K-IV-DIE-004 - GUÍA INFORME FINAL DE PROYECTOS - Rev C Final PDF

K-IV-DIE-004 Rev: C 23-02-2016
SISTEMA PARA DETECCIÓN DE FALLOS CRÍTICOS (FUGA DEL

PRODUCTO) EN EL OLEODUCTO
JULY ANDREA GÓMEZ CAMPEROS

MAGISTER EN CONTROLES INDUSTRIALES
FACULTAD DE INGENIERÍAS
GRUPO DE INVESTIGACIÓN INGAP
LÍNEA DE INVESTIGACIÓN CONTROL Y AUTOMATIZACIÓN DE PROCESOS
NOMBRE DEL SEMILLERO: SEMILLERO DE INVESTIGACIÓN EN
CONTROL Y AUTOMATIZACIÓN “CAPSI”
OCAÑA
17 de enero de 2019
2
K-IV-DIE-004 Rev: C 23-02-2016
Índice
Resumen .............................................................................................................................. 4-5

1. Introducción .............................................................................................................. 6-7
2. Planteamiento de la Pregunta o Problema de Investigación y su Justificación ...... 8-12
3. Objetivos.................................................................................................................... 12
4. Metodología de investigación............................................................................... 13-14
5. Análisis y discusión de resultados ...................................................................... 15-135
6. Conclusiones..................................................................................................... 136-138
Bibliografía .............................................................................................................. 139-144
Apéndice A .................................................................................................................. 145-149
Apéndice B .................................................................................................................. 150-179
Apéndice C…………………………………………………………………………..180-195
Apéndice D--------------------------------------------------------------------------------------196-197
3
K-IV-DIE-004 Rev: C 23-02-2016
Resumen
En la actualidad existe una creciente preocupación sobre el cuidado de los recursos
naturales en general. La seguridad y confiabilidad de las tuberías de transporte de
hidrocarburos representan un aspecto crítico para la industria Petrolera. Las fallas en la
tubería causadas por la corrosión, agentes externos, entre otros, pueden desarrollar fugas o
incluso la ruptura, lo que puede tener un impacto negativo en la población, el entorno
natural, la infraestructura y la economía.
La importancia de la detección oportuno de fallas mediante métodos sistemáticos y
automáticos en el oleoducto es una valiosa herramienta en la operación, en el entendido de
que toda falla lleva un costo asociado que se incrementa a medida que la falla evoluciona y
no es atendida. En sentido opuesto, una falla detectada y atendida con oportunidad, tendrá
un costo mínimo
Esta investigación centro su atención en el desarrollo de tres (3) técnicas de detección de
fugas en tuberías. Para esto se realizó un prototipo de banco de tuberías como parte del
diseño del experimento el cual fue instalado en el laboratorio de fluidos de la Universidad
Francisco de Paula Santander Ocaña. Este prototipo de banco de tuberías sirvió para
obtener un modelo cercano a una tubería real, y así poder obtener la data y la validación de
las técnicas de detección de fugas.
Se consideró la presión y el flujo, como variables principales del sistema, se implementó
primeramente una técnica de detección de fugas llamada “balance de masa” junto con un
4
K-IV-DIE-004 Rev: C 23-02-2016
generador de residuos para detectar las fugas en el banco de tuberías. Esta técnica es
eficiente para detectar la fuga pero no para ubicarla.
Seguidamente se implementó una Red Neuronal perceptrón multicapa esta técnica es más
eficiente y económica tanto para detectar como para ubicar la fuga, con esta técnica se
logró en la investigación la detección de la fuga, y faltaron tener del modelo experimental o
de un modelo simulado más datos para poder ubicar la fuga.
Por último se utilizó la técnica de lógica Difusa para realizar el modelado difuso y el
posterior desarrollo del controlador difuso que va a monitorear y a localizar la sección
donde se presenta la fuga en el banco de tuberías. Por medio de las pruebas efectuadas al
sistema se comprobó el correcto funcionamiento del sistema de monitoreo y de la ubicación
de la fuga, esto se realizó con los valores de entrada de presión y flujo para cada sección del
banco de tuberías, dichos valores se comparan por medio del controlador difuso y se
determina el estado de cada sección. Al final del proyecto se logró el objetivo deseado, ya
que se obtuvo el sistema de monitoreo y ubicación de la fuga con una interfaz hombre-
máquina (desarrollada en LabView) que nos permite conocer el estado de las secciones de
la tubería, bajo los criterios antes mencionados.
5
K-IV-DIE-004 Rev: C 23-02-2016
1. Introducción
El término fuga se define como el escape de parte de un líquido que está siendo
transportado de un punto a otro. La detección de fugas en los sistemas de distribución
especialmente de petróleo, se ha vuelto primordial en países desarrollados. Esto se debe a
que los sistemas de distribución son muy antiguos, llegando en algunos casos a contar con
más de cien años.
Las tuberías son importantes medios de transporte de productos derivados del petróleo. Por
lo tanto, la vigilancia de fugas es importante en la gestión de tuberías por razones de
seguridad y medioambientales,
Debido a la creciente importancia de este problema, se han desarrollado varios métodos
para la detección de fugas, entre los cuales destacan: el método por ondas
electromagnéticas, el cual consiste en mandar una onda a través de la tubería y seguir su
trayectoria por la misma, otro método similar es el ultrasónico siendo este el más usado
actualmente. Hay otros métodos más laboriosos como los de tipo acústico en los cuales se
debe literalmente “Escuchar” a la tubería, ya que se basan en la detección de ruidos
anormales en la tubería.
6
K-IV-DIE-004 Rev: C 23-02-2016
Todos estos métodos tienen grandes inconvenientes, como costos elevados de
implementación y de mantenimiento, en el caso del acústico y del electromagnético el ruido
del sistema debe de ser eliminado casi por completo para tener una medición fidedigna, el
uso de personal adicional, un largo tiempo de localización de la fuga y en los casos de ser
redes muy grandes las pérdidas por fugas pueden ser consideradas como errores de
medición.
Esta investigación propone un método que puede ayudar a minimizar costos, reduciendo el
número de instrumentos que se emplean para la adquisición de datos además de ser más
preciso que algunos métodos convencionales. Otro punto importante es que no necesita de
equipos muy sofisticados que tengan un elevado precio y no requiere una alta capacitación
del operario. Por lo cual se realiza esta propuesta para la detección y ubicación de fugas,
utilizando un monitoreo basado en lógica difusa. Este método nos permite enfocarnos en las
características que se presentan al existir una fuga en un sistema, en vez de caracterizarlo
completamente. Al utilizar el conocimiento de los diferentes métodos en conjunto, además
de las recomendaciones para la detección de fugas, se puede crear una serie de reglas
difusas que le brinden a nuestro sistema de detección un gran nivel de flexibilidad y una
precisión en la detección y ubicación de dichas fugas.
7
K-IV-DIE-004 Rev: C 23-02-2016
2. Planteamiento de la Pregunta o Problema de Investigación y su Justificación

2.1 Antecedentes
La Industria petrolera a nivel mundial y nacional ha presentado grandes pérdidas a nivel
económico, humano y ambiental, debido a las fugas en los oleoductos causadas por un daño
mecánico, Corrosión externa o interna, Cambio de geometría por: pérdida de apoyo del
terreno, sismos, tsunamis, fenómenos geodinámicas, inundaciones, Fatiga, Sabotaje o
intervención de terceros.
Para el desarrollo de la propuesta se llevó a cabo una revisión de antecedentes del
problema, la cual arrojo los resultados que se presentan a continuación:
Respecto al ámbito internacional, específicamente Estados Unidos, Según los datos del
Departamento de Transporte de Estados Unidos y de la Administración de Seguridad de
Materiales Peligrosos (PHMSA 2016), entre los años 1995-2014, en las provincias de EE.
UU., El número de accidentes en oleoductos fue de 5598. Entre estas 360 personas
perdieron la vida y 1365 personas resultaron heridas por estos accidentes. En 20 años de
este proceso, el costo promedio de estos accidentes es de 352 millones de dólares. El daño
total causado por los accidentes es de aproximadamente 7 mil millones de dólares
estadounidenses (PHMSA 2016).
En el ámbito nacional:
El oleoducto Caño Limón Coveñas, el que inicia en Caño Limón (Arauca) y termina en
Coveñas (Sucre) ha sido de los más duramente afectados. Desde 1986 se han derramado
más de 4,1 millones de barriles (El Colombiano, 2 de julio de 2015). En 2014 el costo de
8
K-IV-DIE-004 Rev: C 23-02-2016
las reparaciones a la infraestructura tras los atentados fue de 142.140 millones de pesos. (El
universal 2015).
La figura 1 detalla los atentados contra oleoductos perpetrados entre 2000 y 2014. En
términos ambientales, las “voladuras” a los oleoductos también han resultado onerosas,
generando contaminación y daños severos a la fauna y la flora de las regiones, afectando las
cuencas, ciénagas y ecosistemas de las regiones (Miranda y Restrepo 2005). Un caso que
alcanzó gran notoriedad fue el atentado de las FARC en junio de 2015 contra el Oleoducto
Transandino, que provocó el derrame de 410.000 galones de crudo y contaminó las fuentes
de agua potable del municipio de Tumaco (Nariño), cortando el suministro por más de un
mes.
Un caso que alcanzó gran notoriedad fue el atentado de las FARC en junio de 2015 contra
el Oleoducto Transandino, que provocó el derrame de 410.000 galones de crudo y
contaminó las fuentes de agua potable del municipio de Tumaco (Nariño), cortando el
suministro por más de un mes. (Rettberg y Prieto 2016).
Figura 1. Atentados contra oleoductos
Fuentes: 2000-2002: Presidencia de la República (2009); 2003-2014: Ministerio de

Defensa Nacional (2015)
9
K-IV-DIE-004 Rev: C 23-02-2016
En Colombia se presentan año tras año derrames accidentales o provocados que afectan de
forma directa a los ecosistemas terrestres y acuáticos. Así mismo, Colombia es uno de los
pocos sitios en el mundo en donde se realizan sabotajes a la infraestructura petrolera con
fines políticos y terroristas. Para dar un ejemplo, solamente en el Oleoducto Caño Limon
Coveñas, en cerca de 19 años de operación han ocurrido más de mil ataques, que han
provocado el derrame de más de 3 millones de barriles de petróleo crudo que han ido a
parar a cuencas y ecosistemas tropicales.
2.2 Planteamiento del problema
Los Oleoductos y Poliductos del planeta son las arterias construidas por el hombre en las
que se transportan los combustibles necesarios para su supervivencia y desarrollo.
Las Redes de oleoductos son el transporte de larga distancia más económico y más seguro
para el petróleo, sus derivados y otros productos. Como un medio de transporte, las tuberías
tienen que cumplir con altas exigencias de seguridad, fiabilidad y eficiencia.
La mayor parte de ductos y tuberías, independientemente de lo que transportan, están
diseñados con una vida típica de 25 años Con el pasar de los años, a pesar de las
protecciones como revestimientos aislantes con diferentes polímeros y/o protección
catódica, las tuberías se irán deteriorando debido a la corrosión, deslizamientos o
asentamientos geológicos, variaciones climatológicas y desgaste provocando eventualmente
daño en la tubería y con ello una fuga o derrame de producto que pueden causar graves
consecuencias.
10
K-IV-DIE-004 Rev: C 23-02-2016
Además de las pérdidas económicas que se presentan por el producto perdido, paro de
proceso y reparación del daño, pueden presentarse pérdidas ambientales y sociales
insalvables como la muerte de seres humanos, perjuicios ambientales irreparables y daño a
especies endémicas entre otras.
Pero también hay otras razones para que ocurra una fuga que no tiene nada que ver con la
antigüedad de la tubería y estas son accidentes, terrorismo, sabotaje y robo. La razón última
se presenta con frecuencia y se denomina comúnmente toma clandestina u ordeño de
ductos, en los que la delincuencia organizada extrae combustible para venderlo.
(CALDERON 2012)
Ante lo planteado surge la siguiente pregunta de investigación:
¿Es posible implementar un sistema de detección de fugas de producto mediante técnicas y
sensoria asociada para mejorar la confiabilidad y la seguridad de los oleoductos en la
industria petrolera?
2.3 Justificación
En Colombia y en el mundo el derrame o pérdida de petróleo representan un problema
serio, por lo cual se deben utilizar métodos adecuados para detectar oportunamente las
fugas en lo oleoductos, provocados por corrosión externa, golpes a las instalaciones por
tercera partes, corrosión interna o tomas clandestinas. Los efectos de este fenómeno pueden
provocar contaminación del agua y alteración en la calidad del aire.
11
K-IV-DIE-004 Rev: C 23-02-2016
Los daños ocasionados por fugas no son solamente al medio ambiente, también las pérdidas
económicas, la pérdida del producto el cual es un recurso natural no renovable, Los daños a
personas que pueden resultar heridos o muertos.
Estos resultados, evidencian la necesidad de implementar nuevas estrategias para el
diagnóstico o detención de fallos críticos en el oleoducto de la empresa petrolera.
Con la investigación se desarrolló un sistema que detecta la de fuga con presión y en
tiempo real, contribuyendo de esta manera a incrementar la integridad de los oleoductos.
3. Objetivos
3.1 Objetivo General
Desarrollar un sistema de detección de Fuga de producto en un tramo de oleoducto.
3.2 Objetivos específicos
3.2.1 Identificar las técnicas existentes de detección de fugas de producto en
oleoductos.
3.2.2 Seleccionar las técnicas de detección de fugas de producto que mejor se adapte
a los criterios de operación del sistema.
3.2.3 Validar el sistema de detección de fugas de producto, a través de un
instrumento virtual, implementado en un banco de tuberías.
12
K-IV-DIE-004 Rev: C 23-02-2016
4. Metodología de investigación
De acuerdo con las características propias de la investigación que se desarrolló es una
Investigación con enfoque cuantitativo tipo experimental. En este sentido la investigación
es cuantitativa porque es un proceso sistemático y ordenado que se lleva a cabo siguiendo
determinados pasos. Planear una investigación consiste en proyectar el trabajo de acuerdo
con una estructura lógica de decisiones y con una estrategia que oriente la obtención de
respuestas adecuadas a los problemas de indagación propuestos y es de tipo experimental
debido a que la data se obtiene mediante un banco de pruebas donde se manipulan las
variables que influyen en el proceso para obtener un ambiente cercano al caso de estudio.
4.1 Participantes:
Los tipos de personas que participaron en la investigación son:
Estudiantes de Ingeniería Mecánica a través de trabajos de aula y tesis de pregrado, ellos
cuentan con la formación establecida y con las habilidades necesarias para el desarrollo del
banco de pruebas.
4.2 Instrumentos:
Se utilizó herramientas como libros, artículos científicos, base de datos nacionales e
internacionales, para obtener la información sobre los diferentes métodos de detección de
fugas utilizados en la industria petrolera.
Se realizó un banco de pruebas de tuberías implementado en el laboratorio de fluidos de la
Universidad Francisco de Paula Santander Ocaña, utilizando la sensoria y los actuadores

13
K-IV-DIE-004 Rev: C 23-02-2016
necesarios para poder obtener la data y el comportamiento real de un sistema con fugas. En
este banco se le implemento un instrumento virtual que se desarrolló en el software
Labview para poder obtener registros reales y en línea del sistema de fugas.
El Instrumento virtual tiene una ventana donde se valida si el sistema presenta una fuga o
no en tiempo real.
4.3 Procedimiento:
Para el cumplimiento de los objetivos propuestos, del proyecto “sistema para detección de
fallos críticos (fuga del producto) en el oleoducto”. El proyecto se desarrolló en el marco de
cuatro fases metodológicas, que se presentan a continuación:
FASE 1: Planteamiento
En esta etapa del proyecto se hizo énfasis en la búsqueda y clasificación de información
de los desarrollos afines que se han hecho al tema de investigación con el objetivo de ser
tomados como parámetros de partida. Se buscó en libros, journals, revistas de
investigación, bases de datos y páginas web, todo lo relacionado con técnicas existentes de
detección de fugas de producto en oleoductos.
FASE 2: Diseño y desarrollo de soluciones.
En esta etapa se realizó la comparación y el análisis de cada una de las técnicas de
detección, se formularon los algoritmos, se propone y se desarrolla el modelo para validar
la metodología propuesta (caso estudio).
FASE 3: Fase de diseño del experimento y validación
14
K-IV-DIE-004 Rev: C 23-02-2016
En esta etapa se realizó una comparación entre diferentes tecnologías para determinar la
sensoria a utilizar en el proceso (caso estudio), se realizó el diseño y la construcción de un
banco de tuberías como parte del diseño del experimento para la obtención de la data con el
fin de tener una data real para el modelamiento y la simulación de fallos críticos en
oleoductos. Seguidamente se realizó en el software labview un instrumento virtual que
valido y comprobó la metodología.
FASE 4: Fase de divulgación de resultados
En esta última etapa, se redactaron tres artículos de investigación, se asistió a tres eventos
científicos internacionales por medio de modalidad de ponencia. Y un informe final de los
resultados del proyecto, un artículo ya publicado en la revista Contemporary Engineering
Sciences denominado “Experimental Study For Detection of leaks in Horizontal
Pipelines”y los otros dos sometidos a publicación en la revista JOURNAL OF PHYSICS:
CONFERENCE SERIES, ISSN 1742-6588 que esta categorizada ante Colciencias en
categoría B como se muestran en las evidencias del anexo 2.
5. Análisis y discusión de resultados
Los resultados se presentan de acuerdo a las actividades propuestas en el proyecto y de
acuerdo al cumplimiento de los objetivos.
El primer objetivo de la investigación es:
“Identificar las técnicas existentes de detección de fugas de producto en oleoductos”.

15
K-IV-DIE-004 Rev: C 23-02-2016
El resultado obtenido es el Desarrollo del estado de arte de las técnicas existentes para
detección de fugas de producto en oleoductos.
5.1 Estado de Arte de las técnicas existentes para detección de fugas de producto en
oleoductos
Introducción a los sistemas de detección de fallas
El hombre ha creado a lo largo del tiempo maquinas, herramientas y equipos que le
faciliten cada día más su vida, y ha tenido cuidado en su funcionamiento diagnosticando la
vida útil de cada uno, he aquí donde nace la importancia de detectar fallas oportunamente,
para nuestro caso nos enfocamos en fugas de producto en oleoductos que trae graves
consecuencias como pérdidas humanas y daño al medio ambiente irreparables por ello es
primordial la detección temprana.
Todo sistema mecánico esta sujetó a desgaste (corrosión, fricción, temperatura, sobre
esfuerzo, deformación y degradación) lo cual conduce a que su funcionalidad disminuya y
se pueda producir una falla.
Anteriormente el que detectaba la falla era el operador basado en su experiencia, luego con
el desarrollo de técnicas para detección de fallas se trata de mejorar el tiempo de detección,
su ubicación y cuantificación.
Enfoques para detección de fallas
Se tiene 2 enfoques para detección de fallas el primer enfoque consiste en instalar múltiples
sensores e instrumentos muchas veces dos o tres por variable como en los sistemas de
16
K-IV-DIE-004 Rev: C 23-02-2016
seguridad SIL (doble redundancia) o TRICONEX (triple redundancia) y mediante su
comparación detectar fallas.
Otra forma de detectar fallas es mediante redundancia analítica (E. A. García 2001) que
conduce en utilizar modelos matemáticos bases de datos históricos y conocimientos previos
para poder comparar los valores medidos contra los nominales esperados como se puede
observar en la Figura 2
Figura 2. Sistema de detección de fallas basado en modelos

Fuente: (S. Chai, L. Dong, B. Zhang, and X. Chai 2011)
En la Figura 2 se puede observar uno de los sistemas más usados es el generador de
residuos que compara las entradas y salidas del proceso con el modelo del mismo sin fallas
o con modelos con fallas determinadas generando residuos que indican la existencia de una
17
K-IV-DIE-004 Rev: C 23-02-2016
o varias fallas. Los residuos se pueden realizar por 22 diferentes métodos como
observadores de estados, relación de paridad, estimación paramétrica y filtro de Kalman.
Características de los sistemas de detección y diagnóstico de fallas
Los sistemas de detección y diagnóstico de fallas tienen dos tareas fundamentales, la
primera "detección de la falla " en donde el objetivo es reconocer que existe una falla y la
segunda "diagnóstico de la falla" cuya tarea consiste en aislar la falla y darnos a conocer la
posible causa, ubicación y cantidad de falla.
Para la detección de la falla se ha tienen muchos métodos basados en el modelos de los
procesos, mientras que para el diagnóstico los métodos son generalmente de relaciones
causales, tipo falla-síntoma y se basan en datos estadísticos de su historial, inteligencia
artificial y sistemas expertos, esto a su vez genera dos campos o áreas de estudio: Detección
y Aislamiento de Fallas (FDI por sus siglas en inglés) y Detección y Diagnóstico de Fallas
(FDD).
Clasificación de los métodos de detección y diagnóstico de fallas.
La figura 3 muestra la clasificación de los métodos de detección y diagnóstico de fallas.
18
K-IV-DIE-004 Rev: C 23-02-2016
Figura 3. Clasificación de métodos de diagnóstico de fallas
SISTEMAS DE LOCALIZACIÓN Y DETECCIÓN DE FUGAS EN OLEODUCTOS

Las tuberías son importantes medios de transporte de productos derivados del petróleo. Por
lo tanto, la vigilancia de fugas es importante en la gestión de tuberías por razones de
seguridad y medioambientales, los sistemas de localización y detección de fugas en
oleoductos se dividen en tres categorías: métodos externos o basados en hardware y
métodos internos o basados en software, métodos no técnicos o inspección visual.
Los métodos basados en tecnología externa detectan fugas mediante cables de fibra óptica o
dieléctricos instalados a lo largo de tuberías, mientras que los métodos internos utilizan
instrumentos para monitorear parámetros internos de la tubería como presión, caudal o
19
K-IV-DIE-004 Rev: C 23-02-2016
temperatura en los extremos de la tubería y usan estos parámetros para inferir las fugas por
computación, los métodos inspección visual. Estos métodos incluyen personal capacitado o
un perro especialmente entrenado junto con su entrenador, para caminar a lo largo de la
tubería o la inspección de la tubería de un avión tripulado o no tripulado para obtener
evidencia visual o de otra índole de fugas. La desventaja de estos métodos es que la
detección depende de la frecuencia de la inspección. La precisión del método también
depende de la experiencia y la habilidad del inspector. Finalmente, las tuberías enterradas
no son accesibles para la inspección visual.
5.1.1MÉTODOS BASADOS EN TECNOLOGÍA INTERNA O BASADOS EN

SOFTWARE.
Los métodos internos o basados en software se pueden dividir ampliamente en dos grupos:
(1) métodos basados en modelos y (2) métodos basados en datos.
5.1.1.1 Métodos basados en datos
5.1.1.1.1 Método acústico
El método acústico tiene muchas ventajas en comparación con otros métodos
Como una mayor sensibilidad en la una ubicación precisa de las fuga, una menor tasa de
falsas alarmas, detecta la fuga más rápido y una mayor adaptabilidad, especialmente con
una distancia de detección más larga., la desventaja del método acústico tradicional es que
necesita una gran cantidad de sensores.
20
K-IV-DIE-004 Rev: C 23-02-2016
(Liu et al. 2017) propone un Método basado en la medición de las ondas de presión
dinámica mediante sensores dinámicos de presión. En el método basado en la medición de
las ondas de presión dinámica mediante sensores dinámicos de presión la ubicación de la
fuga está determinada por el tiempo de llegada de las señales acústicas en dos sensores
acústicos adyacentes. Una vez que se producen las fugas, los sensores miden las señales
acústicas aguas arriba y aguas abajo. El algoritmo tradicional para la ubicación de fuga
acústica se describe en la ecuación 1:
(𝐿 + 𝑐∆𝑡)
𝑥= (1)
2
Donde x (m) es la distancia entre el punto de fuga y el sensor acústico ubicado en un
extremo de la tubería; L (m) es la distancia entre los sensores del extremo del lado derecho
y el extremo del lado izquierdo de la tubería; c (m / s) es la velocidad de propagación de la
onda acústica, m / s; Δt (s) es el intervalo de tiempo entre las señales de los dos sensores.
El tiempo exacto de llegada de las señales acústicas en cada monitor y la velocidad de
propagación son fundamentales para localizar con precisión la fuga.
La velocidad del gas debe ser considerada. Suponga que la distancia entre el punto de flujo
ascendente y el punto de fuga es X en la sección de tubería (0→X), la velocidad promedio
del fluido es a1, la velocidad de propagación de la señal acústica es c1, el tiempo de llegada
de la señal acústica en sentido ascendente es t1, la distancia entre el sentido descendente y
el punto de fuga es L-X en la sección de tubería (X→L), la velocidad promedio del fluido
21
K-IV-DIE-004 Rev: C 23-02-2016
es un2, la velocidad de propagación de la señal acústica es do2, y el tiempo de llegada de la
señal acústica en sentido descendente es t2; por lo tanto, la fórmula modificada para la
ubicación de la fuga se puede presentar como se muestra en la ecuación 2:
𝑳(𝒄𝟏 − 𝒂𝟏 ) + (𝒄𝟐 + 𝒂𝟐 )(𝒄𝟏 − 𝒂𝟏 )∆𝒕

