Tese Doutorado 2003 (PUC-Rio) - Análise de Risco em Dutos (Lógica Nebulosa Ao Modelo Muhlbauer)

Alberto Edwin Ildefonso Alvino
Aplicação da Lógica Nebulosa ao Modelo Muhlbauer

Para Análise de Risco em Dutos
PUC-Rio - Certificação Digital Nº 9925055/CA
Tese de Doutorado
Tese apresentada como requisito parcial para obtenção do grau de
Doutor pelo Programa de Pós- Graduação em Engenharia Mecânica
do Departamento de Engenharia Mecânica do Centro Técnico
Científico da PUC-Rio.
Orientador: José Luiz de França Freire
Rio de Janeiro
Dezembro de 2003
II
Aplicação da Lógica Nebulosa ao Modelo

Muhlbauer para Análise de Risco em Dutos
Tese apresentada como requisito parcial para

obtenção do grau de Doutor pelo programa de Pós –
graduação em Engenharia Mecânica do Departamento
de Engenharia Mecânica do Centro Técnico Científico
da PUC-Rio. Aprovada pela Comissão Examinadora
abaixo assinada.
Prof. José Luiz de França Freire

Orientador
Departamento de Engenharia Mecânica - PUC-Rio
Prof. Arthur Martins Barbosa Braga

Prof. Carlos Valois Maciel Braga

Prof. Tito Luiz da Silveira

Escola de Engenharia – UFRJ
Prof. Nelson Francisco Favilla Ebecken

COPPE / UFRJ
Prof. Ney Augusto Dumont

Coordenador Setorial do Centro Técnico Científico – PUC-Rio
Rio de Janeiro, 17 de Dezembro de 2003

III
Todos os direitos reservados. É proibida a reprodução total ou parcial

do trabalho sem a autorização da universidade, da autora e do
orientador
Graduou-se em Engenharia Mecânica na Universidade Nacional de

Engenharia em 1994. Cursou o Mestrado em Engenharia Mecânica em
2000 na PUC-Rio
Ficha Catalográfica
Alvino, Alberto Edwin Ildefonso
Aplicação da lógica nebulosa ao modelo Muhlbauer

para análise de risco em dutos / Alberto Edwin
Ildefonso Alvino; orientador: José Luiz de França
Freire. – Rio de Janeiro : PUC, Departamento de
Engenharia Mecânica, 2003.
223 f. : il. ; 30 cm
Tese (doutorado) – Pontifícia Universidade Católica

do Rio de Janeiro, Departamento de Engenharia
Mecânica.
Inclui referências bibliográficas.
1. Engenharia mecânica – Teses. 2. Análise de

risco. 3. Modelo Muhlbauer. 4. Lógica nebulosa. 5.
Dutos. I. Freire, José Luiz de França. II. Pontifícia
Universidade Católica do Rio de Janeiro. Departamento
de Engenharia Mecânica. III. Título.
CDD: 621
IV
Agradecimentos
Ao professor José Luiz de França Freire, pela orientação durante o desenvolvimento do curso
de Doutorado.
A CNPQ, pelo suporte financeiro.

Aos professores da PUC – RIO pelo ensino e ajuda, que me serviram, para poder culminar o
presente trabalho.
A todos os colegas da pós-graduação, pelos momentos de amizade.
A todos os funcionários do departamento de Engenharia Mecânica, pela ajuda brindada

durante este tempo.
À Pontifícia Universidade Católica do Rio de Janeiro, e seus funcionários em geral, que

sempre foram fontes de alegria.
Às pessoas, amigos e amigas, em especial a VOCÊ.

V
Resumo
Ildefonso, Alvino; Freire, José Luiz de França. Aplicação da Lógica Nebulosa ao

Modelo Muhlbauer Para Análise de Risco em Dutos. Rio de Janeiro, 2003. 223p. Tese
de Doutorado - Departamento de Engenharia Mecânica, Pontifícia Universidade
Católica do Rio de Janeiro.
W. Kent Muhlbauer fez uma identificação detalhada de aproximadamente 300 diferentes

condições que influenciam a avaliação do Risco em uma tubulação e propôs um sistema de
pontuação que é conhecido mundialmente como o método de Muhlbauer.
O método de Muhlbauer avalia as diversas variáveis que influenciam no Risco de dutovias

mediante a atribuição de valores quantitativos. No entanto, sendo um método qualitativo, estas
variáveis não podem ser informadas através de valores exatos. Estas variáveis podem ser
tratadas como provenientes de distribuições randômicas. Entretanto, identificar as

distribuições randômicas pode exigir muito esforço. Sendo assim, em vez de assumir que as
avaliações das variáveis têm distribuições randômicas, pode-se considerar que têm
distribuições dadas por conjuntos e números nebulosos.
No presente trabalho, os valores numéricos presentes no modelo Muhlbauer passaram a ser

admitidos como não determinísticos, admitindo uma incerteza. Esta incerteza depende do
engenheiro especialista avaliador do Risco. Para incorporar esta incerteza no cálculo do valor
do Risco procurou-se trabalhar com os conjuntos e números nebulosos.
Na análise das incertezas mediante os conjuntos nebulosos, requer-se definir as variáveis

lingüísticas (VL), os valores lingüísticos das VL de saída e entrada, as funções de pertinência,
além das regras nebulosas. Com estes, um Sistema de Lógica Fuzzy (SLF) é implementado
com base na inferência Mamdani. No caso dos números nebulosos, estes admitem um valor
mais provável e uma incerteza. Esta incerteza é avaliada por uma função de pertinência
normalizada. Operações de soma, subtração, multiplicação e divisão são possíveis para os
números fuzzy. Como resultado final torna-se possível encontrar-se não só um número que
define o Risco como também a incerteza (faixa de valores) que este Risco pode ter, que é uma
função das incertezas das avaliações individuais das variáveis.
VI
O presente trabalho propõe um modelo básico de Gerenciamento de Risco (GR) e Análise de

Integridade Estrutural (AIE) para dutos com corrosão externa. Para isso, os resultados de uma
AIE nível I aplicado aos dutos é relacionada com a metodologia de análise de Risco de W.
Kent Muhlbauer, através de uma Matriz de Risco.
A partir de uma AIE nível I o cálculo da Vida Residual (T*) é avaliada. A T* é comparada
com uma Vida Desejada (VD), a qual é obtida da matriz de risco. Se T* é menor que a VD,
recomenda-se fazer uma AIE nível II. Se T* é maior que VD determina-se um Tempo de
Inspeção (TI) baseado na análise de confiabilidade.
Palavras-chave
Lógica Nebulosa, Análise de Risco, Modelo Muhlbauer, Dutos.
VII
Abstract
Ildefonso, Alvino; Freire, José Luiz de França. Application of Fuzzy Logic to the
Muhlbauer Model for Pipeline Risk Analysis. Rio de Janeiro, 2003. 223p. DSc. Thesis
Department of Mechanical Engineering, Pontifícia Universidade Católica do Rio de
Janeiro.
W. Kent Muhlbauer made a detailed identification of approximately 300 different conditions

that influence in the evaluation of the Risk in a pipeline, so, He proposed a punctuation system
that is known as the method of Muhlbauer.
Muhlbauer’s method evaluates the several variables that influence in the pipeline Risk by the
attribution of quantitative values. However, being a qualitative method, these variables cannot
be informed through exact values. These variables can be treated as coming of distributions
random. However, to identify the distributions random can demand a lot of effort. Being like
this, instead of assuming that the evaluations of the variables have distributions random, it can
be considered that they have distributions given by fuzzy sets and numbers.
In the present work, the values numeric presents in the model Muhlbauer will be admitted as
no deterministic, admitting an uncertainty. This uncertainty depends on the engineer specialist
knowledge about the Risk. To incorporate this uncertainty in the calculation of the value of
the Risk Muhlbauer tried to work with the fuzzy sets and numbers.
In the analysis of the uncertainties by the fuzzy sets, it is necessary to define the linguistic
variables (VL), the linguistic values of input and output of VL, the membership functions,
besides the fuzzy rules. With these, a System of Logic Fuzzy (SLF) is implemented based on
Mamdani’s inference. In the case of the fuzzy numbers, they admit a more probable value and
an uncertainty. This uncertainty is evaluated by a function of normalized membership. Sum,
subtraction, multiplication and division operations are possible for the numbers fuzzy. As
result, it is possible to find not only a number that defines the Risk as also the uncertainty
(range of values) that the Risk can have. It is a function of the uncertainties of the individual
evaluations of the variables.
The present work proposes a basic model of Management of Risk (GR) and Analysis of
Structural Integrity (AIE) for pipeline with damage corrosion. For that, the results of an AIE
VIII
level one applied to the pipeline are associated with the results of Muhlbauer’s method
through a Risk Matrix.
Starting from an AIE level one, the calculation of the Residual Life (T *) is evaluated. T * is
compared with a ideal life (VD), which is obtained of the Risk Matrix. If T * is smaller than
VD, it is recommended to do an AIE level II. If T * is larger than VD is determined a Time of
Inspection based on the reliability analysis.
Keywords
Fuzzy Logic, Risk Analisys, Muhlbauer's Model, Pipeline.
IX
Sumário
CAPITULO 1
INTRODUÇÃO 1
1.1.- SISTEMAS DE TUBULAÇÃO DE TRANSMISSÃO 1

1.2.- DEFINIÇÃO DE RISCO EM SISTEMAS DE TUBULAÇÃO
DE TRANSMISSÃO 2
1.3.- AVALIAÇÃO QUANTITATIVA E QUALITATIVA DO RISCO 2
1.4.- TEORIA DE LÓGICA FUZZY NA AVALIAÇÃO DE RISCO
QUALITATIVO 3
1.5.- NECESSIDADE DA COMPREENSÃO INTEGRAL DO
PROBLEMA DE AVALIAÇÃODO RISCO EM SISTEMAS DE

TUBULAÇÃO QUE TRANSPORTAM PETRÓLEO, GÁS OU DERIVADOS 4
1.6.- IMPORTANCIA DA AVALIAÇÃO DO RISCO NA ATIVIDADE
DUTOVIARIA 5
1.7.- ESTADO DA ARTE 6
1.8.- APRESENTAÇÃO DA TESE 12
CAPITULO 2
AVALIAÇÃO DO RISCO NO SISTEMA DE TUBULAÇÃO PARA TRANSMISSÃO
DE PETRÓLEO E/OU GÁS MEDIANTE O MODELO MUHLBAUER 14
2.1.- MODELO DE MUHLBAUER 18

2.2.- CONTROLE DO RISCO ATRAVÉS DO MODELO DO MUHLBAUER 26
2.3.- UMA PLANILHA PARA O MODELO MUHLBAUER 33
2.4.- ANÁLISE DE CUSTO ATRAVÉS DA METODOLOGIA MUHLBAUER 39
2.5.- ANÁLISE DE INTEGRIDADE ESTRUTURAL EM DUTOS 48
2.6.- GERENCIAMENTO DOS RESULTADOS DE RISCO E AIE NOS DUTOS 50
2.6.1.- CÁLCULO DA VIDA RESIDUAL (T*) DE UM DUTO CORROSIDO
LONGITUDINALMENTE 53
2.6.2.- AIE E SEU ACOPLAMENTO COM A MATRIZ DE RISCO 57
X
2.6.3.- CÁLCULO DO TEMPO DE INSPEÇÃO 59
CAPITULO 3
LÓGICA FUZZY NA ANÁLISE DE RISCO 62
3.1.- DEFINIÇÕES BÁSICAS 65

3.1.1 .- VALORES LINGÜÍSTICOS 66
3.1.2.- CONJUNTO FUZZY 66
3.1.3.- FUNÇÃO DE PERTINÊNCIA 66
3.1.4.- CORTE α (α-CUT) 68
3.1.5.- PRINCÍPIO DE EXTENSÃO 68
3.1.6.- VARIÁVEL LINGÜÍSTICA (VL) 69
3.1.7.- RELAÇÕES FUZZY 70
3.1.8.- COMPOSIÇÃO MAX-MIN 72

3.1.9.- OPERAÇÕES COM CONJUNTOS FUZZY 73
3.1.10.- BASE DE REGRAS FUZZY 74
3.1.8.- IMPLICAÇÃO 75
3.2.- METODOLOGIAS PARA AVALIAR O RISCO
BASEADA NA LÓGICA FUZZY 76
3.3.- INFERÊNCIA MAMDANI 81
3.3.1.- SISTEMAS DE LÓGICA FUZZY 86
3.3.2.- IDENTIFICAÇÃO DE UM SISTEMA FUZZY 87
3.3.2.1.- BASE DE REGRAS 90
3.3.2.1.1.- MÉTODO DE GERAÇÃO DE REGRAS BASEADA
NO PRINCÍPIO DE EXTENSÃO 91
3.3.2.1.2.- MÉTODO DE GERAÇÃO DE REGRAS BASEADA
NOS VALORES MÁXIMOS DOS CONJUNTOS FUZZY 93
3.3.2.1.3.- MÉTODO DE GERAÇÃO DE REGRAS BASEADO
NO MÉTODO DE ISHIBUCHI 95
3.3.2.2.- TIPOS DE AGREGAÇÃO E DESFUZIFICAÇÃO 99
3.3.2.3.- QUANTIDADE DE CONJUNTOS FUZZY 101
3.4.- NÚMERO FUZZY 108
3.4.1.- DEFINIÇÃO NÚMEROS FUZZY 108
XI
3.4.1.1.- OPERAÇÕES COM NÚMEROS FUZZY 110
CAPITULO 4
FUZIFICAÇÃO DO MODELO MUHLBAUER 113
4.1.- PROBLEMAS A SUPERAR NA FUZIFICAÇÃO DO

MODELO MUHLBAUER 115
4.1.1.- A SENSIBILIDADE DO MODELO MUHLBAUER 115
4.1.2.- PROBLEMA DE DISCRETIZAÇÃO 118
4.1.2.1.- INFLUENCIA DO TIPO DE AGREGAÇÃO E DESFUZIFICAÇÃO 119
4.1.2.2.- INFLUENCIA DO NÚMERO DE CONJUNTOS FUZZY 121
4.2.- MODELOS PROPOSTOS PARA FUZIFICAR O MODELO
MUHLBAUER 122
4.2.1.- PRIMEIRO MODELO – SLF GENÉRICO 122

4.2.1.1.- RESULTADOS DO PRIMEIRO MODELO 131
4.2.2.- SEGUNDO MODELO – SLF PRECISO 133
4.2.2.1.- RESULTADOS DO SEGUNDO MODELO 135
4.2.3.- TERCEIRO MODELO - APLICAÇÃO DE NÚMEROS
FUZZY NA AVALIAÇÃO DO RISCO MEDIANTE
O MODELO DE MUHLBAUER 137
4.3.- DISCUSSÃO DOS TRÊS MODELOS PROPOSTOS 140
4.3.- INTERFACE GRÁFICA PARA O INGRESSO DE
INFORMAÇÕES NOS TRES MODELOS PROPOSTOS 143
CAPÍTULO 5
ESTUDOS DE CASOS 145
5.1.- ANALISE DE RISCO DO DUTO A-G 145

5.1.1.- ANALISE DE BENEFICIO/CUSTO NO DUTO A-G 160
5.1.2.- CÁLCULO DO TEMPO DE INSPEÇÃO DEVIDO AO DANO
POR CORROSÃO ATMOSFÉRICA 162
5.2.- ANALISE DE RISCO DO DUTO B-A, C-A e X-B 168
5.2.1.- CÁLCULO DO TEMPO DE INSPEÇÃO DEVIDO AO DANO
POR CORROSÃO ATMOSFÉRICA NOS DUTOS B-A, C-A E X-B 169
XII
CAPÍTULO 6
COMENTÁRIOS, CONCLUSÕES E RECOMENDAÇÕES 172
BIBLIOGRAFIA 178
ANEXO 185
XIII
LISTA DE FIGURA
Figura 1.1: Fluxograma geral da pesquisa a realizar 13
Figura 2.1: Mapeamento dos resultados do Modelo de Muhlbauer 27
Figura 2.2: Matriz de Risco proposto pela API para equipamentos em plantas
eletroquímicas 28
Figura 2.3: matriz de Risco proposto pela API para sistemas de tubulações 29
Figura 2.4: Matriz de Risco proposto nesta trabalho baseado nos resultados
do modelo Muhlbauer 29
Figura 2.5: Níveis de Risco – primeira proposta. 30
Figura 2.6: Localização das avaliações A,A1 e A2 na matriz de Risco 31
Figura 2.7: Matriz de Risco –segundo proposta 32
Figura 2.8: Fluxograma proposto para a planilha de base de dados 34
Figura 2.9: Resumo das Avaliações de todos os trechos de dutovias. 35
Figura 2.10: Formas de priorização de trechos 35

