Software Inteligente Embarcado Aplicado À Correção de Erro Na Medição de Vazão em Gás Natural

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE
U NIVERSIDADE F EDERAL DO R IO G RANDE DO N ORTE

C ENTRO DE T ECNOLOGIA
P ROGRAMA DE P S -G RADUAO EM E NGENHARIA E LTRICA
Software Inteligente Embarcado Aplicado

Correo de Erro na Medio de Vazo em
Gs Natural
Eloi Cagni Jnior
Orientador: Prof. Dr. Adrio Duarte Doria Neto

Co-orientador: Prof. Dr. Jorge Dantas de Melo
Dissertao de Mestrado apresentada ao

Programa de Ps-Graduao em Engenharia
Eltrica da UFRN (rea de concentrao:
Engenharia de Computao) como parte dos
requisitos para obteno do ttulo de Mestre
em Cincias.
Natal, RN, Setembro de 2007
Diviso de Servios Tcnicos

Catalogao da publicao na fonte. UFRN / Biblioteca Central Zila Mamede
Jnior, Eloi Cagni.
Software Inteligente Embarcado Aplicado Correo de Erro na Medio de
Vazo em Gs Natural, Dissertaes e Teses no Programa de Ps-Graduao em
Engenharia Eltrica da UFRN / Eloi Cagni Jnior - Natal, RN, 2007
23 p.
Orientador: Adrio Duarte Doria Neto
Co-orientador: Jorge Dantas de Melo
Tese (doutorado) - Universidade Federal do Rio Grande do Norte. Centro de
Tecnologia. Programa de Ps-Graduao em Engenharia Eltrica.
Agradecimentos
Ao meu orientador e ao meu co-orientador, professores Adrio Duarte Doria Neto e Jorge
Dantas de Melo, sou grato pela orientao.
Petrobras, atravs da Rede GasEnergia (Rede de excelncia em gs e energia), FINEP,
CTGS e UFRN pelo apoio financeiro, material e humano.
Aos colegas Isabele Costa e Felipe Couto pelo auxilio nas atividades vinculadas tese.
Aos demais colegas de ps-graduao, pelas crticas e sugestes.
minha famlia pelo apoio durante esta jornada.
Resumo
Este trabalho desenvolveu rotinas de software, em um sistema composto basicamente

de placa processadora de sinais (DSP) e supervisrio, cuja finalidade principal foi corrigir
a informao medida por um medidor de vazo do tipo turbina. Essa correo se baseia
na utilizao de um algoritmo inteligente formado por uma rede neural artificial.
As rotinas foram implementadas tanto no ambiente do supervisrio quanto do DSP e
tratam de trs tens principais: processamento, comunicao e superviso.
Palavras-chave: Medio em Gs Natural, Calibrao, Comunicao Modbus, Redes
Neurais.
Abstract
This study developed software rotines, in a system made basically from a processor
board producer of signs and supervisory, wich main function was correcting the information measured by a turbine gas meter. This correction is based on the use of an intelligent
algorithm formed by an artificial neural net.
The rotines were implemented in the habitat of the supervisory as well as in the habitat
of the DSP and have three main itens: processing, communication and supervision.
Keywords: Measurement in Natural Gas, Calibration, Modbus Protocol, Neural Network.
Contedo
Sumrio
Lista de Figuras
Lista de Tabelas
Introduo
10
Lista de Smbolos e Abreviaturas

2
10
Apresentao do Problema
2.1 O Caminho at o Consumidor Final . .
2.2 Medidor do Tipo Turbina . . . . . . . .
2.2.1 Calibrao . . . . . . . . . . .
2.3 Fontes de Erro . . . . . . . . . . . . . .
2.4 Algoritmos Inteligentes e Redes Neurais
2.4.1 Inteligncia na Medio . . . .
2.4.2 Implementao via Rede Neural
2.4.3 Rede Neural . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
13
13
15
16
18
18
19
20
21
Estrutura do Software
3.1 Bancada de Testes . . . . . . . . . . . . . . . .
3.2 Processamento . . . . . . . . . . . . . . . . .
3.2.1 Clculo da Vazo . . . . . . . . . . . .
3.2.2 Algoritmo Inteligente . . . . . . . . . .
3.3 Comunicao . . . . . . . . . . . . . . . . . .
3.3.1 Comunicao Modbus . . . . . . . . .
3.3.2 Protocolo Modbus na Bancada de Testes
3.4 Superviso . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
26
26
29
29
35
39
40
42
47
Implementao e Resultados
4.1 Resultados Simulados . . . . .
4.1.1 Computao da Vazo
4.1.2 Algoritmo Inteligente .
4.1.3 Resultados Finais . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
49
51
51
51
53
.
.
.
.
.
.
.
.
Concluses
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
58
5
Referncias bibliogrficas
59
A Diagrama de Atividades
61
B Fator de Compressibilidade
62
C Computao da Vazo
64
Lista de Figuras
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
Mapa de Gasodutos no Brasil [Alonso 1999]. . . . . . . . . .

Cadeia de transporte e de distribuio do gs natural no Brasil.
Medidor do tipo turbina [Instromet 2007]. . . . . . . . . . . .
Exemplo de curva de calibrao. . . . . . . . . . . . . . . . .
Diagrama do Algoritmo de Correo. . . . . . . . . . . . . .
Diagrama do Treinamento do Algoritmo. . . . . . . . . . . . .
Modelo do Neurnio Computacional. . . . . . . . . . . . . .
Funo degrau. . . . . . . . . . . . . . . . . . . . . . . . . .
Funo linear por partes. . . . . . . . . . . . . . . . . . . . .
Funo sigmide. . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
14
15
16
17
20
21
21
22
22
23
3.1
3.2
3.3
3.4
3.5
3.6
Bancada de testes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Diagrama estrutural do hardware . . . . . . . . . . . . . . . . . . . . . .
Diagrama estrutural do software. . . . . . . . . . . . . . . . . . . . . . .
Incertezas para o clculo do fator Z usando o Mtodo Detalhado. . . . .
Estrutura de computao do Mtodo Detalhado. . . . . . . . . . . . . .
Medidor do tipo turbina Instromet G16, com tramo de 1,5, faixa de trabalho de 0,6-25 m3 /h e fator K de 0,1 m3 /pulso. . . . . . . . . . . . . . .
Medidor do tipo turbina Instromet G100, com tramo de 3, faixa de trabalho de 1-160 m3 /h e fator K de 1 m3 /pulso. . . . . . . . . . . . . . . .
Medidor do tipo turbina Instromet G160, com tramo de 3, faixa de trabalho de 13-250 m3 /h e fator K de 1 m3 /pulso. . . . . . . . . . . . . . . .
Medidor do tipo turbina Instromet G1000, com tramo de 6, faixa de
trabalho de 80-1600 m3 /h e fator K de 0,002070625 m3 /pulso. . . . . . .
Estruturao do treinamento. . . . . . . . . . . . . . . . . . . . . . . . .
Resultado desejado pelo procedimento feed-forward. . . . . . . . . . . .
Abrangncia da arquitetura da rede neural. . . . . . . . . . . . . . . . . .
Comunicao Modbus. . . . . . . . . . . . . . . . . . . . . . . . . . . .
Arquitetura geral do sistema. . . . . . . . . . . . . . . . . . . . . . . . .
Diagrama de atividades da camada de comunicao do supervisrio. . . .
Diagrama de atividades da camada de comunicao do hardware. . . . .
Janela onde realizado o carregamento da rede neural, da cromatografia
do gs natural e do fator K. . . . . . . . . . . . . . . . . . . . . . . . . .
26
28
29
33
34
Estruturao do trabalho proposto. . . . . . . . . . . . . . . . . . . . . .

Comparao entre a curva de calibrao do medidor do tipo turbina Instromet G16 (0,6-25 m3 /h) e a sada da rede neural treinada. . . . . . . .
50
3.7
3.8
3.9
3.10
3.11
3.12
3.13
3.14
3.15
3.16
3.17
4.1
4.2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
36
36
37
37
38
38
39
40
43
45
46
48
52
4.3
4.4
4.5
4.6
4.7
4.8
4.9
Comparao entre a curva de calibrao do medidor do tipo turbina Instromet G100 (1-160 m3 /h) e a sada da rede neural treinada. . . . . . . .
Comparao entre a curva de calibrao do medidor do tipo turbina Instromet G160 (13-250 m3 /h) e a sada da rede neural treinada. . . . . . .
Comparao entre a curva de calibrao do medidor do tipo turbina Instromet G1000 (80-1600 m3 /h) e a sada da rede neural treinada. . . . . .
Comparao entre erros da calibrao do medidor do tipo turbina Instromet G16 e do algoritmo inteligente implementado no DSP. . . . . . .
Comparao entre erros da calibrao do medidor do tipo turbina Instromet G1000 e do algoritmo inteligente implementado no DSP. . . . . .
A.1 Diagrama de atividades do supervisrio. . . . . . . . . . . . . . . . . . .
52
53
53
55
56
56
57
61
Lista de Tabelas
3.1
3.2
Quadro no modo RTU. . . . . . . . . . . . . . . . . . . . . . . . . . . .

Quadro Bsico Modbus. . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
43
4.1
4.2
4.3
4.4
Resultados do algoritmo inteligente para o medidor G16. .

Resultados do algoritmo inteligente para o medidor G100.
.
.
.
.
54
54
54
55
B.1 Composio do gs natural da Costa do Golfo. . . . . . . . . . . . . . . .

B.2 Tabela de resultados do clculo de Z. . . . . . . . . . . . . . . . . . . . .
62
63
C.1 Composio do gs natural utilizada nos testes. . . . . . . . . . . . . . .

C.2 Tabela de resultados da vazo corrigida, em m3 /dia. . . . . . . . . . . . .
C.3 Tabela de erros relativos (%) do programa em C e em DSP . . . . . . . .
64
65
66
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Captulo 1
Introduo
Nos ltimos anos, o gs natural tem se tornado um importante insumo energtico com
participao crescente na matriz energtica nacional. De acordo com a [Petrobras 2007],
o setor de gs natural no Brasil cresceu 1,790% de 1980 a 2004 e j corresponde a 8,9%
da matriz energtica brasileira.
As suas qualidades e vantagens frente s outras fontes de energia fomentaram as aplicaes industriais, domiciliares e automotivas do gs natural, notadamente nos grandes
centros urbanos e industriais das regies Sul, Sudeste e Nordeste.
A construo do gasoduto Bolvia-Brasil representou tambm um grande avano no
fornecimento de gs natural no pas, com capacidade mxima de transportar at 30 milhes m3 /dia. Alm disso, alguns projetos j esto em desenvolvimento para a explorao
da Bacia de Santos no litoral paulista e a Bacia do Solimes, na regio Norte do pas.
Atualmente, a Petrobras estima que a oferta de gs natural proveniente da produo
nacional, hoje calculada em cerca de 25 milhes de m3 /dia, chegue a 71 milhes m3 /dia
em 2011, representando 11% da matriz energtica brasileira. O volume mdio consumido,
por sua vez, que ficou em 45,5 milhes m3 /dia em 2005, dever ser de 121 milhes de
m3 /dia em 2011, um crescimento estimado de 17,7% ao ano.
Nas unidades de produo on-shore (terra) / off-shore (mar) e ao longo dos milhares
de quilmetros de gasodutos e ramais secundrios de distribuio, existem instaladas
unidades de produo e de processo, estaes de compresso e de controle, alm de
centenas de estaes de medio de vazo utilizadas para quantificar os volumes de gs
submetidos medio fiscal, operacional e de transferncia de custdia.
Contudo, devido aos aspectos legais e comerciais envolvidos, comum observar, principalmente nas estaes de medio mais importantes, que os fornecedores de gs e os
recebedores operam de forma independente os seus prprios sistemas de medio, sempre verificando se as diferenas entre ambas as medies esto dentro das tolerncias
acordadas entre as partes por meio de instrumentos contratuais detalhados.
Nesse sentido, pode se dizer que o principal objetivo de um sistema de medio de gs
natural o de realizar medies exatas e confiveis dos volumes de gs, por meio do uso
de equipamentos controlados e tcnicas de medio reconhecidas, que possam assegurar
nveis de erro e incerteza aceitveis para as medies, e que atendam aos requisitos e
limites de normas e regulamentos da indstria do gs.
Se considerarmos, por exemplo, um erro total de 1% equivalente da transferncia do
CAPTULO 1. INTRODUO
11
volume de gs natural produzido em um dia no Brasil (mdia de 25 milhes de m3 /dia)