𝒙= (𝟐)
𝒄𝟏 − 𝒂𝟏 + 𝒄𝟐 + 𝒂𝟐
Debido a que la fuga se produce de forma instantánea, la velocidad de propagación de la
señal acústica en la tubería sigue siendo la misma en las mismas condiciones 𝑐1 = 𝑐2 = 𝑐 y
la velocidad promedio del fluido sigue siendo la misma 𝑎1 = 𝑎2 = 𝑎
La fórmula para la ubicación de la fuga se puede simplificar como se muestra en la
ecuación 3:
𝐿(𝑐 − 𝑎) + (𝑐 + 𝑎)(𝑐 − 𝑎)∆𝑡

𝑥= (3)
2𝑐
Dónde a (m / s) es la velocidad promedio del fluido en la tubería.
La velocidad de propagación de ondas acústicas a lo largo de la tubería se puede expresar
como se muestra en la ecuación 4:
𝐸 1
𝑐=√ (4)
𝑝 𝐷𝐸
√1 +
𝑒 𝐸0
22
K-IV-DIE-004 Rev: C 23-02-2016
𝑑𝜌
𝐸 = 𝜌 𝑑𝜌 Se da para oleoductos y gasoductos; D(mm) es el diámetro interior; e(mm) es el
𝑘𝑔
espesor de la pared; E(Pa) es el módulo de volumen; 𝐸0 (𝑃𝑎) es el modulo Young;𝜌(𝑚3 ) es
la densidad.
El método propuesto tiene tres ventajas. (1) El algoritmo tradicional se mejora teniendo en
cuenta la velocidad del flujo de gas, que puede mejorar la precisión de la ubicación. (2) Las
diferencias de tiempo se calculan mediante el algoritmo de correlación cruzada con las
señales filtradas como parámetros de entrada. Las señales filtradas se obtienen mediante el
sistema de extracción de características establecido aquí, que también puede mejorar la
precisión de la ubicación. (3) Las señales medidas aquí son capturadas por los sensores de
presión dinámica.
En la actualidad, la mayoría de las investigaciones del método acústico se llevan a cabo
para mejorar la precisión de cálculo de la velocidad acústica y la diferencia de tiempo,
especialmente para las tuberías de larga distancia, mientras que la velocidad es difícil de
confirmar, especialmente para los gasoductos. Y si el método se aplica a las tuberías de
campo o de larga distancia, el cálculo de diferencia de tiempo necesita un reloj GPS
(sistema de posición global) para etiquetar los datos y mantener la simultaneidad de tiempo
de las señales medidas. La precisión de la velocidad y la diferencia de tiempo restringen la
aplicación de la detección acústica de fugas y el método de ubicación.
23
K-IV-DIE-004 Rev: C 23-02-2016
Nuevo método de localización y detección de fugas basadas en el modelo de propagación
de ondas acústicas, centra su atención en la amplitud de las ondas acústicas. En el método
tradicional, la amplitud de las ondas acústicas se usa para calcular la diferencia de tiempo
mediante el análisis de correlación cruzada, mientras que en este método se usa
directamente para localizar las fugas.
Este método En primer lugar, la ley de propagación en teoría se obtiene mediante el análisis
de los factores de impacto de amortiguación que causan la atenuación. Luego, las bandas de
frecuencia de energía dominante de las ondas acústicas de fuga se obtienen a través de
experimentos mediante análisis de transformada wavelet. En tercer lugar, el modelo de
propagación real se modifica por el factor de corrección basado en las bandas de frecuencia
de energía dominante. Luego se propone un nuevo método de localización y detección de
fugas basadas en la ley de propagación que es validada por los experimentos para
oleoductos. El método de ubicación de fugas es efectivo y puede aplicarse tanto a las
tuberías de petróleo como a las de gas y tiene ventajas sobre el método de ubicación
tradicional basado en la velocidad y la diferencia de tiempo.
5.1.1.1.2 Método basado en ondas de presión negativa (NPW)
En la Localización de fuga por el método de velocidad de onda de presión negativa al
producirse una fuga ocurre una baja instantánea de presión en el punto de la fuga la cual se
propaga hacia los extremos del oleoducto viajando a una velocidad igual a la del sonido en
el medio.
24
K-IV-DIE-004 Rev: C 23-02-2016
En líquidos combustibles esta velocidad va desde 1040 a 1480 m/s los tiempos de la caída
de presión en diferentes puntos del medio se pueden usar para estimar la ubicación de la
falla.
El método de onda negativa de presión también llamado onda acústica de presión negativa
está basado en analizar las variaciones de presión y su expansión cuando ocurre una fuga en
la tubería
La baja de presión viaja a la velocidad del sonido a través del líquido en ambas direcciones
hasta llegar a cada extremo de la línea, llegando más rápido al punto más cercano de la
fuga, la evidencia de tiempo registrado en cada extremo de la línea de control o segmento
produce una variación de tiempo medida que nos da la ubicación de la fuga como se
muestra en la figura 4.
Figura 4. Detección de las fuga por medio del método de onda de presión
Fuente: (calderón Jhony 2012)
𝐿 − 𝑣(𝑡2 − 𝑡1 )
𝑧= (5)
2
De la ecuación 5,
25
K-IV-DIE-004 Rev: C 23-02-2016
 L= La longitud del ducto entre los sensores 1 y 2
 z= la distancia del sensor 1 al punto de la fuga
 t1 y t2= los tiempos de inicio de cambio de presión en los sensores 1 y 2 los cuales
se pueden obtener de los registros de presión en los sensores.
 v= a la velocidad de propagación de la onda de presión (igual a la velocidad del
sonido en el medio)
Desventajas del método de velocidad de onda negativa de presión
Para poder realizar este método, deben eliminarse los ruidos estocásticos de las lecturas, el
período de muestreo debe ser el mínimo posible y de este depende la exactitud de ubicación
de la fuga, además deben estar sincronizadas las lecturas y la ubicación geográfica de los
sensores debe ser precisa, generalmente con un GPS (Sistema de posicionamiento global).
Si la fuga no es detectada de inmediato por fallas temporales del sistema, jamás será
detectada, este método de detección de fugas es particularmente útil en la identificación
rápida de fugas grandes mientras que las muy pequeñas pueden pasar desapercibidas.
La amplitud de descenso de presión es grande en el punto de la fuga y se reduce a medida
que se acerca a los extremos. Cuando el descenso es pequeño en los sensores 1y 2, resulta
difícil estimar adecuadamente los tiempo de inicio de cambio de presión, lo cual puede dar
una imprecisa ubicación de la fuga.
Debería contar con varios medidores de presión lo cual permitiría estimar los tiempos de
inicio de cambio de presión para una mejor ubicación de la fuga.
26
K-IV-DIE-004 Rev: C 23-02-2016
5.1.1.1.3. Método de balance de masa y volumen
La metodología consiste en detectar la fuga mediante la medición del volumen de entrada
y de salida por medio de un balance de masa o balance de volumen mediante la ecuación de
continuidad en estado permanente ecuación 6.
𝑑𝑉𝑠
|𝑄𝑖𝑛 − 𝑄𝑜𝑢𝑡 | ≤ 𝑑𝑄𝑚 + (6)
∆𝑡
Dónde:
𝑄𝑖𝑛 = Flujo de entrada;
𝑄𝑜𝑢𝑡 = Flujo de salida;
𝑑𝑄𝑚 = Límite de incertidumbre de la medida de flujo;
𝑑𝑉𝑠 = Límite de incertidumbre de cambio del volumen empacado en la línea en un intervalo
de tiempo.
En caso de presentarse una fuga su Flujo 𝑄𝑙 se puede detectar por la relación que se
muestra en la ecuación 7.
𝑑𝑉𝑠
𝑄𝑙 = |𝑄𝑖𝑛 − 𝑄𝑜𝑢𝑡 | > 𝑑𝑄𝑚 + (7)
∆𝑡
En este método se encuentran diferencias en la forma de cómo medir el caudal y las
compensaciones sobre este, algunos lo realizan con medidores másicos, con
compensaciones por temperatura y presión, otros con diferentes medidores de caudal pero
aplican las correcciones por densidad de líquido, presión y temperatura.
Este método solo puede detectar la fuga pero no la ubica.
27
K-IV-DIE-004 Rev: C 23-02-2016
(Fukushima et al., 2000) estos métodos se basan en la ley de conservación masiva. En el
caso de fluidos incompresibles, la densidad no cambia con el cambio de presión y
temperatura. Entonces, la diferencia entre las tasas de flujo de entrada y salida será igual a
la tasa de cambio del volumen de empaque o inventario. Cuando el flujo de entrada es
mayor que el flujo de salida, se puede suponer que se ha producido una fuga en la tubería
( Di Blasi y Muravchik, 2009). Estos métodos son simples y de bajo costo, sin embargo,
estos métodos no pueden proporcionar una estimación de la ubicación de las fugas. Por lo
tanto, otro método SUD debe emplearse en paralelo para la localización de fugas.
5.1.1.1.4. Método basado en gradientes de presión
5.1.1.1.4.1 Localización de la fuga por medio de gradientes de presión en tuberías
horizontales
El gradiente de presión es contante a lo largo de una tubería si el sistema no presenta una
perturbación como lo es una fuga, una apertura de válvula, un cambio de diámetro de
tubería.
El gradiente se puede representar por medio de una línea recta con pendiente constante, en
el momento que aparece una fuga en el sistema se genera un gradiente de presión con una
pendiente constante antes de la posición de la fuga y también se genera un gradiente de
presión con una pendiente constante después de la posición de la fuga, pero son diferentes
los gradientes debido a la perdida de energía y masa (yang X., et al 2014) ver figura 5.
28
K-IV-DIE-004 Rev: C 23-02-2016
Figura 5. Gradiente de presión antes y después de la posición de la fuga localizada a lo

largo de una tubería.
Fuente: (Quintero pedro 2017)
Después de detectar la falla se procede a graficar el gradiente de presión al inicio de las
tuberías con las lecturas de los primeros sensores y la distancia que existe entre ellos y del
mismo modo se grafica el gradiente de presión en el tramo final de la tubería, en el punto
donde se intersectan ambos gradientes de presión, se ubicara la posición de la fuga, como
se observa en la figura 5.
La distancia donde se encuentra la fuga se obtiene al seguir los siguientes pasos:
29
K-IV-DIE-004 Rev: C 23-02-2016
1. De las lecturas del sensor 1 y 2 teniendo en cuenta las distancias donde se
encuentran ubicados tomando como referencia el inicio de la tubería con la ecuación
8 para obtener el gradiente de presión del inicio de la tubería.
𝑃𝑓 − 𝑃1 𝑃2 − 𝑃1
= (8)
𝑋𝑓 − 𝑋1 𝑋2 − 𝑋1
2. De las lecturas del sensor 3 y 4 teniendo en cuenta las distancias donde se
encuentran ubicados tomando como referencia el inicio de la tubería con la ecuación
9 para obtener el gradiente de presión del final de la tubería.
𝑃4 − 𝑃𝑓 𝑃4 − 𝑃3
= (9)
𝑋4 − 𝑋𝑓 𝑋4 − 𝑋3
3. Se despeja el termino 𝑃𝑓 de las 2 ecuaciones y se igualan de esta manera se genera
la ecuación que determina la distancia donde se encuentra la fuga como se muestra
en la ecuación 10.
𝑃2 − 𝑃1 𝑃 − 𝑃3
(𝑃4 − 𝑃1 ) + 𝑋1 ( (𝑋 ) 4
𝑋2 − 𝑋1 ) − 4 (𝑋4 − 𝑋3 )
𝑋𝑓 = (10)
𝑃2 − 𝑃1 𝑃4 − 𝑃3
−
𝑋2 − 𝑋1 𝑋4 − 𝑋3
30
K-IV-DIE-004 Rev: C 23-02-2016
5.1.1.1.4.2 Localización de la fuga por medio de gradientes de presión en tuberías
inclinadas
En las tuberías inclinadas de diámetro constante, si en el sistema no se presenta una
perturbación el gradiente de presión es constante a lo largo de la tubería, representado por
medio de una línea recta como se muestra en la figura 6.
La diferencia de comportamiento entre una tubería inclinada y una tubería horizontal es que
la presión en la tubería inclinada descendentes se tiene una mayor presión al final de la
tubería debido a la carga hidrostática.
Figura 6. Tubería inclinada con 4 transductores de presión.

a) Gráfica del gradiente de presión que no existe fuga en el sistema
b) Gráfica del gradiente de presión al existir fuga en el sistema
Fuente: (Quintero pedro 2017)
Para analizar la tubería inclinada se procede a implementar la ecuación de Bernoulli
ecuación 11 de la posición 1 a la posición 2 como se muestra en la figura 5.
31
K-IV-DIE-004 Rev: C 23-02-2016
𝑃1 𝑢1 2 𝑃2 𝑢2 2
+ + 𝑧1 = + + 𝑧2 + 𝐻𝑟 (11)
𝑝𝑔 2𝑔 𝑝𝑔 2𝑔
Si no existe variación en el diámetro de la tubería de la posición 1 a la posición 2 la
velocidad será la misma en ambas posiciones.
La diferencia de presión de la posición 1 a la posición 2 equivale a la ecuación 12.
𝑃2 − 𝑃1
= ∆𝑧1−2 + 𝐻𝑟 (12)
𝑝𝑔
El gradiente de presión para una tubería horizontal va disminuyendo y para una tubería
inclinada va aumentando se debe a que las pérdidas por presión son menores que la presión
hidrostática generada por una diferencia de altura de la posición 1 a las posición 2 con
respecto a un plano de referencia.
Si se aplica Bernoulli a una tubería inclinada que cuenta con 4 sensores y se considera que
la medición de presión ya trae implícitas las pérdidas de presión se tendrían como resultado
las siguientes ecuaciones 13, 14, 15,16.
𝑃1 = 𝑃𝑒1 (13)
𝑃2 = 𝑃𝑒2 ± 𝑝𝑔∆𝑧1−2 (14)
32
K-IV-DIE-004 Rev: C 23-02-2016
𝑃3 = 𝑃𝑒3 ± 𝑝𝑔∆𝑧1−3 (15)
𝑃4 = 𝑃𝑒4 ± 𝑝𝑔∆𝑧1−4 (16)
Se sustituyen en la ecuación 11 y queda la ecuación 17
𝑋𝑓
𝑃𝑒2 ± 𝑝𝑔∆𝑧1−2 − 𝑃𝑒1 𝑃 ± 𝑝𝑔∆𝑧1−4 − 𝑃𝑒3 ± 𝑝𝑔∆𝑧1−3
(𝑃𝑒4 ± 𝑝𝑔∆𝑧1−4 − 𝑃𝑒1 ) + 𝑋1 ( ) − (𝑋4 ) ( 𝑒4 )
𝑋2 − 𝑋1 𝑋4 − 𝑋3
= (17)
𝑃𝑒2 ± 𝑝𝑔∆𝑧1−2 − 𝑃𝑒1 𝑃𝑒4 ± 𝑝𝑔∆𝑧1−4 − 𝑃𝑒3 ± 𝑝𝑔∆𝑧1−3
−
𝑋2 − 𝑋1 𝑋4 − 𝑋3
5.1.1.1.4.4 Desventajas del método gradiente de presión
Para localizar una fuga mediante la técnica de gradiente de presión se debe colocar al
menos un par de sensores de presión en cada extremo de la tubería y se conocen sus
posiciones a lo largo de la tubería así también como sus posiciones con respecto a un
plano de referencia, y se aplica a fugas que se mantienen en el tiempo.
5.1.1.1.5 Algoritmo de detección y localización de fugas basado en datos utilizando la
distancia de kantorovich
El concepto principal de la distancia de Kantorovich (KD) se define como la distancia
mínima (costo) requerida para trasladar la masa de una distribución de probabilidad a otra
distribución de probabilidad. Este concepto se introdujo por primera vez para manejar
33
K-IV-DIE-004 Rev: C 23-02-2016
diferentes problemas de organización y planificación, ya sea para maximizar la ganancia o
minimizar la resolución de costos de la formulación de programación lineal ( Vershik,
2006 ).
Diferentes variantes de la distancia de Kantorovich para el sistema de tiempo continuo se
describen en (Vershik 2006) y (La Torre y Mendivil 2015) . La distancia de Kantorovich
también se conoce como la métrica Wasserstein (o Vaserstein) ( Kaijser, 1998 ) o distancia
motriz en muchas referencias ( Applegate et al., 2011) Dado que las tuberías se ocupan de
mediciones discretas, se requiere una forma discreta de tiempo de la distancia de
Kantorovich. 'KD' se usa como forma abreviada de 'distancia de Kantorovich'.
La idea básica de KD se explica en la figura 7. Al transferir todos los elementos de
distribución X a la nueva distribución Y , la distancia mínima de "transporte" requerida para
completar este proceso de transferencia es la distancia de Kantorovich. Cuanto más
disímiles sean las distribuciones, mayor será el costo mínimo asociado y, por lo tanto, esta
distancia da una idea sobre el grado de desemejanza entre las dos distribuciones. Por
simplicidad, se supuso que en la distribución X (distribución original) solo hay tres
elementos que se deben transferir a la distribución Y (nueva distribución). Hay tres caminos
diferentes ( η 11 , η 12yη 13 ) para transferir el componente x 1 a las nuevas posiciones
disponibles de distribución Y tales como y 1 , y 2 y y 3 . Estos se indican con colores verdes
en la figura 7). Del mismo modo, hay tres caminos diferentes para cada uno de x 2 y x 3 para
34
K-IV-DIE-004 Rev: C 23-02-2016
completar la transferencia y estos caminos se indican con los colores rojo y azul
respectivamente en la figura 7.
Figura 7. Ilustración del problema de transporte. Redibujado de Li y Li (2016) . (Para la

interpretación de las referencias al color en esta cita de figura, se remite al lector a la
versión web de este artículo).
Para detectar y localizar una fuga en la tubería, la respuesta del proceso en caso de una fuga
debe entenderse bien. Cuando hay una fuga, la tubería muestra un comportamiento
específico que se conoce como la "firma de fugas" (Ostapkowicz, 2014). La siguiente
subsección brinda una breve discusión sobre la firma de fuga.
Una fuga de tubería típica tiene dos firmas importantes. El primero es el aumento en la tasa
de flujo másico del primer nodo y la disminución en la tasa de flujo másico del último nodo
a partir del caudal nominal (Ostapkowicz, 2014). Esto es único porque cuando hay un
aumento regular en el proceso, tanto el primer como el último flujo másico de nodo
aumentarán en consecuencia. Cuando hay una reducción en el proceso, tanto el flujo de
masa principal como el último disminuirán simultáneamente. La segunda firma es la
35
K-IV-DIE-004 Rev: C 23-02-2016
disminución de la presión en todos los nodos (Ostapkowicz, 2014 ). Ambas firmas de fuga
se representan pictóricamente en la figura 8.
Figura 8. Firma de fugas ( Ostapkowicz, 2014 ). Las presiones de todos los nodos,
incluidos el primer y el último nodo, disminuyeron después del tiempo de inicio de fuga
( t leak ). La tasa de flujo másico del primer nodo ha aumentado y el último nodo ha
disminuido después de una fuga t .
En este algoritmo propuesto, el residuo entre las tasas de flujo másico del primer y último
nodo se controla continuamente. Un residuo positivo implica una posible fuga ya que según
la firma de la fuga, la tasa de flujo másico del primer nodo será mayor que la tasa de flujo
nominal y la tasa de flujo másico del último nodo será menor que la tasa de flujo nominal
(Ostapkowicz, 2014) . El flujo positivo también puede ser causado por el ruido o mal
funcionamiento de los sensores de flujo. Por lo tanto, el algoritmo comprueba que la tasa de
flujo residual es mayor que un umbral preestablecido para T d muestras consecutivas. El
mínimo de este umbral generalmente debe ser tres veces la desviación estándar del ruido de
las mediciones. El valor de T d se selecciona para que esté entre 5 y 10 en este caso. Si el
36
K-IV-DIE-004 Rev: C 23-02-2016
tiempo de muestreo es alto, entonces más pequeño T d se utiliza. Este paso es necesario para
reducir el número de falsas alarmas debido a valores atípicos o ruido. En caso de problemas
del sensor de flujo, el umbral de los términos residuales debe establecerse de manera
adecuada.
Una vez que el residual es mayor que el umbral para consecutivos T D muestras, será
generada una alerta de fuga. Luego, el algoritmo iniciará el cálculo de KD para el flujo de
masa residual para confirmar que se ha producido un cambio. Si el cambio se confirma al
detectar un pico en la puntuación KD correspondiente (la primera condición pico),
comenzará a verificar las tendencias descendentes en todas las mediciones de
presión disponibles. Esta es la segunda firma de fuga (Ostapkowicz, 2014) Si se confirman
las tendencias a la baja en todas las mediciones de presión, el algoritmo comienza a calcular
KD para todas las mediciones de presión para algunas muestras alrededor del punto de
tiempo donde se activó la alerta. Las muestras se eligen de manera que haya suficiente
cantidad de puntos de datos para calcular el KD. Si los picos en el perfil KD para todas las
mediciones de presión son mayores que un umbral mínimo, entonces se confirma el cambio
y se activa la alarma de fugas (la segunda condición pico). Estas condiciones pico son
necesarias para reducir las falsas alarmas.
Una vez que se genera la alarma de fuga, el siguiente paso del algoritmo LDS es identificar
la ubicación de la fuga. Una vez que se calcula el KD para todas las mediciones de presión
disponibles, se identifica el tiempo para alcanzar el pico de KD para todas estas mediciones
37
K-IV-DIE-004 Rev: C 23-02-2016
de presión individuales. El tiempo correspondiente al valor máximo o pico de KD indica
cuándo se ha producido el cambio verdadero en los nodos correspondientes. Dado que los
nodos vecinos más cercanos (donde las mediciones de presión están disponibles) de la fuga
tendrán el mayor impacto de esta fuga (Geiger, 2006), el tiempo para alcanzar la KD
máxima para estos nodos vecinos será el más corto. Esto se debe a que desde el punto de
fuga, una onda de presión negativa (NPW) se propagará en ambas direcciones aguas arriba
y aguas abajo con la velocidad sónica (onda) del fluido de trabajo en la tubería (Geiger,
2006) y esta información se pasa a los nodos anterior y posterior más cercanos lo más
temprano posible. De este modo, al identificar los dos nodos vecinos del punto de fuga, se
aísla una sección más pequeña de la tubería donde podría haber una posible fuga.
Aunque el algoritmo propuesto no puede identificar exactamente el punto de fuga, al menos
puede aislar una sección más pequeña de la tubería grande, lo que reducirá el esfuerzo del
personal de la planta para buscar la fuga a lo largo de toda la longitud de la tubería.
5.1.1.1.6 Método de gradiente hidráulica
El Principio de Bernoulli afirma que la suma de las energías cinética, potencial y de
presión, en distintos puntos de un fluido en movimiento estacionario que recorre un tubo
inclinado, debe ser constante.
H = Presión + Energía Potencial + Energía cinética
𝑃1 𝑉1 2 𝑃2 𝑉2 2
+ + ℎ1 = + + ℎ2 (18)
𝛾 2𝑔 𝛾 2𝑔
38
K-IV-DIE-004 Rev: C 23-02-2016
Figura 9. Principio de Bernoulli
Es decir que la "carga" total en una partícula de fluido es igual a la presión en el punto, la
energía de posición respecto de un plano de referencia y la componente cinética, dada por
la velocidad; para su aplicación, supone un líquido no viscoso, en la realidad todo fluido
tiene viscosidad y por ello se dan perdidas en la tubería, además que se puede adicionar
energía mediante bombas, como se observa en la Figura 9 y al considerarlas se obtiene la
siguiente ecuación.
𝑃1 𝑉1 2 𝑔 𝑃2 𝑉2 2 𝑔
+ + ℎ1 +𝑊 = + + ℎ2 + ℎ𝑓 (19)
𝛾 2𝑔 𝑔𝑐 𝛾 2𝑔 𝑔𝑐
Donde 𝛾 es el peso específico del producto, W es la energía que se suministra al fluido, hf
es la medida de energía para vencer las fuerzas de fricción a través del recorrido del fluido.
Los subíndices 1 y 2 indican los valores dados al principio y final de la sección del ducto, g
es la gravedad 9.81 m/s2 y gc =1 Kg.m/(N.s2).