Figura 2.11: Dados necessários para avaliar o risco segundo a metodologia
de Muhlbauer 36
Figura 2.12: Continuação da figura 2.11. 37
Figura 2.13: Nível de Risco de um trecho de dutovia 38
Figura 2.14: Nível dos índices de prevenção para um trecho de dutovia 39
Tabela 2.5: Custos e pontuações das alternativas das variáveis preventivas
do Índice de dano por corrosão de duto enterrado 41
Figura 2.5: Janela inicial do aplicativo “Análise de Risco” 42
Figura 2.6: Opções implementadas no aplicativo “Análise de Risco” 43
Figura 2.7: Janela de identificação do duto no aplicativo “Análise de Risco” 43
Figura 2.8: Janela de entrada de dados para as variáveis do tipo atributos
no aplicativo “Análise de Risco” 44
Figura 2.9: Janela de entrada de dados para as variáveis do tipo prevenção no
aplicativo “Análise de Risco” 45
Figura 2.10: Janela de entrada de dados para as variáveis do FIV no aplicativo
“Análise de Risco” 45
Figura 2.11: Janela de resultados obtido do aplicativo “Análise de Risco” 46
Figura 2.12: Janela de ajuda do aplicativo “Análise de Risco” 47
Figura 2.13: Estatística de acidentes nos Estados Unidos, Europa e Canadá 48
XIV
Figura 2.14: Representação de um duto corroído com defeito longitudinal. 54

Figura 2.15: Matriz de Risco devido ao dano de corrosão no duto enterrado 57
Figura 2.16: Interface gráfica para a determinação do tempo de inspeção 60
Figura 3.1: Representação gráfica de um conjunto fuzzy M 67
Figura 3.2: Representação gráfica de α-cut=0.5 no conjunto fuzzy M 68
Figura 3.3: Imagem do conjunto fuzzy M ao conjunto fuzzy P através da
função y=x2 69
Figura 3.4: Variável lingüística X com quatro conjuntos fuzzy 70
Figura 3.5: Conjuntos fuzzy A e B 73
Figura 3.6: União dos conjuntos fuzzy A e B 74
Figura 3.7: Interseção dos conjuntos fuzzy A e B 74
Figura 3.8: Procedimento geral da inferência Mamdani para obter a saída C’ com
base nos valores de entrada x1 e x2. 77
Figura 3.9: Procedimento geral da inferência monotônica para obter o

resultado em base a uma variável de entrada x 77
Figura 3.10: Procedimento geral da inferência monotônica para obter o
resultados para três variáveis de x1,x2 e x3 78
Figura 3.11: Inferência Mamdani com método de agregação MÁXIMO 83
Figura 3.12: Inferência Mamdani com método de agregação SOMA 84
Figura 3.13: Valores zs, zm, zl, zb e zc obtidos segundo diferentes métodos
de desfuzificação. 85
Figura 3.14: Estrutura de um sistema de lógica fuzzy 86
Figura 3.15: Entrada de dados no aplicado. 88
Figura 3.16: Obtenção de resultados do aplicativo 89
Figura 3.17: Entrada de dados em forma CRISP ou por números fuzzy no
aplicativo 90
Figura 3.18: Resultado obtido pelo aplicativo 1 92
Figura 3.19: Conjuntos fuzzy gerados pelo aplicativo para a variável
lingüística X 93
Fig. 3.23: Erro quadrático e erro quadrático médio para as dez opções
da tabela 3.3. 100
XV
Figura 3.24: Máxima variação gerada pelas dez opções da tabela 3.3 100
Figura 3.25: Erros quadráticos gerado pelos SLF para diferentes quantidades
de conjuntos fuzzy 102
Figura 3.26: Variação máxima gerada pelos SLF para diferentes quantidades
de conjuntos fuzzy 103
Figura 3.27: Resultados dos SLF quando as variáveis de entradas são
expressas mediante conjuntos CRIPS 105
Figura 3.28: Resultados dos SLF quando as variáveis de entradas são
expressas mediante conjuntos fuzzy 105
Figura 3.29: Resultado gerado pelo aplicativo para o SLF escolhido 107
Figura 3.30: Representação gráfica de um número fuzzy 109
Figura 3.31: Operações com números fuzzy 111
Figura 3.32: Números fuzzy tipo trapezoidal 111
Figura 4.1: Mapeamento dos resultados do modelo Muhlabuer 115

Figura 4.2: Mapeamento dos resultados do Modelo Muhlbauer quando o
FIV é substituído por FIV-1 116
Figura 4.3: SLF que aproxima à função multiplicação 117
Figura 4.4: SLF que aproxima a divisão 118
Fig.4.5: Seleção do tipo de desfuzificação e agregação em função dos
resultados do erro quadrático 119
Figura 4.6: Seleção do tipo de desfuzificação e agregação em função dos
resultado da variação máxima 120
Figura 4.7: Seleção do SLF em função da quantidade de conjuntos fuzzy das
variáveis lingüísticas de entrada e do resultado da variação máxima 121
Figura 4.8: Generalização do aplicativo explicado em 3.3.2. 124
Figura 4.9: SLF gerado pelo aplicativo modificado 125
Figura 4.10: Agrupamento das variáveis do índice de dano por corrosão 127
Figura 4.11: Primeiro modelo proposto para avaliar o Risco por corrosão 128
Figura 4.12: Resultado do erro quadrático para o primeiro modelo 131
Figura 4.13: Resultado da variação máxima para o primeiro modelo 131
Figura 4.14: Segundo modelo proposto para avaliar o Risco de
dano por corrosão 134
Figura 4.15: Resultado do erro quadrático para o Modelo 2 136
Figura 4.16: Resultado da variação máxima para o Modelo 2 136
XVI
Figura 4.17: Esquema geral do modelo Muhlbauer 138

Figura 4.18: Interface gráfica para avaliar o Risco quando as variáveis
do índice de dano por corrosão são expressas mediante números fuzzy 139
Figura 4.19: Visualização da interface utilizada para o ingresso de
Informação necessária para avaliar o Risco por corrosão segundo o
primeiro, segundo e terceiro modelo proposto 144
Figura 5.1: Informações do trecho A-G 146
Figura 5.2: Informações do trecho A-G (continuação) 147
Figura 5.3: Influência do Risco por danos de terceiros, corrosão, projeto
e operações incorretas no Risco total. 150
Figura 5.4: Resultado da pontuação de prevenção nos quatro índices 150
Figura 5.5: Comparação entre os resultados do Risco obtido por Pezzi
e o modelo Muhlbauer para o duto A-G 152
Figura 5.6: Resultados de Risco obtidos quando se introduz incerteza em 3

variáveis do índice de dano por corrosão e 2 variáveis do FIV 157
Figura 5.7: Níveis de Risco do duto A-G com base nos resultados dos três
modelos explicados nos capítulo quatro 159
Figura 5.8: Comparação entre os resultados do nível de Risco obtido
por Pezz, modelo Muhlbuaer e os três modelos mencionados
no capitulo quatro 159
Figura 5.9: Pontuações e custos das oito variáveis do índice de dano por
Corrosão de duto enterrado 161
Figura 5.10: Resultados da análise Beneficio/Custo para o Duto A-G 161
Figura 5.11: Resultado do tempo de inspeção para o duto A-G 163
Figura 5.12: Matriz de Risco para o dano por corrosão no duto enterrado 164
Figura 5.13: Variação da pressão admissível e de operação em função
do tempo 165
Figura 5.14: Variação da incerteza de Pa-Pa em função do tempo 166
Figura 5.15: Função de densidade das variáveis aleatorias Pa e Po. 166
Figura 5.16: Variação da vida residual em função da pressão de operação 167
Figura 5.17: Função de densidade acumulada e função de densidade
da variável aleatória vida residual. 167
Figura 5.18: Função densidade para as variáveis aleatórias vida
residual e vida desejada. 167
XVII
LISTA DE TABELAS
Tabela 2.1: Variáveis do índice de corrosão 22

Tabela 2.2: Alternativas e suas pontuações para a variável
tipo de atmosfera. 22
Tabela 2.3: Variáveis do fator impacto de Vazamento 23
Tabela 2.4: Número de ítens preventivos para cada índice de dano. 26
Tabela 2.5: Custos e pontuações das alternativas das variáveis preventivas
do Índice de dano por corrosão de duto enterrado 41
Tabela 2.6: Vida desejada, incerteza desejada e probabilidade de falha
Desejada segundo os níveis de Risco 58
Tabela 3.1: Valores lingüísticos para L, C e E dados por Karwoski e Mital 80
Tabela 3.2: Resumo de resultados das figuras 3.18, 3.20, 3.21 e 3.22 98
Tabela 3.3: Diferentes opções de seleção para o tipo de agregação

e desfuzificação 99
Tabela 3.4: SLF escolhidos dos 640 fuzzy analisados. 106
Tabela 4.1: SLF do primeiro modelo proposto para avaliar o Risco. 129
Tabela 4.2: SLF do primeiro modelo propost0 para avaliar o Risco
(continuação da tabela 4.1) 130
Tabela 4.3: Resultado de seleção dos tipos de agregação e de
Desfuzificação para os SLF da figura 4.9. 132
Tabela 4.4: Resultados da seleção dos tipos de agregação e de
Desfuzificação dos SLF da figura 4.12 135
Tabela 5.1: Informações principais dos dutos A-G, B-A, C-A, e X-B 145
Tabela 5.2: Resultados do Risco para o trecho A-G (1) 149
Tabela 5.3: Resultado do Risco total no duto A-G (2) 158
Tabela 5.4: Resultados de Risco para os quatro trechos 168
Tabela 5.5: Cálculo do intervalo de valores para o Risco nos quatro trechos 168
Tabela 5.6: Cálculo da relação entre o Risco avaliado para cada trecho e
o Risco mínimo possível. 169
Tabela 5.7: Resultados do tempo de inspeção para os trechos B-A, C-A e X-B 170
XVIII
LISTA DE SÍMBOLOS
SLF : sistema de lógica fuzzy

SLFs : sistemas de lógica fuzzy
FIV : fator impacto de vazamento
FIV-1 : inversa do fator impacto de vazamento
MAOP : máxima pressão admissível de operação
RBI : inspeção baseado em Risco
Rd : taxa de corrosão radial (mm/ano)
RL : taxa de corrosão longitudinal (mm/ano)
d : perda de espessura por corrosão (mm)
σd* : desvio padrão de d (mm)
do : perda de espessura inicial (mm)
σdo* : desvio padrão de do (mm)

L : longitude do defeito por corrosão (mm)
σL* : desvio padrão de L (mm)
Lo : longitude do defeito inicial por corrosão (mm)
σLo* : desvio padrão de Lo (mm)
T : tempo (anos)
σT : desvio padrão de T (anos)
To : tempo inicial (anos)
σTo : desvio padrão de To (anos)
T* : vida residual (anos)
σT* : desvio padrão de T* (anos)
CS : coeficiente de segurança
Pa : pressão admissível (MPa)
σPa : desvio padrão de Pa (MPa)
Po : pressão de operação (MPa)
σPo : desvio padrão de Po (MPa)
Sp : tensão de ruptura que levaria o duto a falhar (MPa).
σSp : desvio padrão de Sp (MPa)
Sy : limite de escoamento do duto (MPa)
σSy : desvio padrão de Sy (MPa)
XIX
A : área do defeito do duto (mm2)

Ao : área do defeito inicial do duto (mm2)
t : espessura do duto (mm)
σt : desvio padrão de t (mm)
M : fator de Folias
σM : desvio padrão de M
VD : vida desejada (anos)
σVD : desvio padrão de VD (anos)
CV : coeficiente de variação
VD : variável aleatória tipo normal de VD
T* : variável aleatória tipo normal de T*
Pfc : probabilidade de falha calculada
Pfd : probabilidade de falha desejada

TI : tempo de inspeção (anos)
Po : variável aleatória tipo normal de Po
Pa : variável aleatória tipo normal de Pa

X : variável idade para o problema enunciado em 3.1
x : um elemento de X
U : universo de discurso de x
Y : variável meio agressor para o problema enunciado em 3.1
Z : variável perda por corrosão para o problema enunciado em 3.1
µ M (x) : função de pertinência do elemento x no conjunto fuzzy M
α-cut : corte alpha
VL : variável lingüística
MIMO : SLF com muitas entradas e muitas saídas
MISO : SLF com muitas entrada e uma só saída
MOM : método de desfuzificação pela meia dos máximos
LOM : método de desfuzificação pela máximo dos máximos
SOM : método de desfuzificação pela mínimo dos máximos
a : valor meio de um numero fuzzy
α : dispersão esquerda do numero fuzzy
β : dispersão direita do numero fuzzy
XX
~
b : numero fuzzy
CTE : corrosão de tubulação enterrada
H : relação entre a pressão de teste hidrostático com a MAOP
AC : corrente alterna
CA : corrosão atmosférica
ECM : efeito da corrosão mecânica
NFPA : Associação Americana de proteção do Fogo
IAP : integrity assessment profiles
UM : unidade monetária
Pcf : Função densidade acumulada de probabilidade
Pdf : Função densidade de probabilidade
AIE : Análise de Integridade Estrutural
1
INTRODUÇÃO
1.1.- SISTEMAS DE TUBULAÇÕES DE TRANSMISSÃO
Os sistemas de tubulações utilizados para transportar petróleo, gás ou derivados

possuem diferentes diâmetros, comprimentos, espessura, pressão de operação. Estes
sistemas podem ser classificados como de recopilação, transmissão e distribuição.
Nesta tese se estudará o Risco associado aos sistemas de tubulação de transmissão.
Estes dutos transportam o fluido dos pontos centrais de armazenamento para as
refinarias, ou outros terminais, por meio de tubulações de grande diâmetro, através de
longas distâncias, como por exemplo, o duto de 3800 km (40 polegadas de diâmetro)
que está sendo construído para transportar gás do oeste ao leste da China. Outro
exemplo é o gasoduto Brasil/Bolívia, que transporta gás de Santa Cruz de la Sierra
(Bolívia) a São Paulo (Brasil). Este gasoduto que tem comprimento de 2.000 km e
possui um diâmetro de 32 polegadas. O gasoduto Rio/Juiz de Fora/Belo Horizonte
que permite a chegada do gás natural produzido na bacia de Campos, ao estado de
Minas Gerais e tem um diâmetro de 18 polegadas.
Os dutos de transmissão operam sob altas pressões e podem ter quilômetros de

comprimento atravessando rodovias, campos, áreas reservadas e cidades. Isto torna
seu controle, para evitar mau funcionamento, uma tarefa bastante complexa. Apesar
de existirem sistemas de controle a monitoração sofisticada e ainda que o transporte
por dutos tenha uma baixa taxa de acidentes se comparados com outros meios de
transporte, acidentes tem chamado a atenção pública pelas conseqüências que estes
provocam, tais como mortes de pessoas, impactos ambientais, perdas econômicas,
etc. É extremamente importante que as operadoras das tubulações tenham uma boa
compreensão das causas e as possíveis conseqüências dos acidentes com a finalidade
de diminuir seu Risco.
2
1.2
DEFINIÇÃO DE RISCO EM SISTEMAS DE DUTOS DE TRANSMISSÃO
Geralmente o Risco pode ser classificado como puro ou especulativo [1]. No primeiro
só existe a possibilidade de perda, enquanto no segundo, a de ganhar ou perder. Por
exemplo, acidentes em dutos expõem a população ao Risco puro, enquanto, políticas
econômicas a expõem ao Risco especulativo. O Risco pode ser expresso também,
como individual ou social. No primeiro, afeta somente a uma pessoa, por exemplo,
acidente de automóvel, já no segundo afeta a um grupo de pessoas, por exemplo, um
terremoto no Japão. Casos de acidentes em sistemas de tubulações que atravessam
cidades povoadas, fazendas particulares, rodovias, etc., incluem os Riscos individuais
e sociais. A API (American Petroleum Institute) em [3] define o Risco de sistemas de

dutos de transmissão como uma função da avaliação da probabilidade de ocorrer um
evento não desejado, por exemplo, devido ao dano por corrosão severa, e de suas
conseqüências.
Para evitar acidentes em dutos, diferentes mecanismos e causas de danos devem ser
analisados antes de se decidir que ações devem ser realizadas com o objetivo de
diminuir o Risco de ocorrerem estes nos duto. Muhlbauer [2] identificou quatro tipos
de mecanismos e causas de danos que podem levar um duto a perder sua
funcionalidade: dano provocado por terceiros, corrosão, projeto e por operações
incorretas.
1.3
AVALIAÇÃO QUANTITATIVA E QUALITATIVA DO RISCO
Dependendo da existência de uma base de dados, a avaliação do Risco pode ser

realizada mediante métodos quantitativos ou qualitativos [4,5]. Nas referências [6,7]
se mencionam diferentes bases de dados de incidentes com tubulações de transmissão
(ONSHORE) tais como: European Gás Incident Group (EGIG), US Departament of
Transportation (US DOT), The Oil Companies European Organisation for
3
Environment, Health and Safety (CONCAWE), and Russian Scientific/Research
Institute for natural Gás and Gás Technology (VNIIGAS), etc.
Em uma avaliação de Risco quantitativo, o conceito de probabilidade, que representa

a o conceito de probabilidade de ocorrer um evento não desejado, é avaliado através
da informação disponível de uma base de dados, além, de um modelo analítico para
quantificá-la. No entanto, na maioria dos casos, obter o modelo analítico torna-se
complicado devido à complexidade na modelagem, as incertezas existentes, a falta de
conhecimento, etc..
No caso de uma análise de Risco qualitativo, a medição da probabilidade é avaliada