at o consumidor final, implicaria em uma diferena de aproximadamente 250 mil m3 .
Se esse erro persistir por 100 dias consecutivos, essa diferena equivaleria a aproximadamente um dia inteiro da produo mdia nacional.
Analisando pelo mbito financeiro, de acordo com o anurio estatstico da Agncia
Nacional do Petrleo [ANP 2005], a mdia nacional do preo do gs natural foi R$ 337,63
por mil m3 . Assim, essa diferena de 250 mil m3 do exemplo anterior equivaleria
aproximadamente 337, 63 250 = 84.4075 R$/dia, 2.532.210 R$/ms.
claro que, como o trajeto do gs atravessa inmeras unidades de distribuio, esse
erro estaria distribudo em toda a cadeia de transferncia. Contudo, se analisarmos uma
distribuidora que possua uma tubulao com uma vazo constante de 1500 m3 /h e seu
sistema de medio operando com esse mesmo erro de 1%, atingiria-se um prejuzo,
considerando 24 horas de vazo em um dia de trabalho, de aproximadamente 3.646,846
R$/ms. Ou seja, para grandes volumes, pequenos erros podem ter custos substanciais.
Por este motivo, as pesquisas atualmente esto mais focadas em determinar a melhor maneira que corrigir ou diminuir esses erros ocorridos, atravs de investimentos na
melhoria na tecnologia dos componentes que formam o sistema de medio, como os
sensores e transmissores, ou da formulao de algoritmos que auxiliem no processo de
medio.
Com relao a melhoria na tecnologia dos medidores, destaca-se a ascenso no uso
de medidores de vazo coriolis e ultra-snico em substituio dos tradicionais medidores
de vazo, como placa de orifcio, turbina e rotativo, pois no utilizam mtodos invasivos
na medio de vazo, ou seja, no medem atravs de uma diferena de presso induzida
pelo instrumento medidor.
Dentro desse linha ainda, destaca-se a utilizao do medidor do tipo Vcone, que um
medidor do tipo presso diferencial, para a medio de gs mido. Atravs do trabalho
desenvolvido em [Batinga 2006], demonstrou-se a superioridade do medidor quando comparado a elementos que utilizam o princpio da presso diferencial, pois o lquido na corrente induz a um erro positivo em que o Vcone consegue estimar este percentual de erro
positivo e corrig-lo.
Com relao formulao de algoritmos para a melhoria e confiabilidade da medio,
destaca-se o desenvolvimento de sistemas inteligentes. Esses sistemas, entretanto, necessitam de uma rede de sensores distribudos que englobem uma vasta gama de funcionalidades, em termos de comunicao da rede, de integrao dos seus elementos e de
processamento das informaes obtidas.
Os sensores desses sistemas inteligentes utilizam interfaces padronizadas e protocolos de comunicao, resultando em sensores que podem ser autnomos e reconfigurveis.
Os Software Sensors so exemplos desses sensores inteligentes. Eles utilizam algoritmos computacionais capazes de inferir valores a partir de medidas de outros sensores,
realizando algum clculo ou at algum tipo de controle.
Tambm h a possibilidade de programao de dispositivos de processamento dedicado (hardware), embarcados na linha de comunicao industrial de forma transparente,
dotando um ou mais componentes do sistema dessa mesma capacidade de processamento.
Com essa disponibilidade de se programar algoritmos adicionais dentro destes ambi-
CAPTULO 1. INTRODUO
12
entes, e apoiado pela existncia de mecanismos cada vez mais confiveis de comunicao
entre hardware entre os componentes que formam o sistema de medio, novas reas
de desenvolvimento de sistemas de processamento embarcados comearam a ser investigadas.
Dentre estas reas, destaca-se a incorporao de inteligncia artificial aplicada na melhoria da qualidade de medio, no processamento da informao adquirida, na deteco
de falhas e no prprio controle do processo.
Uma poderosa ferramenta, de simples implementao e de grande abrangncia de aplicaes, so as redes neurais artificiais [Haykin 2001]. Aps sua fase de treinamento, as
redes neurais podem ser incorporadas facilmente em qualquer sistema de processamento,
devido a simplicidade de seus clculos.
Este trabalho prope, portanto, a implementao de um algoritmo inteligente baseado
em redes neurais para a correo da medida de vazo de gs natural, embarcado em uma
placa de processamento digital de sinais (DSP) na linha de comunicao entre o elemento
primrio (medidor do tipo turbina) e o supervisrio do sistema de medio.
Esse algoritmo se baseou na correo da informao medida por um medidor do tipo
turbina na sua faixa de atuao. Essa correo ocorre pela diferena em relao ao valor
obtido por um medidor de exatido mais apurada e conhecida durante a fase de calibrao
do medidor testado, em um laboratrio reconhecido.
Para essa aplicao, foi necessrio a computao da vazo no ambiente de programao da placa DSP, o desenvolvimento de um supervisrio para monitoramento, carregamento e controle das variveis do processo, alm da implementao de um protocolo
de comunicao entre as duas partes. A implementao desses algoritmos tambm ser
abordada por este trabalho.
Para isso, este projeto utilizou uma bancada de testes que est sendo desenvolvida
para ser instalada no Laboratrio de Medio de Vazo de Gs (LMVG) do Centro de
Tecnologia do Gs [CTGAS 2007] e que dispe toda a configurao fsica necessria
para a aplicao dos algoritmos.
Aps essa fase introdutria, o captulo seguinte apresentar o problema da medio
fiscal no Brasil, destacando a transferncia de custdia, as fontes de erro e a correo
atravs da calibrao, e apresentar tambm o algoritmo inteligente desenvolvido para
auxiliar a solucionar esse problema. O captulo 3 descrever como est estruturada essa
bancada de testes, destacando as implementaes em software dos ambientes de superviso, processamento e comunicao. No captulo 4 ser descrito a implementao e
apresentado os resultados. E o captulo 5 far as consideraes finais.
Captulo 2
Apresentao do Problema
Diferentemente de outras reas da metrologia como a de longitude, massa, temperatura ou tempo, j relativamente bem consolidadas, a metrologia de vazo de fluidos apresenta particularidades e dificuldades intrnsecas, encontrando-se ainda em amplo desenvolvimento. A vazo uma grandeza derivada e sujeita, entre outros fatores, s condies
dinmicas e termodinmicas do escoamento sob medio. O mensurando (valor de vazo
a ser medido) [INMETRO 1995] depende de uma matriz multidimensional de condies
como uma ampla faixa de vazes, presses, temperatura, tipos de fluidos e suas propriedades fluidodinmicas. Tais razes tm contribudo para que a medio de vazo de
fluidos continue sendo um dos desafios a serem vencidos tanto no campo da metrologia
legal quanto na cientfica e industrial.
2.1
O Caminho at o Consumidor Final
Para chegar ao consumidor final, o gs natural passa por uma srie de etapas que
vo desde a explorao da jazida, passando pela produo, processamento, transporte, e
chegando finalmente distribuio. Nesse caminho, o gs comprimido, processado e
transportado ao longo de centenas de quilmetros de tubulaes que compem as malhas
de gasodutos que cruzam fronteiras de estados e de municpios, passando por estaes
de regulagem e medio at chegar s distribuidoras e seus consumidores. A figura 2.1
[Alonso 1999] mostra um mapa da situao atual dos gasodutos no territrio brasileiro.
Assim, partindo da produo at chegar ao consumidor final, em cada etapa o gs
natural movimentado sob a responsabilidade de uma empresa diferente que, seqencialmente, o repassa para a prxima empresa, por meio de processos denominados de
transferncia de custdia.
A transferncia de custdia realizada em estaes controle e de medio especficas,
localizadas em entroncamentos de gasodutos, ou em city gates onde a transportadora
entrega o gs para a concessionria local.
CAPTULO 2. APRESENTAO DO PROBLEMA
14
Figura 2.1: Mapa de Gasodutos no Brasil [Alonso 1999].

A figura 2.2 apresenta de forma esquemtica a cadeia de transporte e de distribuio do
gs natural no Brasil, mostrando o percurso do gs natural da produo at o consumidor
final. Deve-se destacar que esse processo realizado atravs de vrios tipos de medidores
de vazo, que possuem princpios de operao e exatides diferentes.
Pela figura, possvel verificar que, no Brasil, as medies de vazo de gs natural
para fins fiscais e de transferncia de custdia so realizadas essencialmente por meio
do uso de placas de orifcio e turbinas. Nas medies de distribuio aos consumidores
industriais so utilizados medidores dos tipos turbina e rotativos. A medio do gs domiciliar, por sua vez, feita por meio do tradicional medidor tipo diafragma; e a do GNV
(Gs Natural Veicular) realizada com o uso de medidores massivos do tipo Coriolis.
O fato destas medies serem realizadas por sistemas de medio bastante diferenciados j dificulta em muito uma superviso maior na medio. Uma padronizao feita por
sistemas mais confiveis, com um custo aceitvel, seria ideal para facilitar tal controle.
15
Figura 2.2: Cadeia de transporte e de distribuio do gs natural no Brasil.
2.2
Medidor do Tipo Turbina
Os sistema de medio abordado por este trabalho tem como elemento primrio o
medidor de vazo do tipo turbina. Este medidor um dos medidores mais confiveis
para a medio de leos crs e gs natural, e encontram aplicao na medio de vazo
em plataformas petrolferas e em unidades de transferncia de custdia e de medio
fiscal [Daniel 1996].
Um medidor de vazo tipo turbina (figura 2.3 [INSTROMET 2007]) um dispositivo
para medio de velocidade. Ele consiste basicamente de:
um corpo;
16
um mecanismo de medio;
um dispositivo de leitura e sada.
Figura 2.3: Medidor do tipo turbina [Instromet 2007].

O fluxo de gs que percorre o interior do medidor causa uma rotao no rotor cuja velocidade proporcional vazo do gs. Idealmente a rotao proporcional ao fluxo, mas
na realidade, a velocidade uma funo do tamanho da passagem interna, a forma dessa
passagem, o projeto do rotor, os atritos no mecanismo, o arraste do fluido, o carregamento
externo e a densidade do gs.
A cada rotao desse rotor gerado um pulso no sinal de tenso resultante, formando
assim um trem de pulsos. A partir da contagem desses pulsos no tempo, possvel obter
a freqncia desse sinal e realizar a computao da vazo.
2.2.1
Calibrao
O desempenho dos medidores de vazo do tipo turbina depende de uma srie de caractersticas inerentes composio do gs, ao processo de medio e s propriedades fsicas
da vazo do gs pela tubulao.
Eles so fabricados para ter um erro mximo na calibrao em torno de 1% sobre
uma faixa de vazo especfica para qualquer densidade de operao do gs. Se forem
calibrados individualmente com relao a um padro aceitvel e para uma densidade
(do gs) de operao em particular, sero capazes de obter medies com um erro de
0, 25%. Portanto, o melhor desempenho obtido quando cada medidor calibrado
sobre condies de densidade mais prximas das condies reais de operao.
O erro de medida pode ser determinado atravs de uma curva de desempenho, conhecida como curva de calibrao, como ser mostrado na figura 2.4. Esta curva produzida atravs de testes com o medidor em diferentes valores de vazo, dentro da faixa
de vazo permitida. Uma constante conhecida como fator K ento calculada para que
o erro de medida dentro da faixa de vazo do medidor no ultrapasse 1%. Esse fator K
representa nmero de pulsos por unidade de volume para medidores que possuem como
sada um sinal eltrico.
17
Tipicamente esta curva montada com o medidor sendo testado em uma tubulao
onde o fluido que o percorre ar atmosfrico, por questes de custo/benefcio, pois o gs
natural requer uma estrutura bem mais complexa e, conseqentemente, tambm bem mais
custosa, com o intuito de garantir o manuseio deste material inflamvel e danoso ao ser
humano de forma segura. Para diminuir o erro, medidores tambm podem ser testados,
para montar a curva, nas condies de operao do fludo.
Figura 2.4: Exemplo de curva de calibrao.