39
K-IV-DIE-004 Rev: C 23-02-2016
Al graficar los valores de las energías se observan los niveles energéticos en la Figura 10.
De manera que la línea de posición corresponde a la tubería, la piezométrica a la altura más
la presión de la columna de líquido en metros.
Si en los dos puntos extremos se tiene el mismo diámetro de tubería se pueden omitir los
𝑉2 2
términos y la gradiente es la razón a la cual cambian la pérdida o la ganancia de energía
2𝑔
entre los dos puntos con respecto a la longitud que los separa, cuando no hay ganancia de
energía en el segmento la gradiente representa las pérdidas de carga por unidad de longitud
atribuibles a la fricción. Si la tubería y el flujo son uniformes a lo largo de todo el segmento
la curva del gradiente hidráulico será una línea recta que coincidiría con la piezométrica.
Figura 10. Niveles energéticos
40
K-IV-DIE-004 Rev: C 23-02-2016
Cuando existe una fuga en un punto intermedio, el flujo se incrementa en la sección previa
al punto de fuga y se reduce en la sección posterior, alterando las gradientes en cada una de
ellas como se muestra en la Figura 10.
La gradiente hidráulica es un método de control de operación de ductos de gran longitud, la
curva de gradiente Hidráulica muestra la carga hidráulica total (sumatoria de la presión
absoluta del líquido en metros de producto más la altura física del punto de medición), en
cada punto del ducto a lo largo del mismo. Cuando la presión barométrica es
razonablemente uniforme a lo largo de ducto se puede usar la presión manométrica en lugar
de la presión absoluta.
Figura 11.Detección de fugas por método gradiente hidráulico
Cuando las pérdidas por unidad de longitud es uniforme como se muestra en la Figura 11,
se tiene una gradiente (Gs) o pendiente normal donde se tiene una alta presión en el inicio
del ducto (Pin), producida por la bomba (El), que conforme avanza el producto va
41
K-IV-DIE-004 Rev: C 23-02-2016
reduciéndose por efecto de las perdidas por fricción, viscosidad y otros, hasta llegar al otro
extremo con una presión de salida del ducto (Pout), esta presión será reducida por la
válvula V4 a una presión remanente mucho más pequeña con la que entra al tanque 2, al
ocurrir una fuga, bajan las dos presiones estabilizándose tanto al inicio como al final, se
produce un incremento de gradiente (AGp) en el lado de alta presión y un decremento de la
gradiente (AGk) el lado de baja presión, esto nos da las pendientes necesarias para ubicar la
localización de la fuga (Z), mediante la siguiente ecuación.
tan 𝐺𝑠 −2
𝑍 = 𝐿 [1 + ] (20)
∆ tan 𝐺𝑘
Y la cantidad de producto perdido
5.1.1.1.7 Sistema de monitoreo de detección de fugas de oleoducto de larga distancia
basado en transmisor de presión dinámico (Y. Zhang , S. Chen , J. Li , S. Jin 2014)
El Sistema de monitoreo de detección de fugas basado en transmisor de presión dinámico
recibe señales de presión dinámica de baja frecuencia de equipos de adquisición de datos de
campo instalados en ambos extremos de la tubería. Cuando se produce una fuga a lo largo
de la tubería, el equipo de adquisición de datos recopilará instantáneamente las señales de
presión dinámicas resultantes del momento de fuga del medio en la tubería, y luego
determinará si ocurrió la fuga de la tubería. Al mismo tiempo, El Sistema de monitoreo de
detección de fugas utiliza la diferencia de tiempo observada en los dos extremos y la

42
K-IV-DIE-004 Rev: C 23-02-2016
velocidad de la onda de presión negativa para calcular la posición de fuga. El diagrama de
estructura de la composición de LDMS se muestra en la figura 12.
Figura 12. Diagrama estructural del sistema de Sistema de monitoreo de detección de fugas
de oleoducto
El DPT es la clave del el Sistema de monitoreo de detección de fugas porque el sensor es el
enlace más fundamental para mejorar la SNR de la señal de detección de fugas,
contribuyendo a la mejora de la sensibilidad de detección de fugas y la reducción de la tasa
de falsas alarmas. Como se muestra en la Figura 13, el DPT se compone principalmente de
transductor piezoeléctrico, amplificador de carga, módulo de acondicionamiento de señal,
módulo MCU y módulo de potencia. El DPT realiza la transformación de la señal de
presión-carga a través del transductor piezoeléctrico. Según el efecto piezoeléctrico, la
presión dinámica produce una deformación que genera además una carga eléctrica en la
superficie del transductor piezoeléctrico. El amplificador de carga se usa para convertir la
carga de alta impedancia en voltaje de baja impedancia para la transmisión a larga
43
K-IV-DIE-004 Rev: C 23-02-2016
distancia. El módulo de acondicionamiento de señal se usa principalmente para
amplificación y filtrado de señal, ajuste de ganancia, filtrado de paso de banda, conversión
de nivel eléctrico y conversión de voltaje-corriente. El módulo MCU (unidad de control
micro) se utiliza para controlar el módulo de acondicionamiento de señal por una parte El
amplificador de carga es el núcleo del diseño de DPT.
Figura 13. Diagrama esquemático del transmisor de presión dinámica.
5.1.1.1.8 Simulación dinámica de fluidos computacional
(Mansour et al., 2012) Utilizo el paquete FLUENT CFD. Para similar la tubería y el flujo a
través de ella, igual que para generar datos cuando se produce una fuga y localiza la fuga a
través del gradiente de presión.
5.1.1.1.9 Lógica Difusa
La lógica difusa es una de las herramientas que han encontrado aplicaciones en áreas como
la economía, la medicina, la administración y los sistemas de control, entre otras. Esta
teoría, que fue introducida por Zadeh (1965), crea un nuevo tipo de variables, las variables
difusas, que son descritas por expresiones lingüísticas como largo, alto o rápido, etc. Todo
un proceso matemático alrededor de estas nuevas variables se ha desarrollado y ha

44
K-IV-DIE-004 Rev: C 23-02-2016
permitido dar solución a problemas muy difíciles de representar con las variables
tradicionales. En Tongtai (1997) se emplea la teoría de control difuso para la detección de
la zona de fuga antes de que se produzca la perforación. La mayoría de los métodos
empleados analizan la información obtenida después de producirse la fuga, con los
correspondientes riesgos o pérdidas que esto implica (Tani et al., 2006). Por lo anterior, este
método es aplicado en la prevención y predicción de fugas.
5.1.1.1.10 Redes Neuronales
Una red neuronal puede definirse como una estructura o sistema construido para hacer uso
de los principios organizacionales del cerebro humano. Los elementos fundamentales de
esta red se conocen como neuronas artificiales, las cuales cuentan con alta conectividad
entre ellas y con la capacidad de realizar operaciones de cálculo (Avelino et al., 2009). Las
redes neuronales artificiales son especialmente usadas en el reconocimiento y clasificación
de patrones, en la compresión de imágenes y en el filtrado de señales. Como se mencionó,
una red neuronal artificial es usada en la detección de fugas en tuberías de agua. Así
mismo, se usan redes neuronales para la detección de fugas en tuberías de petróleo (Ming &
Wei-qiang, 2006). En este caso, el algoritmo para la detección de la fuga parte de la
adquisición de señales por medio de sensores de presión; estas señales pasan por una etapa
de adecuación, luego por medio de wavelets se realiza la descomposición de las señales y
por último mediante la red neuronal se extraen las características y se clasifican los perfiles
de fuga.
45
K-IV-DIE-004 Rev: C 23-02-2016
5.1.1.1.11 Wavelets (onditas)
La transformada de onditas, o wavelets, es considerada un tipo especial de transformada de
Fourier, que permite obtener información en función del tiempo y de la frecuencia de forma
cuasi simultánea. La transformada de onditas es muy utilizada en procesamiento de señales,
es común su aplicación en filtros, compresión y descompresión de datos y en extracción de
características. Esta última aplicación es empleada en Ming& Wei-qiang (2006) como etapa
previa a la red neuronal artificial, que se encarga de la clasificación de estas características
para determinar la presencia de la fuga. Así mismo, en Zadeh (1965) se emplean wavelets
en la detección de fugas de manera inmediata en tuberías de petróleo, con el fin de evitar
robo, minimizar pérdidas y garantizar el normal funcionamiento del sistema de transporte.
En este caso se usan dos sensores de presión en los extremos del tramo de tubería que se
desea explorar; cuando una fuga se produce, genera una onda de presión que se transmite a
lo largo de la tubería. Esta onda representa una caída de presión que se conoce como punto
de rareza de la señal (Zadeh, 1965). El algoritmo de wavelet permite detectar este punto de
rareza y el momento en que se produce.
5.1.1.1.12. Predicción ARX
Otro de los algoritmos para la detección de fugas en tuberías está basado en un predictor
autorregresivo MIMO (múltiples entradas / múltiples salidas) (Allister, 1988), en este caso
con un filtro de entrada. Este algoritmo está conformado por dos etapas, una que se encarga
de la detección de la fuga y otra de su localización en el tiempo. Para esto se almacena un

46
K-IV-DIE-004 Rev: C 23-02-2016
vector de datos en una ventana de tiempo con la información necesaria para determinar el
instante en que se produce la fuga.
5.1.2 Métodos basados en Modelos
5.1.2.1 Clasificadores bayesianos.
El método para la localización de fugas en línea propuesto en este documento se basa en el
esquema representado en la Figura 14, basado en el cálculo de los residuos de presión y su
análisis por un clasificador bayesiano.
Figura 14. Esquema de localización de fugas. ( Adrià Soldevila , 2017)
Los residuos (r) se calculan como diferencias entre las mediciones proporcionadas por los
sensores de presión instalados dentro del DMA (𝑃̂) y estimaciones proporcionadas por un
̂𝑂 ). El modelo hidráulico se
modelo hidráulico simulado en condiciones sin fugas (𝑃
construye utilizando el simulador hidráulico. Considerando la estructura DMA (tuberías,

47
K-IV-DIE-004 Rev: C 23-02-2016
nodos y válvulas) y los parámetros de red (coeficientes de tubería). Se supone que, después
del proceso de calibración correspondiente utilizando datos reales, el modelo representa con
precisión el comportamiento de la WDN. Sin embargo, se debe tener en cuenta que el
modelo se alimenta con demandas de agua estimadas (que se obtienen generalmente por la
demanda total de DMA medida). y distribuido a nivel nodal según registros de consumo
históricos) en los nodos (d 1 , ..., d N) ya que en la práctica las demandas nodales ( d 1 , ...,
d N ) no se miden (excepto para algunos consumidores particulares donde están disponibles
los lectores de medición automática (AMR)). Por lo tanto, los residuos no solo son
sensibles a las fallas sino también a las diferencias entre las demandas reales y sus valores
estimados. Además, las mediciones de presión están sujetas al efecto del ruido del sensor (
v) y esto también afecta a los residuos. Teniendo en cuenta todos estos efectos, el
clasificador bayesiano debe poder localizar la fuga real presente en la WDN, que puede
estar en cualquier nodo y con cualquier magnitud (desconocida), a la vez que es robusto a
la incertidumbre de la demanda y al ruido de medición. Finalmente, se debe tener en cuenta
que el funcionamiento de la red está limitado por algunas condiciones de contorno ( c ; por
ejemplo, la posición de las válvulas internas y las presiones y flujos del yacimiento) que se
miden. Estas condiciones de contorno se tienen en cuenta en la simulación y también se
pueden utilizar como entradas para el clasificador.
Se ha propuesto una metodología para la localización de fugas en las redes de distribución
de agua. La metodología se basa en el cálculo de los residuales de presión según un modelo
48
K-IV-DIE-004 Rev: C 23-02-2016
hidráulico de red y su análisis por un clasificador bayesiano. En una primera etapa fuera de
línea, el modelo de red se simula en diferentes condiciones de incertidumbre para obtener
datos residuales para cada ubicación de fuga potencial (cada nodo de red). Luego, estos
datos se utilizan para calibrar las funciones de densidad de probabilidad. Además, también
se propone un estudio de las posibles funciones de densidad de probabilidad superpuestas
basadas en la prueba estadística de energía mínima. En la etapa en línea, un clasificador
bayesiano proporciona la probabilidad posterior dependiente del tiempo de cada posible
fuga. También se ha estudiado el efecto del horizonte temporal en la decisión.
5.1.2 MÉTODOS BASADOS EN TECNOLOGÍA EXTERNA O BASADOS EN

HARDWARE
5.1.2.1 Detección de fugas basada en sensores de fibra
El método de cable de detección de fibra óptica es uno de los métodos basados en hardware
más sensibles. En este método, se instala un cable de fibra óptica a lo largo de toda la
longitud de la tubería enterrada. El cable está inicialmente a la misma temperatura que el
suelo. Cuando el fluido filtrado entra en contacto, la temperatura del cable cambia en la
posición de fuga (Geiger, 2006). Dependiendo del modo activo o pasivo, este cambio de
temperatura se detecta detectando una absorción o dispersión significativa de la radiación
emitida por la molécula de fluido filtrada (activa) o utilizando la técnica de imagen térmica
(pasiva) (Murvay y Silea, 2012). Por lo tanto, se detecta y localiza la fuga. Sin embargo,
este método es muy costoso ( Murvay y Silea, 2012) y funciona solo para tuberías que
49
K-IV-DIE-004 Rev: C 23-02-2016
transportan productos que son más cálidos o más fríos que la temperatura del suelo
( Geiger, 2006 ). De lo contrario, no se puede rastrear el cambio de temperatura debido a la
fuga
(Huang et al., 2007). Utiliza un sensor de fibra óptica distribuido a lo largo de la tubería
para detección y localización de fugas. El sensor genera una señal acústica cuando la
tubería de gas o líquido gotea. Este método detecta la señal de fase inducida por la onda
acústica. En este sistema se ensambla la fibra junto a las tuberías para obtener datos de
campo en tiempo real.
5.1.2.2 Detección de fugas en la tubería basada en vectores de soporte (SVM)
En el sistema el cable óptico se coloca en paralelo con la tubería, y 3 fibras ópticas en el
interior constituyen el sensor de vibración distribuido. El sensor puede detectar las señales
de vibración a lo largo de una tubería en tiempo real, las señales de vibración son
reconocidas por el equipo de vectores de soporte (SVM) a través de las características se
puede establecer si se produce una fuga. (Qu et al., 2010)
5.1.2.3 Método de monitoreo del suelo
Un elemento trazador no peligroso se inyecta en la tubería junto con el producto
deseado. Al detectar este químico trazador en el suelo, se detecta una fuga y se localiza con
precisión. Sin embargo, la desventaja de este método es que la tubería debe ser
subterránea. La inyección continua de la sustancia trazadora y su mecanismo de detección
hacen que el método sea muy costoso (Murvay y Silea, 2012).
50
K-IV-DIE-004 Rev: C 23-02-2016
Este sistema ha sido ampliamente aceptado por la industria que maneja flujo de gas por su
gran sensibilidad, debido a su versatilidad en cuanto a la detección de fugas en redes. Este
sistema consiste en la detección de fugas por medio de la inspección personalizada de un
operador, el cual cuenta con un equipo de medición capaz de censar el gas trazador que
previamente es inyectado a la tubería que se desee inspeccionar y que escapa por la fuga.
Figura 15. Sistema del gas trazador. a) Operación de la detección de la fuga, b) Equipo de
inspección. (SEWERIN, Variotec 460, s.f.)
El equipo consta de un tanque del gas trazador (que comúnmente es hidrógeno por no ser
nocivo al medio ambiente), también tiene diversos tipos de bastones con el fin de poder
adaptarse a cada condición de muestreo (espacio, humedad, temperatura, etc.) dicho bastón
envía la señal registrada a un procesador portátil que muestra en pantalla la magnitud de la
fuga en función de las partes por millón.
51
K-IV-DIE-004 Rev: C 23-02-2016
En el caso de que las tuberías se encuentren enterradas se le puede añadir un colorante al
gas trazador a manera de tener una ayuda visual al momento de la inspección. (SEWERIN,
Variotec 460, s.f.)
5.1.2.4 Métodos de identificación por análisis de frecuencia de la señal de fuga.
Se realizan mediante la instalación de acelerómetros (vibración) o micrófonos
especializados a lo largo de la tubería en su parte exterior, que utilizan la tecnología de
emisiones acústicas o vibratorias de baja frecuencia que genera el escape de líquido durante
la fuga.
En el primero se analizan las vibraciones cercanas a la tubería y se clasifican las producidas
por la fuga que proporcionan un nivel de alarma, en el segundo se analiza el ruido
discriminando las frecuencias producidas por la fuga que igual activan la alarma, algunas
veces se acompañan estos con sensores de conductividad que instalan en las partes bajas
(valles) que detectan también un derrame de hidrocarburo, estos sistemas resultan costosos
dependiendo de la distancia a la que deben instalarse que varía dependiendo del sistema
entre 100m a 1 Km, algunos de ellos deben remplazar las baterías de los sensores cada 4
años. Para la ubicación se realizan Mapas acústicos de las diferentes fugas.
5.1.2.5 Sondas Instrumentadas.
Las Sondas Instrumentadas son herramientas Inteligentes que viajan dentro del ducto
(comúnmente llamados "diablo" o "pig" instrumentado) inspeccionando la integridad de la
tubería (espesor de pared, fisuras y agujeros), algunas funcionan con una corona de
52
K-IV-DIE-004 Rev: C 23-02-2016
sensores que detectan pérdida de flujo magnético y otras con ultrasonido, solo se puede
obtener el servicio no el escáner y dicho servicio no es inmediato.
El sistema de sonda de rastreo ha sido ampliamente aceptado por la comunidad industrial,
debido a que es aplicado a sistemas donde se requiere inspeccionar grandes distancias. La
sonda insertada puede ser alámbrica o inalámbrica. Este sistema consiste en insertar la
sonda de rastreo en una toma y al finalizar su recorrido, se procede a retirar la sonda por
otra toma. La sonda viaja registrando una señal acústica conforme se desplaza a lo largo de
la tubería, para que al extraerla se proceda a analizar los datos registrados. Cuando la sonda
es inalámbrica viaja a través de la tubería arrastrada por el flujo y al final de su recorrido se
extrae por medio de una red.
En el caso de que la sonda sea alámbrica, viaja a través de la tubería ayudada por un
paracaídas que es arrastrado por el flujo y al final de su recorrido se extrae por medio de un
cable retractile. El equipo de este sistema que da lectura a los datos registrados por la sonda
que finalmente muestra en una pantalla la posición de la fuga, se encuentra localizado en
una vagoneta que apoya al rastreo de la sonda durante su trayecto.
Figura 16. Sonda de rastreo: a) Inalámbrica. b) Alámbrica.

53
K-IV-DIE-004 Rev: C 23-02-2016
En el caso de la sonda inalámbrica se tiene una distancia de rastreo máxima de 25,000
metros y una duración de la pila de hasta 12 horas; una de las condiciones de operación que
necesita este sistema es que las tomas donde se va a insertar y a extraer las sondas tengan
como mínimo 0.15 m de diámetro y que la velocidad del flujo sea de al menos 0.5 m/s.
En el caso de la sonda alámbrica se tiene una distancia de rastreo máxima de 1.6 km y una
capacidad de detección de fugas de hasta 1.14 L/h. Una de las condiciones de operación
que necesita este sistema es que las tomas donde se va a insertar y a extraer las sondas
tengan como mínimo 0.05 m de diámetro, aunque si se desea una maniobrabilidad cómoda
se recomiendan tuberías de 0.1 m de diámetro y que la velocidad del flujo sea de al menos
0.5 m/s. (Rojas, Pedro, 2017)
Kurtz llevó a cabo una experimentación en campo utilizando la sonda de rastreo
inalámbrica, la cual viajó a lo largo de más de 6 km y una velocidad 0.5 m/s. El estudio
tardó 3.5 horas y se pudo detectar la fuga de 0.37 L/min a 4.5 m de distancia. (Kurtz, D.
W., 2006)
5.1.2.6 Teoría del caos
Como se ha visto hasta ahora, la detección de fugas en tuberías de transporte de petróleo,
gas o agua ha tenido un gran interés en los investigadores. No menos importante es la
detección de fugas en plantas refinadoras de petróleo, por el peligro que esto implica para el
54
K-IV-DIE-004 Rev: C 23-02-2016
personal que allí trabaja. En Tani, Nagasako, & Lokibe (2004) se plantea un sistema de
detección de fugas de gas a alta presión en refinerías de petróleo, basado en la teoría del
caos. El método consiste en aplicar el Criterio de Información de Caos (Vaz Junior, 2010) a
señales acústicas adquiridas por medio de un micrófono. Como fuente sonora se usa un
generador artificial de gas a alta presión, o simulador de la fuga, que se ubica a 16 metros
del sensor. En estas condiciones, el micrófono captura no solamente el sonido del gas a alta
presión, sino también los sonidos ambientales representados como ruido de fondo. Con
base en estudios anteriores (Takens, 1981) se puede asumir que el ruido de fondo está
conformado por elementos no determinísticos, mientras que las señales producidas por la
fuga del gas a alta presión contienen componentes determinísticas. Con el fin de
discriminar entre los dos tipos de señales adquiridas, se usa el método TPM (por las siglas
de trajectory parallel measure) (Fujimoto & Lokibe, 1999), con el cual se puede determinar
la presencia de fuga comparando con un valor umbral fijado.
5.1.2.7 Sistema Acústico Directo
El sistema acústico directo de detección de fugas es uno de los sistemas más utilizados
actualmente, debido a su fácil implementación tanto en fugas domésticas como en
industriales. Este sistema consiste en la inspección personal de un operador, el cual cuenta
con un equipo que le permite escuchar el sonido emitido por el fluido que escapa de la
tubería que lo transporta y así ubicar su posición (Hunaidi, 2000).
55
K-IV-DIE-004 Rev: C 23-02-2016
Este equipo consiste en un par de hidrófonos que en un principio captan la señal acústica y
la transmiten a un sistema de amplificación (46 dB), el cual finalmente la transmite a los
audífonos que porta el operador. El sistema de amplificación también cuenta con un
regulador de volumen para proporcionar protección a la audición del operador, el cual
puede observar mediante una pantalla las variaciones en los decibeles que están en función
de la posición del hidrófono con respecto de la fuga; a lo largo de la tubería como se
Figura 17. Operación para la detección de la fuga por medio del sistema acústico
directo. (SEWERIN, AQUAPHON A 100, s.f.)
Este método tiene la ventaja de que solo requiere un operador para el equipo, pero aun así
tiene la desventaja de que se requiere que el operador cuente con experiencia en el manejo
del equipo, bajo niveles de perturbación en la superficie donde se está censando el sonido
de la fuga y que además esta no ocurra en una tubería de plástico (Hunaidi, 2000), debido a
56
K-IV-DIE-004 Rev: C 23-02-2016
que existen complicaciones en la localización de la fuga, ya que el plástico tiende a
amortiguar la emisión acústica de la fuga.
5.1.2.8 Sistema acústico por correlación
El sistema acústico de detección de fugas por correlación es un sistema implementado en
varias partes del mundo, debido a que es posible recuperar la inversión inicial en poco
tiempo determinado. Este sistema consiste en la sujeción en un hidrófono o acelerómetro
(dependiendo de la exactitud deseada) a dos terminales de una tubería entre las cuales se
espera identificar la fuga. Los hidrófonos captan la señal acústica y vía inalámbrica la
envían a un sistema de correlación (FUJITECOM INC., 2010). Dicho sistema llevará a
cabo un proceso de correlación basado en los tiempos y distancias que tarda en recorrer la
tubería dicha señal acústica captada por cada hidrófono.
Figura 18. Operación de la detección acústica por medio del sistema acústico de
correlación. (FUGASCUENCA, s.f.)
57
K-IV-DIE-004 Rev: C 23-02-2016
De la figura 18, se puede apreciar como la correlación es posible debido a que existe una
diferencia en las distancias que hay entre la fuga y ambas terminales, provocando así un
retardo entre ambas señales, al detectar este retardo y conociendo la velocidad de
propagación del sonido dentro de la tubería, se determina la posición de la fuga con
respecto a ambas distancias. Una vez detectada la fuga, la pantalla del sistema de
correlación muestra la ubicación de la fuga con respecto de ambas terminales, así como el
retraso de tiempo que hubo en la señal (Processor, n.d.). Este método tuvo una gran
aceptación para las fugas en tuberías de metal, sin embargo, su resultados están por debajo
de lo reportado, en lo que respecta a tuberías de plástico o de diámetro mayor a 1.2 m.
Morefield, llevó a cabo una experimentación en una tubería delimitada por los transmisores
a 193 m en la cual se simuló una fuga de 45.42 L/h, en dicha experimentación le fue posible
detectar la fuga de 2.83 L/h en 30 segundos y localizarla en 30 minutos; se observó que la
exactitud en la localización de la fuga por este método fue del 1% de la distancia que había
entre los transmisores. (Morefield & Carlyle, 2008).
5.1.2.9 Sistema de fotografía termográfica
El sistema de fotografía termográfica para detección de fugas es uno de los sistemas más
eficaces en cuanto a rapidez de implementación y sobre todo es común ver su aplicación al
tratar de inspeccionar las fachadas de los edificios para identificar tanto fugas de agua en
58
K-IV-DIE-004 Rev: C 23-02-2016
intramuros, como fugas en el aire acondicionado en ventanas, techo y demás lugares poco
accesibles.
Este sistema que consiste en la detección de fugas por medio de la termografía, la radiación
infrarroja emitida por un objeto es detectada y medida por medio de un radiómetro
infrarrojo, el cual contiene un sensor que convierte la radiación emitida por los objetos en
señales eléctricas que a su vez son expresadas en una escala de colores, haciendo posible
así la detección de la fuga.
Figura 19. Operación de la detección de la fuga por medio del sistema de

termografía. (FLUKE, s.f.)
Este sistema cuenta con la gran ventaja de que puede localizar más de una fuga al mismo
tiempo, así como también no se requiere de gran experiencia para operar la cámara
termográfica y que ésta a su vez, permite tomar fotografías de forma continua cada 2
segundos; así como también el hecho de que puede operar en un rango de temperaturas -
20ºC a 600ºC del objeto fotografiado con una precisión del 2%.
59
K-IV-DIE-004 Rev: C 23-02-2016
La desventaja que presenta este sistema radica principalmente en que no puede cuantificar
la fuga y que además, el operador debe tener nociones de donde se localiza la fuga, de lo
contrario tendría que fotografiar la red de tuberías por completo. Finalmente cabe señalar
que la detección de fugas por medio de la cámara termográfica (figura 20) tiene gran
versatilidad al poder aplicarse también a la industria de la construcción (detección de fugas
en techos, paredes etc. por infiltraciones de aire), a la industria térmica (detección de fugas
en aire acondicionado, detección de convección en calentadores, fugas en condensadores,
etc.), en la industria eléctrica (detección de pérdida de energía por un mal funcionamiento
de los rodamientos en los motores, un mal funcionamiento en los sistemas de ventilación,
etc.). (FLUKE, s.f.)
Figura 20. Cámara del sistema de termografía. (FLUKE, s.f.)
Fahmy (2009) llevó a cabo una inspección en las tuberías subterráneas de Montreal (1.8 m
de profundidad) utilizando el método termográfico y logró detectar y localizar la fuga por
medio de tomas aéreas. Al mismo tiempo llevó a cabo la detección también por el método
60
K-IV-DIE-004 Rev: C 23-02-2016
de correlación acústica; lo cual le permitió comparar los resultados, donde para un caso en
específico el tramo de la tubería estudiada era de 48.7 m, la fuga estaba a 16.8 m del final
de la tubería y el método acústico localizó la fuga a 15.41 m del final de la tubería, mientras
que el método termográfico localizó la fuga a 14.9 m del final de la tubería, mostrando así
un error del 2.85 % y 3.9% respectivamente (Fahmy & Moselhi, 2009). Dicho estudio
también reveló que la mejor hora para llevar a cabo una toma aérea de las fotografías fue de
las 6:00 am a las 8:00 am.
Como segundo objetivo de la investigación tenemos:
“Seleccionar las técnicas de detección de fugas de producto que mejor se adapte a los
criterios de operación del sistema”
Como resultado de este objetivo tenemos una tabla Comparativa entre ventajas y
desventajas de técnica de detección de Fugas en oleoductos.
5.2 Tabla Comparativa entre ventajas y desventajas de técnica de detección de Fugas
en oleoductos.
61
CLASIFICACIÓN MÉTODOS DESCRIPCIÓN VENTAJAS DESVENTAJAS
MÉTODOS Método de Un elemento trazador no Este sistema ha sido Son más costosos y no
BASADOS EN monitoreo del suelo peligroso se inyecta en la ampliamente aceptado por pueden ser fácilmente y
TECNOLOGÍA tubería junto con el producto la industria que maneja flujo económicamente
EXTERNA O deseado. Al detectar este de gas por su gran readaptados en tuberías
BASADOS EN químico trazador en el suelo, se sensibilidad, debido a su enterradas existentes.
HARDWARE detecta una fuga y se localiza versatilidad en cuanto a la Debido a la complejidad
con precisión. Sin embargo, la detección de fugas en redes de la aplicación y el alto
desventaja de este método es costo, los métodos
que la tubería debe ser externos generalmente no
subterránea. La inyección se utilizan para el
continua de la sustancia monitoreo continuo de
trazadora y su mecanismo de fugas en tuberías largas.
detección hacen que el método
sea muy costoso.
MÉTODOS Detección de fugas Utiliza un sensor de fibra Detectan la ubicación de la