de forma subjetiva, por exemplo, quando se usa para avaliar a opinião de um

especialista. Neste caso, o especialista, para reduzir a incerteza da sua avaliação,
consultará os operadores, revisará a documentação disponível e a literatura sobre
casos similares, etc. A avaliação do Risco qualitativo requer pouca informação se
comparada à forma quantitativa. Além disso, o tempo investido para obter os
resultados é muito menor. Geralmente a avaliação do Risco qualitativo é considerada
como Risco relativo. Isto significa que sua avaliação somente tem sentido se
comparada com outras avaliações feitas de maneira similar.
Com os resultados da avaliação do Risco qualitativo pode-se ordenar os eventos, para
conhecer-se o evento mais crítico, e então, realiza-se para este evento uma avaliação
de Risco quantitativo.
1.4
TEORIA DE LÓGICA FUZZY NA AVALIAÇÃO DE RISCO QUALITATIVO
O uso da teoria da lógica fuzzy tem dado bons resultados na modelagem de Risco
qualitativo [8, 9, 10, 11, 12, 13]. Esta teoria manipula a incerteza e representa
aspectos qualitativos por meios de palavras ou sentenças em uma linguagem natural,
como por exemplo, probabilidade de falha alta, conseqüência baixa, Risco médio,
corrosão baixa, etc.
4
Métodos fuzzy são especialmente eficientes em solucionar problemas de Risco

através dos conhecimentos e experiência dos especialistas. De fato, a teoria da lógica
fuzzy foi originalmente formulada para resolver problemas formulados em valores
lingüísticos, na qual, a perda de dados pode ser substituída por avaliações em
quantidades subjetivas ou quando o conhecimento do especialista, expressado num
raciocínio aproximado, é a única fonte de conhecimento.
A lógica fuzzy pode ser aplicada também na avaliação do nível de Risco qualitativo
baseado em certos princípios de classificação. Nos métodos convencionais de
classificação, os especialistas introduzem subclasses objetivando fazer uma
classificação mais detalhada. No entanto, as aproximações tradicionais não podem
manipular valores na transição de uma classe a outra classe, a qual, esta transição por
natureza deveria ser gradual, enquanto que a lógica fuzzy realiza esta transição de
modo fácil, efetivo e elegante [9].
1.5
NECESSIDADE DA COMPREENSÃO INTEGRAL DO PROBLEMA DE
AVALIAÇÃO DO RISCO EM DUTOS PARA TRANSMISSÃO DE
PETRÓLEO, GÁS OU DERIVADOS
A percepção do Risco nas operações dos sistemas de dutos é afetada por fatores
qualitativos (nível de população, tipo do meio ambiente, sistemas de segurança, etc.)
e quantitativos (tais como, pressão de operação, taxa de corrosão, etc.). Para avaliar
os fatores qualitativos não existem procedimentos objetivos, razão pela qual muitas
vezes esta análise é eliminada. Neste caso, a avaliação do Risco que considere
somente os fatores quantitativos é incompleta por que não representa o Risco real. Os
fatores qualitativos são também importantes e eles devem ser considerados na análise
do Risco. Neste cenário, as técnicas Bayesiana, lógica fuzzy e Dempster – Shafer
[14] podem ser utilizadas para avaliar a parte subjetiva do Risco.
5
Na teoria Bayesiana, a avaliação dos fatores qualitativos é realizada através de duas
avaliações, uma subjetiva e outra objetiva. A primeira, denominada de APRIORI, é
obtida pela avaliação de um especialista, enquanto que a segunda, é avaliada de uma
base de dados. Na teoria de lógica fuzzy os fatores qualitativos podem ser
representados por duas maneiras. A primeira através de termos lingüísticos, como por
exemplo, alto, baixo, médio, etc., e a segunda, por meio dos números fuzzy que são
uma generalização dos números CRISP1. A teoria de DEMPSTER – SHAFER [14],
também conhecida como a teoria da evidência, é uma generalização da teoria de
probabilidade. Esta teoria representa a probabilidade de um evento, P(H), mediante o
intervalo L(H) – U(H), tal que L(H)<P(H)< U(H) e L(H), U(H) [0-1]. Apesar de
saber o valor exato de P(H), os valores L(H) e U(H) representam o valor mínimo e
máximo de P(H). Quando L(H)=U(H), a teoria da evidência reduz-se à teoria

Bayesiana.
Na presente tese se aplicará a teoria de lógica fuzzy na avaliação do Risco em
sistemas tubulação para transmissão de petróleo, gás ou derivados. Esta avaliação
será feita considerando como sendo qualitativos todos os fatores que influenciam no
Risco.
Considerar os fatores de natureza quantitativa como sendo qualitativos, traz a
vantagem de poder-se realizar uma avaliação aproximada de seu valor o que permite
uma avaliação rápida.
1.6
IMPORTÂNCIA DA AVALIAÇÃO DO RISCO NA ATIVIDADE DUTOVIARIA
Os resultados de uma avaliação do Risco permitem as operadoras dos dutos e a

sociedade tomar diversas decisões.
As empresas operadoras dos dutos realizam a programação de ações preventivas
objetivando diminuir o Risco. Em alguns casos, a programação de ações preventivas
1
Um número CRISP é representado mediante a forma determinística desde que seu valor seja
conhecido em forma exata, não existindo dúvida de seu valor.
6
é baseada somente nos resultados do Risco [56]. Entretanto, em outros, pode ser
realizada com base nos resultados de outras avaliações, por exemplo, da vida residual
[64], grau de dano no duto [54], de uma análise de custo beneficio [55] ou da pressão
de admissível [59], etc. Contudo, a programação das ações preventivas nos sistemas
de tubulações sempre requer do conhecimento do Risco, com tal objetivo, diversas
técnicas podem ser utilizadas para determinar o valor real do Risco, umas mais
simples que outras. Por exemplo, Abbassi [31] faz uma análise de vantagens e
desvantagens das seguintes técnicas na avaliação do Risco: Sistema de posição,
Sistema de Índices, Árvore de falha, Modos de falhas é análise de efeito (FMEA),
Estudo de operacionalidade e perigo (HAZOP), Revista de Lista - CHECK –LIST.
Com base nestas técnicas, diversos softwares comerciais encontram-se disponíveis,
por exemplo, a PIPESAFE, TRANSPIRE, RISKWISE for Pipelines, IAP da Bass-

Trigon, PipeView Risk, ORCA, Dinamic Risk, etc.
Já no caso da sociedade, os resultados do Risco permitem alertar à população sobre os

perigos potenciais que os sistemas de tubulações podem ocasionar se ocorrer um
evento não desejado.
Com isto, é tarefa dos organismos reguladores da atividade dutoviária manter um

controle permanente “obrigando” as operadoras dos dutos a realizar o máximo
esforço, tal que, a sociedade não seja afetada no caso de ocorrer um acidente.
1.7
ESTADO DA ARTE
O estado da arte de como a lógica fuzzy, Risco e dutos de transmissão são

relacionados serão apresentadas a seguir:
Claudio de Brito Garcia [12] apresenta conceitos básicos da teoria da lógica fuzzy e a
metodologia de análise preliminar de perigos. Estes dois conceitos foram utilizados
para gerar um modelo usado para auxiliar as equipes de análise a classificar os
7
cenários de acidentes. As aplicações neste trabalho são realizadas no cenário das
indústrias químicas e petroquímicas. Mario Pezzi Filho [15] comenta que os
procedimentos das plantas petroquímicas têm limitações quando se tenta aplicar nos
sistemas de tubulação. Pezzi menciona que a norma API 581 (dirigidos a
equipamentos de plantas petroquímicas) não aborda alguns modos de falha que
ocorrem em dutos. Isto ocorre devido às diferenças fundamentais entre o modo de
instalação e operação de um duto com respeito a um equipamento utilizado em
plantas petroquímicas. Outra norma que avaliar o Risco de sistemas de tubulação é a
API STD 1160 [3]. Nela recomenda-se um procedimento que as operadoras dos
sistemas de tubulação deveriam seguir para reduzir o número de acidentes e os efeitos
por eles produzidos em áreas denominadas de alta conseqüência. Esta norma
menciona a existência de diferentes métodos para avaliar o Risco dos sistemas de

tubulações, tais como o HAZOP (Hazard and Operability Study), QRA( Quantitative
Risk Assessment), Matriz de Risco, Árvore de Falhas, Cenários Possíveis, Sistemas
de Pontuação, etc. Todos esses métodos deverem responder a três perguntas básicas:
Quais são os cenários perigosos? Qual é a probabilidade de um deles ocorrer? Quais
são as conseqüências caso ocorrer o cenário não desejado? Baseado nestas perguntas,
W. Kent Muhlbauer [2] propôs um método que avalie o Risco em sistemas de
tubulações.
Para responder a primeira pergunta, Muhlbauer considera quatro cenários possíveis
de falhas: por corrosão, projeto, operações incorretas e por terceiros. Para responder à
segunda pergunta, Muhlbauer avalia cada um destes cenários através de sistemas de
pontuações. Os valores da pontuações variam de 0 até 100, sendo que 0 representa
uma probabilidade alta de ocorrer a falha e 100 uma probabilidade baixa. Para a
última pergunta, o método de Muhlbauer avalia o fator impacto de vazamento. Esta
análise leva em consideração as características do produto que está sendo
transportado, as condições de operação e a localização do trecho. Contudo, o método
de Muhlbauer é considerado como subjetivo, já que os valores dados às pontuações
levam em consideração a avaliação subjetiva do especialista.
8
G. Spadoni et. al. [16] descrevem um procedimento numérico para avaliar o Risco
individual e social derivados do transporte de substâncias perigosas (incluem-se aí os
sistemas de transporte por dutos). Este trabalho menciona que o método quantitativo
para avaliar o Risco requer um tempo computacional maior se comparado com o
método qualitativo, por isso, S. Bonvinivi, et al. [8] introduziram a teoria de lógica
fuzzy no trabalho de G. Spadoni. Nesse trabalho os números fuzzy são aplicados para
avaliar o Risco de transportar substâncias perigosas objetivando introduzir as
incertezas no resultado do Risco individual e social. Para isso, as variáveis com
incertezas, representadas mediante números fuzzy, são relacionadas mediantes
operações fuzzy para avaliar o Risco que também será representado por um número
fuzzy. Este trabalho conclui que a representação de incertezas mediante os números
fuzzy diminui o tempo computacional se comparado com uma representação

probabilística.
Objetivando estudar a aplicação da lógica fuzzy na avaliação do Risco, A. B.
Zolotukhin et. al. [9] estudam como as informações e avaliações feitas por
especialistas podem ser usadas de forma mais eficiente, caso estas sejam expressas
por valores subjetivos. Para isso apresenta a aplicação da inferência Mamdani e dos
números fuzzy na atividade OFFSHORE.
Já W. G. de Ru [17] e Earl Cox [18] aplicam a inferência monotônica para avaliar o
Risco associado ao desenvolvimento de um projeto e na segurança de equipamentos
computacionais. A inferência monotônica baseia-se em determinar o valor da verdade
diretamente da função de pertinência, sem necessidade de realizar um processo de
desfuzificação.
José A. Bogarin, et. al. [20] avaliam o Risco associado ao dano por fratura em vasos
de pressão mediante a expressão R = C o E × L , na qual R é o Risco, C a
conseqüência, L probabilidade e E a exposição a um evento. Na expressão anterior, o
operador “°°” e “x” representam a operação composição e produto cartesiano
respectivamente. Neste trabalho avalia-se a vida útil, tempo de inspeção mínimo e
máximo dos vasos de pressão com base nos conceitos fuzzy.
9
Kinji Ikyma e Dan M. Frangopal [13] avaliam o Risco em sistemas de tubulações
através de um índice que quantifica a correlação entre as conseqüências de uma falha
e os fatores que a originam. A lógica fuzzy é aplicada para avaliar esta correlação.
Alberto Ildefonso e José Luiz de França Freire [46], representam os valores
numéricos presentes no modelo Muhlbauer como não determinísticos, isto é,
admitindo uma incerteza. Para incorporar esta incerteza no cálculo do valor do Risco
procurou-se trabalhar com números fuzzy. Esta incerteza é avaliada por uma função
de pertinência normalizada. Operações de soma, subtração, multiplicação e divisão
são possíveis para os números fuzzy. Como resultado final torna-se possível
encontrar-se não só um número que define o Risco como também a incerteza (faixa
de valores) que este Risco pode ter, que é uma função das incertezas das avaliações
individuais das variáveis.
Como se pode observar, os diversos trabalhos aplicam as técnicas quantitativas ou

qualitativas para avaliar o Risco.
No entanto, como mencionado em [17] “muitas variáveis usadas para avaliar o Risco
são difíceis de serem quantificadas, por conseguinte, estas são de natureza vaga e para
assegurar a representação deste cenário é necessário que a natureza vaga da variável
seja refletido no modelo. Por exemplo, a satisfação dos empregados dentro de uma
organização pode ser levada em consideração na avaliação do um possível Risco,
entretanto, o grau de satisfação de um empregado é difícil de ser quantificado, em
outras palavras, é um termo incerto”.
Sabendo que cenários de natureza vaga e incerta encontram-se presentes também

quando se avalia o Risco nos sistemas de tubulações e sendo a teoria de lógica fuzzy
uma das teorias mais utilizadas para trabalhar com variáveis em cenários incertos, na
qual as informações são expressas em termos lingüísticos ou informações, esta pode
ser aplicada para avaliar o Risco nos dutos. Contudo, a teoria de lógica fuzzy tem sido
muito pouco aplicada na avaliação do Risco de tubulações, tanto assim, que trabalhos
realizados por S. Bonvinivi, et al. [8], Kinji Ikyma e Dan M. Frangopal [13] ou de
10
Alberto Ildefonso e José Luiz de França Freire são os únicos encontrados na qual
aplicam a lógica fuzzy na avaliação do Risco em dutovias.
Com o exposto, a presente tese persegue os seguintes objetivos:
1- Apresentar o método Muhlbauer para avaliar o Risco em sistemas de tubulação de

transmissão de petróleo, gás ou derivados. O método Muhlbauer foi escolhido por ser
detalhado, abrangente e de fácil aplicação aos trechos de tubulações, além de
possibilitar o controle do Risco através de uma análise nas variáveis dos quatro
índices de dano e do fator impacto de vazamento.
2- Mostrar os conceitos da teoria da lógica fuzzy que podem ser direcionados para a
solução de problemas de Risco em sistemas de tubulação que transportam petróleo,
gás ou derivados. Estes conceitos serão apresentados objetivando a compreensão da
inferência Mamdani e dos números fuzzy. Escolheram-se estes, por que permitem o
uso ilimitado de variáveis na avaliação do Risco, além de serem metodologias menos
restritas se compradas com as outras possibilidades que a lógica fuzzy oferece.
3- Identificar sistema de lógica fuzzy (SLF) mediante a avaliação dos diferentes tipos
de agregação, desfuzificação, quantidades de conjuntos fuzzy e de geração de regras.
Isto por que geralmente o tipo de agregação, desfuzificação, quantidades de conjuntos
fuzzy e de geração de regras de um SFL variam de problema a problema. Uma boa
escolha destas, influencia grandemente no desempenho do SLF.
Dentro das principais pontos a identificar em um SLF estão:
Quantidade de variáveis lingüísticas de entrada

Quantidade de valores lingüísticos
Tipo de valores lingüísticos
Tipo de implicação, agregação e desfuzificação
Geração de regras
Tipo de inferência
11
Andreas Bastian [21] menciona que pode-se na literatura encontrar diversos
trabalhos que identificam algumas das caraterísticas, no entanto, são raros os
trabalhos nos quais se analisa todas as caraterísticas
4- Desenvolver métodos qualitativos que avaliem o Risco associado às operações dos

sistemas de tubulação, objetivando analisar a influência de incertezas das variáveis.
Os métodos qualitativos existentes que avaliam o Risco dos sistemas de tubulações
(HAZOP, QRA, Matriz de Risco, Árvore de Falhas, Cenários Possíveis, Sistemas de
Pontuação, inclusive o método Muhlbauer), apresentam as diversas variáveis que
influenciam no Risco dos dutos mediante a atribuição de valores quantitativos. No
entanto, sendo métodos qualitativos, estas variáveis não podem ser informadas
através de valores exatos. Estas variáveis podem ser tratadas como provenientes de
distribuições randômicas. Entretanto, identificar as distribuições randômicas pode
exigir muito esforço e investimento econômico. Sendo assim, faz-se necessário
desenvolver métodos subjetivos que na sua análise levem em consideração as
incertezas das variáveis, sem que estes métodos estejam em desvantagens respeito aos
métodos qualitativos existentes.
5- Gerar ferramentas computacionais (sotwfare) com interface amigável para o

cálculo do Risco e/ou gerenciamento das tarefas a realizar para diminuir o Risco.
Atualmente, as ferramentas com interface amigável para avaliar o Risco são muito
difundidas por facilitar a tarefa do analista do Risco, tanto assim, que empresas
operadoras de dutos em parceria com instituições privadas desenvolvem suas próprias
ferramentas computacionais. Por exemplo, o PIPESAFE [22] foi desenvolvida por
um grupo de companhias operadoras de gás em parceria com a empresa
ADVANTICA. W. Kent Muhlbauer também disponibiliza sua metodologia através
da ferramenta computacional elaborada com base no software DELPHI. A geração
destas ferramentas computacionais é incentivada devido a necessidade do tratamento
de grandes quantidades de informações na solução do problema, no qual, somente
essas ferramentas conseguiriam obter as respostas em um tempo relativamente curto.
12
1.8
APRESENTAÇÃO DA TESE
O conteúdo desta tese divide-se da seguinte maneira:
O capítulo dois explica o modelo Muhlbauer, as variáveis necessárias para avaliar e

controlar o Risco associado às operações dos sistemas de tubulação, além de uma
analise de beneficio - custo. Neste capítulo também se analisará a influência que a
Análise de Integridade Estrutural (AIE) dos dutos pode ter na avaliação do Risco,
além, de propor uma metodologia onde o gerenciamento do resultado do Risco levará
à determinação ótima do tempo de inspeção nos dutos.
No capítulo três encontram-se as definições básicas da lógica fuzzy e menciona-se

também como um sistema de lógica fuzzy pode ser identificado. Para isto, define-se a
inferência Mamdani, método de agregação e desfuzificação, números fuzzy, etc.
A geração dos modelos qualitativos para avaliar o Risco baseado na teoria da lógica
fuzzy e do método Muhlbauer encontra-se no capítulo quatro. Nele, três modelos são
explicados, os dois primeiros gerados segundo a inferência Mamdani e o terceiro nos
números fuzzy.
Já no capítulo cinco, apresenta-se a análise de Risco de quatro casos de estudos

mencionados na referência [15] segundo o exposto no capitulo dois e quatro.
Finalmente no capítulo seis, as observações, conclusões e recomendações geradas

durante o desenvolvimento da presente tese são mencionadas.
Na seguinte figura apresenta-se o fluxograma geral da presente tese.