Para um completo estudo sobre o erro de medio, dever ser incluso a questo das
incertezas nas medies. Os medidores do tipo turbina para transferncia de custdia
devem ser definidos com incerteza melhor que 1%, e geralmente variam na ordem de
0, 2% e 0, 5%.
J a exatido definida como sendo a vazo real que passa pela tubulao somado
com o seu erro de medio. Geralmente no incluso a incerteza na exatido.
A curva de calibrao prefervel ser obtida nas condies reais de vazo. Contudo,
para situaes onde as condies de operao variam consideravelmente, melhor obter
uma curva nas condies de base.
Os valores dos erros que compe a curva de calibrao so calculados pela diferena
entre a indicao do medidor e o valor utilizado para calibrar o medidor. J as incertezas
dos pontos da curva so resultantes de erros de preciso e de erros desconhecidos associados calibrao do transducer, aquisio e processamento dos dados e operao do
sistema.
As tcnicas de calibrao podem ser aplicadas tanto em campo como em instalaes
laboratoriais. Contudo, os resultados das calibraes laboratoriais e em campo podem
diferir devido s condies de teste, s condies de instalao e aos padres de referncia. A maior diferena o fluido usado para os testes (ar ou gs).
2.3
18
Fontes de Erro
Um dos grandes problemas ocorridos com os medidores no ambiente de trabalho, independentemente da qualidade do medidor utilizado, a sua degradao, fazendo com
que a informao medida pelo mesmo aumente o erro de medio com o decorrer do
tempo, ou seja, passando a indicar valores que no so coerentes com os valores reais da
grandeza fsica medida, ultrapassando as limitaes normativas ou contratuais de tolerncia. Esse tipo de desgaste recebe o nome, neste trabalho, de descalibrao.
A inexatido na medida faz com que seja necessria uma recalibrao no sensor. Para
isso, deve-se retirar o sensor do campo, lev-lo ao laboratrio e calibr-lo novamente
com relao a um padro. Esse processo pode levar muito tempo e acarretar prejuzos
econmicos, pois o processo pode ser interrompido. Como desconhecida a periodicidade ideal para se retirar o sensor do campo e realizar o processo de calibrao, corre-se
o risco de se retir-lo antes do tempo ideal, o que provocaria uma sub-utilizao do medidor, ou ainda fazer a calibrao de forma tardia, o que levaria a um aumento no erro da
medio.
No possvel fazer uma medio sem erros ou incertezas, contudo deve-se manter
os erros e a estimativa das incertezas dentro de faixas ou limites aceitveis.
As incertezas e os erros no podem ser completamente eliminados, pois o valor verdadeiro, obtido por uma medio perfeita, desconhecido. Porm, o valor provvel do
erro pode ser avaliado.
O erro de medio calculado em uma calibrao no se refere apenas ao erro do elemento medidor, mas sim ao erro de todos os componentes do processo de medio, ou
seja, esse erro calculado resulta de um somatrio dos erros de cada componente do sistema
de medio. Portanto, a exatido final obtida depende de associao entre os componentes
dos erros. O conhecimento de como os erros se propagam essencial no projeto e uso de
algoritmos na instrumentao.
J a incerteza, de acordo com [Ribeiro 2003], um parmetro que caracteriza a disperso dos valores que podem ser atribudos uma mesma quantidade medida. Como
nenhuma medio perfeita, o seu resultado apenas uma aproximao do valor real da
quantidade medida, dentro de uma faixa de incerteza.
Como no erro resultante, a incerteza total obtida em uma medio resultado de
uma combinao das incertezas de todos os componentes. A anlise de cada medio
envolvida na calibrao , portanto, primordial para identificar os fatores que contribuem
para a incerteza total.
2.4
Algoritmos Inteligentes e Redes Neurais
Um sistema baseado em tcnicas de inteligncia artificial caracterizado basicamente

por trs aspectos: representao simblica de conhecimento, racionalidade para a resoluo de problemas e capacidade de adquirir novos conhecimentos atravs de processo
indutivo ou dedutivo. Dentre essas tcnicas, destaca-se o uso das Redes Neurais Artificiais.
19
O modelo das redes neurais artificiais baseado em um processo de aprendizado e em

uma posterior capacidade de generalizao deste. Nesse ponto, a rede neural se diferencia
dos outros sistemas de classificao de padres, por exemplo, porque ela responsvel
no s pelo processamento da informao em si, mas pela prpria gerao do conhecimento que permite tal classificao.
As aplicaes, que este tipo de algoritmo inteligente pode ter, abrangem uma vasta
gama de reas de atuao. Dentre elas, uma que est em franco desenvolvimento a rea
de medio.
2.4.1
Inteligncia na Medio
A incorporao de inteligncia em sistemas de medio, principalmente atravs do uso

de redes neurais, est sendo impulsionada cada vez mais pelo crescimento da tecnologia
industrial, o que possibilita aplicaes, processadas no campo de trabalho, que visam
melhorar a qualidade das informaes provenientes de algum(ns) dos dispositivos que
compe o sistema de medio.
A literatura apresenta vrios trabalhos referentes a incorporao, no ambiente de trabalho, de algum tipo de funo inteligente que interaja com os sinais provenientes desses
dispositivos, com o intuito de melhorar a qualidade da medio.
No trabalho publicado em [Silva 2005], foi proposto e implementado uma rede neural
para a compensao de medidas de temperatura, atravs de Software Sensors do protocolo
Foundation Fieldbus (FF) [Foundation 2001], conhecidos como blocos funcionais. O
protocolo Foundation Fieldbus dotado da capacidade de distribuir o controle do processo no campo e seus blocos funcionais possuem funes bsicas que, combinados, so
capazes de implementar algoritmos e/ou funes mais complexas. Atravs da combinao
desses blocos, foi possvel construir a arquitetura da rede neural proposta.
J no trabalho publicado em [Besch 2004], foi especificado o projeto de um novo
bloco funcional FF que realiza o processo feed-forward de uma rede neural, chamado de
bloco neural.
Na rea de deteco de falhas, um dos trabalhos que merecem destaque na literatura
o publicado em [Silva, Neto, Fernandes & Guedes 2006], no qual foi desenvolvido um
procedimento baseado em redes neurais para verificao e classificao de possveis falhas no controle de nvel em uma planta composta de dois tanques, onde um escoava por
gravidade para o outro. Para isso, foram implementadas ao todo trs redes neurais, onde
duas delas se comportam como os dois tanques de nvel e a terceira recebe os sinais de
sada das duas primeiras redes somado com os nveis dos dois tanques. A comunicao
entre os componentes do sistema realizada atravs de um servidor OPC (Open for Process Control), via rede FF.
Em relao rea de controladores, destaca-se o trabalho publicado em [Silva, Neto,
de Melo & Guedes 2006], no qual foi implementado uma rede neural em ambiente de
programao FF para ponderar o controle do processo entre dois controladores PID, sendo
um deles rpido e com alto overshooting e o outro lento e sem overshooting. Assim, o
controle se comporta de forma rpida e sem overshooting.
2.4.2
20
Implementao via Rede Neural
Um medidor pode ser visto como uma funo que recebe em sua entrada a varivel de
processo e d uma resposta dentro de um conjunto de sadas, que pode ser, por exemplo,
uma tenso, uma corrente eltrica ou um valor digital. Essa funo, todavia, pode ser
modificada pelo desgaste natural do medidor. Essa modificao tem como caracterstica
o fato do medidor receber uma entrada e dar uma resposta diferente da que ele daria se
estivesse calibrado.
Com o intuito de melhorar a exatido e confiabilidade da quantidade medida pelos
medidores de vazo do tipo turbina no ambiente de trabalho, foi proposto um algoritmo
inteligente, baseado em tcnicas de redes neurais artificiais do tipo Percetron de Mltiplas
Camadas, para corrigir a medio da vazo, respeitando as restries prticas do processo.
Os principais motivos que levaram a escolha de redes neurais neste trabalho, alm
da simplicidade de sua implementao e execuo, foram a generalizao e o fato de ser
um aproximador universal de funes. Na generalizao, a rede Perceptron de Mltiplas Camadas (PMC) tem a capacidade de obter sadas coerentes para entradas que no
participaram como exemplo na fase de treinamento. A PMC tambm um aproximador
universal de funes pois a partir de um conjunto de dados que representam uma determinada funo, a rede pode obter uma aproximao dessa funo.
A idia para esse algoritmo se baseia no fato de que um medidor ideal deveria comportarse seguindo as mesmas caractersticas da calibrao, em relao a um medidor padro de
alta preciso, durante toda sua vida til, o que no acontece na prtica. O algoritmo que
seria implementado em campo teria a configurao mostrada no diagrama:
Figura 2.5: Diagrama do Algoritmo de Correo.

Para se conseguir essa situao ideal, em que o sensor descalibrado funcione como um
sensor calibrado, a rede neural precisa ser treinada com exemplos de entrada e respectiva
sada.
Aps esta fase de treinamento, espera-se que o sensor descalibrado em conjunto com a
rede neural se comporte da mesma maneira que um medidor perfeitamente calibrado. Est
representado na figura 2.6 o esquema para o treinamento da rede, cujos pesos sinpticos
so corrigidos de acordo o erro obtido pela diferena entre os valores corretos de vazo
e os mesmos com seus respectivos erros de calibrao, apresentados como entrada nesta
fase.
21
Figura 2.6: Diagrama do Treinamento do Algoritmo.

Contudo, a utilizao de redes neurais para corrigir medidores comerciais gera o problema do algoritmo necessitar ser retreinado devido a certos fatores.
Como cada medidor de vazo um sistema que envolve vrios componentes mecnicos e engrenagens que sero expostos aos vrios tipos de desgastes que o ambiente de
trabalho pode proporcionar a eles, o algoritmo ter que ser retreinado para cada medidor
(at do mesmo modelo) e para cada nova calibrao que ocorrer. Essa nova calibrao
significando que o erro gerado pelo algoritmo passou de um limiar mximo de aceitao.
2.4.3
Rede Neural
As redes neurais artificiais so formados por neurnios artificiais, que seguem a forma
dos neurnios biolgicos, s que mais simplificados. Os neurnios artificiais so unidades
de processamento formados basicamente de entradas e sadas e de um corpo celular, onde
feito o processamento. A estrutura de um desses neurnios pode ser vista na figura 2.7:
Figura 2.7: Modelo do Neurnio Computacional.

Os neurnios artificiais tm as entradas ponderadas pelos pesos sinpticos. O corpo
celular do neurnio funciona como um combinador linear das entradas, onde o sinal gerado sofre uma transformao atravs da soma com um bias, passando a ser chamado de
campo local induzido.
22
A amplitude do sinal gerado pelo corpo celular restringida por uma funo de ativao. Desse modo, assegura-se que a amplitude do sinal de sada ter um valor finito. A
estrutura do neurnio artificial possibilita descrev-lo de modo matemtico como segue:
m
wk j x j
(2.1)
yk = (uk + bk )
(2.2)
uk =
j=1
sendo,
- x1 , x2 , ..., xn so as entradas;
- wk1 , wk2 , ..., wkn so os pesos sinpticos;
- uk a sada do combinador linear;
- bk o bias;
- (.) a funo de ativao;
- yk a sada do neurnio.
Existem trs tipos de funes de ativao e elas so escolhidas de acordo com a aplicao que utilizar a rede neural. As figuras abaixo mostram graficamente algumas dessas
funes:
Figura 2.8: Funo degrau.
Figura 2.9: Funo linear por partes.
23
Figura 2.10: Funo sigmide.