BASADOS EN basada en sensores óptica distribuido a lo largo de fuga con mayor precisión
TECNOLOGÍA de fibra la tubería para detección y
EXTERNA O localización de fugas. El sensor
BASADOS EN genera una señal acústica
HARDWARE cuando la tubería de gas o
líquido gotea. Este método
detecta la señal de fase
inducida por la onda acústica.
En este sistema se ensambla la
fibra junto a las tuberías para
obtener datos de campo en
tiempo real.
K-IV-DIE-004 Rev: C 23-02-2016
MÉTODOS Detección de fugas En el sistema el cable óptico se El sensor puede detectar las
BASADOS EN en la tubería basada coloca en paralelo con la señales de vibración a lo
TECNOLOGÍA en vectores de tubería, y 3 fibras ópticas en el largo de una tubería
EXTERNA O soporte (SVM) interior constituyen el sensor
BASADOS EN de vibración distribuido. El
HARDWARE sensor puede detectar las
señales de vibración a lo largo
de una tubería en tiempo real,
las señales de vibración son
reconocidas por el equipo de
vectores de soporte (SVM) a
través de las características se
puede establecer si se produce
una fuga.
63
K-IV-DIE-004 Rev: C 23-02-2016
MÉTODOS Métodos de Se realizan mediante la se analizan las vibraciones

BASADOS EN identificación por instalación de acelerómetros cercanas a la tubería y se
TECNOLOGÍA análisis de (vibración) o micrófonos clasifican las producidas por
EXTERNA O frecuencia de la especializados a lo largo de la la fuga que proporcionan un
BASADOS EN señal de fuga. tubería en su parte exterior, que nivel de alarma, en el
HARDWARE utilizan la tecnología de segundo se analiza el ruido
emisiones acústicas o discriminando las
vibratorias de baja frecuencia frecuencias producidas por
que genera el escape de líquido la fuga que igual activan la
durante la fuga. alarma, algunas veces se
acompañan estos con
sensores de conductividad
que instalan en las partes
bajas (valles) que detectan
también un derrame de
hidrocarburo, en tiempo
real, las señales de vibración
son reconocidas por el
equipo de vectores de
soporte (SVM) a través de
las características se puede
establecer si se produce una
fuga.
64
K-IV-DIE-004 Rev: C 23-02-2016
MÉTODOS Mediante Sondas Las Sondas Instrumentadas son El sistema de sonda de

BASADOS EN Instrumentadas. herramientas Inteligentes que rastreo ha sido ampliamente
TECNOLOGÍA viajan dentro del ducto aceptado por la comunidad
EXTERNA O (comúnmente llamados industrial, debido a que es
BASADOS EN "diablo" o "pig" aplicado a sistemas donde se
HARDWARE instrumentado) inspeccionando requiere inspeccionar
la integridad de la tubería grandes distancias. La sonda
(espesor de pared, fisuras y insertada puede ser
agujeros), algunas funcionan alámbrica o inalámbrica.
con una corona de sensores que Este sistema consiste en
detectan pérdida de flujo insertar la sonda de rastreo
magnético y otras con en una toma y al finalizar su
ultrasonido, solo se puede recorrido, se procede a
obtener el servicio no el retirar la sonda por otra
escáner y dicho servicio no es toma. La sonda viaja
inmediato. registrando una señal
acústica conforme se
desplaza a lo largo de la
tubería, para que al extraerla
se proceda a analizar los
datos registrados
MÉTODOS Teoría del caos Sistema de detección de fugas Como fuente sonora se usa
BASADOS EN de gas a alta presión en un generador artificial de
TECNOLOGÍA refinerías de petróleo, basado gas a alta presión, o
EXTERNA O en la teoría del caos. El método simulador de la fuga, que se
BASADOS EN consiste en aplicar el Criterio ubica a 16 metros del
65
K-IV-DIE-004 Rev: C 23-02-2016
HARDWARE de Información de Caos a sensor. En estas

señales acústicas adquiridas condiciones, el micrófono
por medio de un micrófono captura no solamente el
sonido del gas a alta
presión, sino también los
sonidos ambientales
representados como ruido
de fondo. Con base en
estudios anteriores se puede
asumir que el ruido de
fondo está conformado por
elementos no
determinísticos, mientras
que las señales producidas
por la fuga del gas a alta
presión contienen
componentes
determinísticas. Con el fin
de discriminar entre los dos
tipos de señales adquiridas,
se usa el método TPM con
el cual se puede determinar
la presencia de fuga
comparando con un valor
umbral fijado.
66
K-IV-DIE-004 Rev: C 23-02-2016
MÉTODOS Sistema Acústico Este sistema consiste en la El sistema acústico directo

BASADOS EN Directo inspección personal de un de detección de fugas es uno
TECNOLOGÍA operador, el cual cuenta con un de los sistemas más
EXTERNA O equipo que le permite escuchar utilizados actualmente,
BASADOS EN el sonido emitido por el fluido debido a su fácil
HARDWARE que escapa de la tubería que lo implementación tanto en
transporta y así ubicar su fugas domésticas como en
posición. industriales.
Este equipo consiste en un par

de hidrófonos que en un
principio captan la señal
acústica y la transmiten a un
sistema de amplificación (46
dB), el cual finalmente la
transmite a los audífonos que
porta el operador. El sistema de
amplificación también cuenta
con un regulador de volumen
para proporcionar protección a
la audición del operador, el
cual puede observar mediante
una pantalla las variaciones en
los decibeles que están en
función de la posición del
hidrófono con respecto de la
fuga
67
K-IV-DIE-004 Rev: C 23-02-2016
MÉTODOS Sistema de Este sistema que consiste en la Este sistema cuenta con la La desventaja que
BASADOS EN fotografía detección de fugas por medio gran ventaja de que puede presenta este sistema
TECNOLOGÍA termográfica de la termografía, la radiación localizar más de una fuga al radica principalmente en
EXTERNA O infrarroja emitida por un objeto mismo tiempo, así como que no puede cuantificar
BASADOS EN es detectada y medida por también no se requiere de la fuga y que además, el
HARDWARE medio de un radiómetro gran experiencia para operar operador debe tener
infrarrojo, el cual contiene un la cámara termográfica y nociones de donde se
sensor que convierte la que ésta a su vez, permite localiza la fuga, de lo
radiación emitida por los tomar fotografías de forma contrario tendría que
objetos en señales eléctricas continua cada 2 segundos; fotografiar la red de
que a su vez son expresadas en así como también el hecho tuberías por completo
una escala de colores, haciendo de que puede operar en un
posible así la detección de la rango de temperaturas -20ºC
fuga. a 600ºC del objeto
fotografiado con una
precisión del 2%.
MÉTODOS Sistema acústico Este sistema consiste en la El sistema acústico de Son más costosos y no
BASADOS EN por correlación sujeción en un hidrófono o detección de fugas por pueden ser fácilmente y
TECNOLOGÍA acelerómetro (dependiendo de correlación es un sistema económicamente
EXTERNA O la exactitud deseada) a dos implementado en varias readaptados en tuberías
BASADOS EN terminales de una tubería entre partes del mundo, debido a enterradas existentes
HARDWARE las cuales se espera identificar que es posible recuperar la
la fuga. Los hidrófonos captan inversión inicial en poco
la señal acústica y vía tiempo determinado.
68
K-IV-DIE-004 Rev: C 23-02-2016
inalámbrica la envían a un
sistema de correlación. Este
sistema llevará a cabo un
proceso de correlación basado
en los tiempos y distancias que
tarda en recorrer la tubería
dicha señal acústica captada
por cada hidrófono.
método acústico En el método basado en la mayor sensibilidad en la una Necesita una gran
MÉTODOS medición de las ondas de ubicación precisa de las cantidad de sensores
BASADOS EN presión dinámica mediante fuga, una menor tasa de acústicos
TECNOLOGÍA sensores dinámicos de presión falsas alarmas, detecta la la precisión de la
INTERNA O la ubicación de la fuga está fuga más rápido y una ubicación de la fuga
BASADOS EN determinada por el tiempo de mayor adaptabilidad, depende de la cantidad
SOFTWARE. llegada de las señales acústicas especialmente con una de transmisores en cada
en dos sensores acústicos distancia de detección más extremo de la línea
adyacentes. Una vez que se larga No funciona a través de
producen las fugas, los no requiere ningún modelo estaciones de bombeo
sensores miden las señales ni hardware adicional, intermedias.
acústicas aguas arriba y aguas excepto los sensores de Para poder realizar este
abajo presión ya instalados método, deben eliminarse
método basado en El método de onda negativa de los ruidos estocásticos de
MÉTODOS ondas de presión presión también llamado onda las lecturas, el período de
BASADOS EN negativa (NPW) acústica de presión negativa muestreo debe ser el
TECNOLOGÍA está basado en analizar las mínimo posible y de este
INTERNA O variaciones de presión y su depende la exactitud de
BASADOS EN expansión cuando ocurre una ubicación de la fuga,
69
K-IV-DIE-004 Rev: C 23-02-2016
SOFTWARE. fuga en la tubería además deben estar

La baja de presión viaja a la sincronizadas las lecturas
velocidad del sonido a través y la ubicación geográfica
del líquido en ambas de los sensores debe ser
direcciones hasta llegar a cada precisa, generalmente
extremo de la línea, llegando con un GPS (Sistema de
más rápido al punto más posicionamiento global).
cercano de la fuga, la evidencia Si la fuga no es detectada
de tiempo registrado en cada de inmediato por fallas
extremo de la línea de control o temporales del sistema
segmento produce una
variación de tiempo medida
que nos da la ubicación de la
fuga.
MÉTODOS método de balance Estos métodos se basan en la Estos métodos son simples y Estos métodos no pueden
BASADOS EN de masa y volumen ley de conservación masiva. En de bajo costo proporcionar una
TECNOLOGÍA el caso de fluidos estimación de la
INTERNA O incompresibles, la densidad no ubicación de las
BASADOS EN cambia con el cambio de fugas. Por lo tanto, otro
SOFTWARE. presión y método SUD debe
temperatura. Entonces, la emplearse en paralelo
diferencia entre las tasas de para la localización de
flujo de entrada y salida será fugas.
igual a la tasa de cambio del
volumen de empaque o
inventario. Cuando el flujo de
entrada es mayor que el flujo
70
K-IV-DIE-004 Rev: C 23-02-2016
de salida, se puede suponer que

se ha producido una fuga en la
tubería
MÉTODOS algoritmo de El concepto principal de la Detecta tanto pequeñas (tan No puede identificar
BASADOS EN detección y distancia de Kantorovich (KD) pequeñas como 1% de la exactamente el punto de
TECNOLOGÍA localización de se define como la distancia velocidad de flujo nominal) fuga.
INTERNA O fugas basado en mínima (costo) requerida para como grandes fugas de
BASADOS EN datos utilizando la trasladar la masa de una prueba en la tubería
SOFTWARE. distancia de distribución de probabilidad a
kantorovich otra distribución de
probabilidad. Este concepto se
introdujo por primera vez para
manejar diferentes problemas
de organización y
planificación, ya sea para
maximizar la ganancia o
minimizar la resolución de
costos de la formulación de
programación lineal
MÉTODOS Método basado en El gradiente de presión es Detecta y localiza la fuga. Para localizar una fuga
BASADOS EN gradientes de contante a lo largo de una mediante la técnica de
TECNOLOGÍA presión tubería si el sistema no gradiente de presión se
INTERNA O presenta una perturbación debe colocar al menos un
BASADOS EN como lo es una fuga, una par de sensores de
SOFTWARE. apertura de válvula, un cambio presión en cada extremo
de diámetro de tubería. de la tubería y se
El gradiente se puede conocen sus posiciones a
71
K-IV-DIE-004 Rev: C 23-02-2016
representar por medio de una lo largo de la tubería así

línea recta con pendiente también como sus
constante, en el momento que posiciones con respecto
aparece una fuga en el sistema a un plano de referencia,
se genera un gradiente de y se aplica a fugas que se
presión con una pendiente mantienen en el tiempo.
constante antes de la posición
de la fuga y también se genera
un gradiente de presión con
una pendiente constante
después de la posición de la
fuga, pero son diferentes los
gradientes debido a la perdida
de energía y masa
MÉTODOS Sistema de El Sistema de monitoreo de El Sistema de monitoreo de Necesita una gran

BASADOS EN monitoreo de detección de fugas basado en detección de fugas utiliza la cantidad de sensores
TECNOLOGÍA detección de fugas transmisor de presión dinámico diferencia de tiempo acústicos
INTERNA O de oleoducto de recibe señales de presión observada en los dos la precisión de la
BASADOS EN larga distancia dinámica de baja frecuencia de extremos y la velocidad de ubicación de la fuga
SOFTWARE. basado en equipos de adquisición de la onda de presión negativa depende de la cantidad
transmisor de datos de campo instalados en para calcular la posición de de transmisores en cada
presión dinámico ambos extremos de la fuga. extremo de la línea
tubería. Cuando se produce una
fuga a lo largo de la tubería, el
equipo de adquisición de datos
recopilará instantáneamente las
72
K-IV-DIE-004 Rev: C 23-02-2016
señales de presión dinámicas

resultantes del momento de
fuga del medio en la tubería, y
luego determinará si ocurrió la
fuga de la tubería. Al mismo
tiempo
MÉTODOS Simulación Utiliza el paquete FLUENT Los resultados de La predicción de fugas
BASADOS EN dinámica de fluidos CFD. Para similar la tubería y simulación son buenos. en una tubería es difícil.
TECNOLOGÍA computacional el flujo a través de ella, igual
INTERNA O que para generar datos cuando
BASADOS EN se produce una fuga y localiza
SOFTWARE. la fuga a través del gradiente
de presión
MÉTODOS Lógica Difusa La lógica difusa es una de las Bajo nivel de falsas alarmas El procedimiento es
BASADOS EN herramientas que han con un costo mínimo. complejo
TECNOLOGÍA encontrado aplicaciones en
INTERNA O áreas como la economía, la
BASADOS EN medicina, la administración y
SOFTWARE. los sistemas de control, entre
otras. Esta teoría, que fue
introducida por Zadeh (1965),
crea un nuevo tipo de
variables, las variables difusas,
que son descritas por
expresiones lingüísticas como
largo, alto o rápido, etc. Todo
un proceso matemático
73
K-IV-DIE-004 Rev: C 23-02-2016
alrededor de estas nuevas

variables se ha desarrollado y
ha permitido dar solución a
problemas muy difíciles de
representar con las variables
tradicionales. En Tongtai
(1997) se emplea la teoría de
control difuso para la detección
de la zona de fuga antes de que
se produzca la perforación.
MÉTODOS Redes Neuronales Una red neuronal puede La ventaja de este enfoque El procedimiento es
BASADOS EN definirse como una estructura o es que a diferencia de los complejo
TECNOLOGÍA sistema construido para hacer métodos analíticos, no se
INTERNA O uso de los principios necesita conocer el modelo
organizacionales del cerebro matemático que describa la
humano. Los elementos dinámica de transporte del
fundamentales de esta red se fluido en la tubería. Lo que
conocen como neuronas hace que sea aplicable a
artificiales, las cuales cuentan cualquier tipo de fluido o
con alta conectividad entre tubería ya que sólo requiere
ellas y con la capacidad de de dos mediciones de flujos.
realizar operaciones de cálculo
(Avelino et al., 2009). Las
redes neuronales artificiales
son especialmente usadas en el
reconocimiento y clasificación
de patrones, en la compresión
74
K-IV-DIE-004 Rev: C 23-02-2016
de imágenes y en el filtrado de
señales. Como se mencionó,
una red neuronal artificial es
usada en la detección de fugas
en tuberías de agua. Así
mismo, se usan redes
neuronales para la detección de
fugas en tuberías de petróleo
(Ming & Wei-qiang, 2006). En
este caso, el algoritmo para la
detección de la fuga parte de la
adquisición de señales por
medio de sensores de presión;
estas señales pasan por una
etapa de adecuación, luego por
medio de wavelets se realiza la
descomposición de las señales
y por último mediante la red
neuronal se extraen las
características y se clasifican
los perfiles de fuga.
MÉTODOS Wavelets (onditas) se emplean wavelets en la El enfoque es confiable, El proceso es tan largo, y
BASADOS EN detección de fugas de manera seguro y puede detectar no se realiza en línea.
TECNOLOGÍA inmediata en tuberías de fácilmente pequeñas fugas
INTERNA O petróleo, con el fin de evitar en una tubería con
robo, minimizar pérdidas y precisión.
garantizar el normal
75
K-IV-DIE-004 Rev: C 23-02-2016
funcionamiento del sistema de

transporte. En este caso se usan
dos sensores de presión en los
extremos del tramo de tubería
que se desea explorar; cuando
una fuga se produce, genera
una onda de presión que se
transmite a lo largo de la
tubería. Esta onda representa
una caída de presión que se
conoce como punto de rareza
de la señal (Zadeh, 1965). El
algoritmo de wavelet permite
detectar este punto de rareza y
el momento en que se produce.
76
K-IV-DIE-004 Rev: C 23-02-2016
De acuerdo a las ventajas y desventajas de cada uno de los métodos de detección de fugas en
oleoductos, se seleccionó utilizar el método de balance de masa mezclado en un algoritmo que
detectara la fuga por medio de residuos. De acuerdo a que los resultados de este método pueden
ocasionar falsas alarmas, se experimentó con técnicas de inteligencia artificial que se describen
como resultado del 3 objetivo cumplido.
Tercer objetivo:
“Validar el sistema de detección de fugas de producto, a través de un instrumento virtual,
implementado en un banco de tuberías”
Para el cumplimiento del 3 objetivo de la investigación se realizaron dos prototipos
5.3 Primer prototipo:
Prototipo de banco de tuberías como trabajo de proyecto de aula. Las figuras 21, 22, 23, 24, 25 y
26 muestran el primer prototipo implementado para el desarrollo del proyecto debido a que
utiliza sensores de Flujo YF-S201 y una motobomba de lavadora, que no son industriales no nos
sirve para tener un prototipo cercano a un sistema de tuberías industrial, pero se puede apreciar
que con el desarrollo de este prototipo se detecta la fuga por medio del método de balance de
masa.
Imágenes captadas en el transcurso de la construcción del prototipo de un banco de pruebas de
un detector de fugas en tuberías.
77
K-IV-DIE-004 Rev: C 23-02-2016
Figura 21. Estructura del prototipo diseñado.
Figura 22. Lámina de Acero como base del prototipo/Uso de uniones universales para un retiro
fácil de la bomba
78
K-IV-DIE-004 Rev: C 23-02-2016
Figura 23. Presentación del prototipo terminado puesto en funcionamiento.
Imágenes del Instrumentó Virtual desarrollado diseñado para detectar la fuga por diferencia de
flujo.
Figura 24. Panel Frontal Versión de Prueba

79
K-IV-DIE-004 Rev: C 23-02-2016
Figura 25. Diagrama de Bloques Versión Prueba
Figura 26. Alerta en el Panel Frontal inmediatamente de haber detectado la fuga
80
K-IV-DIE-004 Rev: C 23-02-2016
5.4 Segundo prototipo:
Segundo prototipo como trabajo de investigación y tesis de pregrado. A continuación se
describen cada una de las actividades desarrolladas para el cumplimiento del objetivo 3.
Actividad 4. Identificar los criterios de operación del sistema (flujo, presión, entre otros)
Para diseñar un sistema de detección de fugas partimos que el producto a transportar es líquido
que se encuentra en estado estable previo al inicio de la fuga. Un oleoducto es un sistema de
transporte por bombeo hidráulico cuyo objetivo es enviar el producto de un punto a otro separado
por una distancia.
Fugas ocasionados por ordeños
Cuando la fuga es ocasionada por ordeño es de corta duración, el flujo de fuga ocurrirá solo
durante un intervalo de tiempo y se suspenderá regresando al estado de equilibrio inicial.
Si la duración del ordeño es corta puede ocurrir que las presiones no alcancen a estabilizarse en
un nuevo valor antes de regresar al valor original, sin embargo el cambio de presión iniciara
inmediatamente en el punto de la fuga y se propagara hacia el resto del oleoducto. Como se
81
K-IV-DIE-004 Rev: C 23-02-2016
Figura 27. Comportamiento de la fuga ante ordeño.

Fuente: (calderón jhonny 2012)
Fugas ocasionadas por desperfectos
Cuando la fuga es ocasionada por un desperfecto se puede asumir que el flujo de fuga es
constante y por lo tanto se logra la estabilidad. Como se muestra en la figura 28.
Figura 28. Comportamientos de la fuga por desperfectos.