13
Figura 1.1: Fluxograma geral da pesquisa a realizar.

2
AVALIAÇÃO DO RISCO EM DUTOVIAS PARA TRANSMISSÃO
DE PETRÓLEO E/OU GÁS MEDIANTE O MODELO
MUHLBAUER
No ano 1999, em Bellinghan, Washington, a ruptura de uma tubulação de 16

polegadas de diâmetro que transportava gasolina provocou a morte de duas crianças
de 10 anos e uma pessoa de 18 anos, ocasionando um dano econômico de 45 milhões
de dólares [23]. Num acidente ocorrido em Carlsbad, Novo México, no ano 2000, a
ruptura da um duto de 30 polegadas de diâmetro que transportava gás matou 20
pessoas [24]. Num outro acidente ocorrido na Nigéria no ano 1998, a explosão,
seguida de incêndio, produzida pela ruptura de uma tubulação, matou mais de 500
pessoas produzindo ainda milhões de dólares em perdas econômicas [25].
Acidentes deste tipo e outros podem ser encontrados nas diversas fontes de
informação [6,26,27,28]. Contudo, a taxa de acidentes em dutovias ainda é baixa se
comparada com outras formas de transporte [29]. Entretanto, alguns acidentes
ganham grande notoriedade, principalmente quando estes provocam perda de vidas
humanas ou quando alteram o equilíbrio ecológico do meio ambiente [28].
Nos últimos anos, muita atenção tem sido dada à prevenção de tais acidentes. Por
isso, têm-se realizado diversos estudos com a finalidade de formular critérios para
prevenir o Risco de ocorrer tais acidentes [3,30]. Por exemplo, a API publicou a
norma API STD 1160, Managing System Integrity for Hazardous Liquid Pipelines
[28]. Pezzi em sua dissertação [15] comenta que “embora esta norma compile as
melhores práticas para a implementação de um programa de gerenciamento da
integridade de dutos, levando em conta o conceito de Risco, ela se apresenta como de
caráter geral, indicando apenas os vários aspectos a serem considerados durante a sua
elaboração e implantação, sem conter uma metodologia definida”.
15
Assim, a avaliação da integridade e do Risco dos dutos são tarefas muito complexas,
devido à existência de diversos cenários na qual os dutos podem falhar. A falha de
um duto pode ocasionar diferentes conseqüências, as quais dependerá do lugar de
onde ocorreu a falha. Por exemplo, se em um duto que transporta petróleo ocorrer
uma falha perto de um rio, as conseqüências mais severas serão as ambientais. No
entanto, se a falha de um duto que transporta gás ocorre perto de uma cidade, as
conseqüências sociais e econômicas serão de maior relevância. Desse modo, os
estudo do Risco não só devem analisar as conseqüências geradas pelas interrupções
do transporte do petróleo e pela necessidade de reparo da integridade da tubulação
[31,32], mas também, seus aspectos ambientais [33,34], econômicos [35], sociais [8].
Entretanto, a AIE de um duto sempre deve ser avaliada, independente do lugar por
onde o duto atravessa, objetivando o bom funcionamento do duto. No entanto, a

realização de um bom programa de integridade não garante ao duto um Risco baixo,
já que por sua natureza, os dutos de transmissão são susceptíveis de falhar por ações
imprevisíveis que podem ser consideradas aleatórias. Por exemplo, danos por
terceiros, rupturas ocasionadas por escavadoras, falta de treinamento dos operadores,
fazem que o Risco das tubulações se incremente. Para estes eventos aleatórios, a
principal ferramenta de prevenção são as atividades preventivas, como por exemplo,
vigilância continua, boa comunicação com a comunidade instalada ao redor do duto,
etc. A programação destas atividades preventivas deve ser realizada juntamente com
as atividades de inspeção da integridade do duto, já que não adianta ter um bom
programa de atividades que evite os eventos aleatórios não desejados, se para o duto
não se realiza um bom programa de inspeção contra a falha por corrosão, fadiga,
fratura, etc.
A Inspeção Baseada em Risco (RBI), que combina os conhecimentos de Risco, AIE e
Técnicas de Inspeção está sendo adotada atualmente por alguns setores da indústria
de refinamento e setores petroquímicos para propor e dirigir o planejamento de
inspeções dos equipamentos de uma planta objetivando diminuir o Risco com base na
otimização dos recursos disponíveis.
16
Com tal objetivo a API publicou a norma 581 [30] objetivando avaliar equipamentos
estáticos em plantas petroquímicas. Nela, a avaliação do Risco é realizada segundo a
forma qualitativa ou quantitativa. A avaliação da AIE é realizada mediante módulos
técnicos definidos para cada tipo de dano. No entanto, esta norma não pode ser
estendida aos sistemas de tubulações sem antes realizar as modificações necessárias,
por exemplo, a consideração dos danos por terceiros. Pezzi [15] fez uma tentativa de
aplicar a API 581 aos sistemas de tubulação e conclui que a limitação do API 581
para a indústria de tubulações esta na falta de critérios para abordar alguns modos de
falha que ocorrem em dutos. Esta limitação decorre das diferenças fundamentais entre
o modo de instalação e operação de um duto com respeito a um equipamento
utilizado em plantas petroquímicas.
Diante da possibilidade de ocorrerem falhas nos dutos ocasionando conseqüências

econômicas, sociais, ambientais, políticas, etc., as empresas operadoras de dutos
elaboraram diversas metodologias para avaliar seu Risco, como por exemplo a
PIPESAFE [22], TRANSPIRE [36], RISKWISE for Pipelines [37], IAP da Bass-
Trigon [38], PipeView Risk [39], ORCA [40], Dinamic Risk [41], etc. As empresas
que elaboraram essas metodologias possuem um know-how na avaliação do Risco
adquirido ao longo de muito tempo. Por tal motivo, estas metodologias só encontram-
se disponíveis comercialmente, não estando permitida sua divulgação integral ao
público em geral, dificultando sua difusão no meio acadêmico.
Kent W. Muhlbauer, no livro “PIPELINE RISK – Management Manual” [2],
desenvolveu um procedimento detalhado para avaliar o Risco em tubulações. Este
método, mencionado em vários trabalhos tais como em [42,43,44], avalia os
principais fatores que influenciam o Risco de tubulações mediante a análise de quatro
índices de dano e um fator impacto de vazamento. Este método de fácil aplicação nos
trechos de tubulações possui as seguintes características:
- as matérias-primas analisadas são produtos derivados do petróleo.

- os componentes mecânicos analisados são: válvulas, bombas, compressores,
dutos.
17
- as áreas por onde o duto atravessa são grandes regiões.

- os eventos não desejados podem ocorrer em qualquer lugar por onde atravessa a
tubulação.
- os tipos de conseqüências avaliadas são as sociais, ambientais e econômicas.
- as avaliações das variáveis são apresentadas na forma determinística.
- o Risco é o resultado da multiplicação da probabilidade pela conseqüência da
falha.
A seguir, o modelo proposto por W. Kent Muhlbauer será explicado de uma forma
mais detalhada e depois se explicará as formas de controlar o Risco com base nos
resultados do modelo Muhlbauer. Em seguinte, se mencionará quais os métodos
existentes para realizar uma AIE em dutos, para logo explicar com mais detalhe o
método proposto por Kiefner [59].

Finalizando este capítulo, serão relacionados os resultados de Risco e da AIE,
objetivando encontrar o intervalo ideal de inspeção. A seguinte figura apresenta o
esquema dos temas tratados no presente capítulo.
18
2.1
MODELO DE MUHLBAUER
Este método é composto por dois módulos: o geral e o especializado. No módulo

geral, calcula-se o Risco de ocorrer uma falha na tubulação diretamente associada à
19
segurança de pessoas, é dizer, o Risco social ou público. Neste módulo, não se

considera o Risco associado ao ambiente, sabotagens e ao custo de interrupções nos
serviços, pois, alguns especialistas consideram que estes Riscos não influenciam
diretamente na segurança das pessoas e ao invés disso, afetam somente os ativos das
empresas operadoras ou o meio ambiente. Em vista disso, Muhlbauer separou as
análises dos perigos diretos e indiretos que afeitam na segurança pública, na qual os
perigos indiretos são avaliados nos módulo geral, enquanto, que os perigos indiretos
são avaliados no modulo especializado. Nesta tese somente se estudará o modulo
geral.
No módulo geral, as variáveis mais influentes estão agrupadas em quatro índices de
dano e um fator:
- dano por terceiro : este índice avalia o Risco de ocorrer dano na

tubulação, provocado de maneira acidental por pessoas não envolvidas
diretamente na operação da tubulação. Este tipo de dano ocorre
freqüentemente nas operações com tubulações, uma vez que as dutovias
são muito longas, extra muros, e atravessam diversas regiões, fazendo sua
vigilância uma tarefa complicada. Exemplos de danos por terceiros podem
ser originados por trabalhos com escavaderas de terra, trânsito de
equipamentos pesados sobre a terra que cobre o duto, etc.
- dano por corrosão: avalia o Risco de ocorrer dano na tubulação devido à
corrosão. Este é o mecanismo de dano que ocorre com mais freqüência
durante a operação da tubulação. A corrosão é o único dano que se
apresenta em forma natural ou influenciado pela operação contínua dos
dutos. Isto significa que, conforme o tempo transcorre, o dano por
corrosão se torna mais importante. Alguns trabalhos consideram o
fenômeno de dano por fadiga como um dano potencial, principalmente
proveniente da operação intermitente dos compressores ou bombas e
também do fluxo de trânsito nas rodovias que se encontram cruzando os
dutos. No entanto, as estatísticas demonstram que o fenômeno de dano por
fadiga não é o tipo de dano mais freqüente.
20
- dano por projeto: este está relacionado com as condições apresentadas

durante o desenvolvimento dos projetos. Todos os projetos são baseados
em cálculos que, por razões práticas, incorporam suposições. Estas podem
ser desde o valor da resistência do material até simplificações do modelo a
ser utilizado. Os dutos construídos na década dos anos 20, 30 ou 40
apresentam geralmente este tipo de dano, devido a que nesses tempos os
procedimentos de projeto ou normas não eram padronizados ou
obedecidas a normas. Sendo assim, cada projeto levava em conta
diferentes considerações de material, de técnica de fabricação, etc.
Atualmente, todos os projetos de tubulações seguem as normas
internacionais revisadas por instituições especializadas, tornando cada vez
menos provável uma falha devido à realização de um projeto de dutos.
- dano por operações incorretas: um dos mais importantes aspectos na

avaliação do Risco é o potencial de erros humanos. Este também é o mais
difícil de ser quantificado, pois as conseqüências deste índice podem ser
de naturezas: psicológicas, biológicas, sociológicas, etc. Este índice avalia
o potencial dos erros humanos na operação [45, 47, 48] de um sistema de
tubulação, que são próprios da operação. Outros tipos de erros, tal como
vandalismos, são avaliados no módulo especializado.
- fator de impacto de vazamento (FIV): esta parte considerara a seguinte
questão: quais são as conseqüências se ocorrer uma falha na tubulação?
Para responder a esta pergunta, duas variáveis são consideradas: (1) o grau
de perigo do produto que está sendo transportado e (2) as condições ao
redor da tubulação. A interação entre estas duas variáveis é complexa
devido à influência de muitas variáveis, que tornam difícil sua modelagem
teórica.
Para os quatro índices, Muhlbauer quantifica pontuações compreendidas entre 0 e

100, e para o FIV pontos compreendidos entre 0,2 e 88. Desse modo o Risco que
Muhlbauer avalia é determinado pela expressão (2.1):
21
soma de índices
Risco = (2.1)
fator impato de vazamento
Da expressão (2.1), pode-se constatar que o Risco varia desde 0 até 2000. Um
resultado perto do zero, representa um Risco maior e um resultado ao redor de 2000
representa um Risco menor.
A avaliação da soma de índices da expressão (2.1) é determinada pela expressão (2.2)

a seguir:
soma de índice = índice de dano por corrosão +

índice de dano por terceiros +
(2.2)
índice de dano por projeto +
índice de dano por operações incorretas
A avaliação de cada índice dá-se através da análise de um grupo de variáveis já

definidas por Muhlbauer. Por exemplo, na tabela 2.1 apresentam-se as variáveis que o
Muhlbauer considera importantes para quantificar o índice de dano por corrosão (no
anexo, na tabela A1 pode-se encontrar as variáveis dos demais índices). Para cada
variável, Muhlbauer especifica um grupo de alternativas e para cada alternativa um
valor numérico. Na tabela 2.2, apresentam-se as alternativas e seus correspondentes
valores numéricos para a variável “Tipo de Atmosfera”, pertencente ao índice de
dano por corrosão atmosférica (no anexo, as tabelas A2 ate a A8 apresentam as
alternativas e as pontuações de todas as variáveis pertencentes aos outros três
índices).
22
Variáveis do índice de dano por corrosão

corrosão para o duto enterrado
Proteção catódica
Qualidade do revestimento
Aplicação do revestimento
Inspeção do revestimento
Correção de defeitos do revestimento
Distância entre postes de prova
Freqüência de leitura
Estudo de casos especiais
Última inspeção com PIGS
Corrosividade do solo
Idade do sistema
Fluxo de corrente
Interferência de AC
Produto da corrosividade
MAOP
corrosão atmosférica
Qualidade do revestimento
Aplicação do revestimento
Localização da tubulação
Tipo de atmosfera
corrosão interna
Produto da corrosividade
Proteção interna
Tabela 2.1: Variáveis do índice de corrosão
Alternativas da variável tipo de Pontuação de

atmosfera: cada alternativa
Química e marinha 0
Química e alta umidade 2
Marina ou pantanal costeiro 4
Alta umidade e alta temperatura 6
Química e baixa umidade 8
Baixa umidade 10
Tabela 2.2: Alternativas e suas pontuações para a variável tipo
de atmosfera.
23
Quando finalmente têm-se avaliado todas as variáveis de um determinado índice, a

soma de todos os resultados numéricos será igual ao valor do índice avaliado.
Para o cálculo do FIV da expressão (2.1), as variáveis influentes estão na tabela 2.3:
fator de impacto de vazamento

Inflamabilidade
Reatividade
Toxicidade
Perigo crônico
Quantidade do produto vazado
Nível de população
Tabela 2.3: Variáveis do fator impacto de
vazamento
Para estas variáveis Muhlbauer também especifica um grupo de alternativas e para

cada uma delas, um valor numérico é dado (no anexo, a tabela A9 apresenta as
alternativas e as pontuações de todas as variáveis do FIV). Com a avaliação destas
variáveis, o FIV é calculado pela expressão seguinte:
FIV =
(Inflamabilidade + Re atividade + Toxicidade + Perigo crônico ) (2.3)
 Quantidade de Produto Vazado 
 
 Nível de Populaçao 
Com o exposto, quantificar o Risco em um trecho de tubulação consiste em avaliar as

60 variáveis dos quatros índices e as 6 variáveis do FIV. Através destas avaliações,
obtém-se o valor Risco através da expressão (2.1). Fazendo uma comparação entre a
definição do Risco para tubulações recomendada pela API 1160 [3] e a expressão
(2.1), pode-se dizer, que a soma de índices representa a probabilidade de falha,
enquanto o FIV representa a inversa da conseqüência da falha.
Deve-se notar que Muhlbauer faz uma análise mais detalhada da probabilidade de
falha, avaliando 60 variáveis, do que com respeito a análise da conseqüência, a qual é
avaliada por 6 variáveis. No trabalho de J. Arnoldo et. al. [49], a avaliação da
conseqüência de um vazamento de gás de uma tubulação é realizada por meio de 40
variáveis. Na norma API 581 [30] a conseqüência de uma falha em equipamentos de
uma planta petroquímica é avaliada através de 25 ou 80 variáveis, dependendo se
24
pelo método qualitativo ou quantitativo respectivamente. Isto mostra que o

procedimento proposto por Muhlbauer para avaliar a conseqüência é um
procedimento simplificado. Na análise de cada índice de dano, Muhlbauer também
realiza simplificações. Por exemplo, quando avalia o Risco de corrosão interna,
Muhlbauer somente considera duas variáveis, a corrosividade do solo e o tipo de
proteção interna, não considerando as variáveis: tipo de aço, tempo de vida do duto,
quantidade de defeitos por corrosão, etc. Mas apesar destas simplificações, o método
Muhlbauer é uma boa alternativa para avaliar o Risco em dutos quando se deseja
obter resultados aproximados, para depois, com base nestes resultados, decidir-se
fazer uma análise mais detalhada.
Outras considerações sobre o modelo de Muhlbauer são descritas a seguir:

Independência: Os perigos são considerados aditivos e independentes. Isto é, cada

variável que influencia no Risco é considerada separada de todas as outras variáveis.
No entanto, na realidade, diferentes tipos de perigos podem combinar-se para gerar
novos perigos que acelerariam o dano no duto. Por exemplo, a presença de uma trinca
em um ambiente corrosivo é mais prejudicial se a trinca e o meio corrosivo atuassem
separadamente.
Pior caso: O trecho crítico do duto representará o Risco do sistema de tubulação. Isto
significa que a falha em um ponto crítico é suficiente para todo o duto falhar. Sendo
assim, torna-se importante saber a localização deste ponto crítico. Neste cenário,
recomenda-se subdividir o duto em trechos, tal que, cada trecho tenha características
similares, objetivando evitar que um só ponto no duto governe o Risco do duto
inteiro.
Relativo: A pontuação dada às variáveis só tem sentido quando é comparada com as

pontuações das variáveis de outros trechos. Isto significa que o resultado do Risco
dado pelo método de Muhlbauer, não se deve comparar imediatamente com os
valores 0 (Risco alto) e 2000 (Risco baixo), senão, com um outro resultado de Risco.
25
Isto por que no método de Muhlbauer não estão definidos os níveis de Risco, tal
como, alto, baixo, médio, etc. Por exemplo, suponha um duto que tenha um resultado
de Risco igual a 5. Deste resultado pode-se afirmar que o Risco é alto se comparado
com o valor de 2000, porque 5 está próximo do valor 0 que representa um Risco alto.
No entanto, para um resultado de Risco igual a 100, não se pode afirmar o mesmo, já
que no método de Muhlbauer não estão definidos os valores pertencentes ao nível de
Risco alto. Por exemplo, se se considera que os valores compreendidos entre 0 e 400
sejam Risco alto, então um resultado de Risco igual a 100 pertencerá ao nível de
Risco alto.
Subjetivo: A expressão que avalia o Risco (expressão 2.1) é uma expressão subjetiva
obtida com base na experiência de W. Kent Muhlbauer. Os valores numéricos dados a
cada variável representam opiniões de pessoas experientes. Estes valores numéricos

são susceptíveis de serem modificados se o analista de Risco assim o determina.
Sociais: O método de Muhlbauer avalia o Risco da tubulação associado à exposição

de perigos na sociedade. Este método não avalia o Risco de exposição dos
operadores do duto ou da empresa.
Pontuação: Os valores numéricos de cada variável representam a importância relativa

de uma variável com relação a outra, por exemplo, a variável ambiente com 10
pontos é mais importante do que a variável proteção catódica com 8 pontos.
Com estes valores numéricos, os máximos valores estabelecidos para cada um dos
índices são 100 pontos. O estabelecimento de uma escala igual para os quatro índices
deve-se a não existência de uma prioridade de um índice sobre outro. Por exemplo,
Falabella [50] menciona que o principal dano nos dutos argentinos é a corrosão
externa, no entanto, em [27] menciona que o principal tipo de dano nos Estados
Unidos é do dano por terceiros. Neste cenário, o Muhlbauer considerou escalas iguais
para a pontuação dos quatro índices objetivando evitar dar prioridade de um índice
sobre outro.
26
No método Muhlbauer pode-se classificar todas as variáveis dos quatro índices

segundo duas característica, de atributos e de prevenção. Na primeira, as
características das variáveis são difíceis ou impossíveis de serem modificadas, isto é,
o operador de dutos não tem controle para sua alteração, p. ex.: o tipo de atmosfera,
corrosividade do produto, idade do duto, etc. Já na segunda classificação, o projetista
ou operador da tubulação tem capacidade de modificar suas características com a
intenção de modificar o Risco, p. ex: aumentar a freqüência de inspeção, realizar
programas de treinamento dos operadores, instalar equipes de segurança, etc.
Na tabela 2.4 apresentam-se as quantidades das variáveis de prevenção e de atributos

que cada índice possui:
Número de Pontuação total Número de Pontuação total

variáveis de das variáveis de variáveis de das variáveis
prevenção prevenção atributos de atributos
índice de dano por terceiro 4 50 4 50
índice de dano por corrosão 13 55 9 45
índice de dano por projeto 3 50 6 50
índice de dano por operações 21 100 0 0
incorretas
Total 41 255 19 145
Tabela 2.4: Número de ítens preventivos para cada índice de dano.
2.2
CONTROLE DO RISCO ATRAVÉS DO MODELO DO MUHLBAUER
Mediante o método Muhlbauer é possível avaliar a variação do Risco em trechos de

tubulação. A avaliação da variação do Risco pode ser feita através da realização de
diferentes tarefas, tais como: a alteração das condições de operação ou a realização de
ações mitigadoras. Assim, a realização de qualquer das duas tarefas modificarão os
resultados dos índices ou do FIV. Deste modo, o valor do Risco aumentará ou
diminuirá. Por exemplo, se a realização de ações mitigadoras provocam um aumento
de 50% no valor da soma dos índices (do ponto A para o ponto B na figura 2.1), então
27
o valor do índice de Muhlbauer aumentaria se o FIV permanece constante, o que

significaria uma diminuição na sensação do Risco.
Figura 2.1: Mapeamento dos resultados do Modelo de Muhlbauer
Alguns exemplos de tarefas que podem modificar o Risco através da variação do

resultado da soma de índices são, por exemplo:
- Mudar a freqüência de vigilância nos dutos de uma vez por mês a três vezes por
semana aumenta oito pontos no índice de dano por terceiros.
- Injetar inibidor como forma de proteção interna em um duto, adiciona quatro pontos
no índice de dano por corrosão.
- Mudar a pressão de teste hidrostático de 125 % para 140% do MAOP (Máxima
Pressão Permitida na Operação) acrescenta dez pontos no índice de dano por projeto.
- Capacitar aos operadores da tubulação mediante cursos de treinamento e elaborar
procedimentos de manutenção aumenta vinte pontos no índice de dano por operações
incorretas.
A realização de todas as tarefas mencionadas adicionaria 42 pontos na soma de

índices. Sem dúvida, uma pergunta surge de forma natural:
28
Em um duto, com avaliações para soma de índices igual a X e para a FIV igual a Y,
é suficiente a realização das cinco tarefas, mencionadas anteriormente, para
garantir que o duto opere com Risco baixo?
A resposta a esta pergunta não pode ser obtida através do método Muhlbauer de uma
forma imediata, devido este método não especificar os níveis de Risco para os dutos,
isto é, no método Muhlbauer desconhece-se se um resultado de Risco, p. ex.: igual a
200, pertence ao nível de Risco alto, médio, baixo, etc. Entretanto, pode-se afirmar
que o risco decresceu.
No trabalho [30] a API apresenta uma matriz de Risco que estabelece níveis de Risco
baseados nos resultados da categoria da probabilidade de falha e da conseqüência de
falha. Nesta matriz, na qual os resultados necessários podem ser obtidos mediante a
metodologia qualitativa ou semiquantitativa, os níveis de Risco definidos são: alto,
médio alto, médio e baixo (ver figura 2.2).
Figura 2.2: Matriz de Risco proposto pela API para

equipamentos em plantas petroquímicas [66]
A API elaborou esta matriz, destinada a equipamentos pertencentes a plantas

petroquímicas. Sua aplicação a tubulações necessita de uma adaptação às condições
de funcionamentos dos dutos. Um outro trabalho da API [3], apresenta uma matriz de
Risco para tubulações (ver figura 2.3), no entanto, nesse trabalho não se especifica os
níveis de Risco, nem tampouco, como deve ser avaliada a probabilidade de falha e
conseqüência de falha.
29
Figura 2.3: matriz de Risco proposto pela API para

sistemas de tubulações [2]
Outra matriz de Risco foi proposta pela Petrobras [52] com base nos resultados de
probabilidade e conseqüência da falha nos dutos. Esta matriz determina três níveis de
Risco: alto, médio e baixo. No entanto, segundo a metodologia de avaliação da
probabilidade e conseqüência da falha, os resultados de Risco para a maioria dos
dutos resultam iguais ao nível de Risco alto, isto é, a matriz não consegue realizar
uma classificação de priorizarão entre os dutos. É por isto, que na atualidade a
Petrobras realiza uma revisão da sua proposta para a matriz de Risco, sendo assim,
esta matriz não será analisada nesta tese.
Assim, levando em consideração estas duas matrizes (figura 2.2 e 2.3) , propõe-se a
seguir uma matriz de Risco baseada nos resultados da soma de índices (probabilidade
de falha) e o FIV (conseqüência de falha), obtidas do método Muhlbauer, ver figura
2.4.
Figura 2.4: Matriz de Risco proposto nesta trabalho baseado nos

resultados do modelo Muhlbauer.
30
Nesta matriz divide-se a soma de índice e o FIV em cinco níveis: baixo, médio baixo,
médio, médio alto e alto. Diferentes classificações para a soma de índices e do FIV
podem ser realizadas de acordo a experiência do analista de Risco em dutos.
Uma vez criada a matriz de Risco (figura 2.4) procede-se na determinação dos níveis
de Risco. Neste caso, propõem-se cinco níveis de Risco: alto, médio alto, médio,
médio baixo e baixo, tal como se apresenta na figura 2.5.
Figura 2.5: Níveis de Risco – primeira proposta.
Com esta matriz (figura 2.5) é possível responder a pergunta formulada anteriormente
(pagina 28):
A realização das cinco tarefas é suficiente para garantir ao duto um Risco baixo?
Para responder a esta pergunta, suponha um caso de um duto com resultados para a
soma de índices igual a 200 e para o FIV igual a 0.5. Então, o duto tem um Risco
igual a 400. Com o aumento de 42 pontos na soma de índices, produto da realização
das cinco tarefas, o novo valor do Risco é 484. Na matriz de Risco o duto que
inicialmente estava no ponto A (Risco médio alto) agora foi para o ponto A1 (Risco
médio baixo), tal como o sinaliza a linha grossa de cor vermelha na figura 2.6.
31
Figura 2.6: Localização das avaliações A,A1 e A2 na matriz de Risco
Da figura 2.6, observa-se que a realização das cinco tarefas, faz o ponto A percorrer
verticalmente até o ponto A1, sendo assim, a realização de qualquer tarefa não
conseguirá que o duto obtenha um Risco baixo, já que para chegar a este nível
precisa-se que ponto A percorra um caminho horizontal, além do vertical. Para
conseguir o deslocamento vertical, o valor do FIV deve ser modificado, por exemplo,
se o FIV fosse mudado de 0.5 para 0.25, além de realizar as cinco tarefas, o ponto A
percorrerá até o ponto A2 (figura 2.6, linha grossa de cor cinza), com isto, segundo a
matriz de Risco, se conseguiria que o duto tenha um Risco baixo.
Na figura 2.5, a linha grossa de cor negra que representa todos os valores de Risco
igual a 400, cruza três níveis de Risco: médio baixo, médio e médio alto, o que
significa, que um mesmo valor de Risco igual a 400 pode pertencer a mais de um
nível de Risco. Isto acontece devido a forma como foram estabelecidos os níveis de
Risco. Portanto, na matriz de Risco da figura 2.5, a definição do nível de Risco é
definida mais claramente pelos resultados de soma de índice e do FIV, e não somente
pelo resultado do Risco.
A situação na qual um valor do Risco represente vários níveis de Risco pode ser
evitada se os níveis de Risco são estabelecidos de forma diferente, ver figura 2.7.
32
Figura 2.7: Matriz de Risco –segundo proposta.
Nesta matriz, um determinado valor do Risco somente pertence a um determinado

nível de Risco, tal como o valor de Risco igual a 400, que na primeira matriz (figura
2.5) pertencia a três níveis de Risco diferentes.

Devido à mudança na forma de estabelecer os níveis de Risco, os resultados dados
pelas duas matrizes serão diferentes. Isto se pode ver no caminho percorrido pelo
ponto A na segunda matriz de Risco (figura 2.7). Nela o aumento de 42 pontos para a
soma de índices e com a redução do FIV de 0.5 a 0.25, faz com que o duto somente
consiga ter um nível de Risco médio (figura 2.7, linha cinza) que é diferente do
resultado obtido pela primeira matriz, que foi Risco médio baixo.
Isto demonstra, que a forma como são estabelecidos os níveis de Risco na matriz de
Risco influenciam no resultado final. Neste cenário, exige-se que o analista de Risco
tenha um alto conhecimento no problema do Risco em duto para ter confiança que os
resultados dados pela matriz de Risco representem o Risco real.
A forma como são estabelecidos os níveis de Risco na primeira matriz é a forma

tradicional aplicada na indústria petroquímica. Já para a indústria de tubulações
existem estudos tentando gerar a matriz de Risco. No trabalho realizado pela
Petrobrás [52] propõe-se uma matriz de Risco para os sistemas de tubulações. Esta
matriz é baseada no resultado da probabilidade de falha e conseqüência de falha,
determina três níveis de Risco: alto, médio e baixo, no entanto, segundo a forma de
33
avaliar a probabilidade e conseqüência de falha recomendada em [52], os resultados

de Risco para a maioria dos dutos são iguais ao nível de Risco alto, isto significa, que
a matriz não consegue realizar uma classificação de priorização entre os dutos.
A presente tese propõe duas matrizes de Risco (figuras 2.5 e 2.7), na qual a
probabilidade e conseqüência da falha são avaliadas segundo o método de
Muhlbauer. Destas duas matrizes, na segunda não existe o problema de que um
mesmo resultado para o Risco apresentar diferentes níveis de Risco, como ocorre na
primeira matriz de Risco. Deve-se considerar que independentemente de optar por
qualquer matriz de Risco, a maioria dos dutos que transportam petróleo, gás ou
derivados apresentam resultados de Risco avaliados segundo o método de Muhlbauer
na faixa 0–400. Isto significa, que é pouco provável obter um resultado de Risco igual
a 2000 para um duto transportando gás. Assim, nas duas matrizes recomenda-se fazer
uma classificação de níveis de Risco mais precisa na faixa de 0-400, como por
exemplo, dividir os valores da soma de índices e do FIV pertencentes a faixa de 0-80
e 1-88 pontos respectivamente em novas classes, e com base nestas determinar os
novos níveis de Risco.
2.3
UMA PLANILHA PARA O MODELO MUHLBAUER
Esta planilha, gerada no software EXCEL foi projetada para facilitar o gerenciamento
de uma forma amigável das informações necessárias para avaliação do Risco via o
modelo de Muhlbauer. Para isto foi proposto o seguinte fluxograma, tal como se pode
ver na figura 2.8.
34
Figura 2.8: Fluxograma proposto para a planilha de base de dados
Neste fluxograma, identificam-se as seguintes partes: resumo da avaliação de todos

os trechos da tubulação e o resumo da avaliação de um trecho específico. Nas figuras
2.9 e 2.10 apresenta-se um resumo da avaliação de vários trechos hipotéticos. A
figura 2.9 apresenta o resumo dos resultados de todos os trechos avaliados. A
definição de cada ítem pode ser visualizada mediante comentários anexos.
35
Figura 2.9: Resumo das Avaliações de todos os trechos de dutovias.
Figura 2.10: Formas de priorização de trechos.
A figura 2.10 mostra a realização da priorização dos trechos de tubulações. Isto pode
ser obtido tomando como referência qualquer dos oito ítens mostrados em cada uma
de suas colunas. Os resultados apresentados em cada fila (figura 2.10) representa a
36
análise individual de um trecho de tubulação. Estas análises individuais, baseadas nas

informações dos quatro índices de dano e do FIV, tal como apresentados na figura
2.11 e 2.12, geram os resultados gráficos apresentados nas figuras 2.13 e 2.14.
Figura 2.11: Dados necessários para avaliar o risco segundo a metodologia de Muhlbauer
37
Figura 2.12: Continuação da figura 2.11.
Nas figuras 2.11 e 2.12 apresentam-se a planilha de ingresso de dados para a

avaliação do Risco de um trecho específico. Estas duas planilhas encontram-se
divididas em cinco partes, quatro partes para os quatro índices de dano e uma parte
38
para o FIV. Dentro de cada uma das partes, pode-se encontrar as variáveis associadas
a cada um dos quatro índices e do FIV (ver primeira coluna das figuras 2.11 e 2.12).
As pontuações que o analista de Risco sugere para cada uma destas variáveis
encontram-se na segunda coluna. Na terceira e quarta coluna encontram-se as
pontuações das avaliações do analista de Risco, e na última coluna encontram-se os
resultados gerais de cada uma das cinco partes.
Nas figuras 2.13 e 2.14 apresentam-se os resultados gráficos de níveis de risco para o
trecho 1 (A-G) apresentado na figura 2.10
Figura 2.13: Nível de Risco de um trecho de dutovia