Pode-se classificar as redes neurais de acordo com o seu algoritmo de treinamento, ou
seja, a forma com que os pesos sinpticos so modificados para que o erro quadrtico seja
mnimo.
Perceptron de Mltiplas Camadas
As redes Perceptron de Mltiplas Camadas so redes neurais formadas por vrias
camadas de neurnios, onde cada uma dessas camadas pode ter vrios neurnios. A
quantidade de neurnios existentes em cada camada chamado de arquitetura da rede
neural. O sua fase de treinamento feito atravs do algoritmo da Backpropagation.
Este tipo de treinamento consiste basicamente em dois passos. Inicialmente um padro
apresentado camada de entrada da rede e sua atividade resultante flui pelas camadas,
at que a resposta seja produzida pela camada de sada. Depois a sada resultante comparada com a sada desejada para esse padro particular. Se esta sada no estiver correta,
o erro, acima do mnimo permitido, calculado. O erro ento propagado a partir da
camada de sada at a camada de entrada, passando pelas camadas ocultas, onde os pesos
das conexes vo sendo modificados conforme o erro retropropagado.
De acordo com [Haykin 2001], o algoritmo do backpropagation pode ser visto de
forma simplificada abaixo:
1. Inicializao: Inicialize os pesos sinpticos e limiares aleatoriamente utilizando
uma distribuio uniforme cuja mdia seja zero, caso nenhuma informao prvia
esteja disponvel;
2. Exemplos para o treinamento: Apresente uma poca de exemplos de treinamento
para a rede. Para cada exemplo do conjunto, ordenado de alguma forma, realize a
seqncia de computaes para frente e para trs que sero descritas nos passos 3 e
4.
3. Computao direta (para frente): Para um exemplo de treinamento da poca com
o vetor de entrada x(n) aplicado camada de entrada dos ns sensoriais e o vetor de
sada d(n) aplicado camada de sada dos ns, calcule os campos locais induzidos
e os sinais funcionais da rede prosseguindo para frente atravs da rede, camada por
(l)
camada. O campo local induzido v j (n) para o neurnio j da camada l :
(l)
v j (n) =
m0
24
(l)
w ji (n)yl1
i (n)
(2.3)
i=0
onde yl1
i (n) o sinal de sada do neurnio i da camada anterior l 1, na interao
(l)
n, e w ji (n) o peso sinptico do neurnio j na camada l, que alimentado pelo
(l)
(l)
neurnio i da camada l 1. Quando i = 0, temos yl1

0 (n) = 1 e w j0 (n) = b j (n) o
bias aplicado no neurnio j na camada l. Utilizando uma funo sigmide, o sinal
de sada do neurnio j na camada l
(l)
y j = j (v j (n))
(2.4)
Se o neurnio j est na primeira camada oculta (l = 1), ento

(0)
y j = x j (n)
(2.5)
onde x j (n) o j-simo elemento do vetor de entrada x(n). Se o neurnio j est na

camada de sada (l = L, onde L o tamanho da rede) ento
(L)
y j = o j (n)
(2.6)
Agora s calcular o sinal de erro, sada desejada menos a sada obtida,

e j (n) = d j (n)) o j (n)
(2.7)
4. Computao reversa (para trs): Inicialmente calcula-se os gradientes locais

da rede,
(l)
(L)
(L)
= e j (n)0j (v j (n)),
(l)
(l+1)
0j (v j (n))0 k
(l+1)
(n)wk j
(n),
(2.8)
onde a primeira equao para a camada de sada L e a segunda para a camada

oculta l. O apstrofe em 0 (.) representa a diferenciao em relao ao argumento.
Depois ocorre o ajuste dos pesos sinpticos da rede na camada l de acordo com a
regra delta generalizada:
(l)
(l)
w ji (n + 1) = w ji +
h
i
(l)
(l)
(l1)
w ji (l 1) + j (n)yi
(n)
onde o parmetro da taxa de aprendizagem e a constante de momento.
(2.9)
25
5. Iterao: Realize a iterao das computaes para frente e para trs dos passos 3 e
4, apresentando novas pocas de exemplos de treinamento para a rede, at que seja
satisfeito a condio de parada.
Captulo 3
Estrutura do Software
3.1
Bancada de Testes
A bancada testes que ser instalada no Laboratrio de Medio de Vazo de Gs

(LMVG) do Centro de Tecnologia do Gs constar, basicamente, de um medidor de vazo
volumtrica do tipo turbina instalado num tramo de 6 polegadas do laboratrio, interligado a um sistema baseado em hardware de aquisio e manipulao do sinal de vazo
obtido. As variveis monitoradas sero enviadas a um supervisrio, tanto por protocolo
Foundation Fieldbus quanto por Modbus.
A bancada ainda contar com 3 medidores auxiliares, de vazo, temperatura e presso,
um instrumento de converso do padro 4-20mA para o padro fieldbus (IF) e uma DFI
(gateway da rede), que so de propriedade do LMVG.
O medidor de vazo, tambm de 6 polegadas e ligado em srie com o medidor a ser
testado, servir como medidor padro para a implementao dos algoritmos testados. J
os medidores de presso e temperatura so transmissores interligados por um ambiente
de rede Foundation Fieldbus, e suas medidas so importantes para auxiliar no clculo e
correo da vazo. A figura 3.1 ilustra como ser a bancada.
Figura 3.1: Bancada de testes.
CAPTULO 3. ESTRUTURA DO SOFTWARE
27
Para a correta aquisio dos sinais provenientes dos medidor de vazo e dos transmissores de temperatura e presso, circuitos de converso e conformao foram desenvolvidos no projeto da bancada.
O sinal proveniente do medidor de vazo um trem de pulsos (sinal de tenso) de
12V de amplitude na forma de uma onda quadrada simtrica. Esse sinal ser convertido
para um sinal de tenso de aproximadamente 0/3, 6V por um circuito de interconexo,
para poder ser digitalizado por conversores embutidos em uma placa de Processamento
Digital de Sinais (DSP) e, ento, processados.
J os sinais provenientes dos transmissores de presso e temperatura so sinais digitais
que so convertidos e enviados placa atravs de um IF (conversor fieldbus/4-20mA) e
de circuitos conversores 4-20mA/tenso e A/D.
O dispositivo DSP, que um dos ambientes de execuo das rotinas implementadas em
software, uma espcie de microcontrolador adaptado para aplicaes de processamento
digital de sinais, no sentido em que possuem uma arquitetura otimizada para aplicaes
que requerem uma computao intensiva, alm de perifricos com funes especializadas
integrados ao chip.
O mdulo de desenvolvimento utilizado neste trabalho foi o TMS320lf2407 EVM da
Spectrum Digital, que incorpora como ncleo central de processamento o DSP, de 16
bits, TMS320LF2407 da [Texas Instruments 2007]. Dentre as principais caractersticas
desta famlia de DSP destacam-se: freqncia mxima de operao de 40 MHz, memria
SRAM de 128 KWords, memria Flash EEPROM, conversor A/D com resoluo de 10
bits e 16 canais de entrada e capacidade de executar converses em um tempo aproximado
de 500 ns.
Uma conexo RS232 de comunicao serial foi utilizada para fornecer as grandezas
medidas e calculadas a um supervisrio. Essa comunicao ocorre de forma bidirecional entre a placa e o computador que contem o software do supervisrio. O diagrama
mostrado na figura 3.2 mostra toda a estrutura de hardware adotada.
28
Figura 3.2: Diagrama estrutural do hardware

Para o correto funcionamento de todas as estruturas de hardware, necessrio que haja
uma implementao de software correta e confivel atuando em conjunto. Os principais
pontos onde h a necessidade da implementao via software so na parte do processamento da informao, da superviso desse processamento e da comunicao entre estas
duas partes.
O processamento da informao refere-se s rotinas de aquisio dos sinais, computao, correo e totalizao da vazo e execuo do algoritmo inteligente, sendo implementadas na placa DSP. Contudo, um pr-processamento executado de forma offline, ou seja, em um computador pessoal. Se trata do treinamento da rede neural que
compe o algoritmo inteligente.
O sistema de superviso tem como principais objetivos o carregamento de variveis
necessrias correta execuo dos algoritmos implementados na placa DSP, e a visualizao, o controle e o registro das grandezas monitoradas pela bancada.
Para a interao entre essas partes, foi necessrio o desenvolvimento de uma comunicao confivel e bidirecional entre o hardware dedicado e o supervisrio. Assim, foram
criadas rotinas que implementam o protocolo Modbus e o Foundation Fieldbus.
A figura 3.3 apresenta um diagrama estrutural da implementao destas rotinas de
software. Nos tpicos que se seguem, estas rotinas implementadas sero melhor detalhadas.
29
Figura 3.3: Diagrama estrutural do software.
3.2
Processamento
As rotinas de processamento digital da informao que foram implementadas neste

trabalho atuam tanto no ambiente de superviso como no ambiente dedicado da placa.
No ambiente de superviso foram implementados, alm do prprio supervisrio, as
rotinas de treinamento da rede neural que compe o algoritmo inteligente. O treinamento
tem como objetivo obter os ganhos da rede neural para poderem ser carregados na placa
pelo supervisrio atravs da comunicao Modbus.
No ambiente da placa DSP foram implementadas as rotinas de computao, correo
e totalizao da vazo, e do algoritmo inteligente.
3.2.1
Clculo da Vazo
Um sistema de medio, como proposto pela Norma API - Chapter 21.1 [Starling
& Savidge 1993], consiste de elemento primrio, secundrio e tercirio. O elemento
primrio compreende o tipo bsico do medidor usado para a medio de gs, sendo, para
este trabalho, o medidor do tipo turbina. O elemento secundrio o dispositivo transmissor, ou seja, propicia a transmisso de informaes de um local para o outro com a
utilizao de um circuito eletrnico que converte o sinal de sada do elemento primrio
para um sinal (eletrnico) padro, transmitindo assim a informao correta das grandezas
medidas para o elemento tercirio. O elemento tercirio recebe essa informao e a utiliza
em instrues programadas para o clculo correto da vazo (dentro de limites especificados) do gs que flui pelo elemento primrio.
Neste trabalho, o hardware dedicado o responsvel pelo papel de elemento secundrio e tercirio no sistema de medio de gs proposto, ou seja, realiza a aquisio
30
do sinal proveniente do medidor de vazo do tipo turbina e sua converso para uma medida de vazo aceitvel; a aquisio da informao de temperatura e presso proveniente
de seus respectivos transmissores; o clculo do fator de compressibilidade e super compressibilidade; o clculo da vazo e volume instantneo e acumulado nas condies de
operao e de base; outros clculos adicionais que melhorem a exatido, como por exemplo, a execuo do algoritmo inteligente proposto baseado em uma rede neural artificial;
e o envio de seus resultados a um outro dispositivo para superviso e/ou processamento
externo. Para sistemas convencionais de medio de vazo, um dispositivo que realiza a
maioria dessas funes, podendo tambm executar outras, denominado computador de
vazo.
Basicamente, o computador de vazo um dispositivo especial cuja finalidade converter eletricamente sinais (analgicos ou digitais) provenientes de um sistema de medida
de gs (por exemplo, medidor do tipo turbina) em um valor correto da vazo, em algum
sistema conhecido de medio, baseado na informao derivada desses sinais de entrada e
da informao armazenada sobre as propriedades do sensor e do fluido medido. Todos os
sistemas de medio de vazo possuem expresses matemticas bsicas que descrevem a
relao do sinal de entrada com uma informao de vazo.
Medio de Vazo Volumtrica
Como o medidor do tipo turbina um dispositivo de medio de velocidade, ele depende do fluxo do fluido para fazer com que o rotor gire em uma velocidade proporcional
taxa de vazo. As revolues do rotor so contadas mecanicamente ou eletricamente, e
podem ser convertidas em um registro volumtrico continuamente totalizado.
Para medidores lineares, medidores estes que geram trem de pulsos e nos quais se
inclui o tipo turbina, a obteno da vazo inicia-se pelo clculo da quantidade volumtrica
total,
(tt0 )/dt
Qt =
Qn
(3.1)
n=t0
onde
Qt a quantidade volumtrica acumulada em n intervalos de tempo;
Qn = Q f a vazo instantnea correspondente ao intervalo dt;
dt a diferena uniforme de tempo entre intervalos de vazo;
As variveis de processo que definem a medio do fluxo so tipicamente no estticas. Assim, a quantidade total verdadeira a totalizao do fluxo para um determinado
intervalo, levando em considerao a contnua variao das condies operacionais.
A vazo nas condies de medio Q f o valor resultante do clculo de contagens
acumuladas de pulsos (expressos pelo elemento primrio) dividido pela constante do medidor, representando um perodo de tempo especfico (n). O clculo integral expresso
por
Qn = pulsos/K
(3.2)
31
onde
pulsos o nmero de pulsos contados pelo intervalo n;
K a constante do medidor (pulsos/m3 ).
Esse registro volumtrico calculado nas condies de temperatura e presso em que
a vazo est sendo medida e, portanto, necessita ser corrigido para as condies de base,
para propsitos comerciais. De acordo com a lei bsica do gases,
(Pf )(V f ) = (Z f )(N)(R)(T f )
(3.3)
para as condies de operao, e