Fuente: (calderón jhonny 2012)
82
K-IV-DIE-004 Rev: C 23-02-2016
Eventos provocados en el sistema que no son fuga de producto

Durante el funcionamiento del banco de tuberías hay eventos como:
 Arranque y paro de las unidades de bombeo
 Variación en la referencia de envió de caudal y de presión
 Apertura o cierre de válvulas
Estos eventos producen cambios de presión y flujo que pueden confundirse con una fuga, se debe
caracterizar la fuga y las variables que influyen en el proceso.
La tabla 2 muestra el funcionamiento del caudal y la presión para diferentes eventos realizados en
el sistema de banco de tuberías
Tabla 2.
Comportamiento de presión y caudal para diferentes eventos del banco de tuberías.
EVENTO PRESIÓN CAUDAL PRESIÓN CAUDAL

DE DE DE DE
ENTRADA ENTRADA SALIDA SALIDA
FUGA Baja Sube Baja Baja
ARRANQUE Sube Sube Sube Sube
DEL GRUPO
DE BOMBEO
PARADA Baja Baja Baja Baja
DEL GRUPO
DE BOMBEO
La tabla 2. Muestra el funcionamiento del caudal y la presión para diferentes eventos realizados
en el sistema de banco de tuberías.
83
K-IV-DIE-004 Rev: C 23-02-2016
Diseño del banco de pruebas
Figura 29. Diseño del banco de pruebas en SolidWorks.
Para el desarrollo de este proyecto se construyó un banco de pruebas de tuberías que permitiera
el avance de la Investigación en la toma de datos.
Figura 30. Banco de pruebas de tuberías.
84
K-IV-DIE-004 Rev: C 23-02-2016
En la figura 30 se muestra el banco de pruebas realizado en el laboratorio de Mecánica de
Fluidos de la UFPSO. Para su montaje fue necesario utilizar 2 contenedores de vidrio de 0.4 m de
largo, 0.3 m de ancho y 0.3 m de alto, con un espesor de 5 mm (figura 31), dos bombas que
trasladaran el fluido de una pecera a otra (figura 32), 4 bases o soportes para mantener un Δz = 0
(figura 33), y tuberías y accesorios de ½ pulgada necesarios para el desarrollo de la investigación.
Figura 31. Contenedores
Figura 32. Bomba.
85
K-IV-DIE-004 Rev: C 23-02-2016
Tabla 3.
Características de la bomba.
WATER PUMP QB - 60
Q. máx. 35 L/min H.máx 35 m
Suct.L.máx 9m V. 110
kW. 0.33 Hz 60 1 ~ Mot.
Size 25 x 25 mm r.p.m 3450 1./min
La tabla 3. Presenta las características nominales de las bombas que se utilizaron, en donde se
tiene en cuenta su caudal máximo y voltaje.
Figura 33. Base para sostener la tubería.
Estas bases se realizaron con lámina de acero y perfil cuadrado, estableciendo una altura de 50
cm, con el propósito de soportar las tuberías, permitiendo una altura constante y que estas no se
pandearan.
86
K-IV-DIE-004 Rev: C 23-02-2016
Actividad 5. Familiarización con las herramientas de simulación con las que se va a trabajar
(Matlab, Simulink , LABVIEW)
LABVIEW
LabVIEW es un software de ingeniería diseñado para aplicaciones que requieren pruebas,
medidas y control con acceso rápido a información de datos y hardware.
Ofrece un enfoque de programación gráfica que le ayuda a visualizar cada aspecto de su
aplicación, incluyendo configuración de hardware, datos de medidas y depuración. Esta
visualización hace que sea más fácil integrar hardware de medidas de cualquier proveedor,
representar una lógica compleja en el diagrama, desarrollar algoritmos de análisis de datos y
diseñar interfaces de usuario personalizadas. (NATIONAL INSTRUMENTS, 2018)
Labview es un entorno gráfico de programación. Los programas desarrollados en Labview se
llaman VI´s (Virtual Instruments), su origen provenía del control de instrumentos, pero hoy en
día su uso se ha expandido más allá. Labview tiene un entorno de programación gráfico, por lo
que los programas no se escriben, sino que se dibujan, una labor facilitada gracias a que Labview
consta de una gran cantidad de bloques prediseñados.
Los programas se dividen en dos partes bien diferenciadas, una llamada “Panel Frontal”, y otra
“Diagrama de Bloques”.
Panel Frontal: es la interfaz con el usuario, la utilizamos para interactuar con el usuario cuando
el programa se está ejecutando. En esta interfaz se definen los controles (los usamos como
87
K-IV-DIE-004 Rev: C 23-02-2016
entradas, pueden ser botones, marcadores etc.) e indicadores (los usamos como salidas, pueden
ser gráficas, etc.).
Diagrama de Bloques: es el programa propiamente dicho, donde se define su funcionalidad,
aquí se colocan íconos que realizan una determinada función y se interconectan (el código que
controla el programa). Suele haber una tercera parte icono/conector que son los medios utilizados
para conectar un VI con otros VI´s.
En el panel frontal, encontraremos todo tipos de controles o indicadores, donde cada uno de estos
elementos tiene asignado en el diagrama de bloques una terminal, es decir el usuario podrá
diseñar un proyecto en el panel frontal con controles e indicadores, donde estos elementos serán
las entradas y salidas que interactuaran con la terminal del VI. Podemos observar en el diagrama
de bloques, todos los valores de los controles e indicadores, como van fluyendo entre ellos
cuando se está ejecutando un programa VI. (Estuelectronic, 2012)
MATLAB Y SIMULINK
Matlab combina un entorno de escritorio perfeccionado para el análisis iterativo y los procesos de
diseño con un lenguaje de programación que expresa las matemáticas de matrices y arrays
directamente.
Apps interactivas
Las apps de MATLAB le permiten ver cómo funcionan diferentes algoritmos con sus datos.
Realice iteraciones hasta obtener los resultados deseados y, después, genere automáticamente un
programa de MATLAB para reproducir o automatizar su trabajo.
88
K-IV-DIE-004 Rev: C 23-02-2016
Si se desea analizar datos como también desarrollar algoritmos o crear modelos, MATLAB se ha
diseñado para la forma en que piensa y el trabajo que realiza. (MathWorks, 2018)
SIMULINK es una toolbox especial de MATLAB que sirve para simular el comportamiento de
los sistemas dinámicos. Puede simular sistemas lineales y no lineales, modelos en tiempo
continuo y tiempo discreto y sistemas híbridos de todos los anteriores. Es un entorno gráfico en el
cual el modelo a simular se construye clicando y arrastrando los diferentes bloques que lo
constituyen. Los modelos SIMULINK se guardan en ficheros con extensión *.mdl. (Lazaro Villa,
2018)
Actividad 6. Modelado de sistemas que representen la dinámica del oleoducto.
Simulación del modelo dinámico del sistema.
Para el desarrollo de estas actividades se usó la aplicación de PID Tuning de Matlab, permitiendo
obtener resultados gráficos vistos a continuación. Se obtuvieron los datos de las variables físicas
de los sensores de flujo y de presión tanto a la entrada como a la salida, con estos datos se realizó
un modelo dinámico de la tubería vista desde cada sensor, cuando el sistema no presenta fugas,
luego se hizo el mismo procedimiento del sistema cuando se presentan fugas y se hacen una
comparación entra cada uno de los modelos.
89
K-IV-DIE-004 Rev: C 23-02-2016
Modelos dinámicos del sistema en ausencia de fugas.
Figura 34. Modelo dinámico del sistema visto desde el sensor de flujo en la entrada (sin
fuga).
El sistema visto desde el punto de vista de cada una de las variables fijas se asimila a un
comportamiento de un sistema de primer orden, cuya función de transferencia se muestra en la
ecuación 21, 22, 23 y 24:
𝑑𝑄
𝑇1 + 𝑄 = 𝑁𝐾 (21)
𝑑𝑡
(𝑇1 ∗ 𝑄 ∗ 𝑠) + 𝑄 = 𝑁𝐾 (22)
𝑄 𝐾
= (23)
𝑁 𝑇1 ∗ 𝑠 + 1
𝑄 1.0001
= (24)
𝑁 1.6244 ∗ 𝑠 + 1
90
K-IV-DIE-004 Rev: C 23-02-2016
Dónde:
N es la potencia de la bomba.
Q es el flujo
K es la constante proporcional.
T es la constante de tiempo (indica el tiempo que demora la señal en llegar al 63.2 % de su valor
final)
Figura 35. Modelo dinámico del sistema visto desde el sensor de flujo en la salida (sin
fuga).
Para el modelo de sistema visto desde el flujo de salida, las variables de la función de
transferencia son:
𝐾 = 1.0001 𝑦 𝑇1 = 1.6244
91
K-IV-DIE-004 Rev: C 23-02-2016
Figura 36. Modelo dinámico del sistema visto desde el sensor de presión en la entrada
(sin fuga).
Para el modelo de sistema visto desde la presión de entrada, las variables de la función de
transferencia son:
𝐾 = 1.005 𝑦 𝑇1 = 9.0455
Figura 37. Modelo dinámico del sistema visto desde el sensor de presión en la salida (sin fuga).
92
K-IV-DIE-004 Rev: C 23-02-2016
Para el modelo de sistema visto desde la presión de salida, las variables de la función de
transferencia son:
𝐾 = 0.99917 𝑦 𝑇1 = 1 × 10−6
Modelos dinámicos del sistema en presencia de fugas.
Figura 38. Modelo dinámico del sistema visto desde el sensor de flujo en la entrada (con fuga).
Para el modelo de sistema visto desde el flujo de entrada, las variables de la función de
transferencia son:
𝐾 = 1.0004 𝑦 𝑇1 = 1.5806
93
K-IV-DIE-004 Rev: C 23-02-2016
Figura 39. Modelo dinámico del sistema visto desde el sensor de flujo en la salida (con fuga).
Para el modelo de sistema visto desde el flujo de salida, las variables de la función de
transferencia son:
𝐾 = 1.0001 𝑦 𝑇1 = 1.7055
Figura 40. Modelo dinámico del sistema visto desde el sensor de presión en la entrada
(con fuga).
94
K-IV-DIE-004 Rev: C 23-02-2016
Para el modelo de sistema visto desde la presión de entrada, las variables de la función de
transferencia son:
𝐾 = 1.0007 𝑦 𝑇1 = 9.502
Figura 41. Modelo dinámico del sistema visto desde el sensor de presión en la salida (con
fuga).
Para el modelo de sistema visto desde la presión de salida, las variables de la función de
transferencia son:
𝐾 = 1.0002 𝑦 𝑇1 = 1.7583
95
K-IV-DIE-004 Rev: C 23-02-2016
Actividad 7. Determinar los sensores adecuados para implementar en el banco de tuberías
Tabla 4.
Cotización de sensores de presión.
SENSORES DE PRESIÓN
Marca Características Costo
SITRANS Alimentación: 10,5 a 45 V.c.c, (10,5 $3.251.36
P410 a 30 V.c.c en la ejecución EEx ia). 3
Conexión: A 2 hilos. Señal de salida:
4 a 20 mA.
Precisión de medida: Mejor de 0,1 %
incluidas la histéresis y la
Repetibilidad (precisión mejor de
0,07 % bajo demanda).
PG2454 Salida analógica de 4 a 20 mA. $1.564.89
Tensión de alimentación 24 VDC, 6
rango de medición -1…10bar -
14.4….145psi, temperatura del
fluido-25….80°C, grado de
protección IP 67 / IP 69K. Exactitud
± 0,25 %, Repetibilidad ± 0,1 %
EBCHQ Transmisor de Presión Industrial, $338.300
Rango 10 Bar / 145,03 PSI,
Precisión 0,5 % F.S, Salida 4-20 mA
2-Hilos, Alimentación 24VDC,
Conexión 1/4" NPT, Con conector
Industrial.
Material del cuerpo: SS 304.
Grado de Seguridad: IP65.
ORIGEN: CHINA
MPX10D Voltaje de operación: 3V~6V $24.000
P Corriente de operación: 6mA
Tiempo de respuesta: 1ms
Offset: 0mV~35mV
Sensibilidad: 3.5mV/kPa
Temperatura de operación:
-40°C~125°C
96
K-IV-DIE-004 Rev: C 23-02-2016
Tabla 5.
Cotización de sensores de caudal.
SENSORES DE CAUDAL
Marca Características Costo
SITRANS Un canal. con pantalla y $20.019.21
FST020 E/S fuente de alimentación 100 - 240 1
básico VAC sensor de medida: A2 universal
Con juego de perfiles de fijación para
diámetro del tubo hasta 127 mm (5").
Campo de aplicación: para diámetros de
tubo de 12,7 mm (0,5") hasta 50,8 mm
(2") Temperatura: -40 °C a +121 °C.
Cable de sensor: camisa de PVC,
resistente a la inmersión, longitud 5
metros (16,4 pies) UL, ULc, CE
SM6100 Tensión de alimentación 24V $ 2.172.685

DC.PNP/NPN, 4 hilos, temperatura -
10... 70°C, Rango de medición
0,10...25,00 l/min, Grado de protección
IP 67.
SBG434 Salida analógica de 4 a 20 mA, tensión $ 906.099
de alimentación 24 V DC 3 hilos,
temperatura -10…100°C, rango de
medición 2 a 50 L/min, grado de
protección IP 65 / IP 67, Exactitud ± 5
%, Repetibilidad ≤ ± 1 %
Sensor de Voltaje de funcionamiento: 5V~18V $18.000
Flujo YF- Corriente de operación: 15mA (5V)
S201 Frecuencia de caudal: f=7.5*Q
Pulsos por litro: 450
Paso de caudal: 1L/min ~ 30L/min
Presión del lí-quido: 1.75Mpa
Humedad de almacenamiento:
25%RH~95%RH
Temperatura de operación: -25°C~80°C
97
K-IV-DIE-004 Rev: C 23-02-2016
Criterios de selección:
Para la selección de los sensores se tuvieron en cuenta los siguientes criterios de
selección:
 Sensores de presión
- Salida analógica de 4 a 20 mA
- Rangos de medición: 0 a 60 psi requeridos por la bomba
- Costo ajustado al presupuesto
- Exactitud ± 0,25 %
- Repetibilidad ≤ ± 0,1 %
 Sensores de caudal
- Salida analógica de 4 a 20 mA
- Rangos de medición: 0 a 35 L/min requeridos por la bomba
- Costo ajustado al presupuesto
- Exactitud ± 5 %
- Repetibilidad ≤ ± 1 %
Según los criterios de selección los sensores que se ajustaban a los requerimientos son
PG2454 (de presión, figura 42) y SBG434 (de caudal,, figura 43), los cuales aportan de
98
K-IV-DIE-004 Rev: C 23-02-2016
manera significativa un amplio ajuste en lo necesario para el desarrollo y avance del
proyecto.
Figura 42. Sensor de presión PG2454
Figura 43. Sensor de caudal SBG434
99
K-IV-DIE-004 Rev: C 23-02-2016
Actividad 8. Seleccionar el sistema de adquisición de datos para la digitalización de las señales
Para el desarrollo de esta actividad se hizo necesario poder comparar los diferentes sistemas de
adquisición de datos, existentes en el mercado teniendo como resultado:
Tabla 6.
Sistemas de adquisición de datos.
SISTEMA DE
ADQUISICIÓN Características Ventajas Desventajas
DE DATOS
Arduino UNO La Arduino Uno es una board *Bajo costo *El hecho de
basada en un microcontrolador *Fácil portabilidad que la
Atmega328. Tiene 14 pines de *Entorno de plataforma
entrada/salida digital (de los programación simple y venga
cuales 4 pueden ser utilizados directo. ya ensamblada
para salidas PWM), 6 entradas le quita
análogas, un resonador cerámico flexibilidad a
de 16 MHz, un conector para los proyectos.
USB tipo hembra, un Jack para *Frecuencia de
fuente de Poder, un conector muestreo baja
ICSP y un botón reset.
Ni 6001 Ofrece E/S analógicas, E/S *Bajo costo No tiene
digitales y un contador de 32 bits. *Fácil portabilidad entrada
Puede conectar fácilmente analógica de
sensores y señales al USB-6001 corriente
con
conectividad de terminal de
tornillo.
100
K-IV-DIE-004 Rev: C 23-02-2016
PLC Un PLC (Controlador Lógico *No es necesario dibujar *Es modular

Programable) es un dispositivo el esquema de contactos. *La tarea o el
utilizado en la automatización y *Mínimo espacio de proceso
control de procesos. Con este ocupación. depende
dispositivo es posible detectar *Menor costo de mano de totalmente y
posiciones en las entradas obra de la instalación. enteramente del
mediante sensores, para actuar *Fácil programar. código de la
con algo a la salida, como programación.
motores, válvulas, o actuadores, *El costo
entre otros dispositivos inicial de lo que
mecánicos. Un PLC también implica
tiene su diagrama en bloques, que automatizar una
se puede observar, para un mejor tarea con un
entendimiento del dispositivo. La PLC es muy
automatización industrial sería elevado.
imposible realizar sin un PLC.
Chasis 9178 El cDAQ-9178 es un chasis USB *Más robusto. *Es modular y
CompactDAQ diseñado para *Controla la además se debe
sistemas pequeños y portátiles de temporización, la contar con una
medidas de sensor. El chasis sincronización y la tarjeta de
brinda la sencillez de conexión transferencia de datos pulsos de
rápida (plug-and-play) del USB a entre los módulos de E/S entradas
sus medidas eléctricas y de de la Serie C y un digitales.
sensores. El cDAQ-9178 servidor externo *Alto costo.
también tiene cuatro *Puede usar este chasis
contadores/temporizadores de uso con una combinación de
general de 32 bits.- Puede tener módulos de E/S de la
acceso a estos contadores, como Serie C para poder
también compartir relojes y realizar diversas medidas
disparos, a través de dos de E/S analógica, E/S
conectores BNC integrados. digital y
contador/temporizador.
Teniendo en cuenta que la Universidad cuenta con un Chasis NI cDAQ-9178 y además con un
módulo NI 9203 (Figura 44) de entrada y salida analógica de 4 a 20 mA y que los sensores
101
K-IV-DIE-004 Rev: C 23-02-2016
seleccionados permiten la conexión con el módulo, se determinó a aprovechar lo que se posee y
de esta manera gozar las ventajas que este sistema ofrece para el desarrollo del proyecto.
a) b)
Figura 44. a) Chasis NI cDAQ-9178, b) módulo NI 9203. (NATIONAL INSTRUMENTS, 2018)
Actividad 9. Desarrollar el Instrumento Virtual
Para el proyecto se creó una interfaz de usuario, que le proporcionan al operador datos de caudal
y presión, gráficas y controles para la correcta visualización y automatización del sistema de
detección de fugas.
Aspectos para el diseño de una interfaz usuario.
La interfaz usuario debe ser diseñada con los operadores objetivos en mente, no debe ser
diseñada exclusivamente para cumplir los requisitos funcionales, sino que también debe ser fácil
de usar y debe permitir al operador, seleccionar los ajustes que son variables como ejemplo:
tiempo y número de datos a censar. El diseño de este parámetro debe facilitar el trabajo del
operador mostrando completamente el sistema en una pantalla. (Marrugo Carreazo, 2012)

102
K-IV-DIE-004 Rev: C 23-02-2016
Las tres reglas para el diseño de interfaces de usuarios son:
 Pensar en el usuario final.
 Evitar el “exceso” de innovación.
 Menos es más.
Pantalla de bienvenida.
Figura 45. Pantalla de bienvenida del instrumento virtual.
103
K-IV-DIE-004 Rev: C 23-02-2016
La figura 45. Muestra la pantalla de bienvenida Una pantalla de presentación que contiene toda la
información de la aplicación fue pensada para este instrumento, en donde se incluyó el nombre de
la aplicación, logotipos, y un esquemático del diseño del experimento del banco de tuberías.
Pantalla de Adquisición y análisis de datos
Figura 46. Pantalla de adquisición y análisis de datos.
En esta pantalla se muestran las gráficas del flujo de entrada, el flujo de salida, la presión de
entrada, la presión de salida, se puede visualizar independientemente cómo se comporta cada
señal y se visualiza en una tabla los datos tomados del sistema. En esta misma pantalla cuando las
diferencias de caudales y de presión se bajan del límite inferior establecido en el algoritmo de
detección de fugas, se visualiza un mensaje que dice “se ha detectado una fuga”
104
K-IV-DIE-004 Rev: C 23-02-2016
Pantalla de Animación
Figura 47. Pantalla de Animación.

En esta pantalla realiza la animación de un sistema esquemático del banco experimental de
pruebas de tuberías y toma las presiones y flujos de la pantalla de adquisición y análisis de datos.
Diagrama de bloques de la pantalla de bienvenida
Figura 48. Diagrama de bloques de la pantalla de bienvenida.
105
K-IV-DIE-004 Rev: C 23-02-2016
Este diagrama contiene una estructura eventos donde se selecciona el menú para pasar a la
pantalla de adquisición y análisis de datos, también contiene un SubVI, cuya función es permitir
un salto de una pantalla a otra.
Diagrama de bloques de la pantalla de Adquisición y análisis de datos
Figura 49. Diagrama de bloques de la pantalla de adquisición y análisis de datos (1 parte)
Esta parte del diagrama de bloques muestra la programación de la adquisición de datos,
configurando el DAQ asistente para leer los primeros 4 canales análogos de la tarjeta NI 9203,
adquiriendo las señales del flujo de entrada, el flujo de entrada el flujo de salida, la presión de
entrada y la presión de salida.
Contiene una formula NODE la cual convierte las señales de entrada que están en miliamperios a
señales de flujo (L/min) y presión (Psi).
106
K-IV-DIE-004 Rev: C 23-02-2016

La figura 51. Muestra una estructura CASE la cual permite visualizar las gráficas de flujo tanto
de entrada como de salida y permite visualizar cada gráfica independientemente.
Esta figura contiene la programación de la detección de la fuga por medio de una estructura
CASE y por diferencias de señales de los sensores de flujo. Además puede guardar los datos en
un documento Excel y en una tabla.

107
K-IV-DIE-004 Rev: C 23-02-2016
En esta figura se muestra una estructura CASE y el SubVI de salto para devolver a la pantalla
inicial y a la pantalla de animación.
Diagrama de bloques de la pantalla de animación
Figura 53. Diagrama de bloques de la pantalla de animación.
108
K-IV-DIE-004 Rev: C 23-02-2016
La figura 53 contiene una estructura FLAT SEQUENCE donde realiza la animación del
flujo de agua a través de la tubería y el llenado y vaciado de los tanques. Contiene variables
globales que permiten tomar los datos en tiempo real de flujo y presión del sistema de
adquisición de datos.
Actividad 10. Diseño de la técnica seleccionada de detección de fugas de producto.
Para esta actividad se han seleccionado dos técnicas.
 Primera técnica: Detección de fugas a través de balance de flujo con generador de residuos.
El propósito de esta metodología es generar de forma experimental una base de datos que permita
llevar a cabo las siguientes funciones:
 Identificar el instante donde ocurre la fuga
 Identificar el tiempo donde se vuelve estable la señal de flujo en el sistema hidráulico
 Verificar si cuando una caída de flujo es muy pequeña puede ocurrir un fallo en la
detección debido a la oscilación de la señal de flujo.
Para desarrollar el sistema de detección de fugas se empleó un banco de tuberías experimental.
Características para establecer la fuga
 La intensidad de la fuga debe ser suficiente para detectar cambios en flujo y presión.
109
K-IV-DIE-004 Rev: C 23-02-2016
 Puede permanecer constante durante largos periodos de tiempo o puede durar periodos de
tiempo tan corto como periodos de hora.
Para el desarrollo del algoritmo que llevara a cabo la detección de la fuga se observó en la
recopilación bibliográfica las siguientes situaciones:
 Obtener un índice bajo de falsas alarmas
 Incorporar una alerta de fuga que determine el momento en el cual existió una caída en la
señal flujo, que se registra en forma continua mediante 2 sensores de flujo colocados en la
tubería.
 Debe contar con algún elemento que le permita al sistema auto ajustarse de forma
automática a la señal de presión y flujo del sistema ya sea antes o después de la fuga.
Se va detectar la fuga por medio de balance de masa mediante un generador de residuos.
El principio de conservación de masa dice que el caudal de entrada a una tubería es igual al
caudal de salida. Es decir que su diferencia es 0 como se muestra en la ecuación 25.
𝑄𝑖𝑛 − 𝑄𝑜𝑢𝑡 = 0 (25)
Para encontrar el flujo de una posible fuga mediante el balance de masa, debemos encontrar el
desequilibrio que ocasiona la fuga es decir un flujo no compensado, para encontrarlo se requiere
un generador de residuos como se muestra en la figura 54.
110
K-IV-DIE-004 Rev: C 23-02-2016
Entradas Q1 Oleoducto Salidas Q2
Generador de residuos
Análisis estadístico de los

residuos
Figura 54. Generador de residuos.
De la ecuación 25 se puede concluir ∆𝑄𝑛 en estado estable sin fugas, sería igual al promedio de
flujo de envió antes de la fuga menos el promedio de observaciones del flujo de salida.
𝑄1 − 𝑄2 > ∆𝑄𝑛 (26)
Criterios para establecer la fuga
Para establecer los límites que la señal de flujo puede oscilar sin considerarse como una
característica de la presencia de una fuga se deben establecer varios parámetros.
 Se registra la señal de caudal por medio de un sensor de flujo y un sistema de
adquisición de datos durante un periodo de tiempo con el fin de obtener el valor de flujo
medio utilizando la ecuación 27.

1
 𝑄̅ = 𝑛 ∑𝑛𝑖=1 𝑄𝑖 (27)
111
K-IV-DIE-004 Rev: C 23-02-2016
 Se establece la desviación estándar la cual indicara la dispersión permisible en la señal de
flujo, para la cual una variación en el valor promedio de la señal de flujo no se declararía
como una fuga, como se muestra en la ecuación 28.
𝑛
1
𝜎𝑞 2 = ∑(𝑄𝑖 − 𝑄̅ )2 (28)
𝑛
𝑖=1
 Luego se determina el valor límite inferior de la señal de flujo como se muestra en la
ecuación 29. Lo cual es punto de partida para determinar la existencia de una fuga. Si el
valor de caudal está por debajo del límite inferior establecido por la desviación estándar
será declarado como posible fuga.
𝑛 2 𝑛
1 1
𝑄̅ − 𝜎𝑞 = { ∑(𝑄𝑖 − 𝑄̅ )2 } − ∑ 𝑄𝑖 (29)
𝑛 𝑛
𝑖=1 𝑖=1
 Para dar por hecho la existencia de la fuga se establece que si la caída de flujo se prolonga
por un determinado periodo de tiempo, es decir no se establece la señal, se puede asegurar
la existencia de la fuga.
112
K-IV-DIE-004 Rev: C 23-02-2016
Inicio
Se adquieren los datos por medio del

sensor de flujo y la tarjeta de
adquisición de datos
Se obtiene la media de flujo por un

periodo de una hora
Se obtiene el límite inferior de la

señal de flujo
No 𝑄̅ >Limite inferior
Fuga no de oscilación de
detectable flujo
Si
La señal de flujo se
No ha restituido dentro
del límite inferior
“¡Alerta! Se ha por 2 seg
Detectado una Fuga
Si
Falsa alarma
Iniciar el algoritmo
de localización de la
fuga
Figura 55. Algoritmo para detección de la fuga.