39
Figura 2.14: Nível dos índices de prevenção para um trecho de dutovia
A figura 2.14 apresenta os resultados para o duto A-G. Nela pode-se observar que o
índice de corrosão utilizado (barra de cor verde na figura 2.14) aproxima-se muito do
índice total que poderia ser utilizado (barra de cor marrom na figura 2.14). Isto
significa que no duto A-G as prevenções com respeito ao dano por corrosão estão
dentro do que poderia ser considerado como ideal.
2.4
ANÁLISE DE CUSTO ATRAVÉS DA METODOLOGIA MUHLBAUER
Com o modelo de Muhlbauer pode-se também avaliar o investimento realizado na

execução das diferentes atividades preventivas para manter um determinado Risco
nos sistemas de tubulação. Para isso, deve-se considerar que o investimento só deve
ser realizado nas 41 variáveis do tipo preventivas, por estas possibilitarem
40
modificações, o que não sucede com as variáveis atributivas. Com isto, a avaliação do
custo pode ser realizada de forma paralela a avaliação de pontuações das 41 variáveis.
Para isso, é necessário que em cada uma delas seja associado o custo necessário para
executá-las. Na tabela 2.5 apresentam-se os custo de cada alternativa das variáveis do
índice de dano por corrosão de duto enterrado. Estes custos não são reais e somente
foram dados com fins demonstrativos. Por exemplo, a instalação de postes de prova
entre uma e duas milhas, originará um aumento de um ponto no índice de dano por
corrosão de duto enterrado através de um investimento de duas unidades monetárias,
tal como o indica a tabela 2.5.
De forma similar à anterior, pode-se realizar a avaliação nas 41 variáveis preventivas
objetivando calcular o benefício e o investimento total realizado. No caso do modelo
de Muhlbauer, maior benefício significa maior pontuação na soma de índices. Assim,
com os resultados de benefício e custo, pode-se realizar uma análise para saber se o
investimento total é realizado nas tarefas que trariam maior benefício.
Para facilitar esta análise, somente se considerará as variáveis do índice de dano por
corrosão de duto enterrado, tal como, apresentado na tabela 2.5, que indicam as
tarefas, alternativas, pontuações e custos. Com as combinações entre todas as tarefas
das nove variáveis, surgem 370000 combinações possíveis, isto significa, que para
saber se um investimento C é bem realizado em um duto para manter um risco R,
precisa-se comparar com as 370000 possibilidades. Desta comparação deve-se
selecionar, se existe, as combinações que tenham como mínimo um benefício maior
ou igual a R, com um investimento igual ou menor a C. Para saber a combinação que
tem maior benefício com um mínimo investimento, com as combinações selecionadas
faz-se uma analise de beneficio/custo (B/C). Assim, aquela combinação que tiver o
maior valor B/C será a combinação recomendada a realizar no duto.
41
Índice de dano por corrosão de duto enterrado (Prevenção)

Custo
Variável Tarefa Alternativas da variável Pontuação
(UM)
Proteção 1 Um critério geral de instalação de proteção catódica é encontrado 8 6
catódica 2 Sem critério geral de instalação de proteção catódica 0 0
1 Bom 3 13
Condição do 2 Aceitável 2 11
revestimento 3 Ruim 1 10
4 Incorreto 0 9
1 Bom 3 15
A qualidade da
2 Aceitável 2 11
aplicação do
3 Ruim 1 6
revestimento
4 Incorreto 0 1
1 Bom 3 6
A qualidade do
2 Aceitável 2 5
programa de
3 Ruim 1 4
inspeção
4 Incorreto 0 0
A qualidade do 1 Bom 3 5
programa de 2 Aceitável 2 3
correção de 3 Ruim 1 2
defeitos 4 Incorreto 0 1
1 Todos os metais enterrados na vizinhança da tubulação são 3 5
monitorados
Distância entre
2 Testes dirigidos são especificados numa distância de 1 a 2 milhas e 1 2
postes de
todas as interferências externas são monitoradas por testes dirigidos
provas
3 Testes dirigidos são especificados para mais de 2 milhas, mas não 0 0
todas as interferências externas são monitoradas
Freqüência de 1 Mais de 2 vezes ao ano 3 7
leitura dos 2 Duas vezes ao ano 2 3
testes 3 Anualmente 1 2
1 Estudo cada ano 8 16
2 Estudo cada 2 anos 7 13
Estudo de casos 4 Estudo cada 4 anos 5 9
especiais (anos) 5 Estudo cada 5 anos 4 8
9 Estudo realizado cada mais de 8 anos 0 0
1 Inspeção realizada a cada ano 8 8
2 Inspeção realizada a cada 2 anos 7 7
Ferramentas de 4 Inspeção realizada a cada 4 anos 5 5
inspeção 5 Inspeção realizada a cada 5 anos 4 4
interna 6 Inspeção realizada a cada 6 anos 3 3
9 Inspeção realizada a cada mais de 8 anos 0 0
Tabela 2.5: Custos e pontuações das alternativas das variáveis preventivas do Índice de dano por corrosão de duto
enterrado
42
Para a realização dos cálculos comentados anteriormente, foi automatizado e

implementado um aplicativo chamado de Análise de Risco com base no software
BUILDER C++. Este foi escolhido por possibilitar a geração de aplicativos de
interface amigável. Além, de permitir trabalhar com base de dados similar ao
EXCEL, o aplicativo também contem um arquivo de ajuda, no qual podem-se
encontrar informações sobre o modelo Muhlbauer.
A seguir, se apresentarão as janelas do aplicativo que servem para entrar com os
dados necessários e obtenção das respostas geradas. Na figura 2.5 mostra-se a janela
inicial do aplicativo, a qual serve como acesso às outras janelas.
Figura 2.5: Janela inicial do aplicativo “Análise de Risco”.
O acesso a estas janelas é feito através da barra de ferramentas e que se pode observar
na figura 2.5. Na figura 2.6 apresenta-se o arcabouço das sete janelas.
43
Figura 2.6: Opções implementadas no aplicativo “Análise de Risco”.
Na figura 2.6 a primeira opção denominada de Tubulação, apresenta quatro sub-

opções que são Identificação, Avaliação da tubulação enterrada, Fator impacto
de vazamento e Sair. A sub-opção identificação serve para guardar as informações
gerais da tubulação como diâmetro, comprimento, espessura, produto transportado e

proprietário. A visualização desta opção está na figura 2.7.
Figura 2.7: Janela de identificação do duto no aplicativo

“Análise de Risco”
A segunda sub-opção denominada de Avaliação da tubulação enterrada serve para

inserir as pontuações das variáveis do índice de dano por corrosão de duto enterrado.
Esta opção está dividida em duas sub-opções que são denominadas de Atributos e
Prevenções. A primeira avalia todas as variáveis do tipo atributos pertencentes ao
índice de dano por corrosão de duto enterrado (figura 2.8).
44
Figura 2.8: Janela de entrada de dados para as variáveis do

tipo atributos no aplicativo “Análise de Risco”.
Esta figura requer o preenchimento das pontuações das cinco variáveis do tipo
atributos, cujo resultado final está apresentado na forma numérica e de um gráfico de
barras. Na parte superior da figura 2.8 encontra-se uma barra de ferramenta que serve
para modificar, excluir ou aumentar as avaliações. Na parte inferior, apresenta-se uma
planilha similar ao EXCEL, na qual, podem-se encontrar as informações de todos os
trechos já avaliados. A segunda sub-opção serve para inserir as pontuações e os
custos das variáveis preventivas. No lado direito desta janela apresentam-se os
resultados na forma de gráfico de barras (ver figura 2.9).
45
Figura 2.9: Janela de entrada de dados para as variáveis do tipo

prevenção no aplicativo “Análise de Risco” .
A terceira sub-opção denominada de Fator de Impacto do Vazamento é usada para

informar sobre as variáveis destinadas a avaliarem as conseqüências da falha do duto
(figura 2.10).
Figura 2.10: Janela de entrada de dados para as

variáveis do FIV no aplicativo “Análise de Risco” .
A segunda opção incorporada no aplicativo, denominada de Controle do Risco, é a

janela dos resultados, os quais são obtidos com base nas informações dadas
46
anteriormente (figuras 2.7, 2.8, 2.9 e 2.10). A visualização desta janela esta
apresentada na figura 2.11.
Figura 2.11: Janela de resultados obtido do aplicativo “Análise de Risco” .
Nela (figura 2.11) apresentam-se os resultados das pontuações das variáveis

preventivas, atributivas e do custo que levaria para executar todas as tarefas
preventivas. Esta janela também apresenta os resultados das avaliações em forma de
gráfico de barras.
Abaixo do gráfico de barras encontram-se duas caixas denominadas pontuação de
prevenção desejada e custo de prevenção desejado, as quais servirão para realizar a
análise de B/C. Com base nestes valores, no lado direito da figura 2.11, encontram-se
os resultados, ou seja, o primeiro resultado indica a quantidade de combinações
47
existentes entre as tarefas das oito variáveis do índice de corrosão de duto enterrado,
tal que todas elas possuam uma pontuação de prevenção maior ou igual a prevenção
desejada e um custo menor ou igual ao custo desejado. Outro resultado desta janela
indica a combinação que tem o maior valor de beneficio com o mínimo custo. Na
única caixa em branco pode-se inserir o número da combinação objetivando conhecer
as tarefas a realizar nas oito variáveis e seus custo estabelecidos. Finalizando, na
figura 2.12 apresenta-se a visualização do arquivo ajuda. No capítulo cinco se
analisará com maior detalhe os valores quantitativos em um estudo de caso.
Figura 2.12: Janela de ajuda do aplicativo “Análise de Risco”.

48
2.5
ANÁLISE DE INTEGRIDADE ESTRUTURAL EM DUTOS
Em um levantamento estatístico de falhas mais freqüentes ocorridos nos sistemas de

tubulação argentinos, podem-se mencionar os seguintes danos [50]: por corrosão
externa, por terceiros, por movimentos de terra, por projeto e por defeito no material.
Uma outra análise de dados de falhas freqüentes nos Estados Unidos, Canadá e
Europa podem ser observadas na figura 2.13.
Figura 2.13: Estatística de acidentes nos Estados Unidos,

Europa e Canadá.
49
Destas análises, pode-se observar que o único dano que tem um processo natural ou
proveniente da operação contínua da tubulação é o dano por corrosão. Já os outros
danos por terceiros, operações incorretas ou por perigos naturais são tipos de danos
que podem ocorrer aleatoriamente sendo muito difícil sua previsão. No entanto, o
dano por corrosão também é difícil de ser previsto, devido à falta de conhecimento
em saber como as variáveis se associam para gerar a corrosão. Mas, isto não impediu
a comunidade científica de propor métodos aproximados no objetivo de quantificar e
prever o dano por corrosão. Já para outros tipo de dano, a principal ferramenta para
evitá-los são as ações preventivas.
Os diversos métodos existentes para avaliar o dano por corrosão podem ser
classificados em três grupos [51]:
- os que avaliam defeitos com perfis simples,

- os que avaliam defeitos com perfis complexos e múltiplos defeitos,
- os métodos baseados em análise numérica.
No primeiro grupo podem ser mencionados os seguintes métodos:
ASME B31G
ASME B31G MODIFICADO
RSTRENG 0.85dL
Shell-92
DNV RP-F101
Advantica LPC Nível 1, e...
PCORRC
Estes métodos avaliam um defeito com perfil simples de corrosão no duto através de
fórmulas simples, nos quais requerem um mínimo de informação, por exemplo,
propriedades do material, longitude e comprimento do defeito, profundidade do
defeito, etc.
50
Os métodos do segundo grupo são aplicados a defeitos com perfil complexo, nos
quais, uma aproximação mediante o perfil simples não seria correto. Dois métodos
podem ser usados neste caso: RSTRENG de área efetiva e Advantica LPC Nivel 2.
Estes métodos requerem como informação as propriedades do material,
espacejamentos entre os defeitos, perfis dos defeitos, etc. Os procedimentos seguidos
nestes métodos são geralmente complexos requerendo na maioria dos casos ajuda
computacional.
No terceiro grupo podem-se mencionar dois métodos: Advantica LPC Nível 3 e o

software PCORR. Estes métodos demonstram que é possível prever a pressão de
falha se é aplicada em forma aproximada um critério de falha não linear em uma
análise por elementos finitos. A análise por elementos finitos pode gerar resultados
muitos confiáveis, no entanto, seu sucesso dependerá do grau de familiaridade com a

técnica de elementos finitos.
2.6
GERENCIAMENTO DOS RESULTADOS DE RISCO E AIE NOS DUTOS
Objetivando minimizar o Risco potencial de falha nas tubulações, os operadores

implementam programas de manutenção e inspeção. Por exemplo, um programa
poderia limitar o Risco por corrosão através da monitoração interna de parâmetros,
inspeção com PIGS, uso de inibidores, etc. Através destes programas, o Risco
potencial dos dutos é prevenido. No entanto, existe a possibilidade de que a
realização do programa não se concretiza em função do alto custo ou impossibilidade
de realizar modificações no projeto original do duto. Neste cenário, existe a
necessidade de realizar um programa de manutenção e inspeção, baseado em uma
análise de custo benefício, tal que garanta no duto um Risco baixo.
A técnica de Gerenciamento do Risco baseado nos resultados da integridade nos

dutos ajuda ao operador a enfocar áreas de alto Risco, e identificar as formas para
51
reduzi-las. A aplicação desta técnica otimizará as atividades de manutenção e

inspeção baseadas em análises justificadas.
A Inspeção Baseada em Risco (RBI) [53] é uma técnica que está sendo adotada
atualmente por alguns setores da indústria de refinamento e setores petroquímicos
para propor e dirigir o planejamento de inspeções em uma planta. A RBI oferece à
empresa a justificativa de reduzir custos através da otimização dos recursos,
reduzindo o investimento em falhas improváveis ou de pouco impacto financeiro.
A RBI, como também o RCM (Reliability Centered Management), TPM (Total
Productive Management), TQM (Total Quality Management) etc., são técnicas que
têm como fim atingir os objetivos das empresas de forma mais eficiente. No entanto,
a RBI é principalmente recomendada pela API para a aplicação em equipamentos
estáticos que trabalham com fluidos derivados do petróleo e/ou gás, enquanto, as
outras técnicas (RCM, TPM e TQM) são recomendadas geralmente para a indústria
de transformação.
Os trabalhos aplicando a RBI na indústria de tubulação são poucos. Por exemplo,

John L. Tischuk [54] avalia a operação crítica (OCA) e o grau de inspeção da
tubulação dentro de um programa de RBI. A OCA define os diferentes níveis de
Risco, enquanto o grau de inspeção indica o nível de deterioração do equipamento.
Assim, dependendo dos resultados da OCA e do grau de inspeção, um intervalo de
inspeção é determinado no duto. Nesse trabalho, cinco casos de estudo são avaliados,
tais como, em tubulações, tanques de pressão, plantas petroquímicas, etc. John
Willcocks [55] aplica a RBI e o gerenciamento da integridade nos sistemas de
tubulação objetivando manter os requisitos da integridade, o que significa, maximizar
sua operacionalidade além de otimizar os recursos aplicados. Para isso avalia a
probabilidade de falha baseando-se nos métodos de confiabilidade estrutural, e na
conseqüência da falha mediante uma árvore de eventos. Com estes resultados, o
Risco é avaliado e comparado com os critérios de aceitabilidade. O custo investido
para manter o Risco dentro do aceitável é calculado. Como a probabilidade de falha é
dependente do tempo, o custo do Risco pode ser relacionado com os custos de
manutenção, inspeção, etc. Desta forma, um valor ideal para o intervalo de inspeção
52
pode ser determinado baseado na análise custo - benefício. Um outro trabalho

apresentado por Gutemberg [56] tem a finalidade de apresentar os planos de
monitoração da corrosão em toda a malha dutoviaria brasileira enfocando diferentes
tecnologias de monitoração da corrosão, assim, como o plano de trabalho para sua
implementação.
Estes dois trabalhos objetivam encontrar o tempo ideal de inspeção, tal que o duto
apresente um baixo Risco de operação. Assim, trabalhos que possibilitem estudos
similares deveriam ser incentivados, pois trariam diversos benefícios, por exemplo,
segurança para a sociedade, prevenção de acidentes ecológicos e principalmente
evitaria mortes e ferimentos de pessoas.
Neste cenário, Freire et al. [57] desenvolveu um modelo básico para o gerenciamento
do Risco e da AIE em dutos, baseado em um procedimento preliminar de manuseio
de dados disponíveis sobre a falha por corrosão externa, que associa conceitos de
gerenciamento de Risco, AIE em dutos e lógica fuzzy. Este modelo começa com a
análise dos dados do trecho do duto (tempo de inspeção, histórico da corrosão, tensão
de operação, idade do duto e meio ambiente) compatível com uma AIE nível I. Da
análise dos dados obtém-se a Vida Calculada (VC) a qual será comparada com a
Vida Desejada (VD) que é estabelecida para um determinado Risco. Nos casos em
que a VC for menor do que VD significa que o duto não pode continuar operando no
Risco associado a VD, e quando VC for maior a VD, expressa que o duto pode seguir
operando. Alberto Ildefonso [58], na sua tese de mestrado, introduz o conceito de
probabilidade de falha no modelo apresentado por Freire et al. [57]. Neste trabalho,
aplicado a equipamentos de grande porte, a probabilidade de falha (pfc) do
equipamento é comparada com a probabilidade de falha desejada, pfd, a qual é
definida para um determinado Risco. Com isto, se a pfc é menor que pfd, significa
que o equipamento pode continuar a operar. Caso contrário, recomenda-se realizar
uma avaliação de AIE nível II no equipamento ou modificar o Risco na qual o
equipamento esta funcionando.
53
A diferença nestes dois trabalhos, [57] e [58], é que no primeiro, toma-se a decisão de
seguir operando o equipamento com base nos resultados pontuais de VC e VD, já no
segundo, a decisão é feita com base nos resultados probabilisticos.
Tendo como referência estes dois trabalhos, se desenvolverá um modelo para

determinar o tempo ideal de inspeção com base nos resultados do Risco e de uma
AIE. Para obter a primeira, o método de Muhlbauer será utilizado, enquanto para o
segundo, o critério de estimação da pressão admissível da ASME B31G
MODIFICADO, proposto por Kiefner [59], será utilizado para determinar a vida
residual de um duto. A aplicação do critério de Kiefner enquadra-se na filosofia de
uma AIE nível I, já que esta somente avalia defeitos com perfis simples.
Um outro trabalho que avalia a probabilidade de falha é realizado por Bruno Eckstein
[60] na qual propõe uma metodologia para a obtenção da probabilidade de falha

futura no duto devido a diversos tipos de corrosão.
2.6.1
CÁLCULO DA VIDA RESIDUAL (T*) DE UM DUTO CORROÍDO
LONGITUDINALMENTE
A equação básica proposta por Kiefner [59], a qual é amplamente usada para preceder
a pressão de falha na tubulação que contém um defeito longitudinal finito é:
 A 
 1− 
Sp = (Sy + 68.95) ×  Ao  (2.4)
 A 
1 − 
 Ao × M 
na qual:
Sp : tensão de ruptura que levaria o duto a falhar, MPa.
Sy : limite de escoamento do duto, MPa.
A : área do defeito do duto, avaliada como o produto de Lxd, ver figura 2.14.
L : longitude do defeito, mm.
d : profundidade do defeito, mm.
54
Ao : área original do duto sem defeito, avaliada do produto de Lxt.