(Pb )(Vb ) = (Zb )(N)(R)(Tb )
(3.4)
para as condies de base, onde

P = Presso absoluta
V = Volume
Z = Compressibilidade
N = Nmero de mols do gs
T = Temperatura absoluta
R = Constante do gs universal
f = Condies de operao
b = Condies de base
Desde que R seja a constante do gs sem levar em considerao a presso e a temperatura, e para um mesmo nmero de mols do gs (N), as duas equaes podem ser
combinadas para formar:

Pf
Tb
Zb
Vb = V f
(3.5)
Pb
Tf
Zf
onde
Pf = Pa + Pe ;
Pe = Presso esttica, em psi;
Pa = Presso atmosfrica, em psi;
Pb = Presso nas condies de base, em psi;
Tb = Temperatura nas condies de base, em graus Rankin (o R);
32
T f = Temperatura nas condies de operao, em o R;

Zb = Compressibilidade nas condies de base;
Z f = Compressibilidade nas condies de operao.
Como a vazo a medio do volume no decorrer do tempo, a equao 3.5 pode ser
estendida tambm para o clculo da taxa de vazo nas condies de base, condies de
temperatura e presso estipuladas pela ANP para a comercializao do gs natural no
territrio brasileiro, resultando na seguinte expresso:

Pf
Tb
Zb
(3.6)
Qb = Q f
Pb
Tf
Zf
Clculo do Fator de Compressibilidade
O fator de compressibilidade (ou fator Z) um dos componentes da equao 3.6 que
obtem a vazo nas condies de base e seu clculo depende dos valores correntes de temperatura e presso e dos valores pr-estabelecidos da composio do fluido que atravessa
o medidor.
A norma AGA-8 [Starling & Savidge 1992] especifica dois tipos de mtodos distintos
para o clculo do fator de compressibilidade, que pode ser obtido tanto para as condies
de operao como as de base. Esses dois mtodos so diferenciados pelos parmetros de
entrada necessrios para o clculo das equaes de estado que os compe.
Um desses mtodos utiliza um conhecimento detalhado da composio do gs natural
para computar o fator de compressibilidade, isto , necessita como entradas as fraes ou
porcentagens de mols de todos os componentes da mistura do gs natural. Este mtodo
denominado Mtodo de Caracterizao Detalhado.
O outro mtodo utiliza um conhecimento mais grosseiro da composio do gs natural
para a computao de sua vazo. Ele necessita como entradas apenas a densidade relativa
e/ou o poder calorfico e as fraes dos mols do diluente do gs natural. Este mtodo
chamado, portanto, de Mtodo de Caracterizao Grosseiro.
Os dois mtodos obtm uma melhor exatido e uma menor faixa de incerteza com a
mistura de gs natural dentro das faixas normais de suas caractersticas de composio.
Contudo, o Mtodo Grosseiro, devido a sua simplicidade, recomendado ser utilizado
apenas com temperaturas entre 32o F e 130o F (0o C e 55o C) e com presses acima de 1200
psia. Para todos as outras condies e composies do gs natural, o Mtodo Detalhado
recomendado, por considerar todas as variveis que interferem na compressibilidade. A
figura 3.4 mostra como varia as incertezas do Mtodo Detalhado dentro das faixas de
temperatura e presso.
33
Figura 3.4: Incertezas para o clculo do fator Z usando o Mtodo Detalhado.

Como o intuito deste trabalho obter um valor mais exato da vazo que percorre a
tubulao, o Mtodo Detalhado foi escolhido para o clculo dos fatores de compressibilidade tanto nas condies de operao quanto nas de base.
A seqncia de computao deste mtodo apresentado na figura 3.5. Ela foi desenvolvida para minimizar clculos repetidos desnecessrios. A sua estrutura dividida em
quatro subrotinas principais:
1. Clculo dos valores dependentes dos componentes do gs natural;
2. Clculo dos valores dependentes dos percentuais desses componentes;
3. Clculo dos valores dependentes da temperatura do gs;
4. Clculo dos valores dependentes da densidade do gs.
34
Figura 3.5: Estrutura de computao do Mtodo Detalhado.

Metodologia da Computao
A freqncia mnima de amostragem para uma varivel de entrada dinmica, de acordo
com a Norma API - Chapter 21.1 [Starling & Savidge 1993], deve ser de uma vez a cada
cinco segundos. As variveis dinmicas de entrada para o clculo da vazo que foram
necessrias para este trabalho foram presso, temperatura, pulsos e fator de compressibilidade em condies simuladas de operao de um medidor.
Amostragens mltiplas obtidas, das variveis de entrada e da prpria vazo corrente,
dentro deste intervalo de tempo podem ser combinadas como uma mdia, calculada usando qualquer uma das tcnicas apresentadas a seguir. A diferena entre os mtodos
tipicamente desprezvel.
Determinao linear da mdia ponderada no tempo, dependente do escoamento;
determinao por frmula da mdia ponderada no tempo, dependente do escoamento;
determinao linear da mdia ponderada na vazo e
35
determinao por frmula da mdia ponderada na vazo.

Quando a sada do elemento primrio (no caso, medidor do tipo turbina) for menor que
0,2 Hz, as variveis de entrada podem ser amostradas uma vez por ciclo. Uma freqncia
de amostragem menor pode ser utilizada desde que seja demonstrado que a diferena
entre a incerteza associada com esta freqncia e a incerteza associada com a freqncia
de amostragem de cinco segundos no supere 0,05% para determinada aplicao, e que a
metodologia seja acordada entre as partes envolvidas.
A metodologia de clculo implementada utiliza a forma bsica da equao de vazo.
Quando as condies de operao requerem amostragens e clculos mais ou menos freqentes, o critrio de projeto deve atender a uma incerteza diria no maior do que 0,5%.
O erro associado metodologia de clculo implementada deve ser calculado somando-se
o erro de intervalo de amostragem e o erro de intervalo de integrao.
3.2.2
Algoritmo Inteligente
Como visto anteriormente, a rede neural utilizada para o algoritmo inteligente foi o
Percetron de Mltiplas Camadas com algoritmo de treinamento backpropagation. As
fases de treinamento e validao cruzada da rede neural foram realizadas em rotinas no
programa Matlab R14 [MATLAB 2007], e o processo feed-forward da rede foi realizado
no ambiente da placa DSP, na linguagem de programao C.
Essa fase de validao cruzada teve como objetivo saber o melhor momento de encerrar o treinamento, ou seja, para evitar que a rede neural acabe sendo treinada excessivamente ajustada aos dados de treinamento. Assim, divide-se os dados em dois conjuntos,
um de treinamento e outro de validao. O primeiro conjunto treinar a rede de forma
usual, exceto por uma pequena modificao: a sesso de treinamento interrompida periodicamente e a rede testada com o outro conjunto (de validao) aps cada perodo.
Esse procedimento conhecido como mtodo de treinamento com parada antecipada
[Haykin 2001].
Treinamento da Rede Neural
Os dados utilizados para o treinamento e a validao foram obtidos da calibrao de
medidores de vazo do tipo turbina realizadas pelo CTGS. Estes dados formam uma
curva para cada calibrao, que relaciona a faixa de vazo em que o medidor atua com o
seu percentual de erro. Essa relao se deve pois quando o medidor submetido a uma
calibrao, determina-se seu erro relativamente ao valor verdadeiro convencional (valor
indicado pelo padro), atravs da seguinte frmula:
V j Vvc
. 100
(3.7)
Vvc
onde V j o valor indicado pelo instrumento testado e Vvc o valor indicado pelo medidor
padro.
Erro(%) =
36
De acordo com o CTGS, para uma curva de calibrao convencional de um medidor

que veio do campo so realizadas 4 medies em 7 nveis de vazo diferentes, totalizando
ao todo 28 pontos de medio.
Neste trabalho, o treinamento foi realizado com dados de 4 calibraes realizadas em
medidores de vazo do tipo turbina distintos. As figuras 3.6, 3.7, 3.8 e 3.9 mostram os
grficos resultantes das quatro calibraes realizadas pelo CTGS. Os pontos e os limites
vermelhos e azuis (nveis de aceitao) so escolhidos de acordo com a portaria 114 do
INMETRO [INMETRO 2007].
Figura 3.6: Medidor do tipo turbina Instromet G16, com tramo de 1,5, faixa de trabalho
de 0,6-25 m3 /h e fator K de 0,1 m3 /pulso.
Figura 3.7: Medidor do tipo turbina Instromet G100, com tramo de 3, faixa de trabalho
de 1-160 m3 /h e fator K de 1 m3 /pulso.
37
de 13-250 m3 /h e fator K de 1 m3 /pulso.
de 80-1600 m3 /h e fator K de 0,002070625 m3 /pulso.
Para a construo dos conjuntos de treinamento e validao cruzada da rede neural, foi
necessrio que os dados recebidos fossem interpolados, por meio do mtodo dos mnimos
quadrados, e utilizados na equao 3.7, obtendo assim os exemplos de entrada (V j ) e
respectiva sada desejada (Vvc ) do algoritmo. A figura 3.10 estrutura esse procedimento.
38
Figura 3.10: Estruturao do treinamento.

Aps o treinamento, com os ganhos das redes neurais de cada calibrao j estipulados, espera-se que o procedimento feed-forward, para toda a faixa de trabalho em que o
medidor atua, tenha o comportamento ideal mostrado na figura 3.11.
Figura 3.11: Resultado desejado pelo procedimento feed-forward.

Carregamento da Rede Neural
A possvel arquitetura de rede neural que pode ser carregada pelo supervisrio est
limitada na representao mostrada pela figura 3.12, onde xi representa a j-sima entrada
da rede, lji representa o peso sinptico entre o neurnio j da l-sima camada e o neurnio
i da (l 1)-sima camada, blj representa o bias associado ao neurnio j da l-sima camada
e ylj representa a sada associada ao neurnio j da l-sima camada. A rede neural pode
ser constituda de at quatro camadas, sendo:
Uma camada de entrada com at trs neurnios;
Duas camadas ocultas com at trs neurnios por camada;
Uma camada de sada com at trs neurnios.
39
Figura 3.12: Abrangncia da arquitetura da rede neural.

Da mesma forma que a arquitetura, as funes de ativao que podem ser carregadas
pelo supervisrio so limitadas pela escolha de trs opes e a escolhida aplicada em
todos os neurnios da camada que est sendo carregada. As opes esto listada a seguir:
Funo Tangente Sigmde: (x) =
(1eax )
(1+eax )
Funo Tangente Hiperblica: (x) =
(eax eax )
(eax +eax )
Funo Linear Pura: (x) = x

Cada neurnio da arquitetura carregada pelo supervisrio no ambiente de programao da placa DSP, localizado a partir da primeira camada oculta at a camada de sada,
realiza a seguinte operao sobre seus dados de entrada, para produzir sua sada:
"
!
#
ylj =
ni
ljixi
+ blj
(3.8)
i=1
Com isso, para que o algoritmo implementado na placa possa executar suas operaes
corretamente na bancada de testes, a rede neural deve ser carregada com os valores de
todos os seus parmetros descritivos.
3.3
Comunicao
Para a realizao de uma comunicao confivel entre a placa DSP e o supervisrio,

foi necessrio um estudo detalhado dos protocolos de comunicao, Foundation Fieldbus
e Modbus, e das operaes que sero envolvidas nela para serem criadas as rotinas.
O Foundation Fieldbus (FF) um sistema de comunicao totalmente digital, que
pode ser em srie ou bidirecional, conectando equipamentos fieldbus tais como atuadores,
40
sensores e controladores. O Fieldbus uma LAN (rede local) para automao e instrumentao de controle de processos, dotado da capacidade de distribuir o controle desses
processos no campo de atuao, s que, para conseguir o controle desejado, os dispositivos devem ser configurados adequadamente.
Uma de suas principais caractersticas a organizao da camada de aplicao em
blocos, que pode ser dividida em trs categorias: os blocos de recurso, os blocos transdutores e os blocos funcionais. Os blocos funcionais so responsveis por manipular os
sinais fornecidos pelos blocos de recurso, depois de tratados pelos blocos transdutores.
No projeto da bancada, foi especificado que esse protocolo ir enviar informaes
provenientes dos transmissores FF de temperatura e presso tanto ao supervisrio, por
um servidor OPC (OLE for Process Control) atravs de blocos funcionais especficos,
como ao hardware dedicado, diretamente atravs de circuitos conversores.
O OPC uma nova tecnologia para conectar aplicaes Windows e equipamentos de
controle de processos. um padro aberto que permite um mtodo consistente de acesso
aos dados de diversos equipamentos dos mais diferentes fabricantes.
J o protocolo Modbus define basicamente uma estrutura de mensagens composta
por bytes, onde a comunicao feita atravs da tcnica mestre-escravo, onde apenas
um dispositivo (mestre) pode iniciar a comunicao (query). Os escravos respondem
enviando os dados solicitados pelo mestre.
Figura 3.13: Comunicao Modbus.