FIN 113
K-IV-DIE-004 Rev: C 23-02-2016
Segunda técnica: Detección de fallas usando redes Neuronales
Las redes neuronales artificiales son sistemas especializados de cómputo que pueden
implementarse tanto en hardware como en software y son utilizadas para representar funciones
complejas en muchos campos de aplicación. Históricamente, estos sistemas intentaban simular
los procesos desarrollados por el cerebro, el cual procesa información, la combina o compara con
información almacenada y da respuestas adecuadas incluso a situaciones nuevas.
Sistema Neuronal de Diagnostico de fallas
La tarea principal de un sistema de diagnóstico de falla es el de determinar la localización y la
magnitud de una posible falla. Basándose en el comportamiento y el conocimiento de un proceso,
haciendo uso del modelo matemático o uno cualitativo.
Figura 56. Detección de fugas utilizando el método Figura 57. Red Neuronal Perceptron Multicapa
De residuos.
La figura 56 muestra la estructura general de un sistema de diagnóstico de fallas basado en
modelos. Se puede apreciar que el procedimiento de diagnóstico de fallas en un sistema dinámico
está dividido en dos etapas: la generación del residuo y la evaluación del residuo
114
K-IV-DIE-004 Rev: C 23-02-2016
El valor residual r se determina como la diferencia entre el proceso de medición de la señal Ys y
la salida del modelo respectivo. Los modelos se construyen para estados sin fallas para variables
sensibles a las fugas. Cuando se produce una fuga, la señal de medición Ys se comporta de
manera diferente a como lo hace el Modelado para un estado impecable. Esto resulta en la
generación del valor residual r, que señala un estado defectuoso del proceso.
Perceptrón Multicapa
El perceptrón multicapa es una red en la que las neuronas están agrupadas en capas como se
muestra en la figura 57. Esta red cuenta con una capa de entrada, 1 ó más capas ocultas y una
capa de salida. La tarea principal de la capa de entrada es el pre-procesamiento de los datos de
entrada y pasarlos a los elementos de las siguientes capas. Este pre-procesamiento puede ser
escalamiento, filtrado o normalización de los datos. El procesamiento fundamental de la red, se
lleva a cabo en las capas ocultas y en la de salida. Es necesario recalcar que las uniones entre
neuronas están diseñadas de tal forma que cada elemento de la capa previa esté conectado con
cada elemento de la siguiente capa.
Metodología para diagnosticar la fuga en la tubería experimental.
Los esquemas de diagnóstico de fugas en la tubería experimental se muestran en la figuras 58 y
59, el cual está dividido en dos etapas fundamentales: etapa de aprendizaje y etapa de monitoreo
115
K-IV-DIE-004 Rev: C 23-02-2016
Figura 58. Etapa de aprendizaje. Figura 59. Etapa de Monitoreo.
En la Etapa de aprendizaje El objetivo de esta etapa es caracterizar los cambios de fuga o no fuga
en función del flujo de entrada, flujo de salida. La red neuronal implementada es del tipo
perceptrón multicapa (MPL). La red tiene 4 variables de entrada y 2 de salida. Esta red estima si
hay fuga o no bajo diferentes condiciones del sistema de tuberías. El número de neuronas de la
capa oculta se estima por ensayo y error hasta obtener la mejor configuración de la red.
En la etapa de monitoreo se registran los flujos y las presiones tanto de entrada como de salida
del sistema de tuberías, se evalúa la red neuronal. Luego se calcula y se compara con el nivel de
alerta. Si se cumple que es mayor que el nivel de alerta, se puede afirmar con algún nivel de
116
K-IV-DIE-004 Rev: C 23-02-2016
confianza que hay fuga en el sistema; en caso contrario, vuelve y se toman los registros de datos
y se evalúa constantemente este indicador.
Tercera Técnica
Controlador Difuso para detectar fugas en tuberías Horizontales.
La lógica difusa fue desarrollada por Lotfi Zadeh. En 1965 publicó su trabajo en el boletín
“información y control” bajo el título de “conjuntos difusos”. En este trabajo Zadeh partió del uso
de la teoría de conjuntos clásica en la cual sus elementos solo podían “ser” o “no ser” parte del
conjunto. Para proponer de esta forma una noción de pertenecía (grado de pertenencia o verdad),
definiendo esta pertenencia entre los valores de cero a uno. Lo que permite expresar y cuantificar
un modelo de forma más fácil.
La lógica difusa se divide en 4 partes fundamentales, para facilitar su comprensión y/o
aplicación. La aplicación ordenada de éstas lleva a una correcta aplicación de la lógica difusa.
Estas son:
 Reglas lingüísticas.
 Conjuntos difusos.
 Operaciones de conjuntos difusos.
 Proceso de inferencia.
Reglas lingüísticas
Retomando el concepto de incompatibilidad de Zadeh, cuando se tiene un sistema o un problema
muy complejo, es complicado expresarlo y analizarlo de una manera matemática. Es por esto que
117
K-IV-DIE-004 Rev: C 23-02-2016
se trata de hacer una interpretación del problema utilizando herramientas lingüísticas, esto
significa que el sistema o problema se interpreta a través de palabras en vez de números. Si bien
estas son menos precisas permiten un acercamiento más próximo al lenguaje humano.
Para desarrollar estas reglas es necesario tener un conocimiento acerca de la problemática o del
comportamiento del sistema, ya que con ello se es capaz de tener una mejor interpretación de los
sistemas. Estas reglas utilizan la estructura “si….. entonces” y está conformada por dos partes: el
antecedente y la consecuencia. El antecedente es la asignación de un valor lingüístico a una
característica del sistema.
Ejemplo: Es muy frío el día. En este ejemplo el sistema es el día, la característica es la
temperatura y la asignación es muy frío.
Es necesario crear varias reglas para tener una aproximación más cercana al sistema, el número
de estas puede variar en función a la característica del sistema que se desea aproximar y a los
valores que se necesiten para ella. Cada asignación tiene un grado de verdad o de adición
respecto a la característica del sistema, este grado de adición recibe el nombre de función de
membresía.
Conjuntos difusos
Es el conjunto de reglas lingüísticas o de aproximaciones que se realizan al sistema. Formalmente
se definen como:
118
K-IV-DIE-004 Rev: C 23-02-2016
“Aquel conjunto que no tiene firme y claro, cuáles son sus límites y el cual puede contener
cualquier elemento con un grado de adición.”
El grado de adición recibe el nombre de función de membresía, esta función tiene valores entre
cero y uno solamente y se define matemáticamente como:
𝐴 = {𝑥, 𝑈 𝐴(𝑥)|𝑥𝑋}
Donde UA (x) es el grado de membresía. El valor de UA( x ) se define en la asignación
realizada en el antecedente. Retomando el ejemplo anterior ahora, se crearan más asignaciones
para tener una aproximación más real sobre el sistema y se le asignará un valor numérico entre 0
y 1, como se mencionó anteriormente, para generar su función de membresía:
Tabla 7. Asignaciones lingüísticas para el

ejemplo.
Valor Grado de
lingüístico Adición
El día es muy 1
frío
El día es frío 0.75
El día es algo 0.5

frío
El día es poco 0.25
frío
El día es 0
caluroso
Los valores de la función de membresía generados por la asignación mostrada en la tabla 7
pueden ser representados a través de una gráfica (figura 60.).Existen varias formas de curva que
119
K-IV-DIE-004 Rev: C 23-02-2016
representan a la función de membresía las cuales dependerán de la distribución de los valores de
la función de membresía, las formas más comunes de distribución son:
 Distribución signoidal.
 Distribución gaussiana.
 Distribución cuadrática.
 Distribución triangular.
Figura 60. Curva de función de membresía para el ejemplo desarrollado.
Operaciones con conjuntos difusos
Cuando se requiere analizar dos o más características de un sistema, es necesario realizar
operaciones. Estas operaciones se basan en las operaciones básicas de la teoría de conjuntos, las
cuales son:
120
K-IV-DIE-004 Rev: C 23-02-2016
 Mín (A, B).- Esta operación resuelve A y B con valores entre (0,1).
 Máx (A, B).- Esta operación resuelve A o B.
 A negada.- Esta operación es el valor negativo de la función A.
Proceso de inferencia
Este proceso sirve para la obtención de las entradas y salidas del sistema (figura 61), el cual es
uno de los objetivos de la lógica difusa. También permite tomar decisiones de control y discernir
patrones. Este proceso está conformado por las siguientes etapas:
1. Fuzzification de las entradas y salidas: Se deben asignar nombre a las variables de entrada y
salida, así como los intervalos de operación, a su vez se realizan las reglas lingüísticas que
describen el comportamiento del sistema. En este paso se encarga de determinar la función
de membresía de los argumentos de entrada y salida. (antecedentes).
2. Aplicación de los operadores matemáticos: Determinada la función de membresía, en caso
de tener dos o más características es necesario utilizar estos operadores.
3. Método de implicación: Se evalúan las funciones de membresía en paralelo parar
discriminar condiciones obvias del sistema, esta etapa funciona como un filtro para las
salidas.
4. Desfuzzification: En esta etapa se obtiene la salida del sistema, la cual es un conjunto
difuso y del que se obtiene únicamente un valor. Para este proceso se tienen varios métodos
como el de centroide, bisección, media del máximo, etc.
121
K-IV-DIE-004 Rev: C 23-02-2016
Figura 61. Proceso de inferencia para 2 entradas y 3 reglas.
Desarrollo del sistema Difuso para detección de fugas
Selección de las variables de entrada y salida
Lo Primero que se debe hacer es identificar las variables involucradas en el proceso que
describieran más adecuadamente la dinámica del sistema. Esencialmente el sistema cuenta con 4
variables principales, que son la presión de entrada, la presión de salida, el flujo de entrada y el
flujo de salida. Estas variables se escogieron bajo el criterio de que son aquellas que aportan más
dinámica al sistema. El valor de estas variables son obtenidas a través de mediciones realizadas
directamente en el proceso.
Es necesario determinar los intervalos de operación de cada uno de estos para cada variable de
entrada del sistema, esto se refleja dentro de la tabla 8.
Tabla 8. Intervalos de los estados de las variables de entrada.
Variable Baja Fuga Fuga Fuga Fuga Trabajo

sección 1 sección 2 sección 3 sección 4
Presión de 11-12.20 12.20-12.60 12.61-12.8 12.81-13.2 13.21 -14 14.4-14.97
entrada PSI PSI PSI PSI PSI PSI
Presión de 2-4 4.85-4.40 4.82-4.63 4.98-4.6 4.80-5.034 6.3-6.0 PSI
salida PSI PSI PSI PSI PSI
122
K-IV-DIE-004 Rev: C 23-02-2016
Flujo de 25-25.9 28.1-27.7 27.41-27.7 27.41-26.6 26.22-26.14 26.6-

entrada L/min L/min L/min L/min L/min 26.22L/min
Flujo de 10-17.60 19.15-18.02 18.76-17.64 18.69-18.35 18.17-17.94 24.7-24.6
salida L/min L/min L/min L/min L/min L/min
Si observamos la tabla 8. las variables que aportan información significativa al sistema de
acuerdo a donde se ubica la fuga es la presión de entrada que aumenta a medida que la fuga se
ubica más lejos del sensor de presión de entrada. Y el flujo de entrada que disminuye a medida
que la fuga se aleja del sensor de presión de entrada.
En la tabla 9 se observa a que distancia del sensor de presión de entrada se tomaron los datos para
generar cada fuga.
Tabla 9. Distancias de las fugas a partir del sensor de presión de entrada
Variable Fuga Fuga Fuga Fuga

sección 1 sección 2 sección 3 sección 4
Sensor 1,03 2,07 metros 4,335 5,365
Presión de metros metros metros
entrada
Sensor de 0,65 1,69 metros 3,955 4,985
Flujo de metros metros metros
entrada
Por esta razón se utilizaron como variables de entrada del sistema la presión de entrada y el flujo
de entrada.
Una vez definidas las variables de entrada se les dio una asignación lingüística, es decir, se les
asignó un adjetivo que represente la condición o estado de las variables.
Debido al comportamiento de las variables para la presión de entrada (PE) se le asignaron 6
etiquetas.
123
K-IV-DIE-004 Rev: C 23-02-2016
 Baja (B)
 Medio Bajo (MB)
 Medio Centro (MC)
 Medio Centro Medio (MCM)
 Medio Alto (MA)
 Trabajo(T)
Para el variable flujo de entrada (FE) las etiquetes serian:
 Baja(B1)
 Trabajo(T1)
 Medio Baja(MB1)
 Medio Centro (MC1)
 Medio Alto (MA1)
 Alta(AL)
Continuando con el método de inferencia se prosigue a la asignación de la salida del sistema, en
el caso de la presente investigación se eligió solamente una salida, esta salida representa el
comportamiento de la salida del sistema de manera cualitativa y no cuantitativa, es por ello que se
asignaron los siguientes estados que definen la salida del sistema.
124
K-IV-DIE-004 Rev: C 23-02-2016
 Correcto (CR)
 Fuga en la sección 1 (F1)
 Sistema sin funcionamiento (SF)
 Sistema con fallos de funcionamiento (FF)
Para los intervalos de operación de las condiciones del sistema su escala no cuenta con una
magnitud siendo sus intervalos de 0 a 14, los cuales se verán de manera más detallada en la
selección de funciones de membresía presentada a continuación.
Selección de funciones de Membresía
Las funciones de membresía deben describir el grado de verdad que tenga de la variable ya sea
medida, calcula o estimada con respecto a su magnitud y estado deseado, es por ello que la
selección de estas deben ser determinadas en base a esa relación. En la figura 62 muestra las
funciones de membresía para la variable presión de entrada (PE).
125
K-IV-DIE-004 Rev: C 23-02-2016
Figura 62. Funciones de Membresía PE
En la figura 63. Muestra las funciones de membresía para la variable Flujo de entrada (FE).
El paso siguiente en el proceso del modelado difuso es la selección de las funciones de
membresía de la salida, como el objetivo del controlador difuso es resaltar una cualidad y no
generar una acción de control se determinó un intervalo de valores de 0 a 12 para las funciones.
Estas funciones se eligieron como triangulares con el fin de tener una distribución equitativa
entre ellas y de esta manera obtener una salida uniforme. Estas funciones se aprecian en la figura
64.
126
K-IV-DIE-004 Rev: C 23-02-2016
Figura 63. Funciones de Membresía FE
Figura 64. Funciones de Membresía Función de salida

127
K-IV-DIE-004 Rev: C 23-02-2016
Seleccionadas las variables de entrada y de salida del sistema, así como las funciones de
membresía propias para cada una de ellas, se continúa a la definición de las reglas lingüísticas.
Definición de las reglas lingüísticas
Para la definición de las reglas lingüísticas se utilizó la tabla 10. Como se muestra en la figura
65.
Tabla 10. Definición de reglas
FLUJO DE ENTRADA
PRESION DE ENTRADA
B1 MB1 T1 MC1 MA1 AL

Baja SF FF FF FF FF FF
MB F1 F1 F1 F1 F1 F1
MC F2 F2 F2 F2 F2 F2
MCM F3 F3 F3 F3 F3 F3
MA F4 F4 F4 F4 F4 F4
T CR CR CR CR CR CR
Figura 65. Reglas de sistema
128
K-IV-DIE-004 Rev: C 23-02-2016
Superficies de control
Las superficies de control dentro de la lógica difusa son aquellos conjuntos de valores en los
cuales es posible tener una acción de control, lo que sería similar al intervalo de ganancias de un
controlador PID en un control clásico. Estas superficies representan la interacción de todas las
variables de entrada para la obtención de una salida. Como el sistema sobre el que se trabajó es
de 3° orden (2 variables de entrada y 1 de salida) es imposible ver la interacción de todas las
variables para obtener una superficie de control, por lo cual solo es posible analizar las
superficies de control para tres dimensiones (2 variables de entrada y una salida). En la figura 66.
se muestra la superficie de control para la relación Presión entrada- flujo de entrada.
Figura 66. Superficies de control
129
K-IV-DIE-004 Rev: C 23-02-2016
Actividad 11. Implementación de la técnica de detección de fugas en el banco de tuberías.
Primera técnica: Detección de fugas a través de balance de flujo con generador de residuos.
Figura 67. Interfaz gráfica del VI de detección de fugas.
En esta figura se permite visualizar la interfaz gráfica del VI cuando este está en funcionamiento,
permitiendo observar de manera directa los datos obtenidos en tiempo real de los sensores de
presión y de caudal tanto de la entrada como de la salida.
130
K-IV-DIE-004 Rev: C 23-02-2016
Figura 68. Interfaz gráfica del VI de detección de fugas (instante en que se detecta la fuga)
La figura 68. Permite observar el preciso instante en el que cuando en el banco de pruebas de
tuberías se presenta una fuga, este lo hace saber a través de una alarma especificando que existe
fuga.
Segunda técnica: Detección de fallas usando redes Neuronales
Los datos recopilados se utilizan en el desarrollo del sistema de detección de fugas basado en la
red Neuronal Perceptron multicapa. En general, las Redes Neuronales deben realizar tareas de
clasificación; es decir, clasifican los datos entrantes de flujo de entrada y flujo de salida en estado
de fuga o sin fuga. Por lo tanto, los datos para entrenar la red se desarrollan con cuatro valores de
entrada correspondientes a la presión de entrada, la presión de salida y el flujo de entrada y el
flujo de salida. Además, tienen dos neuronas de salida; A saber, fugas y no fugas neuronas.
Para el desarrollo de la red neuronal se utilizó la herramienta nntool de Matlab, a la cual se le
ingresaron los datos de la resta del flujo de entrada menos el flujo de salida como datos de
entrada (Imput Data), y un vector de ceros y unos como datos objetivos (Target Data). Se creó
una red neuronal de tipo Feed – Forward Back propagations con 10 neuronas, se entrenó, dando
como resultado 10 iteraciónes.
En la figura 69. Traza el entrenamiento, la validación y los rendimientos de prueba dado el
registro de entrenamiento TR devuelto por el tren de función.
131
K-IV-DIE-004 Rev: C 23-02-2016
Figura 69. Entrenamiento de la red
Se desarrolló un bloque en simulink de Matlab con la red neuronal, luego se alimentó con los
flujos de entrada y salida.
Figura 70. Validación de la red neuronal en simulink
En la figura 71. Se observa la respuesta de la red neuronal ante una fuga en un instante de tiempo
determinado. Se puede apreciar que en el instante que hay un cambio en el flujo de salidas (320s) la red
neuronal envía un uno a la salida, generando una alerta de detección de fuga.
132
K-IV-DIE-004 Rev: C 23-02-2016
Figura 71. Respuesta de la red neuronal ante una fuga
La red Neuronal Perceptron multicapa presenta características de inmunidad al ruido, ya que es
capaz de identificar patrones en el conjunto de datos de entrenamiento.
La red Neuronal Perceptron multicapa muestra una capacidad de procesamiento y clasificación
correspondientemente rápida que proporcionan un buen rendimiento en la detección de fugas.
133
Tercera Técnica
Sistema Difuso para detección y ubicación de fugas
Figura 72. Validación del sistema difuso
Se desarrolló un bloque en simulink de Matlab con lógica difusa, luego se alimentó con el
flujo de entrada y la presión de entrada. Y nos da la respuesta del sistema con la ubicación
de la sección de la fuga.
Si introducimos datos al sistema como por ejemplo
Presión de entrada= 12.9 PSI
Flujo de entrada= 27 L/min.
Si Analizamos la figura 73 podemos concluir que el display muestra la salida en 7 si
recordamos el rango de salida de 6 a 8 es para la fuga 3. Por lo cual con los datos
ingresados podemos observar que el sistema difuso me detecta la ubicación de la fuga, en
este caso estaría 4,335 metros del sensor de presión de entrada.

K-IV-DIE-004 Rev: C 23-02-2016
Figura 73. Fuga en la sección 3.
135
K-IV-DIE-004 Rev: C 23-02-2016
6. Conclusiones
Con el desarrollo de esta investigación se logró detectar y ubicar la fuga en un sistema de
tuberías y se puede dar a conocer lo siguiente:
 A lo largo de la investigación se pudo observar el comportamiento de la simulación
de un oleoducto a través de un banco de tuberías en funcionamiento normal y
durante la presencia de fuga.
 Se pudo demostrar que es posible detectar fugas en tuberías solamente, con 2
sensores de flujo y un instrumento virtual para caudales de flujos constantes en
tuberías horizontales.
 Al implementar una red neuronal como sistema de detección de fugas en el banco se
logró con este método inmunidad al ruido, ya que la red neuronal es capaz de
identificar patrones en el conjunto de datos de entrenamiento. La red Neuronal
Perceptron multicapa muestra una capacidad de procesamiento y clasificación
correspondientemente rápida que proporcionan un buen rendimiento en la detección
de fugas.
 Se obtuvo un sistema de monitoreo para la detección y ubicación de fugas en base a
la lógica difusa, así como la realización de una HMI para su implementación.
 El modelado difuso permitió desarrollar un método de detección y ubicación de
fugas robusto y de una implementación sencilla.
136
K-IV-DIE-004 Rev: C 23-02-2016
 La interfaz hombre-máquina permite un manejo agradable al usuario y un acceso
cómodo a los datos del sistema.
 El uso de este sistema de adquisición de datos permite detectar una fuga en tiempo
real, garantizando su presencia y corrección de manera inmediata, teniendo en
cuenta que a través de ello se puede reducir la problemática que surge detrás de una
fuga.
 El sistema desarrollado no detecta la ubicación exacta de la fuga, sin embargo
detecta la sección donde se ubica.
Al realizar las pruebas de las diferentes condiciones del sistema se determinó que el método
de solución propuesto dentro de este trabajo cumple con el objetivo principal el cual era
Desarrollar un sistema de detección de Fuga de producto en un tramo de oleoducto. La
diferencia del presente método con respecto a otros presentados dentro de este trabajo es su
fácil implementación y su adaptabilidad. Si bien las funciones membrecía se realizaron en
base al sistema propuesto, estas son fáciles de modificar para cualquier otro sistema a la vez
de que el propio sistema puede adaptar sus funciones de membresía dependiendo de la
caída de presión del sistema.
A su vez el método no está restringido para tuberías de un solo material o de un diámetro
en específico. Puede servir también como auxiliar a algún otro método de detección
existente, delimitando la sección de la que se ubica la fuga.
137
K-IV-DIE-004 Rev: C 23-02-2016
Un aspecto que también puede representar una desventaja es el costo de la licencia del
software de programación. Si bien su costo es un poco elevado para el tamaño del sistema
tratado, este costo sería muy similar al de implementarlo dentro de un sistema más grande
de distribución.
Como trabajos futuros en cuestión de diagnóstico de fugas se podría realizar una
simulación utilizando el paquete FLUENT CFD. Para similar la tubería y el flujo a través
de ella, igual que para generar datos cuando se produce una fuga. Con el fin de obtener más
datos del proceso y así poder utilizar un método más avanzado para localizar exactamente
donde se ubica la fuga.
138
K-IV-DIE-004 Rev: C 23-02-2016
Bibliografía
Adrià Soldevila, Rosa M. Fernandez-Canti, Joaquim Blesa, Sebastian Tornil-Sin, Vicenç

Puig, (2017) Leak localization in water distribution networks using Bayesian
classifiers,Journal of Process Control, Volume 55, , Pages 1-9, ISSN 0959-1524,
https://doi.org/10.1016/j.jprocont.2017.03.015.
Alyeska Pipeline Service Co, 2007, Alyeska Pipeline Service Co

Los hechos: el sistema de oleoductos Trans Alaska
Applegate et al., 2011

D. Applegate , T. Dasu , S. Krishnan , S. Urbanek Agrupaciónno supervisada de
distribuciones multidimensionales utilizando la distancia de movimiento de la tierra
Actas de la XVII Conferencia Internacional ACM SIGKDD sobre Descubrimiento
del Conocimiento y Minería de Datos , ACM ( 2011 ) , pp. 636 – 644
Arifin, B., Li, Z., Shah, S. L., Meyer, G. A., & Colin, A. (2018). A novel data-driven leak
detection and localization algorithm using the Kantorovich distance, In Computers
& Chemical Engineering, Volume 108. Canada: ISSN 0098-1354
B.M.S. Arifin, Zukui Li, Sirish L. Shah, Gordon A. Meyer, Amanda Colin,
A novel data-driven leak detection and localization algorithm using the Kantorovich
distance, In Computers & Chemical Engineering, Volume 108, 2018, Pages 300-
313, ISSN 0098-1354,
Calderón Jhon (2012). Método de detección y ubicación de fugas, en ductos de gran

longitud, mediante velocidad de propagación de onda de presión negativa, en ductos
con mediciones de presión multipunto (Tesis de Maestria) Instituto tecnológico y de
estudios superiores de monterrey. Monterrey, N.L
C. Sandberg, J. Holmes, K. McCoy, and H. Koppitsch, "The application of a continuous

leak detection system to pipelines and associated equipment," Industry Applications,
IEEE Transactions on, vol. 25, pp. 906-909,1989
139
K-IV-DIE-004 Rev: C 23-02-2016
“Costo por cada ataque petrolero suma $1.045 millones”, El Universal, 21 de junio de
2015, http://www.eluniversal.com.co/colombia/costo-por-cada-ataque-petrolero-
suma-1045-millones-197536.
Cui-wei Liu, Yu-xing Li, Yu-kun Yan, Jun-tao Fu, Yu-qian Zhang, A new leak location
method based on leakage acoustic waves for oil and gas pipelines, In Journal of
Loss Prevention in the Process Industries, Volume 35, 2015, Pages 236-246, ISSN
0950-4230.
Di Blasi y Muravchik, 2009