t : espessura da parede do duto, mm.
2
L2  L2 
M : fator de Folia, avaliado por M = 1 + 0.6275 × − 0.003375 ×   se

D× t  D× t 
L2 L2 L2
≤ 50 , ou M = 0,032 × + 3.3 se > 50
D× t D× t D× t
Figura 2.14: Representação de um duto corroído com defeito longitudinal.
Substituindo as expressões de A e Ao para defeitos simples na expressão 2.4:
 d 
 1− 
Sp = (Sy + 68.95) ×  t  (2.5)
 d 
1 − 
 t×M 
Supondo que a taxa de corrosão radial (Rd) e longitudinal (RL) como constante
através do tempo, pode-se calcular o valor de d e L para qualquer tempo T:
d = do + R d × (T − To)
(2.6)
L = Lo + R L × (T − To)
na qual, as variáveis do e Lo são respectivamente a profundidade e comprimento do

defeito no tempo inicial To. Substituindo a expressão 2.6 em 2.5 tem-se:
55
 (do + R d × (T − To)) 
1 − 
Sp = (Sy + 68.95) ×  t  (2.7)
 (do + R d × (T − To)) 
1 − 
 t×M 
Da teoria de resistência dos materiais, a relação entre Sp atuante em um duto

submetido a pressão interna (P) é dada por:
P×D
Sp = (2.8)
2× t
Substituindo a expressão 2.8 em 2.7:

 (do + R d × (T − To)) 
1− 
2×t 
P = (Sy + 68.95) × t  (2.9)
D  (do + R d × (T − To)) 
1− 
 t×M 
A máxima pressão admissível (Pa) de um duto corroído terá que ser igual a P
dividido por um coeficiente de segurança (CS):
 (do + Rd × (T − To)) 
1− 
2×t 
= (Sy + 68.95) ×
P t 
Pa = (2.10)
CS D × CS  (do + Rd × (T − To)) 
1− 
 t×M 
Assim, a pressão de operação (Po) de um duto corroído longitudinalmente não deve

exceder o valor de Pa, já que isto poderá ocasionar a falha do duto. No cenário em
que Po seja menor que Pa, pode-se determinar o tempo T*, para que Pa aumente em
função do aumento da corrosão e assim seja igual a Po. A expressão para a
determinação de T*, obtida da solução de 2.10 quando Pa igual é a Po, é a seguinte:
56
 do  Po × D × do × CS
2 × t × (Sy + 68.95) × 1 −  + − Po × D × CS
t  t  t×M
T * = To + ×( ) (2.1)
Po × D × CS
2 × t × (Sy + 68.95) −
Rd
M
A expressão anterior serve para calcular o valor médio de T* em função dos valores
médios de To, t, do, Rd, D, CS, Po e Sy. A existência de incerteza sobre cada uma
destas avaliações influenciará na incerteza de T*, a qual pode ser determinado através
do método da incerteza do erro quadrático:
2
 ∂T *   ∂T *  ∂T * 
2 2

σ T* =  × σ To  +  × σ t  + ... +  × σ Sy  (2.12)
 ∂To   ∂t   ∂Sy 
na qual, σT*, σTo, σt, σdo, σD, σT*, σCS, σPo e σSy representam as incertezas das
variáveis T*, To, t, do, Rd, D, CS, Po e Sy. Considerando que todas estas variáveis
como do tipo normais, os resultados das expressões 2.11 e 2.12 servem para
determinar o valor médio e o desvio padrão da variável aleatória normal T * . No
entanto, se as algumas das variáveis não fossem normais, a expressão 2.12 não deve
ser utilizada para calcular σT*. Nesses casos as técnicas FORM, SORM, transformada
rápida de Fourier, Montecarlo, etc., devem ser aplicadas. Nesta tese se considerará a
todas as variáveis como do tipo normais. Aplicações e análise de resultados de
resultados da expressão 2.11 e 2.12 serão apresentados no capítulo cinco.
57
2.6.2
AIE E SEU ACOPLAMENTO COM A MATRIZ DE RISCO
Considerando que o critério de Kiefner é aplicado somente a defeitos por corrosão, a

análise de Risco a realizar mediante o modelo Muhlbauer, também será realizada
somente para a corrosão. Considerando a corrosão externa como o dano perigoso, a
soma de índices variará entre 0 e 60 pontos, e o FIV entre 0.2 e 88. Como base nestes
valores construi-se a matriz de Risco exclusivamente para o dano por corrosão
externa (figura 2.15).
Figura 2.15: Matriz de Risco devido ao dano de corrosão no duto

enterrado.
Na figura 2.15 os Riscos iguais a 1,2 e 3 representam nível de Risco alto, enquanto
que 4, 5 e 6 representam nível médio alto, o Risco 8,9 e 10 o nível médio, o nível de
risco médio baixo é para Risco 12,15 e 16, e finalmente, o Risco baixo ocorre para os
valores 20 e 25.
A matriz da figura 2.15 diferencia-se das apresentadas nas figuras 2.5 e 2.7 nos
valores que pode tomar a soma de índices, enquanto na figura 2.15 somente se
considera a soma de índices de dano por corrosão atmosférica. Nas figuras 2.5 e 2.7,
se considera a soma de índices de todos os danos definidos por Muhlbauer.
58
Com base na matriz de Risco apresentada na figura 2.15, se explicará a condição que
deve cumprir cada duto para que seja aprovada sua operação em qualquer dos 14
Riscos. A condição é que T*, avaliada da expressão 2.11, tem que ser maior que a
VD, estabelecida para os 14 Riscos. Na tabela 2.6, na segunda coluna, se apresentam
os valores de VD para cada Risco, estes valores foram estabelecidos mediante
critérios subjetivos, sendo susceptível de serem modificados. Na terceira coluna da
tabela 2.6 apresentam-se os valores do coeficiente de variação CV para os 14 Riscos.
O CV representa a incerteza que pode ser aceita para a vida desejada, e dependerá do
nível de risco desejado. Para o nível de risco baixo, a incerteza que pode ser tolerada
é alta, e para o risco alto a incerteza tolerável é baixa. Por experiência sabe-se que a
variação do valor para o CV é de 0.05 até 0.4, sendo que para valores de incerteza
menores correspondem os valores de CV menores, e vice-versa.
Risco Vida Coeficiente Desvio Probabilidade

desejada – de variação padrão da de falha
VD – em  σ  vida desejada desejada –
 CV = VD 
anos  VD  - σVD Pfd
em anos
1 9 0.1 0.9 10-6
2 8 0.1 0.8 2x10-6
3 7 0.1 0.7 3x10-6
4 6 0.2 1.2 5x10-6
5 5 0.2 1 10-5
6 5 0.2 1 10-5
8 5 0.2 1 5x10-5
9 5 0.2 1 10-4
10 4 0.3 1.2 10-4
12 4 0.3 1.2 2x10-4
15 3 0.3 0.9 3x10-4
16 3 0.3 0.9 4x10-4
20 2 0.4 0.8 5x10-4
25 1 0.4 0.4 10-3
Tabela 2.6: Vida desejada, incerteza desejada e probabilidade de falha
desejada segundo os níveis de Risco.
σVD) para os 14
Na quarta coluna da tabela 2.6 encontram-se o desvio padrão da VD (σ
Riscos obtidos da multiplicação da VD (segunda coluna) e CV (terceira coluna), com
isto, é gerada a variável aleatória tipo normal da vida desejada, representada por VD ,
com média VD e desvio padrão σVD, a qual será comparada com a variável aleatória
59
da vida residual, representada por T * , com media T*, avaliada da expressão 2.11, e
desvio padrão σT*, avaliada da expressão 2.12. Da comparação das duas variáveis,
T * e VD , calcula-se a probabilidade de falha calculada (Pfc) que indica a
probabilidade que T * seja menor a VD . Se a Pfc é maior a Pfd, a qual é estabelecida

para os 14 Riscos (tabela 5.6 coluna cinco), significa que o duto não pode continuar
operando, caso contrário, pode continuar em serviço. Os valores da Pfd para os 14
Risco (tabela 5.6 quinta coluna) foram baseados no conhecimento subjetivo sendo
susceptível de serem modificado.
Em resumo, os valores da segunda coluna da tabela 5.6 e os resultados da expressão

2.11, servirão para comparar T* e VD. Esta comparação é realizada em um cenário
determinístico, no qual, não se tem informações sobre as incertezas das variáveis

independentes da expressão 2.11. No caso de poder-se avaliar estas incertezas, os
valores da segunda e quarta coluna, gerarão a variável aleatória VD que será
comparada com a variável aleatória T * , obtida das expressão 2.11 e 2.12.
2.6.3
CÁLCULO DO TEMPO DE INSPEÇÃO
Como mencionado anteriormente, quando a Pfc for menor a Pfd significa que o duto
pode seguir operando, no entanto, devido a taxa de corrosão radial e ao transcurso do
tempo a Pfc aumenta, podendo igualar a Pfd devido a esta ser independente do
tempo. Com o exposto, define-se como tempo de Inspeção (TI) o tempo necessário
para que Pfc seja igual a Pfd. Considerando que a Pfd é diferente para os 14 Riscos,
se esperam obter diferentes valores para TI, sendo que para o menor nível de Risco,
por exemplo, Risco igual a 25, deve-se obter um maior valor para TI.
Para facilitar a análise dos resultados fornecidos pelos modelos desenvolvidos para o
cálculo da vida residual e o tempo de inspeção, explicado em 2.6.1, 2.6.2 e 2.6.3, foi
desenvolvido um aplicativo com interface gráfica apresentada na figura 2.16.
60
Coluna 1 Coluna 2
1ra.
seção
2da.
seção
3ra.
seção
4ta.
seção
6ta.
seção
5ta.
seção
Figura 2.16: Interface gráfica para a determinação do tempo de inspeção.
A figura acima divide-se em duas partes, de entrada de informação e de geração dos

resultados. A primeira está dividida em 6 seções. A primeira seção é referente à
informação sobre o limite de escoamento do material, na seção seguinte são
informados dados sobre a geometria do duto. Na terceira seção informa-se as
variáveis associadas ao tempo, isto é, a taxa de corrosão e o tempo de funcionamento
do duto. As dimensões geométricas do defeito do duto são informadas na quarta
seção, enquanto que na quinta seção são requeridas informações sobre o coeficiente
61
de segurança do duto e a pressão de operação. Todas estas informações são dadas

mediante um valor médio (primeira coluna da figura 2.16) e um desvio padrão
(segunda coluna da figura 2.16). Na ultima seção informa-se sobre o Risco na qual
quer-se que o duto opere, alám da faixa do tempo a utilizar nos gráficos de: Po-
Tempo, Pa-Tempo, (Pa-Po)-Tempo, σPa-Po-Tempo, etc. Este aplicativo apresenta
dois resultados gráficos, o primeiro indica a variação da Pfc e Pfd em função dos 14
níveis de Riscos, e o segundo a variação do tempo de inspeção (TI) em função dos 14
níveis de Risco. A análise dos resultados gerados por cada uma destes gráficos será
mencionada no capítulo cinco na análise de cinco sistemas de dutos.
3
ANÁLISE DE RISCO MEDIANTE A LÓGICA FUZZY
A análise do Risco é influenciada tanto por fatores qualitativos como quantitativos.

Isto sugere que a metodologia que avalie o Risco deve ser capaz de manipular dados
qualitativos e quantitativos. No entanto, o tratamento de fatores qualitativos pode ser
problemático devido à não existência de um procedimento objetivo para sua
avaliação. Por isso, algumas metodologias somente consideram os fatores
quantitativos. No entanto, as características qualitativas são também importantes e
devem ser consideradas na avaliação.
Nesse cenário as metodologias que avaliam o Risco podem ser classificadas em duas
classes, as qualitativas ou quantitativas [9]. As metodologias qualitativas avaliam os

fatores quantitativos ou qualitativos, mediante formas subjetivas ou aproximadas. Por
exemplo, a variável nível de corrosão, que é uma variável tipo quantitativa, pode ser
representada mediante termos subjetivos, tal como, nível de corrosão baixo, médio ou
alto. Já a metodologia quantitativa só consegue representar variáveis que só são
possíveis de serem medidas, por exemplo, a variável de nível de corrosão medido em
um duto pode ser expressa como uma percentagem da espessura de um duto.
Comparando as duas metodologias, ambas apresentam vantagens e desvantagens. Por
exemplo, na primeira, a avaliação das variáveis é obtida de forma mais rápida, sem
necessidade de fazer muito investimento. Na segunda, requer-se fazer medições de
campo, tornando sua obtenção demorada. Em alguns casos há necessidade de um alto
investimento econômico para que os resultados sejam mais confiáveis se comparados
com os resultados da metodologia qualitativa.
Das duas classes de metodologias acima mencionados, surge uma terceira, a

semiquantitativa, que aproveita as vantagens das duas metodologias que a originaram.
Sendo assim, as variáveis mantêm sua natureza durante sua avaliação. Se a variável é
do tipo quantitativo será avaliada mediante a forma quantitativa e ser for do tipo
qualitativo será avaliada mediante a forma qualitativa.
63
Nesta tese somente se tratará a metodologia qualitativa para avaliar o Risco. Na qual,
todos os fatores do tipo quantitativo ou qualitativo, serão representados mediante a
forma aproximada ou subjetiva. Em seguinte serão mencionados argumentos que
justificam as razões do Risco poder ser avaliado mediante a forma qualitativa.
- “Na análise de Risco, quanto mais a avaliação da variável tenta descrever a

realidade, esta não pode ser avaliada de forma exata, e quanto mais uma variável
é avaliada com um valor pontual, esta não representa a realidade” Albert Einstein
[8].
- “Muitas variáveis usadas para avaliar o Risco são difíceis de serem quantificadas,
por conseguinte, estas são de natureza vaga. Para assegurar a representação deste
cenário é necessário que a natureza vaga da variável seja refletido no modelo. Por
exemplo, a satisfação dos empregados dentro de uma organização poderia ser

levada em consideração quando é avaliado um possível Risco. No entanto, o grau
de satisfação de um empregado é difícil de ser quantificado, em outras palavras é
um termo incerto” [17]
- “Em geral o Risco pode ser tratado como um conceito nebuloso, no sentido de
que não existe um único Risco para um evento perigoso ocorrer em um
determinado tempo, também, o Risco de um evento pode variar de tempo em
tempo, de circunstância em circunstância” [29]
- “Muitas análises das ciências sociais rejeitam o argumento de que o Risco pode
ser quantificado objetivamente, ao invés disso, defendem que o Risco é
inerentemente subjetivo” [61]
- “O conhecimento cognitivo (experiência) do especialista em avaliar o Risco é
melhor representado na forma subjetiva” [62]
Com isto, a teoria da lógica fuzzy desenvolvida por Zadeh [63], é aplicada nos
problemas de análise de Risco. As razões da escolha desta teoria se devem aos
seguintes aspectos:
- Pode representar variáveis incertas ou vagas.