Este protocolo deve ser utilizado para realizar a comunicao entre dispositivos que
estejam capacitados a transferir dados nos modos ASCII ou RTU (Remotal Terminal
Unit), podendo operar tanto nos padres RS232 como RS485. Nessas condies o protocolo Modbus embarcado nos dispositivos funciona normalmente pois independe do meio
eltrico.
No projeto da bancada, foi especificado que esse protocolo ir transferir dados no
modo RTU pela interface padro RS485 ou RS232, sem paridade, com 2 STOP bits e com
apenas funes de leitura e escrita. O modo de transmisso de dados define basicamente
como os dados sero "empacotados" na mensagem. No modo RTU, para cada palavra de
dados da mensagem enviado apenas um caracter no padro hexadecimal. Em relao
ao padro RS485, ele semelhante ao conhecido RS232, exceto pelo fato dos drivers
associados serem tri-state e no dual-state, possibilitando aplicaes multiponto em que
um computador controla muitos dispositivos diferentes, podendo chegar at 1200 metros
para o ltimo ponto.
3.3.1
Comunicao Modbus
Durante a comunicao, o protocolo Modbus determina como cada dispositivo:
41
Identifica seu endereo de rede;

Reconhece uma mensagem endereada a ele;
Determina o tipo de ao a ser executada e
Obtm toda a informao necessria para executar a ao.
Quando h a necessidade de devolver uma resposta ao comando recebido, o dispositivo monta uma mensagem e a envia, mesmo que esta indique um erro na comunicao.
O Modbus estabelece o formato de envio da mensagem de query definindo:
O endereo do escravo;
O cdigo da funo, que indica qual a ao deve ser executada pelo escravo;
Parmetros ou dados pertinentes funo definida e
O campo de checksum para checar a integridade da mensagem enviada.
A resposta do dispositivo escravo gerada obedecendo o formato correspondente
funo recebida pelo mestre que basicamente define:
A confirmao da funo realizada;
Os parmetros ou dados pertinentes funo solicitada e
O campo de checksum para checar a integridade da mensagem enviada.
O modo RTU no possui bytes que indiquem incio e fim de framing. Para identificar
estes campos, no deve haver nenhuma transmisso de dados por um perodo mnimo,
equivalente a 3,5 vezes o tamanho da palavra de dados (silent). A tabela 3.1 mostra um
quadro tpico no modo RTU.
Tabela 3.1: Quadro no modo RTU.
Incio do
quadro
T Incio
Endereo
do escravo
1 char
Funo
Modbus
1 char
Dados para o
Escravo
N chars
Checksum
CRC -/+
Fim do
quadro
T Fim
Como j foi visto acima, o CRC (Cycle Redundant Code) o responsvel pela integridade da mensagem enviada, ou seja, em informar se a mensagem foi enviada corretamente. Isso realizado atravs de uma funo que compara, atravs de X-OR (OUExclusivo), a mensagem origem com a destino. Se o resultado for zero significa que a
mensagem foi enviada sem erro, caso contrrio houve algum erro na comunicao.
3.3.2
42
Protocolo Modbus na Bancada de Testes
O mestre neste tipo de comunicao o supervisrio, que tem dois comportamentos

distintos, inicialmente como transmissor de mensagens para o escravo para ento servir
de receptor das mensagens enviadas pelo escravo.
J o escravo o sistema baseado em hardware dedicado, que ser, inicialmente, um
receptor das mensagens enviadas pelo mestre para ento servir de transmissor de mensagens ao mestre quando solicitado.
As funes do supervisrio que envolvem a comunicao Modbus esto apresentadas
abaixo:
Configurao do Sistema: Responsvel pelo carregamento e envio de parmetros
do algoritmo inteligente e da computao da vazo. Esses dados so carregados
atravs de um arquivo .xls ou manualmente na tela do supervisrio.
Superviso e Controle: Tem como funes supervisionar todas as variveis do
processo.
Assim, o hardware dedicado ter de receber e diferenciar tanto mensagens provenientes da parte de Superviso e Controle como da parte de Configurao do Sistema,
como tambm enviar os valores das variveis monitoradas pelo supervisrio.
Para dispor comunicao um trfego confivel dos quadros, nas operaes de leitura
e escrita, uma camada de comunicao foi implementada, tanto no ambiente do supervisrio como no ambiente do hardware. A figura 3.14 mostra como est disposto a
arquitetura geral do sistema.
Na operao de leitura, a camada de comunicao ter uma sistemtica de endereamento para poder diferenciar as estruturas recebidas e aloc-las nas variveis apropriadas
para o correto funcionamento dos algoritmos implementados.
Da mesma forma, na operao de escrita tambm ser necessrio montar os quadros
de sada com os valores e respectivos endereos dos dados requeridos pelo supervisrio,
obedecendo ao protocolo Modbus.
43
Figura 3.14: Arquitetura geral do sistema.

Camada de comunicao
Tabela 3.2: Quadro Bsico Modbus.

Funo Modbus
06H
Endereo dos Dados

XXXX (16 bits)
Dados
N chars
Checksum
CRC -/+
Uma mensagem Modbus tem basicamente o formato mostrado acima. O campo da

funo Modbus enviando um hexadecimal informando o tipo de operao (06H - Escrita, 03H - Leitura), o campo de endereo lgico enviando 4 hexadecimais (16 bits)
informando qual estrutura de dados est sendo enviada ou requisitada na comunicao, o
campo de dados enviando o valor do parmetro e o campo de checksum enviando dados
para o clculo do erro.
Como a comunicao mestre-escravo, o mestre sempre a iniciar, ora enviando
parmetros para serem escritos ora enviando pedido de leitura de alguma varivel do
processo.
Caso seja uma operao de escrita de parmetros, o quadro enviado ser formado
pelo endereo do escravo, o cdigo de escrita 06H, o endereo e o valor do parmetro
a ser modificado e o CRC. Esse parmetro pode ser um peso sinptico, bias, arquitetura
44
da rede, tipo de funo de ativao ou varivel do processo. Pelo padro Modbus, uma
mensagem de confirmao de envio ser enviada pelo escravo ao mestre informando se
esses dados foram recebidos corretamente pelo escravo. Esse quadro de confirmao ser
igual ao recebido pelo escravo, diferindo apenas o checksum atualizado.
Caso seja uma operao de leitura, o quadro enviado ter o mesmo formato bsico,
com a exceo do cdigo de operao ser 03H e do endereo lgico indicar agora qual a
varivel de interesse a ser lida. Aps essa requisio, o mestre espera o escravo enviar o
quadro com o valor do parmetro. Antes de apresentar esse dado ao usurio, o mestre ter
de validar esse quadro atravs do clculo do novo checksum e comparao com o recebido
na comunicao.
Do outro lado da comunicao, o escravo precisa ficar aguardando o mestre inici-la.
Quando requisitado, o escravo verifica se existe erro de comunicao atravs do CRC do
quadro recebido. Se o quadro for validado, analisa-se ento qual a operao desejada pelo
mestre. Caso seja operao de leitura, o escravo analisar o endereo lgico da varivel
requisitada, carregar o parmetro e enviar a resposta com o novo CRC calculado.
Caso seja uma operao de escrita, o escravo verificar os endereos lgicos dos dados
recebidos, podendo ser uma das estruturas j citadas anteriormente; carregar os dados
nas variveis designadas pelos endereos, para o correto funcionamento dos algoritmos
implementados; calcular o novo CRC e enviar o quadro de volta ao mestre para a confirmao do recebimento.
Para que tanto o supervisrio quanto o hardware dedicado executem essas operaes
da forma desejada, uma camada de comunicao faz-se necessrio em cada lado da comunicao. Elas sero responsveis tanto por formar o quadro Modbus, preenchendo todos
os seus campos de forma adequada para envi-los corretamente, como por receber os
quadros, valid-los, interpret-los e disponibiliz-los ao usurio (mestre) ou ao algoritmo
(escravo).
Para uma melhor compreenso, os diagramas de atividades das figuras 3.15 e 3.16 detalham os procedimentos a serem seguidos pela camada de comunicao do supervisrio
e do hardware dedicado.
Figura 3.15: Diagrama de atividades da camada de comunicao do supervisrio.
45
Figura 3.16: Diagrama de atividades da camada de comunicao do hardware.
46
3.4
47
Superviso
O supervisrio utilizado na bancada de testes foi implementado no programa proprietrio Elipse PRO Master Full. Esse programa possibilitou a implementao tanto da
camada de aplicao como da camada de comunicao do supervisrio, pois j possui
ferramentas prontas de aplicao de automao industrial e de comunicao Modbus.
O programa supervisrio foi implementado com as seguintes tarefas especficas:
Superviso e Controle do Processo: Responsvel pela contnua recepo e registro dos valores das variveis do processo monitoradas pela bancada de testes, para
que se possa verificar e validar a eficcia dos algoritmos implementados, e detectar
possveis falhas do sistema. Os dados monitorados so os valores de temperatura e
presso dos transmissores Fieldbus Foundation, e volume, nmero de pulsos, vazo
real e vazo corrigida do medidor de vazo (atravs do hardware dedicado).
Configurar Sistema: Responsvel pelo envio ao hardware dedicado (escravo) todos os parmetros preliminares para o clculo da vazo (condies de medio e
base) e para a passagem pelo algoritmo inteligente, ou seja, informando fraes
molares dos componentes do gs natural, o fator K do medidor de vazo utilizado,
e o nmero de camadas, nmero de neurnios por cada camada, qual a funo
de ativao para cada camada e os ganhos sinpticos e bias de cada neurnio da
arquitetura da rede neural estipulada. Esses dados podero ser carregados manualmente ou atravs de uma tabela .xls. A figura 3.17 apresenta a janela responsvel
por essa tarefa;
Configurar Conta: No h nenhum tipo de comunicao com o escravo e se refere
apenas a mudana de login e senha por parte do usurio e tambm por mudana de
nveis de acesso dos usurios cadastrados por parte do administrador.
Configurar Conexo Serial: No h nenhum tipo de comunicao com o escravo
e destina-se apenas a mudana da porta de comunicao, da taxa de transmisso,
dos bits de dados, dos bits de parada e dos bits de paridade. A configurao correta desses dados so de extrema importncia para um funcionamento confivel da
comunicao.
48
Figura 3.17: Janela onde realizado o carregamento da rede neural, da cromatografia do

gs natural e do fator K.
O supervisrio sendo o mestre da comunicao, cabe a ele iniciar a comunicao
com o escravo, podendo ser operao de escrita ou leitura. Portanto, haver situaes
no supervisrio em que poder tanto ocorrer operaes de leitura e/ou escrita como no
haver comunicao alguma. O diagrama de atividades apresentado no apndice A mostra
como se apresenta as funes do supervisrio.
Captulo 4
Implementao e Resultados
A implementao proposta ter a estruturao mostrada na figura 4.1. Por praticidade,

nos testes de verificao da eficcia das rotinas implementadas, o medidor de vazo do
tipo turbina foi substitudo por um gerador de funes que pode emitir uma onda quadrada
similar ao transmitido por um medidor linear qualquer.
Inicialmente, necessrio informar placa atravs do supervisrio variveis importantes para a computao, totalizao e compensao da vazo. Estas informaes sero
enviadas, serialmente pela conexo fsica RS232, atravs do protocolo Modbus. As variveis so:
O fator K, que varia de acordo com o medidor e utilizado para o clculo da vazo
(equao 3.2). Esse fator fornecido pela fabricante ou obtido em laboratrios de
calibrao.
A composio qumica do gs natural, ou seja, as fraes molares dos seus componentes, que necessria para o clculo do fator de compressibilidade. Essa informao obtida atravs de um cromatgrafo, que analisa a composio de uma
amostra do gs natural que percorre a tubulao.
Os ganhos sinpticos e os bias da rede neural que compe o algoritmo inteligente
para a correo da medida de vazo. Estes dados so obtidos aps o treinamento da
rede neural com exemplos de entrada e sada obtidas da curva de calibrao mais
atual do medidor utilizado.
Valores preestabelecidos podem ser atribudos ao fator K e s fraes molares dos
componentes do gs, caso o usurio no envie essas informaes, contudo a exatido
da computao e totalizao da vazo podem ficar comprometidas, pois no so valores
exatos da operao. Em relao aos ganhos da rede neural, a correo do erro s poder
ser correta se a rede neural for devidamente treinada antecipadamente.
CAPTULO 4. IMPLEMENTAO E RESULTADOS
50
Figura 4.1: Estruturao do trabalho proposto.