M. Di Blasi , C. MuravchikDetección de fugas en una tubería utilizando balance de
volumen de línea modificado y pruebas de probabilidad secuenciales
J. Presione. Vaso Technol. , 131 ( 2 ) ( 2009 ) , p. 021701
D. J. Z. D. L. Xu, "Real Time Pipeline Leak Detection on Shell's North Western Ethylene
Pipeline," IMechE, vol. C571,1999
E. A. García, "Detectando fallas mediante redundancia analítica," Ingenierías, vol. IV, junio
2001.
Estuelectronic. (06 de Agosto de 2012). ¿Que es y para que sirve Labview? Obtenido de
https://estuelectronic.wordpress.com/2012/08/06/que-es-y-para-que-sirve-labview
FLUKE. (s.f.). Cámara termográfica Industrial o Comercial Fluke Ti27. Recuperado el 12

de JUNIO de 2018, de
http://www.fluke.com/Fluke/mxes/Termograf%C3%ADa/Fluke-
Ti27.htm?PID=72281
FUGASCUENCA. (s.f.). Localización de fugas de agua por correlación. Recuperado el 12

de JUNIO de 2018, de http://www.fugascuenca.com/medios.html
FUJITECOM INC. (2010). Cómo trabajar el Noise Correlator LC-2500. Recuperado el 12

de JUNIO de 2018, de http://www.fujitecom.com/howto/LC2500.html
140
K-IV-DIE-004 Rev: C 23-02-2016
Fukushima et al., 2000
K. Fukushima , R. Maeshima , A. Kinoshita , H. Shiraishi , I. KoshijimaSistema de

detección de fugas de gasoductos utilizando el método de simulación en línea
Comput. Chem. Ing. , 24 ( 2 ) ( 2000 ) , pp. 453 – 456
Geiger, 2006
G. Geiger Estado de la técnica en detección y localización de fugas
Oil Gas Eur. revista , 32 ( 4 ) ( 2006 ) , pp. 193 - 198
Guoxi He, Yongtu Liang, Yansong Li, Mengyu Wu, Liying Sun, Cheng Xie, Feng Li, A
method for simulating the entire leaking process and calculating the liquid leakage
volume of a damaged pressurized pipeline, In Journal of Hazardous Materials,
Volume 332, 2017, Pages 19-32, ISSN 0304-3894.
Huang et al.,2007 Shih-Chu Huang , Lin Wuu-Wen , Meng-Tsan Tsai , Mao-Hsiung Chen
Sensor distribuido de fibra óptica en línea para la detección y localización de fugas
en la tubería Sensores Actuadores A , 135 ( 2007 ) , pp. 570 – 579
Jin et al., 2014 Hao Jin, Laibin Zhang, Wei Liang, Qikun Ding Modelo integrado de
detección y localización de fugas para gasoductos basado en el método de onda
acústica.
Kaijser, 1998
T. KaijserComputing the Kantorovich distance for images
J. Math. Imaging Vision , 9 ( 2 ) ( 1998 ) , págs. 173 – 191
La Torre y Mendivil, 2015

D. La Torre , F. MendivilLa métrica de Monge-Kantorovich sobre multimeasuras y
multimeasuras auto-similares
Variación de valor establecido. Anal. , 23 ( 2 ) ( 2015 ) , pp. 319 – 331
Marrugo Carreazo, D. E. (2012). DESARROLLO DE INSTRUMENTO VIRTUAL

ENFOCADO EN LA ADQUISICIÓN DE DATOS PARA GENERAR PERFILES DE
TEMPERATURA EN HORNOS. (Tesis de Pregrado). Ocaña.
141
K-IV-DIE-004 Rev: C 23-02-2016
M. Coramik, Y. Ege, Discontinuity inspection in pipelines: A comparison review, In

Measurement, Volume 111, 2017, Pages 359-373, ISSN 0263-2241.
M. Holland Derrame del oleoducto Trans-Alaska 5.000 barriles ( 2010 )

Disponible en linea http://www.adn.com/2010/05/28/1298543/alyeska-awaits-
federal-ok-to-restart.html
Miranda, Darío y Ricardo Restrepo. 2005. "Los derrames de petróleo en ecosistemas
tropicales – impactos, consecuencias y prevención: la experiencia de Colombia."
International Oil Spill Conference Proceedings no. 2005 (1):571-575
Murvay y Silea, 2012

PD. Murvay , I. Silea Una encuesta sobre detección de fugas de gas y técnicas de
localización J. Loss Prev. Process Ind. , 25 ( 6 ) ( 2012 ) , pp. 966 – 97
Paweł Ostapkowicz, Leak detection in liquid transmission pipelines using simplified

pressure analysis techniques employing a minimum of standard and non-standard
measuring devices, In Engineering Structures, Volume 113, 2016, Pages 194-205,
ISSN 0141-0296.
“Perdidos 4,1 millones de barriles de crudo en ataques,” El Colombiano, 2 de julio de 2015,

http://www.elcolombiano.com/colombia/perdidos-4-1-millones-de-barriles-de-
crudo-en-ataques-GA2233392.
PHMSA http://phmsa.dot.gov/pipeline/library/data-stats (disponible el 26.12.2016).
Reddy et al., 2011

HP Reddy , S. Narasimhan , SM Bhallamudi , S. BairagiDetección de fugas en
redes de gasoductos utilizando un estimador de estado eficiente. Parte I. Teoría y
simulaciones
Comput. Chem. Ing. , 35 ( 4 ) ( 2011 ) , pp. 651 – 661
Rettberg, Angelika y Prieto, Juan Diego, Conflicto Crudo: Petróleo Y Conflicto Armado en
Colombia (Conflicto crudo: petróleo y conflicto armado en Colombia) (28 de
142
K-IV-DIE-004 Rev: C 23-02-2016
febrero de 2016). Disponible en SSRN: https://ssrn.com/abstract=2739464 o

http://dx.doi.org/10.2139/ssrn.2739464.
Qu et al., 2010 Zhigang Qu, Hao Feng, Zhoumo Zeng, Jingchang Zhuge, Shijiu Jin A
SVM-based pipeline leakage detection and pre-warning system
Measurement, 43 (2010), pp. 513-519.
S. Chai, L. Dong, B. Zhang, and X. Chai, "Leak detection and localization of gas pipeline
system based on full dynamical model method," in Control Conference (CCC),
2011 30th Chínese, 2011, pp. 5894-5898
Shantanu Datta, Shibayan Sarkar, A review on different pipeline fault detection methods, In
Journal of Loss Prevention in the Process Industries, Volume 41, 2016, Pages 97-
106, ISSN 0950-4230.
Seolin Shin, Gunhak Lee, Usama Ahmed, Yongkyu Lee, Jonggeol Na, Chonghun Han,
Risk-based underground pipeline safety management considering corrosion effect,
In Journal of Hazardous Materials, Volume 342, 2018, Pages 279-289, ISSN 0304-
3894.
Tudorica, D., Paraschiv, N., Marinescu, C., Tudorica, B.

A robust wireless solution for leak detection & localization in oil pipelines (2017)
Proceedings of the 8th International Conference on Electronics, Computers and
Artificial Intelligence, ECAI 2016, art. no. 7861113.
Turkowski and Mateusz, "Methods and Systems of Leak detection in long range
Pipelines," pp. 32 - 52, 2008.
Vershik, 2006
Métrica de AM VershikKantorovich: historia inicial y aplicaciones poco conocidas
J. Math. Sci. , 133 ( 4 ) ( 2006 ) , pp. 1410 – 1417
143
K-IV-DIE-004 Rev: C 23-02-2016
Yang X., Jia L., Wang S., Wang J., (2014), Based on pressure gradient model to determine
leakage point in heating pipe network, Journal of Computer Modelling and New
Technologies, 18(5), pp: 253-256.
Y. Zhang , S. Chen , J. Li , S. Jin Sistema de monitoreo de detección de fugas en

oleoductos de larga distancia basado en un transmisor de presión dinámico
Measurement , 49 ( 3 ) ( 2014 ) , pp. 382 – 389
Zhang et al., 2015. Zhang , Y. Tan , X. Zhang , J. Zhao

Una nueva técnica híbrida para detección de fugas y ubicación en tuberías rectas
J. Loss Prev. Process Ind. , 35 ( 2015 ) , pp. 157 – 168.
144
K-IV-DIE-004 Rev: C 23-02-2016
Apéndice A
Ficha de Liquidación del Proyecto
I. Información básica del proyecto a liquidar
Investigadores Nombre Cédula

Investigador principal July Andrea Gómez Camperos 52954669
Coinvestigador 1 N/A
Coinvestigador 2 N/A
Cofinanciación Fondos DIE $0
Otros Aportes (Contrapartida)  Dirección Universidad Francisco de Paula Santander
Ocaña $7.381.593
 Departamento de Ingeniería Mecánica $10.000.000 en
contrapartida por el chasis 9178 , la tarjeta NI 9203 y 2
motobombas.
Valor total del proyecto $17.381.593
Duración 11 meses
Fecha iniciación 5 de febrero de 2018
Fecha terminación según cronograma 5 de enero de 2019
Fecha entrega informe final 21 de enero de 2019
Fecha suscripción Acta terminación (campo a
diligenciar por la División de investigación y
extensión)
II. Cumplimiento de compromisos de resultados
NOMBRE Y DATOS
COMPROMISOS SOPORTES QUE DEBEN
CANTIDAD ESPECÍFICOS DEL
ADQUIRIDOS ANEXARSE
PRODUCTO *
 En materia científica se
publicó un artículo en la
revista Contemporary Fotocopia del artículo con carátula de
Artículos Científicos en
Engineering Sciences revista y tabla de contenido o, carta
Revistas Indexadas 3
denominado “Experimental de la revista acusando recibo del
Homologadas
Study For Detection of leaks artículo sometido
in Horizontal Pipelines”.
ISSN: 1314-7641
145
K-IV-DIE-004 Rev: C 23-02-2016
 El articulo Experimental
study of pumps in a pipe
bank. Fue sometido a la
revista JOURNAL OF
PHYSICS: CONFERENCE
SERIES, ISSN 1742-6588
que esta categorizada ante
Colciencias en categoría B.
 El articulo Diagnosis of
horizontal pipe leaks using
neural networks. Fue
sometido a la revista
JOURNAL OF PHYSICS:
CONFERENCE SERIES,
ISSN 1742-6588 que esta
categorizada ante Colciencias
en categoría B.
 XIII Congreso Internacional
de Electrónica y Tecnología
Avanzada, realizado durante
los días 12,13 y 14 de
septiembre del 2018En
pamplona Norte de Santander.
con la ponencia: “Detection
system of critical Faults in
horizontal pipes”. Memorias
AVANCES RECIENTES EN
LA ELECTRÓNICA Y LAS
TECNOLOGÍA DE
AVANZADA con ISBN
Certificado o diploma de
978-958-56670-3-7.
Ponencias en Congresos 3 participación y presentación de
ponencia y programa del evento
 V Encuentro Internacional de
Innovación Tecnológica
realizado los días 10,11 y 12
de Octubre del 2018 en Ocaña
Norte de Santander. con la
Ponencia: Estudio
Experimental de bombas en
un banco de tuberías.
 5th International Week of

Science Technology
&Innovation Durante los días
20 al 23 de noviembre del
146
K-IV-DIE-004 Rev: C 23-02-2016
2018 en Ocaña con la

ponencia: Diagnostico de
Fugas en tuberías
Horizontales mediante Redes
Neuronales.
 Proyecto de grado sustentado

Desarrollo de un sistema para
la detección automática de
fugas en un banco de pruebas
de tuberías en la Universidad
Francisco de Paula Santander
Ocaña Acta de grado de
sustentación No.0032 del año
2018.
Trabajo de grado de
2 certificados pertinentes
pregrado  Proyecto de grado propuesto:
Análisis de un sistema de
tuberías con fuga utilizando
dinámica de fluidos
computacional (CFD)
mediante el software
OPENFOAM Tesis aprobada
por el comité de Ingeniería
Mecánica y con jurados
asignados
IV. Ejecución financiera
DIE FACULTAD DIRECCION UFPSO

Recursos otorgados para cofinanciar el 0 0 $7.381.593
proyecto
Recursos ejecutados 0 0 $7.381.593
Porcentaje de ejecución de los recursos 0% % 100%
Reintegro a la DEI o Fondo de Investigación 0 0 0
Revisión y observaciones sobre la ejecución

del presupuesto
147
K-IV-DIE-004 Rev: C 23-02-2016
V. Equipos y software adquiridos por el proyecto
Estado
(dar de baja, Persona a
Ubicación
Equipos y reparar, cargo a
No. Inventario de la dentro de Devolución a
software almacenar, partir de la
Universidad unidad la DIE?
adquiridos reasignar, fecha de
académica
entrega a al esta Acta
DIE)
2 transmisor 1660025430000100, Buen Laboratorio July No
de caudal 1660025430000200 estado de Fluidos Andrea
de la Gomez
UFPSO Camperos
2 Sensores de 1660021060002800, Buen Laboratorio July No
Presión 1660021060002900 estado de Fluidos Andrea
de la Gomez
UFPSO Camperos
1 variador de 1660025410000300 Buen Laboratorio July No
velocidad estado de Andrea
Neumática Gomez
de la Camperos
UFPSO
1 1660021770000800 Buen Laboratorio July No
Electrobomba estado de Andrea
Neumática Gomez
de la Camperos
UFPSO
VI. Concepto de la Dirección de Investigación:
Observaciones adicionales
148
K-IV-DIE-004 Rev: C 23-02-2016
En señal de conocimiento y aprobación lo suscribimos las partes interesadas hoy, ___ de___ de___
Firman:
DIRECTOR/A DE DIVISIÓN
DIRECTOR DEL GRUPO
DE INVESTIGACIÓN Y INVESTIGADOR PRINCIPAL
DE INVESTIGACIÓN
EXTENSIÓN
149
K-IV-DIE-004 Rev: C 23-02-2016
Apéndice B
Artículos de Investigación y certificados de sometimiento de artículos de
Investigación
150
K-IV-DIE-004 Rev: C 23-02-2016
151
K-IV-DIE-004 Rev: C 23-02-2016
152
K-IV-DIE-004 Rev: C 23-02-2016
153
K-IV-DIE-004 Rev: C 23-02-2016
154
K-IV-DIE-004 Rev: C 23-02-2016
155
K-IV-DIE-004 Rev: C 23-02-2016
156
K-IV-DIE-004 Rev: C 23-02-2016
157
K-IV-DIE-004 Rev: C 23-02-2016
158
K-IV-DIE-004 Rev: C 23-02-2016
159
K-IV-DIE-004 Rev: C 23-02-2016
En la figura 74. Muestra el correo donde el artículo titulado “ESTUDIO
EXPERIMENTAL DE BOMBAS EN UN BANCO DE TUBERÍAS” es aceptado para ser
sometido a la revista
Diario de Acceso Abierto de Física: Serie de Conferencias (JPCS), que forma parte de la
Serie de Conferencias IOP.
Figura 74. Correo de aceptación del evento para que el articulo sea sometido a la revista
160
K-IV-DIE-004 Rev: C 23-02-2016
Experimental study of pumps in a pipe bank

J Garcia-Guarin1, J A Gomez 2 and D A Contrearas1,2
1
Servicio Nacional de Aprendizaje SENA Tecnoparque nodo Ocaña, Línea de electrónica y
telecomunicaciones, Ocaña 546552, Norte de Santander, Colombia.
2
Universidad Francisco de Paula Santander Ocaña, Facultad de ingeniería, Ingeniería
mecánica, Ocaña 546552, Norte de Santander, Colombia.
Email: pjgarciag@unal.edu.co, jagomezc@ufpso.edu.co, dacontrerasn@ufpso.edu.co
Abstract. This paper presents an experimental study of radial flow propeller pumps in a
pipe bank. For the development of the research, flow and pressure sensors were used in
order to determine the fluctuations and the characteristics dynamics fluid of the pump. A
control system was used using a solid state relay to vary the speed of the pump and a virtual
platform coupled to a data acquisition system to characterize the network. The characteristic
curve of the propeller pump was obtained with a value of R2 = 0.97, in addition the
characteristic curves of the hydraulic network for turbulent flow are calculated with the
Reynolds number between 13821 and 81521. Finally, the volumetric losses are calculated in
the pipe, which equals 10% for a flow of 10 l / min and as the flow increases up to 6 times
the value decreases to 2%.
Palabras clave: Propeller pumps, hydraulic systems, characteristic curves, pressure.
1. Introduction
The transport of liquid volumes to distant areas and continuously is organized in hydraulic networks
whose applications extend to manufacturing processes, agriculture, food industry, public services
among others.
The pump is one of the main elements in a hydraulic installation has the function of circulating
water from the generator used in the hydraulic network. For this, the pump supplies a flow of water
whose pressure is sufficient to overcome the resistances along the distribution circuit. "Pumps are
machines designed to move incompressible fluids" [1].
There are two fundamental groups of pumps, called positive displacement and centrifugal effect.
The pumps of positive displacement are used to pump small flow to great heights, their operation is
based on extracting a defined volume independently of the revolutions of the engine, but of way
practically independent of the pressure.
The centrifugal effect pumps has main function is to transform in pressure the energy that comes
through the shaft that produces the rotation of the impeller. Centrifugal pumps are classified
according to the flow direction in radial flow, axial flow and radial-axial flow [2].
Radial flow pumps are used for high loads and small flow rates. The radial flow is developed
mainly due to the centripetal force. The axial flow pumps are used for high flow and low pressure
applications, the liquid enters and exits axially through the impellers.
In this experimental research we use a radial flow centrifugal pump coupled to a data acquisition
system to obtain the characteristic curves of both the pump and the piping system in order to design
the hydraulic networks.
161
K-IV-DIE-004 Rev: C 23-02-2016
This document is organized as follows: in section 2 it presents the characteristic curves of the
system; section 3 presents the experimental configuration used for the characterization of
centrifugal pumps in hydraulic networks; section 4 shows the results; and section 5 the conclusion
is presented.
2. Pump characteristic curves

The operation of a hydraulic network design is characterized by curves that describe its behavior
during its operation. These curves are called characteristic curves; These curves are plotted
according to the flow, pressure and efficiency.
2.1. Characteristic curve of pump operation
The characteristic curve of a pump shows the relationship between the discharge flow and the
energy that the pump adds to the fluid or dynamic height. As expected, the higher the flow rate of
the pump, the lower the energy that is added.
The operating curve of a pump is given for a determined engine speed and rotor diameter, in
Figure 1 a running curve of a centrifugal pump is shown. The total height delivered by the pump
decreases as the flow increases.
Figure 1. Operating curve of a pump [3]. Figure 2. Curve of the efficiency of a pump [3].
The Bernoulli equation is used to calculate the total height delivered by the pump between
suction and discharge as shown in equation 1.
P1 V2 P V2
 Z1  1  hA  2  Z 2  2
 2g  2g (1)
2.2. Characteristic curve of the efficiency of the pump
The efficiency of the pump is measured in how well it can convert the shaft power into
hydraulic power. Since the power of the shaft is also available in graphs of open access,
then, in addition, efficiency can be calculated. However, there is no simple analytical model
for shaft power. Therefore, the adjustment of the power curve of the axis is done using a
low-order polynomial adjustment locally weighted [4].
Figure 2 shows the efficiency curve of a centrifugal pump. The value of the efficiency is
zero when the flow is zero as the flow increases the efficiency increases to a maximum
162
K-IV-DIE-004 Rev: C 23-02-2016
value, called the maximum performance point. When it reaches the point of maximum
performance, when the flow increases, the efficiency decreases.
Equation 2 expresses the mathematical form that is used to calculate the efficiency of a
pump.
Ph
Pe 
 (2)
2.3. Pumping system characteristic curve

A pumping system curve shows the required pumping height as a function of the flow rate at a
constant speed of rotation. The pumping height required by the system is equal to the elevation of
the pump that must provide the fluid plus the total loss of load throughout the system. It consists of
varying the flow that circulates through the same system, restricting the percentage of the valve
opening in the discharge line.
Another way to obtain the curve of the system is by varying the revolutions of the engine. This
method requires that the operating point be known at a given speed of rotation.
Figure 3. Characteristic curve of the pumping Figure 4. Curve of the efficiency of a pump
system [4]. [4].
In the operating range of the pump, it presents operating efficiencies higher than 60%; otherwise, it
is convenient to modify the diameters of the pipes or change the pump. By varying the diameter of
the impulsion or suction pipe, the characteristic curve of the system is modified, increasing or
decreasing the energy losses.
3. Materials and methods

The radial pump is characterized in 5 phases that include the assembly of the hydraulic system,
electronic, data acquisition and control.
3.1. Hydraulic system
163
K-IV-DIE-004 Rev: C 23-02-2016
The test bench as shown in figure 5. It is composed of a water circulation line, two radial flow
centrifugal pumps, two water tanks, two pressure sensors, two flow sensors, a data acquisition
system , and a control system using solid state relay.
Figure 5. Experimental diagram of the test Figure 6. Curve of the efficiency of a pump.
bench. Source: Manufacturer.
The main instruments used in the test bench are listed in table 1.
3.2. Pressure sensor
The pressure sensors MPX10DP were used to carry out this investigation as shown in figure 6. The
MPX10DP is a non-compensated silicon pressure sensor with double port for environmental control
systems and level indicators. The piezoresistive silicon pressure sensor of the MPX10 series
provides a very precise linear voltage output, directly proportional to the applied pressure. This
standard uncompensated sensor allows manufacturers to design and add their own external
temperature compensation and signal conditioning networks. The compensation techniques are
simplified by the predictability of the NXP simple element extensiometric design.
Table 1. Main instruments used in the experiment.

Instrument Type Parameters Measuring range
Pressure gauge MPX10DP Pressure at the 0kPa~10kPa
entrance and exit
Flowmeter YF – S201 Flow at the entrance 1 – 30 l / min
and exit
Data acquisition card Arduino card one Data acquisition N/A
system
Pumb Radial flow centrifugal Pumping system Potencia: 32 W
pump Voltaje: 120 v
Solid state relay ASH-C 25VA Crop the waveform 24-480Vac, 25º
3.3. Flow Sensors
For the assembly, two reference flow sensors YF - S201 were used as shown in figure 7.
164
K-IV-DIE-004 Rev: C 23-02-2016
Figure 7. Flow sensor. Source: Figure 8. Virtual Instrument.

Manufacturer.
This type of sensors the vanes are perpendicular to the flow are not parallel as in the turbine
sensors, due to the solid design of the rotor, which does not include a ball bearing, this sensor is
very tolerant to particles in the flow line and does not require filters. Because the blades must have
a transverse contact with the flow, the rotor insertion depth and proper flow profile are fundamental
for the precise performance of the flow meter. Figure 7 shows the schematic of a vane sensor [5].
3.4. Data Acquisition System
For data acquisition, the pressure and flow sensors through reference MPX10DP and YF-S201,
respectively, were used, an Arduino ONE card (the response speed of the Arduino card is in the
order of 112 μs (Arduino ref), which is satisfactory for the speed of change of the flow), a graphical
interface Procesing that allows to collect the data in a table in Excel in order to perform the
respective analysis.
3.5. Control System
In the process, a flow variation was developed through a solid state relay with the purpose of
varying the flow and thus determining changes in the pressure level during the process. The tests
were carried out with a period of approximately 40 minutes. The control system was validated
through a virtual instrument developed in Labview, allowing to obtain the data from the sensors to
characterize the pump as shown in Figure 8.
4. Results: Analysis of the hydraulic network
The test was mounted to characterize the pump and the hydraulic system, however there was a
difference between the flow at the outlet of the propeller pump located at point 1 of Figure 9 and
point 2 at the end of the pipe.
Therefore, the percentage of volumetric losses along the pipeline was quantified as shown in
Figure 10. In spite of not having a good fit with an R2 = 0.1597 for an adjustment of a 4th degree
polynomial; A decrease in the percentage of losses was found from 10% to 2.5%, when the flow
increased from 10 to 62 l / min.
165
K-IV-DIE-004 Rev: C 23-02-2016
Figure 9. Testing bench. Figure 10. Percentage of volumetric losses.

