo. Concluímos que os DIs possuem potencial para substituir o uso convencional dos KPs no monitoramento de válvula de segurança e que o cálculo de RUL pode ser aplicado para estimar a vida remanescente. Finalmente, a aplicação de algoritmos de processamento de sinais, apresentaram excelente potencial para a automatização dos KPs e a identificação de dano durante o monitoramento.

Shutdown valves, also known as Emergency Shutdown Valves (ESDV), are essential components in the oil and gas industry, especially in subsea exploration and production. Monitoring the integrity of these critical assets located in hard-to-reach places is crucial. One approach to monitoring the integrity of the safety valve involves analyzing the pressure and torque signals generated during their opening and closing operations. However, the current methodology relies on the manual analysis of Key Points (KPs), which requires a specialized and highly trained operator to locate and identify these points. Signal processing algorithms can be used to automate this task and also allow the identification of potential damages in the safety valves. Nevertheless, these algorithms require a large database for their training, which can be scarce. In this context, there is an opportunity to use synthetic data to train the algorithms to expand the database. Additionally, there is the possibility of using these algorithms to calculate the Remaining Useful Life (RUL) to increase reliability and ensure the integrity of the safety valves. This thesis aims to evaluate monitoring techniques for damages occurring in a sphere-type safety valve during cycling tests. The evaluation will be conducted using three techniques: i) KPs, ii) Damage Indexes (DIs), and iii) full pressure signatures. Firstly, the automation of KP localization was implemented using regression-based signal processing algorithms. Damage classification was also analyzed using the three data sets with three distinct algorithms. The Monte Carlo method was applied to generate synthetic data to train the algorithms and expand the database. Finally, a neural network algorithm was applied to predict the RUL of the equipment during its failure. The analyses showed remarkable results in the automation of KPs, with the Gradient Boosting algorithm presenting the best scores. For damage classification, the pressure signature proved to be the best data set. For RUL calculation, neural networks obtained excellent results compared to other processing algorithms. The synthetic data proved to be an excellent data set for training an algorithm in the absence of real data, mainly using the complete signal. We concluded that DIs have the potential to replace the conventional use of KPs in safety valve monitoring and that RUL calculation can be applied to estimate the remaining life. Finally, the application of signal processing algorithms showed excellent potential for the automation of KPs and the identification of damage during monitoring.