Aps esses dados serem corretamente enviados ao ambiente da placa DSP, os seguintes
procedimentos preliminares so realizados:
1. Os sinais de vazo (trem de pulsos), temperatura (4-20 mA) e presso (4-20 mA)
so adquiridos e convertidos para um formato adequado.
2. As bases de tempo de amostragem dos valores de presso, temperatura, vazo e
volume nas condies de base e medio so ajustados, de acordo com a norma
API 21.1 [Starling & Savidge 1993];
3. Os pulsos do sinal de vazo so contados no perodo de tempo estabelecido para o
clculo da vazo e do volume nas condies de medio.
4. O fator de compressibilidade calculado, baseado nos valores das fraes molares
e nos valores correntes de temperatura e presso, de acordo com a norma AGA-8
[Starling & Savidge 1992]. Esse fator ser utilizado para a converso de volume e
vazo para as condies de base (equaes 3.5 e 3.6).
Com a vazo nas condies de base calculada, esse valor ento fornecido como
entrada da rede neural j devidamente instanciada pelo supervisrio. A entrada (vazo
calculada) e o resultado (vazo corrigida) da rede neural sero ento enviados ao supervisrio juntamente com os valores de volume acumulado, pulsos, temperatura e presso.
Estas variveis monitoradas pelo supervisrio tem seus dados registrados em um
banco de dados para posterior anlise e/ou processamento.
4.1
4.1.1
51
Resultados Simulados
Computao da Vazo
As implementaes para o clculo da computao da vazo foram realizadas inicialmente em um Pentium 4 CPU 2.80GHz, atravs do cdigo de programao C, para ento
serem incorporadas ao ambiente de programao do DSP.
A etapa inicial foi o desenvolvimento das rotinas para o clculo do fator de compressibilidade (Z). Como visto na figura 3.5, o mtodo implementado influenciado por
mudanas de temperatura, presso e composio do gs. Portanto, para a verificao da
eficcia do mtodo, uma tabela foi montada no apndice A comparando os resultados
obtidos em cdigo C e em DSP com os exemplos apresentados pela norma AGA 8, para
diferentes valores de entrada.
Aps obtido esse fator, implementou-se o clculo da vazo nas condies de base de
acordo com a equao 3.6. Da mesma forma como no caso anterior, testes simulados
foram realizados com diferentes valores de entrada. No apndice B so apresentados os
resultados obtidos em cdigo C e em DSP, comparando com os valores apresentados por
um computador de vazo comercial pertencente ao CTGS.
4.1.2
Algoritmo Inteligente
Aps o treinamento realizado baseado na estrutura da figura 3.10, testes foram feitos
para comprovar a eficcia da metodologia utilizada. Esses testes foram realizados inicialmente de forma off-line em um computador pessoal. Com os ganhos das redes neurais
de cada calibrao (figuras 3.6, 3.7, 3.8 e 3.9) j estipulados, realizou-se o procedimento
feed-forward da rede neural para toda a faixa de trabalho em que cada medidor atua. A
arquitetura escolhida para todos os treinamentos foi a 1x3x1.
Os resultados desses testes so apresentados nas figuras 4.2, 4.3, 4.4 e 4.5, onde a
linha azul indica a curva resultante da interpolao dos pontos da respectiva calibrao, e
a linha vermelha indica a curva de erro resultante da equao 3.7 tendo como entrada a
sada do processo feed-forward da rede neural.
52
Figura 4.2: Comparao entre a curva de calibrao do medidor do tipo turbina Instromet
G16 (0,6-25 m3 /h) e a sada da rede neural treinada.
G100 (1-160 m3 /h) e a sada da rede neural treinada.
53
4.1.3
Resultados Finais
Com os ganhos dos quatro treinamentos realizados, referentes s quatro calibraes j

mencionadas nas sesses 3.2.2 e 4.1.2, o carregamento destes dados foi realizado pelo supervisrio na janela apresentada na figura 3.17. Alm disso, tambm podem ser enviados
o fator K do medidor e a composio do gs natural obtida pela cromatografia.
Aps realizado o clculo da vazo nas condies de base em ambiente DSP, esse valor
ento utilizado pelo algoritmo inteligente. Com o intuito de verificao de resultados, o
gerador de pulsos representou cada medidor e foram escolhidos 7 valores dentro da faixa
da vazo aceitvel. Cada resultado foi ento comparado ao obtido pelo procedimento
feed-forward realizado off-line, mais exato devido s limitaes do DSP na tratamento de
nmeros reais, como mostrado na sesso 3.2.2. As tabelas 4.1, 4.2, 4.3 e 4.4 apresentam
esses resultados, com preciso de seis casas decimais.
54
Tabela 4.1: Resultados do algoritmo inteligente para o medidor G16.

Vazo (m3 /h)
3
6
11
14
17
22
25
off-line
3,015600
5,999863
10,996180
13,986840
16,962119
21,901900
24,873540
DSP
3,015602
5,999862
10,996175
13,986841
16,962120
21,901901
24,873543
Erro ()
0,000002
0,000001
0,000005
0,000001
0,000001
0,000001
0,000003
Erro Relativo (%)

0,000066
0,000017
0,000045
0,000007
0,000006
0,000005
0,000012

Vazo (m3 /h)
6
33
55
83
109
132
156
off-line
5,984592
32,737600
54,700791
82,790892
108,934593
132,079458
156,776152
DSP
5,984606
32,737679
54,700844
82,790955
108,934660
132,079530
156,776200
Erro ()
0,000014
0,000079
0,000053
0,000043
0,000067
0,000072
0,000048
Erro Relativo (%)

0,000234
0,000241
0,000097
0,000052
0,000061
0,000054
0,000031

Vazo (m3 /h)
28
65
99
141
176
209
239
off-line
28,601534
65,168916
99,072759
141,215700
176,207759
209,201827
239,257354
DSP
28,601494
65,168831
99,072708
141,215620
176,207700
209,201750
239,257320
Erro ()
0,000040
0,000085
0,000051
0,000080
0,000059
0,000077
0,000034
Erro Relativo (%)

0,000140
0,000130
0,000051
0,000056
0,000033
0,000037
0,000014
55

Vazo (m3 /h)
165
389
617
875
1103
1340
1579
off-line
169,011174
391,376364
617,071431
873,305289
1098,008596
1334,339875
1573,065615
DSP
169,011250
391,376310
617,071470
873,305540
1098,008610
1334,340000
1573,065900
Erro ()
0,000076
0,000054
0,000039
0,000251
0,000014
0,000125
0,000285
Erro Relativo (%)

0,000045
0,000014
0,000006
0,000029
0,000001
0,000009
0,000018
Para finalizar, os erros relativos de cada calibrao em relao ao seu medidor padro
e do algoritmo inteligente foram comparados atravs dos grficos apresentados nas figuras
4.6, 4.7, 4.8 e 4.9, ratificando a eficcia da implementao em DSP.
Figura 4.6: Comparao entre erros da calibrao do medidor do tipo turbina Instromet
G16 e do algoritmo inteligente implementado no DSP.
56
57
Captulo 5
Concluses
A medio do gs natural pode ser entendida como uma atividade complexa, que necessita que cuidados operacionais sejam garantidos para que a medio possa ser aceita,
por exemplo, para uma transferncia da custdia do produto dentre os diversos participantes da cadeia produtiva deste combustvel. E tambm o crescimento esperado do consumo do gs natural leva a uma incansvel tentativa de melhorar os sistemas de medio,
garantindo a diminuio de perdas e evitando problemas legais de cumprimento dos contratos.
Tendo em vista a necessidade de exatido nas medies, o sucesso deste trabalho
foi de extrema importncia na instrumentao inteligente, contribuindo para que novas
tecnologias e/ou funcionalidades sejam desenvolvidas para aprimorar a confiabilidade da
medio.
Os resultados atingidos mostram que as solues apresentadas para o processamento,
a comunicao e a superviso dos dados foram acertadas, no influindo consideravelmente no erro final do sistema.
O ponto mais crtico em relao a gerao de erro est no correto treinamento da rede
neural. Assim, para melhorar ainda mais os resultados apresentados, mais dados poderiam
ser fornecidos pela calibrao para uma construo mais correta da curva, conseqentemente um melhor treinamento seria realizado e melhores resultados seriam obtidos pelo
algoritmo inteligente.
Em relao s incertezas, como o algoritmo apenas corrige o erro obtido na calibrao,
a incerteza inerente a cada dado fornecido tambm incorporada sada da rede neural.
Mecanismos de reduo e/ou eliminao desta medida podem ser estudadas e abordadas
em trabalhos futuros, integrando e formando uma ferramenta mais ampla.
Bibliografia
Alonso, Paulo Sergio Rodrigues (1999), O gs natural na matriz energtica brasileira:

avaliao global de seus impactos, estratgias para disseminar sua utilizao e criao de um suporte de tecnologias para o brasil., Relatrio tcnico, UFRJ,COPPE,
Rio de Janeiro, RJ.
ANP (2005), Agncia Nacional de Petrleo, http://www.anp.gov.br/
conheca/anuario_2005.asp, visitado em 20/09/07.
Batinga, H. (2006), VCONE - Nova tecnologia para medio de gs mido, Rio Automao.
Besch, Gaudio (2004), Especificao de um bloco funcional implementando rede neural para rede industrial fieldbus foundation, Dissertao de mestrado, Universidade
Federal do Rio Grande do Norte, PPGEE-UFRN, Natal,RN.
CTGAS (2007), Centro de Tecnologia do Gs, http://www.ctgas.com.br/, visitado em 20/09/07.
Daniel, G. (1996), Measurement of gas by turbine meters american gas association (aga) transmission measurement commites report no. 7, http://www.aga.org, American
Gas Association, EUA.
Texas Instruments (2007), http://www.ti.com/, visitado em 20/09/07.
Foundation, Fieldbus (2001), Fieldbus Foundation. Function Block Application Process.
In FoundationT M Specification, Fieldbus Foundation, EUA.
Haykin, Simon (2001), Redes Neurais - Princpios e Prtica, Vol. 2, Editora Bookman,
EUA, captulo 3.
INMETRO (1995), VIM, Vocabulrio Internacional de Termos Fundamentais e Gerais
de Metrologia, http://www.inmetro.org.
INMETRO (2007), Instituto Nacional de Metrologia, http://www.inmetro.org,
visitado em 20/09/07.
INSTROMET (2007), Instromet International, http://www.elster-instromet.
com/, visitado em 20/09/07.
MATLAB (2007), http://www.matlab.com/, visitado em 20/09/07.
59
BIBLIOGRAFIA
60
Petrobras (2007), Petrleo Brasileiro S.A., http://www.petrobras.com.br/,

visitado em 20/09/07.
Ribeiro, M. A. (2003), Metrologia Industrial. Fundamentos da Confirmao Metrolgica.
Silva, Diego R. Cabral (2005), Redes neurais artificiais no ambiente de redes industriais foundation fieldbus usando blocos funcionais padres, Dissertao de mestrado,
Universidade Federal do Rio Grande do Norte, PPGEE-UFRN, Natal,RN.
Silva, Diego R. Cabral, Adrio Duarte Dria Neto, Jorge Dantas de Melo & Luiz Affonso
Guedes (2006), Neural networks implementation in foundation fieldbus environment: A case study in neural control, International Journal of Factory Automation,
Robotics and Soft Computing (Issue) .
Silva, Diego R. Cabral, Adrio Duarte Dria Neto, Raphaela Galhardo Fernandes &
Luiz Affonso Guedes (2006), Identificao neural de um sistema de nveis em ambiente foundation fieldbus, Congresso Latinon Americano de Automtica .
Starling, K.E. & J.L. Savidge (1992), Compressibility factors of natural gas and other related hydrocarbon gases american gas association (aga) - transmission measurement
commites report no. 8, http://www.aga.org, American Gas Association.
Starling, K.E. & J.L. Savidge (1993), Api - chapter 21, manual of petroleum measurement
standards - flow measurement using eletronic metering systems, Relatrio tcnico,
Electronic Gas Measurement, EUA.
Apndice A
Diagrama de Atividades
Figura A.1: Diagrama de atividades do supervisrio.
Apndice B
Fator de Compressibilidade
Utilizando a composio do gs natural da Costa do Golfo [Starling & Savidge 1992]

como exemplo, foram executadas as rotinas que compe o Mtodo Detalhado para valores
de temperatura e presso variadas. A composio desse gs mostrada na tabela B.1, e
os resultados do programa C, do DSP e da norma AGA 8 so apresentados na tabela B.2.
Tabela B.1: Composio do gs natural da Costa do Golfo.
Componentes
Metano
Nitrognio
Dixido de Carbono
Etano
Propano
i-Butano
n-Butano
i-Pentano
n-Pentano
n-Hexano
n-Heptano
n-Octano
Percentuais (%)
96,5222
0,2595
0,5956
1,8186
0,4596
0,0977
0,1007
0,0473
0,0324
0,0664
0,0000
0,0000
APNDICE B. FATOR DE COMPRESSIBILIDADE
63
Tabela B.2: Tabela de resultados do clculo de Z.