The periodic flow rate of the pump was tested, Fourier series were used for the purpose
of finding the amplitude and frequency of oscillation. A R2 = 0.7 was obtained from the
periodicity analysis (see equation 3 and Figure 11). The frequency is equal to 0.2011.
Q(t )  8,509  0,04102cos  0,02011t   0,01706sin  0,02011t  (3)
The propeller pump was characterized taking it to the steady state and at the end of the pipeline
where the volumetric losses were negligible, in Figure 12 the pump adjustment graph is presented
with R2 = 0.9791 [6-8]. It is located below of level water to avoid the cavitation [9,10].
Figure 11. Periodic regression of the pump. Figure 12. Pump adjustment graph.
To calculate the value of the losses in the pipe, the Reynolds numbers whose values oscillate
between 10000 and 80000 are evaluated as shown in Figure 13. It is calculated with Darcy’s Law
[11].
166
K-IV-DIE-004 Rev: C 23-02-2016
Figure 13. Periodic regression of the pump. Figure 14. Graph of losses in the pipeline.
The expression allows calculating the friction factor for turbulent flow [12] in Equation 4.
0.25
f  2 (4)
  1 5.74  
log  3.7 * D /   Re0.9  
  
Table 2 shows the calculation of minor losses for the accessories.
Table 2. Coefficient of minor losses (K) [7].
Losses K K total
Entry 1 1
3 Elbows 90º 0.81 2.43
Expansion 0.36
Contraction ASH-C 25VA 0.32
5. Conclusion
For a propeller pump the percentage of volumetric losses is calculated from the
difference in flow between the inlet and outlet of the pipe connected to the pump. Losses
equivalent to 10% of the total flow are determined which decrease to 2% as the flow
increases. The losses in the pipeline are calculated for a Reynolds number between 13821
and 81521, therefore the flow is turbulent. The values of losses in the pipeline and
accessories are used to correct the characteristic curve of the pump, this methodology was
used because it was not possible to stabilize the flow values at the outlet of the pump. This
is because the flow was periodic with a frequency of 0.02011 rad / s with an R2 of 70 %.
The characteristic curve adjusted with R2 = 97.91%, so it is possible to calculate its
operating point to design hydraulic networks.
References
[1] Pfleiderer C 1960 Bombas centrífugas y turbocompresores In Bombas centrífugas y

turbocompresores Labor 1-633
167
K-IV-DIE-004 Rev: C 23-02-2016
[2] González J Parrondo J Fernández L and Fernández J 2000 Efecto del punto de
funcionamiento de las bombas centrífugas sobre las fluctuaciones de presión en la
voluta a la frecuencia de paso de álabes. In Anales de Ingeniería Mecánica 13
1129-1136
[3] Calahorrano Pérez C I Díaz Á and Miguel F 2011 Diseño y construcción de un banco
de pruebas para bombas centrífugas conectadas en serie y paralelo Bachelor's
thesis
[4] Guanutaxi and Gustavo J 2012 Diseño y construcción de un banco de pruebas

para ensayos de pérdidas de carga en tuberías y accesorios. 1-137 Bachelor's
thesis
[5] Pedrosa Astudillo A A and Campoverde Martínez P J 2011 Automatización del banco
de pruebas para bombas centrífugas del laboratorio de máquinas hidráulicas de
la Universidad Politécnica Salesiana Sede-Cuenca Bachelor's thesis
[6] Dash N Roy A K and Kumar K 2018 Design and optimization of mixed flow pump
impeller blades by varying semi-cone angle In IOP Conference Series: Materials
Science and Engineering 330(1) 1-7
[7] Bosioc A I Muntean S Draghici I and Anton L E 2016 Hydrodynamic Analysis of the
Flow in an Axial Rotor and Impeller for Large Storage Pump In IOP Conference
Series: Earth and Environmental Science 49(3) 1-7
[8] Long Y Yin J L Wang D Z and Li T B 2016 Study on the effect of the impeller and
diffuser blade number on reactor coolant pump performances In IOP Conference
Series: Materials Science and Engineering 129(1) 1-7
[9] Shi Y Pan G Huang Q and Du X 2015 Numerical Simulation of Cavitation

Characteristics for Pump-jet Propeller In Journal of Physics: Conference Series
640(1) 1-7
168
K-IV-DIE-004 Rev: C 23-02-2016
[10] Hosono K Kajie Y Saito S and Miyagawa K 2015 Study on cavitation influence for
pump head in an axial flow pump. In Journal of Physics: Conference
Series 656(1) 1-7
[11] Duran-Pinzón M Páez-Arango J and García-Guarín P J 2018 Numerical modeling

and experimental analysis for flows in a homogeneous porous medium through
soils Iteckne 15(1) 24-33
[12] Mott R L 2006 Mecánica de fluidos Pearson educación 6 1-647
169
K-IV-DIE-004 Rev: C 23-02-2016
La figura 75 ilustra la carta de aceptación del artículo titulado “DIAGNÓSTICO DE
FUGAS EN TUBERÍAS HORIZONTALES MEDIANTE REDES NEURONALES”. la
figura 76. Muestra que va ser sometido a la revista Diario de Acceso Abierto de Física:
Serie de Conferencias (JPCS), que forma parte de la Serie de Conferencias IOP.
Figura 75. Carta de aceptación de la ponencia
170
K-IV-DIE-004 Rev: C 23-02-2016
Figura 76. Muestra que va ser sometido a la revista Diario de Acceso Abierto de Física:
Serie de Conferencias (JPCS)

171
K-IV-DIE-004 Rev: C 23-02-2016
Diagnosis of horizontal pipe leaks using neural networks

J A Gómez-Camperos1, E E Espinel-Blanco2 and F J Regino-Ubarnes1
1
. Francisco de Paula Santander University Ocaña, Research group INGAP, Faculty of
Engineering, Mechanical Engineering, Ocaña 546552, Norte de Santander, Colombia.
2
Universidad Francisco de Paula Santander Ocaña, Research group GITYD, Faculty of
Engineering, Mechanical Engineering, Ocaña 546552, Norte de Santander, Colombia.
Email: jagomezc@ufpso.edu.co, eeespinelb@ufpso.edu.co, fjreginou@ufpso.edu.co
Abstract. This document presents an experimental study that supports probabilistic

decisions based on neural networks to detect the presence of leaks in pipeline transport
systems. The probabilistic model correlates the measurements of the inlet and outlet
pressures and the flow to leakage state. The study and experimentation presented in this
work are based on information acquired by simulating the behavior of the fluid in a pilot
tube installed in the Fluid Mechanics laboratory of the Francisco de Paula Santander
University Ocaña (UFPSO). Finally, experimental tests were carried out to obtain the data
of the physical variables of the flow sensors at the entrance and exit, with these data a
multilayer Perceptron neural network (MLP) was trained. The results obtained from the test
sets, with intentionally caused leaks, showed that the structure of the multilayer Perceptron
neural network was able to detect leaks in the pilot tubes. The properties of the Multilayer
Perceptron Neural Network (MLP) feature noise immunity characteristics, a parallel
structure and correspondingly fast processing and sorting capabilities that provide good leak
detection performance.
Keywords: Keywords: Neural Networks, Multilayer Perceptron, Hydraulic Piping, Fault

Detection, Piping Monitoring.
1. Introduction
The transportation of fuels by pipeline is considered a safe and low operational cost method.
However, possible product leaks or spills can cause serious consequences. In addition to the
economic losses presented by the lost product, process stoppage and damage repair, insurmountable
environmental and social losses can occur, such as the death of human beings, irreparable
environmental damage and damage to endemic species, among others. [1].
One of the main problems is associated with the operation and safety of pipelines transporting
chemicals, petrochemicals, gasoline and gas. In recent years, intensive work has been carried out to
increase safety, reliability and availability in the pipeline network, through large investments to
prevent pipeline product theft and pipeline leaks.
Over the years, different types of methods have been implemented in the field of Pipeline leak
detection, External or Dependent Methods such as visual, acoustic, negative pressure and sampling
techniques, which have been used in a qualitative and not very precise way. Internal or Non-
Dependent methods are widely used today as they do not require human intervention such as
172
K-IV-DIE-004 Rev: C 23-02-2016
pressure and flow changes, mass balances, pressure point analysis, and dynamic modeling, and
other technologies have been used for years. [2].
The different techniques associated with artificial intelligence and expert systems such as Fuzzy
Logic, Neural Networks, Genetic Algorithms, and Rule-Based Systems have opened up a new
possibility in the implementation of advanced controls and process optimization systems, where
experience and knowledge of processes and their behavior are the basis for implementation. [4].
In this work, a proposal for a method of detecting leaks in pipes using techniques used in
artificial intelligence is presented. The advantage of this approach is that unlike analytical methods,
it is not necessary to know the mathematical model that describes the dynamics of fluid transport in
the piping. This makes it applicable to any type of fluid or piping as it only requires two flow
measurements.
This document is organized as follows: Section 2 presents the methods of pipe fault detection using
Neural Networks; Section 3 presents Experimental Configuration and Data Collection; Section 4
shows the results; section five presents the conclusions.
2. Fault detection using neural networks
Artificial neural networks are specialized computer systems that can be implemented in both
hardware and software and are used to represent complex functions in many fields of application.
Historically, these systems tried to simulate the processes developed by the brain, which processes
information, combines or compares it with stored information and gives adequate answers even to
new situations [5].
2.1. Neuronal Fault Diagnosis System
La tarea principal de un sistema de diagnóstico de falla es el de determinar la localización y la

magnitud de una posible falla. Basándose en el comportamiento y el conocimiento de un proceso,
haciendo uso del modelo matemático o uno cualitativo [6].
Figura 1. Detección de fugas utilizando el método Figura 2. Red Neuronal Perceptron Multicapa
De residuos [7] [8]. [9].
Figure 1 shows the general structure of a model-based fault diagnosis system[7] [8]. It can be
observed that the fault diagnosis procedure in a dynamic system is divided into two stages: the
generation of the residue and the evaluation of the residue.
173
K-IV-DIE-004 Rev: C 23-02-2016
The residual value r is determined as the difference between the measuring process of the Ys
signal and the output of the respective model. Models are built for fault-free states for leak-sensitive
variables. When a leak occurs, the Ys measurement signal behaves differently than Modeling for a
flawless state. This results in the generation of the residual value r, which signals a faulty process
state.
2.2. Multilayer Perceptron
The multi-layer perceptron is a network in which neurons are grouped into layers as
shown in Figure 2. This network has an input layer, 1 or more hidden layers, and an output
layer. The main task of the input layer is to pre-process the input data and pass it to the
elements of the following layers. This pre-processing can be scaling, filtering or data
normalization. The fundamental processing of the network is carried out in the hidden
layers and in the output. It is necessary to emphasize that the connections between neurons
are designed in such a way that each element of the previous layer is connected to each
element of the next layer. [10].
2.3. Methodology to diagnose the leak in the experimental pipe.
The schemes for diagnosing leaks in the experimental piping are shown in figures 3 and 4, which
are divided into two fundamental stages: learning stage and monitoring stage.
Figure 3. Learning stage. Figure 4. Monitoring Stage.
174
K-IV-DIE-004 Rev: C 23-02-2016
In the Learning Stage, the objective of this stage is to characterize the leakage or non-
leakage changes as a function of the input flow and output flow. The implemented neural
network is of the multilayer perceptron type (MLP). The network has 4 input and 2 output
variables. This network estimates whether or not there is leakage under different conditions
of the piping system. The number of neurons in the hidden layer is estimated by trial and
error until the best network configuration is obtained.
In the monitoring stage, flows and pressures are recorded both at the inlet and outlet of the
piping system, and the neural network is evaluated. It is then calculated and compared with
the alertness level. If it is found to be higher than the alertness level, it can be stated with
some level of confidence that there is a leak in the system; otherwise, the data records are
recorded again and this indicator is constantly evaluated.
3. Experimental configuration and data collection.
3.1. Pilot Tube
The work is based on experimental data; the first step was to build an experimental piping
installed in the Fluid Mechanics laboratory of the Francisco de Paula Santander University Ocaña
(UFPSO). A schematic diagram of the experimental configuration of the piping, transmitters and
data recording system is given in Figure 5. The data recording system is designed and implemented
based on National Instrument technology, by means of a Virtual Instrument and a NI cDAQ-9178
chassis with a NI 9203 module to capture the values of the variables to be studied and transmit them
to a database accessible on a PC. The components used are described in Table 1 [11].
Figure 5. Schematic diagram of the experimental piping configuration in SolidWorks.
175
K-IV-DIE-004 Rev: C 23-02-2016
Table 1. Main Components Used in the experiment.

Instrument Type Parameters Measurement range
Flow Meter SBG434 Inlet and outlet flow. 0 to 35 L/min
Pressure Gauge PG2454 Inlet and outlet 0 to 60 psi

pressure
Data acquisition card NI cDAQ-9178 and Data acquisition N/A
NI 9203 card system
Pump WATER PUMP QB - Pumping system r.p.m 3450 1./min
60 Voltage: 120 v
3.2. Sensors
In this experiment two PG2454 Pressure sensors and two SBG434 flow sensors were used as
shown in figures 6 and 7. They comply with the operating characteristics of the system.
Figure 6. Pressure Sensor Figure 7. Flow Sensor.

3.4. Data Acquisition System
For the data acquisition system, the NI cDAQ-9178 chassis and NI 9203 card from National
Instruments were used. For the development of the research, a user interface was created, which
provides the operator with flow and pressure data, graphs and controls for the correct visualization
and automation of the leak detection system.
This screen shows a Virtual Instrument that allows visualizing the graphs of the inlet
flow, the outlet flow, the inlet pressure, the outlet pressure, it is possible to visualize
independently how each signal behaves and the data recorded from the system is visualized
in a table. In this same screen, when the differences in flow rates and pressure are lower
than the lower limit established in the leak detection algorithm, a message is displayed
saying "a leak has been detected", the data is saved in an Excel file and then processed [12].
176
K-IV-DIE-004 Rev: C 23-02-2016
Figure 8. Leak Detection VI Graphical Interface (instant in which the leak is

detected)
4. Results:
The data collected are used in the development of the leak detection system based on the multilayer
Perceptron Neural network. In general, the Neural Networks have to perform classification tasks,
i.e. they classify the incoming flow data of input and output flow in a state of leakage or without
leakage. Therefore, data for network training is developed with four input values corresponding to
inlet pressure, outlet pressure, and inlet and outlet flow. In addition, they have two output neurons;
namely, leaks and no leaks neurons.
For the development of the neural network the Matlab NNtool was used, to which were entered
the data of the subtraction of the input flow minus the output flow as input data (Imput Data), and a
vector of zeros and some as objective data (Target Data). A Feed - Forward Back propagations
neural network was created with 10 neurons, trained, resulting in 10 iterations.
Figure 12 traces the training, validation and test performances given the TR training record
returned by the function-train.
Figure 12. Best validation performance
A Matlab simulink block was developed with the neural network, and then fed with inlet and
outlet flows.
177
K-IV-DIE-004 Rev: C 23-02-2016
Figure 13. Validación de la red neuronal en simulink
Figure 14 shows the response of the neural network to a leak in a given instant of time. It can be
seen that in the instant that there is a change in the flow of outputs (320s) the neural network sends
a one to the output, generating a leak detection alert.
Figure 14. Neural network response to a leak

5. Conclusion
5. Conclusion
The multilayer Perceptron Neural Network has noise immunity characteristics, as it is
able to identify patterns in the training dataset.
The multilayer Perceptron Neuronal network shows a correspondingly fast processing
and sorting capability that provides good performance in leak detection.
References
[1] J. I. BARRADAS CASTILLO, “DETECCIÓN DE FUGAS EN TUBERÍAS

USANDO REDES NEURONALES ARTIFICIALES,” NSTITUTO
TECNOLÓGICO Y DE ESTUDIOS SUPERIORES DE MONTERREY, 2009.
[2] M. B. Abdulla and R. Herzallah, “Probabilistic multiple model neural network based
leak detection system: Experimental study,” J. Loss Prev. Process Ind., vol. 36, pp.
30–38, 2015.
[3] W. Guevara, A. Valera Cárdenas, and J. A. Gómez Camperos, “Metodología para
evaluar el factor confiabilidad en la gestión de proyectos de diseño de equipos
industriales,” no. c, pp. 129–141, 2015.
[4] S. Heo and J. H. Lee, “Fault detection and classification using artificial neural
178
K-IV-DIE-004 Rev: C 23-02-2016
networks,” IFAC-PapersOnLine, vol. 51, no. 18, pp. 470–475, 2018.

[5] T. Villegas Berbesi, “APLICACIÓN DE TÉCNICAS ROBUSTAS PARA
DETECCIÓN Y DIAGNÓSTICO DE FALLOS,” 2012.
[6] P. C. Pandey and S. V. Barai, “Multilayer perceptron in damage detection of bridge
structures,” Comput. Struct., vol. 54, no. 4, pp. 597–608, 1995.
[7] M. B. Abdulla and R. Herzallah, “Probabilistic multiple model neural network based
leak detection system: Experimental study,” J. Loss Prev. Process Ind., vol. 36, pp.
30–38, 2015.
[8] K. Rostek and A. Jankowska, “Early detection and prediction of leaks in fluidized-
bed boilers using artificial neural networks,” Energy, vol. 89, pp. 914–923, 2015.
[9] M. Zadkarami, M. Shahbazian, and K. Salahshoor, “Pipeline leakage detection and
isolation: An integrated approach of statistical and wavelet feature extraction with
multi-layer perceptron neural network (MLPNN),” J. Loss Prev. Process Ind., vol.
43, pp. 479–487, 2016.
[10] T. Waqar and M. Demetgul, “Thermal analysis MLP neural network based fault
diagnosis on worm gears,” Meas. J. Int. Meas. Confed., vol. 86, pp. 56–66, 2016.
[11] J. A. Gómez Camperos, F. J. Regino Ubarnes, and P. J. García Guarín,
“DETECTION SYSTEM OF CRITICAL FAULTS IN HORIZONTAL PIPES
SISTEMA,” 2018.
[12] D. E. Marrugo Carreazo, G. Guerrero Gómez, and J. A. Gómez Camperos,
“DEVELOPMENT VIRTUAL INSTRUMENT FOCUSED ON DATA
ACQUISITION TO GENERATE TEMPERATURE PROFILES IN OVENS,” vol.
08, pp. 47–58, 2015.
179
K-IV-DIE-004 Rev: C 23-02-2016
Apéndice C
Ponencias en Congresos.
Evento: XIII Congreso Internacional "Electrónica y Tecnologías de Avanzada
La figura 78, muestran el registro fotográfico del evento. Se participó con la ponencia:
Detection system of critical Faults in horizontal pipes”.
Figura 78. Muestra del registro fotográfico del evento
180
K-IV-DIE-004 Rev: C 23-02-2016
181
K-IV-DIE-004 Rev: C 23-02-2016
182
K-IV-DIE-004 Rev: C 23-02-2016
183
K-IV-DIE-004 Rev: C 23-02-2016
184
K-IV-DIE-004 Rev: C 23-02-2016
185
K-IV-DIE-004 Rev: C 23-02-2016
186
K-IV-DIE-004 Rev: C 23-02-2016
187
K-IV-DIE-004 Rev: C 23-02-2016
188
K-IV-DIE-004 Rev: C 23-02-2016
189
K-IV-DIE-004 Rev: C 23-02-2016
190
K-IV-DIE-004 Rev: C 23-02-2016
191
K-IV-DIE-004 Rev: C 23-02-2016
192
K-IV-DIE-004 Rev: C 23-02-2016
193
K-IV-DIE-004 Rev: C 23-02-2016
Evento: V ENCUENTRO INTERNACIONAL DE INNOVACIÓN TECNOLÓGICA
V Encuentro Internacional de Innovación Tecnológica realizado los días 10,11 y 12 de
Octubre del 2018 en Ocaña Norte de Santander. Se participó con la Ponencia: Estudio
Experimental de bombas en un banco de tuberías la figura 79 muestra el certificado de la
ponencia.
Figura 79. Certificado de la ponencia
194
K-IV-DIE-004 Rev: C 23-02-2016
Evento: V SEMANA INTERNACIONAL DE CIENCIA TECNOLOGÍA E
INNOVACIÓN DEL 20 AL 23 DE NOVIEMBRE DE 2018
5th International Week of Science Technology &Innovation Durante los días 20 al 23 de
noviembre del 2018 en Ocaña con la ponencia: Diagnostico de Fugas en tuberías
Horizontales mediante Redes Neuronales. La figura 80 muestra el certificado de la
ponencia.
Figura 80. Certificado de la ponencia
195
K-IV-DIE-004 Rev: C 23-02-2016
Apéndice D
Actas de Tesis de grado.
Tesis de Pregrado: Desarrollo de un sistema para la detección automática de fugas en un
banco de pruebas de tuberías en la Universidad Francisco de Paula Santander Ocaña.
La figura 81. Muestra el acta de sustentación del proyecto de pregrado.
La figura 81. Acta de sustentación de tesis de pregrado.

196
K-IV-DIE-004 Rev: C 23-02-2016
Tesis de Pregrado: Análisis de un sistema de tuberías con fuga utilizando dinámica de
fluidos computacional (CFD) mediante el software OPENFOAM
La figura 82 muestra el acta de entrega del anteproyecto.
La figura 82. Acta de anteproyecto.
197

K-IV-DIE-004 - GUÍA INFORME FINAL DE PROYECTOS - Rev C Final PDF

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

K-IV-DIE-004 - GUÍA INFORME FINAL DE PROYECTOS - Rev C Final PDF

Enviado por

Direitos autorais:

Formatos disponíveis

K-IV-DIE-004 Rev: C 23-02-2016

SISTEMA PARA DETECCIÓN DE FALLOS CRÍTICOS (FUGA DEL

JULY ANDREA GÓMEZ CAMPEROS

Resumen .............................................................................................................................. 4-5

En la actualidad existe una creciente preocupación sobre el cuidado de los recursos

naturales en general. La seguridad y confiabilidad de las tuberías de transporte de

hidrocarburos representan un aspecto crítico para la industria Petrolera. Las fallas en la

incluso la ruptura, lo que puede tener un impacto negativo en la población, el entorno

natural, la infraestructura y la economía.

La importancia de la detección oportuno de fallas mediante métodos sistemáticos y

automáticos en el oleoducto es una valiosa herramienta en la operación, en el entendido de

Esta investigación centro su atención en el desarrollo de tres (3) técnicas de detección de

diseño del experimento el cual fue instalado en el laboratorio de fluidos de la Universidad

las técnicas de detección de fugas.

Se consideró la presión y el flujo, como variables principales del sistema, se implementó

eficiente para detectar la fuga pero no para ubicarla.

logró en la investigación la detección de la fuga, y faltaron tener del modelo experimental o

de un modelo simulado más datos para poder ubicar la fuga.

posterior desarrollo del controlador difuso que va a monitorear y a localizar la sección

sistema se comprobó el correcto funcionamiento del sistema de monitoreo y de la ubicación

la tubería, bajo los criterios antes mencionados.

transportado de un punto a otro. La detección de fugas en los sistemas de distribución

especialmente de petróleo, se ha vuelto primordial en países desarrollados. Esto se debe a

más de cien años.

lo tanto, la vigilancia de fugas es importante en la gestión de tuberías por razones de

Debido a la creciente importancia de este problema, se han desarrollado varios métodos

electromagnéticas, el cual consiste en mandar una onda a través de la tubería y seguir su

debe literalmente “Escuchar” a la tubería, ya que se basan en la detección de ruidos

Todos estos métodos tienen grandes inconvenientes, como costos elevados de

implementación y de mantenimiento, en el caso del acústico y del electromagnético el ruido

características que se presentan al existir una fuga en un sistema, en vez de caracterizarlo

completamente. Al utilizar el conocimiento de los diferentes métodos en conjunto, además

precisión en la detección y ubicación de dichas fugas.

2. Planteamiento de la Pregunta o Problema de Investigación y su Justificación

La Industria petrolera a nivel mundial y nacional ha presentado grandes pérdidas a nivel

terreno, sismos, tsunamis, fenómenos geodinámicas, inundaciones, Fatiga, Sabotaje o

Para el desarrollo de la propuesta se llevó a cabo una revisión de antecedentes del

problema, la cual arrojo los resultados que se presentan a continuación:

Departamento de Transporte de Estados Unidos y de la Administración de Seguridad de

total causado por los accidentes es de aproximadamente 7 mil millones de dólares

estadounidenses (PHMSA 2016).

el Oleoducto Transandino, que provocó el derrame de 410.000 galones de crudo y

suministro por más de un mes. (Rettberg y Prieto 2016).

Figura 1. Atentados contra oleoductos

Fuentes: 2000-2002: Presidencia de la República (2009); 2003-2014: Ministerio de

pocos sitios en el mundo en donde se realizan sabotajes a la infraestructura petrolera con

parar a cuencas y ecosistemas tropicales.

2.2 Planteamiento del problema

que se transportan los combustibles necesarios para su supervivencia y desarrollo.

tienen que cumplir con altas exigencias de seguridad, fiabilidad y eficiencia.

La mayor parte de ductos y tuberías, independientemente de lo que transportan, están

protecciones como revestimientos aislantes con diferentes polímeros y/o protección

catódica, las tuberías se irán deteriorando debido a la corrosión, deslizamientos o

asentamientos geológicos, variaciones climatológicas y desgaste provocando eventualmente

proceso y reparación del daño, pueden presentarse pérdidas ambientales y sociales

insalvables como la muerte de seres humanos, perjuicios ambientales irreparables y daño a

especies endémicas entre otras.

se presenta con frecuencia y se denomina comúnmente toma clandestina u ordeño de

ductos, en los que la delincuencia organizada extrae combustible para venderlo.

Ante lo planteado surge la siguiente pregunta de investigación:

¿Es posible implementar un sistema de detección de fugas de producto mediante técnicas y

sensoria asociada para mejorar la confiabilidad y la seguridad de los oleoductos en la

En Colombia y en el mundo el derrame o pérdida de petróleo representan un problema