Temperatura (o F)
32,0
32,0
32,0
32,0
32,0
32,0
50,0
50,0
50,0
50,0
50,0
50,0
100,0
100,0
100,0
100,0
100,0
100,0
130,0
130,0
130,0
130,0
130,0
130,0
Presso (psi)
14,73
100,0
400,0
800,0
1000,0
1200,0
14,73
100,0
400,0
800,0
1000,0
1200,0
14,73
100,0
400,0
800,0
1000,0
1200,0
14,73
100,0
400,0
800,0
1000,0
1200,0
DSP
0,997405
0,982354
0,929176
0,859408
0,826339
0,795679
0,997706
0,984431
0,937933
0,877957
0,849908
0,824022
0,998362
0,988929
0,956545
0,916307
0,898040
0,881409
0,998659
0,990958
0,964795
0,932910
0,918668
0,905825
Cdigo C
0,997406
0,982355
0,929176
0,859409
0,826341
0,795680
0,997707
0,984432
0,937934
0,877958
0,849909
0,824023
0,998363
0,988930
0,956545
0,916308
0,898041
0,881410
0,998660
0,990959
0,964796
0,932911
0,918669
0,905826
AGA 8
0,997406
0,982355
0,929176
0,859409
0,826341
0,795680
0,997707
0,984432
0,937934
0,877958
0,849909
0,824023
0,998363
0,988930
0,956545
0,916308
0,898041
0,881410
0,998660
0,990959
0,964796
0,932911
0,918669
0,905826
Apndice C
Computao da Vazo
Utilizando a composio do gs natural mostrada na tabela C.1, foram executadas as

rotinas do fator de compressibilidade e, em seguida, da computao da vazo, para diferentes valores de vazo, temperatura e presso nas condies de medio. Os resultados do
programa C, do DSP e de um computador de vazo comercial so apresentados na tabela
C.2. Os erros relativos so apresentados na tabela C.3. Considera-se nesta simulao
temperatura de base 20 o C, presso de base 101,3291 kPa e presso atmosfrica 100,641
kPa.
Tabela C.1: Composio do gs natural utilizada nos testes.
Componentes
Metano
Nitrognio
Dixido de Carbono
Etano
Propano
Oxignio
i-Butano
n-Butano
i-Pentano
n-Pentano
n-Hexano
n-Heptano
n-Octano
Percentuais (%)
88,66299
0,865
1,117
8,543
0,802
0,010
0,000
0,000
0,000
0,000
0,000
0,000
0,000
APNDICE C. COMPUTAO DA VAZO
65
Tabela C.2: Tabela de resultados da vazo corrigida, em m3 /dia.

Vazo
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
Temp.
17 o C
17 o C
17 o C
17 o C
17 o C
17 o C
17 o C
17 o C
17 o C
22 o C
22 o C
22 o C
22 o C
22 o C
22 o C
22 o C
22 o C
22 o C
27 o C
27 o C
27 o C
27 o C
27 o C
27 o C
27 o C
27 o C
27 o C
Presso
490,332 kPa
490,332 kPa
490,332 kPa
980,665 kPa
980,665 kPa
980,665 kPa
1470,998 kPa
1470,998 kPa
1470,998 kPa
490,332 kPa
490,332 kPa
490,332 kPa
980,665 kPa
980,665 kPa
980,665 kPa
1470,998 kPa
1470,998 kPa
1470,998 kPa
490,332 kPa
490,332 kPa
490,332 kPa
980,665 kPa
980,665 kPa
980,665 kPa
1470,998 kPa
1470,998 kPa
1470,998 kPa
DSP
5961,7695
8942,6553
11923,539
11037,321
16555,984
22074,643
16234,341
24351,512
32468,682
5855,9629
8783,9443
11711,926
10833,673
16250,510
21667,346
15922,867
23884,301
31845,734
5753,9893
8630.9834
11507,979
10637,915
15956,873
21275,830
15624,278
23436,418
31248,557
C
5961,7684
8942,6526
11923,5368
11037,3193
16555,9790
22074,6386
16234,3399
24351,5099
32468,6798
5855,9620
8783,9430
11711,9241
10833,6704
16250,5056
21667,3408
15922,8662
23884,2992
31845,7323
5753,9888
8630,9832
11507,9776
10637,9127
15956,8690
21275,8254
15624,2776
23436,4164
31248,5552
Comp. Vazo
5961,773
8942,659
11923,550
11037,315
16555,980
22074,640
16234,283
24351,510
32468,680
5856,013
8783,984
11711,930
10833,686
16250,500
21667,340
15922,792
23884,140
31845,520
5753,989
8630,982
11507,980
10637,910
15956,870
21275,792
15624,180
23436,260
31248,350
APNDICE C. COMPUTAO DA VAZO
66
Tabela C.3: Tabela de erros relativos (%) do programa em C e em DSP

em relao aos respectivos valores indicados por um computador de vazo.
Vazo
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
1000 m3 /dia
1500 m3 /dia
2000 m3 /dia
Temp.
17 o C
17 o C
17 o C
17 o C
17 o C
17 o C
17 o C
17 o C
17 o C
22 o C
22 o C
22 o C
22 o C
22 o C
22 o C
22 o C
22 o C
22 o C
27 o C
27 o C
27 o C
27 o C
27 o C
27 o C
27 o C
27 o C
27 o C
Presso
490,332 kPa
490,332 kPa
490,332 kPa
980,665 kPa
980,665 kPa
980,665 kPa
1470,998 kPa
1470,998 kPa
1470,998 kPa
490,332 kPa
490,332 kPa
490,332 kPa
980,665 kPa
980,665 kPa
980,665 kPa
1470,998 kPa
1470,998 kPa
1470,998 kPa
490,332 kPa
490,332 kPa
490,332 kPa
980,665 kPa
980,665 kPa
980,665 kPa
1470,998 kPa
1470,998 kPa
1470,998 kPa
DSP
0,000010780
0,000011396
0,000033879
0,000018479
0,000012320
0,000009234
0,000178630
0,000006160
0,000000616
0,000154300
0,000122270
0,000012320
0,000040039
0,000030799
0,000018479
0,000230990
0,000495860
0,000659100
0,000000924
0,000004312
0,000003080
0,000015399
0,000009240
0,000117040
0,000301830
0,000486620
0,000637540
C
0,000014167
0,000019711
0,000040655
0,000013244
0,000003080
0,000004312
0,000175250
0,000000308
0,000000616
0,000157070
0,000126280
0,000018171
0,000048046
0,000017247
0,000002464
0,000228530
0,000490320
0,000653860
0,000000616
0,000003696
0,000007392
0,000008316
0,000003080
0,000102870
0,000300600
0,000481690
0,000631990

Software Inteligente Embarcado Aplicado À Correção de Erro Na Medição de Vazão em Gás Natural

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Software Inteligente Embarcado Aplicado À Correção de Erro Na Medição de Vazão em Gás Natural

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

U NIVERSIDADE F EDERAL DO R IO G RANDE DO N ORTE

Software Inteligente Embarcado Aplicado

Eloi Cagni Jnior

Orientador: Prof. Dr. Adrio Duarte Doria Neto

Dissertao de Mestrado apresentada ao

Natal, RN, Setembro de 2007

Diviso de Servios Tcnicos

Este trabalho desenvolveu rotinas de software, em um sistema composto basicamente

Lista de Smbolos e Abreviaturas

Mapa de Gasodutos no Brasil [Alonso 1999]. . . . . . . . . .

Estruturao do trabalho proposto. . . . . . . . . . . . . . . . . . . . . .

A.1 Diagrama de atividades do supervisrio. . . . . . . . . . . . . . . . . . .

Quadro no modo RTU. . . . . . . . . . . . . . . . . . . . . . . . . . . .

Resultados do algoritmo inteligente para o medidor G16. .

B.1 Composio do gs natural da Costa do Golfo. . . . . . . . . . . . . . . .

C.1 Composio do gs natural utilizada nos testes. . . . . . . . . . . . . . .

volume de gs natural produzido em um dia no Brasil (mdia de 25 milhes de m3 /dia)

O Caminho at o Consumidor Final

CAPTULO 2. APRESENTAO DO PROBLEMA

Figura 2.1: Mapa de Gasodutos no Brasil [Alonso 1999].

CAPTULO 2. APRESENTAO DO PROBLEMA

Figura 2.2: Cadeia de transporte e de distribuio do gs natural no Brasil.

Medidor do Tipo Turbina

CAPTULO 2. APRESENTAO DO PROBLEMA

Figura 2.3: Medidor do tipo turbina [Instromet 2007].

CAPTULO 2. APRESENTAO DO PROBLEMA

Figura 2.4: Exemplo de curva de calibrao.

CAPTULO 2. APRESENTAO DO PROBLEMA

Algoritmos Inteligentes e Redes Neurais

Um sistema baseado em tcnicas de inteligncia artificial caracterizado basicamente

CAPTULO 2. APRESENTAO DO PROBLEMA

O modelo das redes neurais artificiais baseado em um processo de aprendizado e em

A incorporao de inteligncia em sistemas de medio, principalmente atravs do uso

CAPTULO 2. APRESENTAO DO PROBLEMA

Implementao via Rede Neural

Figura 2.5: Diagrama do Algoritmo de Correo.

CAPTULO 2. APRESENTAO DO PROBLEMA

Figura 2.6: Diagrama do Treinamento do Algoritmo.

Figura 2.7: Modelo do Neurnio Computacional.

CAPTULO 2. APRESENTAO DO PROBLEMA

Figura 2.8: Funo degrau.

Figura 2.9: Funo linear por partes.

CAPTULO 2. APRESENTAO DO PROBLEMA

Figura 2.10: Funo sigmide.

CAPTULO 2. APRESENTAO DO PROBLEMA

neurnio i da camada l 1. Quando i = 0, temos yl1

Se o neurnio j est na primeira camada oculta (l = 1), ento

onde x j (n) o j-simo elemento do vetor de entrada x(n). Se o neurnio j est na

Agora s calcular o sinal de erro, sada desejada menos a sada obtida,

4. Computao reversa (para trs): Inicialmente calcula-se os gradientes locais

onde a primeira equao para a camada de sada L e a segunda para a camada

onde o parmetro da taxa de aprendizagem e a constante de momento.

CAPTULO 2. APRESENTAO DO PROBLEMA

A bancada testes que ser instalada no Laboratrio de Medio de Vazo de Gs

Figura 3.1: Bancada de testes.

CAPTULO 3. ESTRUTURA DO SOFTWARE

CAPTULO 3. ESTRUTURA DO SOFTWARE

Figura 3.2: Diagrama estrutural do hardware

CAPTULO 3. ESTRUTURA DO SOFTWARE

Figura 3.3: Diagrama estrutural do software.

As rotinas de processamento digital da informao que foram implementadas neste

CAPTULO 3. ESTRUTURA DO SOFTWARE