64
- Fácil modelagem de problemas cujas teorias clássicas apresentam deficiência;

- Potencialidade de poder representar o conhecimento do especialista mediante as
variáveis lingüísticas;
- Adaptabilidade e flexibilidade de assimilar novos conhecimentos;
- Capacidade de resolver problemas de diversas áreas.
- Modela a forma de pensar do ser humano, isto é, a forma de obter conclusões
baseadas em avaliações subjetivas.
Neste capítulo, o problema do Risco será avaliado através da teoria de lógica fuzzy,
portanto, se estudará a relação entre estes dois conceitos. Como resultado deste
estudo, a inferência Mamdani e a teoria de números fuzzy serão aplicadas na solução
dos problemas de análise de Risco.
3.1
65
DEFINIÇÕES BÁSICAS DA TEORIA DE LÓGICA FUZZY
Para uma melhor compreensão da teoria de lógica fuzzy, a seguir se definirá os

seguintes conceitos: conjuntos fuzzy, função de pertinência, principio de extensão,
variáveis lingüísticas, relações fuzzy, composição, operações de conjuntos fuzzy,
base de regras fuzzy. Na definição de cada um deles, exemplos serão dados com base
na análise do seguinte enunciado:
“Freire [64] menciona que a perda por corrosão em um duto pode ser avaliada pela
idade do duto e o meio agressor no qual opera. Para a variável idade assume-se uma
faixa de zero ate vinte anos, para o meio agressor uma faixa entre 0-1, na qual valores
perto de zero ou um representam ambientes não corrosivos ou muito corrosivos
respectivamente, e para a variável perda por corrosão entre 0 e 60% da espessura do
duto. A relação entre as três variáveis é feita mediante regras fuzzy do tipo SE-
ENTÃO da lógica fuzzy, com base nesta relação, a perda por corrosão no duto é uma
função da idade e meio ambiente. No entanto, um outro especialista pode sugerir um
outro modelo com base a novas regras fuzzy, o mesmo modificando a faixa de
valores para qualquer das três variáveis.
Sendo assim, seja um especialista que considere que a perda por corrosão (Z) é
relacionada pela soma da variável idade (X) e meio agressor (Y). O especialista
considera que os valores de X variaram no intervalo 0 e 20 anos, para os valores de Y
entre 0-30. Neste último, um resultado perto de zero indica um meio muito favorável
para a corrosão, e perto de 30, um meio muito desfavorável. Com isto, o resultado de
Z, estará entre 0 e 50. Considera-se também que as variáveis X, Y e Z somente
poderão assumir valores inteiros.
Com o exposto, deseja-se gerar um modelo que relacione a variável idade, meio
ambiente e perda por corrosão, baseada nas regras fuzzy do tipo SE-ENTÃO da
lógica fuzzy, tal que, seus resultados obtidos sejam aproximados aos apresentados
pelo especialista”.
3.1.1
66
VALORES LINGÜÍSTICOS
Um valor lingüístico não pode ser representado por números e sim por palavras ou
sentenças expressadas em uma linguagem natural ou artificial. Palavras ou sentenças,
em geral são menos precisas que os números, pois, os conceitos destas servem para
dar significado a uma caraterização aproximada de um fenômeno, por exemplo:
idade baixo, meio ambiente muito corrosivo, corrosão média, etc.
3.1.2
CONJUNTO FUZZY
Um conjunto fuzzy é uma coleção de dados, sem características bem definidas, isto é,
sem limites estipulados, em que a pertinência parcial – valor entre 0 (exclusão

completa) e 1 (inclusão completa) – é permitida. Formalmente um conjunto fuzzy é
caraterizado por uma função de pertinência que mapea os elementos de um domínio
X para o intervalo [0,1], isto é, µ : X → [0,1] . De modo geral, um conjunto fuzzy M
{ }
pode ser representado pela seguinte expressão: M = x , µ M (x ) x ∈ X , na qual:
x : um elemento do conjunto fuzzy M

µ M ( x) : função de pertinência do conjunto fuzzy M
X : universo de discurso de x
3.1.3
FUNÇÃO DE PERTINÊNCIA
Função de pertinência associada a um conjunto fuzzy M, representado por µ M ( x ) ,

permite definir as fronteiras de M dentro do universo de discurso, por exemplo, seja o
conjunto fuzzy idade alta, representada por M:
67
x
 , se x ∈ [0,15]
µ M (x ) = 15
1, se x > 15
cuja representação gráfica é:

Figura 3.1: Representação gráfica de um

conjunto fuzzy M
Ao valor de µ M ( x ) é denominado grau de pertinência, assim, se este é igual a 1

significa que x pertence completamente ao conjunto fuzzy M, se é igual a 0 significa
que x não pertence ao conjunto fuzzy M. Os valores entre [0-1] significa que x
pertence parcialmente ao conjunto fuzzy M. Na figura 3.1, os valores de x iguais a
7.5 e 15 tem grau de pertinência iguais a 0.5 e 1 respectivamente, isto significa, que x
igual a 15 (maior grau de pertinência) tem ligação mais forte ao conjunto M se
comparado x igual a 7.5 (menor grau de pertinência).
Na literatura podem-se encontrar diferentes tipos de função de pertinência, por

exemplo, triangular, trapezoidal, sigmoidal, gausiana, etc., destes tipos o mais
utilizado é o triangular, devido a representação da informação de uma forma mais
fácil, e também sua expressão matemática é simples, o que possibilita pouco esforço
computacional.
68
3.1.4
CORTE α (α
α-CUT)
O corte α de um conjunto fuzzy M em um universo X, denotado por Mα, é o conjunto

dos elementos de X cujos graus de pertinência são maiores ou iguais que o valor α ∈
[0,1]. Assim, M α = {x ∈ X; µ M (x ) ≥ α}. Por exemplo, o corte α igual a 0.5 no
conjunto fuzzy da figura 3.1 é observado na figura 3.2.

Figura 3.2: Representação gráfica de α-cut=0.5 no

conjunto fuzzy M
3.1.5
PRINCÍPIO DE EXTENSÃO
“O princípio de extensão é um conceito básico da teoria de lógica fuzzy que sustenta

a extensão das expressões matemáticas do domínio CRISP ao domínio fuzzy. Este
procedimento generaliza o mapeamento pontual de uma função f (•) para um de
conjuntos fuzzy” [65]. Por exemplo, seja o conjunto fuzzy idade média, denotado por
M, do tipo triangular no domínio de X:
x
 5 −1 5 ≤ x ≤ 10

 x
µ M = − + 3 10 ≤ x ≤ 15
 5
0 x ≤ 5 e x ≥ 15


69
Com este conjunto fuzzy M, a imagem refletida através de uma função qualquer, por
exemplo, a função Y=X2 gerará um conjunto fuzzy P, no universo de valores de Y,
representada por:
 x 
2
 − 1 25 ≤ x ≤ 100
 5 
 2
 x 
µ P =  − + 3 100 ≤ x ≤ 225
 5 
0 x ≤ 25 e x ≥ 225



Cuja representação gráfica pode ser observada na figura 3.3
Figura 3.3: Imagem do conjunto fuzzy M ao conjunto

fuzzy P através da função y=x2
3.1.6
VARIÁVEL LINGÜÍSTICA (VL)
De forma geral, uma variável é expressa por valores numéricos, mas, se a variável é
representada por meio de valores lingüísticos, esta é chamada de variável lingüística.
A definição formal de uma VL é:
70
VL = {x , T( x ), U, M}
Na qual:
x : nome da variável lingüística
T(x) : conjuntos de valores lingüísticos que a VL pode aceitar
U : universo de discurso é o conjunto de valores que a VL pode assumir
M : são os conjuntos fuzzy associado a cada valor lingüístico.
Como exemplo apresenta-se na figura 3.4 a variável lingüística idade do duto, X, com
quatro conjuntos fuzzy do tipo triangular definidos dentro do universo [0,20].
Figura 3.4: Variável lingüística X com quatro conjuntos fuzzy.
3.1.7
RELAÇÕES FUZZY
A noção de relações em engenharia é essencial para descobrir as relações entre dois

conjuntos A e B. Na forma tradicional a relação entre os elementos de dois conjuntos
A e B é outro conjunto ( A × B ) com valores para o grau de pertinência ( µ A×B (x , y) )
iguais a 0 ou 1. Onde zero significa que x não tem relação com y, e 1 significa que x
tem relação com y. Nas relações fuzzy, x relaciona-se com y com um grau de
pertinência entre [0,1]. Assim a relação R, onde R = A × B , é outro conjunto fuzzy
com uma função de pertinência µ R : A × B → [0,1] , onde R é igual a:
R = {((x , y ), µ R ( x, y) ) µ R ( x , y) ≥ 0, x ∈ A, y ∈ B}
71
Por exemplo, sejam os conjuntos X com elementos dados pelas causas que originam
falha em um duto e Y com elementos que contem os tipos de danos que poderiam
causar a falha no duto:
X = {vibração, pressão, temperatura, chova}

Y = {fadiga , corrosão, corrosão - fadifa, fratura}
Então a segundo a forma tradicional a relação R que indica alta influencia de X em Y

denotado por µ R (x i , y i ) pode ser dado por:
[vibração pressão temperatura umidade]

 fadiga  1 0 1 0 
 corrosão  0 0 1 0 
µ R (x i , y i ) =   
corrosão - fadiga  1 0 1 0 
   
 fratura  1 1 1 0 
Esta relação indica que a vibração tem alta influencia na fadiga (grau de pertinência
igual a 1) enquanto que no tem alta influencia na corrosão ( grau de pertinência igual
a 0). A mesma relação R, pode ser obtida mediante a relação fuzzy, tal como se
apresenta a seguir:
[vibração pressão temperatura umidade]

 fadiga   0.9 0.6 0.7 0.4 
 corrosão   0.4 0.5 0.7 0.5 
µ R (x i , y i ) =    
corrosão - fadiga  0.95 0.8 0.9 0.7 
   
 fratura   0.9 0.7 0.8 0.5 
Já nesta relação se aceita que a vibração tem alta influencia na corrosão com um grau
de pertinência igual a 0.4 no conjunto fuzzy alto. Desta a forma, nas relações fuzzy é
permitido relacionar elementos de diferentes conjuntos por valores intermediários
entre [0,1].
72
3.1.8
COMPOSIÇÃO MAX-MIN
Se duas relações fuzzy R e S são definidas baseadas nos conjuntos fuzzy X,Y e Z, tal
que R ⊆ X × Y e S ⊆ Y × Z, então a composição de R e S, representada como
R • S , é definida como:
µ R •S ( x , z) = Max [Min (µ R ( x , y),µ S ( y, z) )]
A composição R •S pode ser interpretada como uma indicação da relação existente

entre os conjuntos X e Z. Por exemplo, seja X o conjunto trechos de dutos:
X = {Duto 1, Duto 2, Duto 3}, Y um conjunto de tipos de danos atuantes nos dutos:
Y = {Corros~ o es incorretas} e Z conjunto de programas

a o, Dano por terceiros, Operaç~
de inspeção (PI): Z = {PI 1, PI 3, PI 2}. Baseado nestes três conjuntos deseja-se saber
que tipo de PI pode-se realizar nos três dutos, com base no conhecimento das
relações entre P=(X,Y) e Q=(Y,Z):
[y1 y2 y3]
 x1  0.2 0.8 0.8
P (X, Y) = µ P (x i , y i ) = x 2  0.5 0.7 0.9
 x 3  0.8 0.7 0.9
[z1 z2 z 3]
 y1   1 0.5 0.2
Q( Y, Z) = µ Q (y i , z i ) =  y 2  0.5 1 0.2
 y3  0.2 0.5 1 
Com estas duas relações, pode-se obter a relação R entre os conjuntos X e Z,

aplicando a operação composição, R = P•Q:
73
[z1 z2 z 3]
 x1   0 . 5 0. 8 0. 8
R ( Y, Z) = P • Q =  x 2 0.5 0.7 0.9
 x 3 0.8 0.7 0.8
Desta relação, opta-se por realizar o PI2 e PI3 no duto 1, enquanto que no duto 2
recomenda-se fazer o PI3 e para o duto 3 o PI1 e PI3.
3.1.9
OPERAÇÕES COM CONJUNTOS FUZZY
Sejam A e B conjuntos fuzzy definidos no universo de discurso X, com funções de

pertinência µA(x), µB(x), tal com apresenta-se na figura 3.5.
Figura 3.5: Conjuntos fuzzy A e B
Na qual:
x − 1 1.5 ≤ x ≤ 2.5 0 x ≤ 2.5

 
µ A (x ) = 4 − x 2.5 ≤ x ≤ 3.5 µ B (x ) = x − 2 2.5 ≤ x ≤ 3.5
0 x ≤ 1.5 e x ≥ 3.5 1 x ≥ 3.5
 
Apresentam-se abaixo as operações básicas de união e interseção de conjuntos fuzzy.
1- A união de A com B, A ∪ B, é igual ao significado do operador boleano OU (ver

figura 3.6):
µA∪B(x) = µA(x) V µB(x) = max (µA(x) , µB(x)) ∀x∈X
74
Figura 3.6: União dos conjuntos fuzzy A e B
2- A interseção de A com B, A ∩ B é igual ao significado do operador boleano E (ver

figura 3.7):
µA∩B(x) = µA(x) Λ µB(x) = min (µA(x), µB(x)) ∀x∈X
Figura 3.7: Interseção dos conjuntos fuzzy A e B
3.1.10
BASE DE REGRAS FUZZY
“ Uma regra fuzzy normalmente é formada por duas partes principais:
Se antecedente Ent~
a o Consequente
O antecedente é composto por um conjunto de condições que, quando satisfeitas

(mesmo parcialmente), determinam o processamento do conseqüente da regra por um
mecanismo de inferência fuzzy” [66].
As regras fuzzy relacionam os conjuntos fuzzy das variáveis lingüísticas de entradas
com as saídas. Na maioria dos casos as regras fuzzy têm a forma de muitas variáveis
lingüísticas de entradas e de saídas (MIMO). No entanto, demostra-se que um
MIMO com “n” entradas e “q” saídas pode ser descomposto em “q” regras com “n”
75
entradas e uma só saída (MISO) [68]. A forma de uma regra tipo MISO com duas
variáveis lingüísticas de entradas e uma de saída é a seguinte:
Regrai- : SE X é igual a Ai e Y é igual a Bi então Z é igual a Ci
Onde:
Regrai : i-ésima regra fuzzy da base de regras fuzzy.
X, Y : são as variáveis lingüísticas de entrada, por exemplo, idade do duto e meio
agressor respectivamente.
Z : é a variável lingüística de saída, por exemplo, perda por corrosão.
Ai, Bi e Ci: são conjuntos fuzzy das variáveis lingüísticas X, Y e Z.
3.1.8
IMPLICAÇÃO
A regra fuzzy SE X é igual a Ai então Z é igual a Ci, é uma relação fuzzy expressa
mediante uma implicação fuzzy R = A i → Ci . A relação R pode ser vista como
um conjunto fuzzy com grau de pertinência bidimensional,
µ R ( x, z) = f (µ A ( x ), µ C ( z))
i i
A função f, chamada de função de implicação, realiza a tarefa de transformar os graus

de pertinência de x em Ai e de z em Ci, para (x,z) em AixCi. Em [50] podem-se
encontrar mais de 10 opções para a função de implicação f, no entanto, os tipos de
implicação mais conhecidos são: MINIMO e PRODUTO. O primeiro, proposto por
Mamdani, avalia a implicação fuzzy R mediante a expressão:
R = A × C = ∫A×C µ A ( x ) ∧ µ C (z ) /( x, z)
na qual, “^” é o operador mínimo. No tipo de implicação PRODUTO, a implicação

fuzzy R é calculada por:
R = A × C = ∫A×C µ A ( x ) • µ B (z ) /( x, z)
76
na qual • é o produto algébrico.
3.2
METODOLOGIAS PARA AVALIAR O RISCO BASEADO NA LÓGICA
FUZZY
De um levantamento bibliográfico foram encontradas quatro metodologias diferentes,

na qual a teoria de lógica fuzzy é aplicada na avaliação do Risco:
1.- Inferência Mamdani [9]: Proposto por Ebrahim Mamdani no ano 1975, esta é o
tipo de inferência mais conhecida na lógica fuzzy. Este método foi o primeiro a ser
aplicado ao controle de sistemas usando a teoria de lógica fuzzy.
Para obter a resposta final mediante a inferência de Mamdani, os operadores

MINIMO para a implicação fuzzy e MAX-MIN para a composição fuzzy são
aplicadas a cada uma das regras fuzzy, por exemplo, na figura 3.8, no detalhe A e A’
apresenta-se a aplicação do operador MÍNIMO na ativação de duas regras fuzzy
compostas por duas variáveis lingüísticas de entrada e uma de saída, no detalhe B e
B’ apresentam-se os resultados do operador MAX-MIN. Da realização destas
operações são obtidos os conjuntos fuzzy em cada regra, com as quais são realizados
os processos de agregação (detalhe C) e desfuzificação para obter o resultado final
(detalhe D). A definição dos processos de agregação e desfuzificação, assim como
mais informações da inferência Mamdani serão realizadas em 3.3.
77
Figura 3.8: Procedimento geral da inferência Mamdani para obter a saída C’ com base nos valores
de entrada x1 e x2.
2.- Inferência monotônica [18,19]: Na inferência monotônica a obtenção do resultado

final é obtida diretamente da função de pertinência do conjunto fuzzy do antecedente,
tal como apresentado na figura 3.9.
Figura 3.9: Procedimento geral da inferência monotônica para obter o resultado em base a
uma variável de entrada x
78
No caso de aplicar a inferência monotônica para varias regras, o resultado final

deveria ser avaliado como a média dos resultados de cada regra fuzzy, tal como está
mostrada na figura 3.10.
Figura 3.10: Procedimento geral da inferência monotônica para obter o resultados para três
variáveis de x1,x2 e x3
3.- Teoria possibilistica [8]: os procedimentos que avaliam o Risco em engenharia

precisam gerar resultados confiáveis, pois, o contrario pode ocasionar graves
conseqüências para a sociedade. No entanto, na prática muitos destes procedimentos
são relativamente novos fazendo-se necessários as avaliações subjetivas do
especialista. Por muito tempo as experiências dos especialistas têm sido substituídas
pela teoria de confiabilidade. Esta teoria tradicional baseia-se em dois fundamentos
que são:
- Consideração da probabilidade: significa que o sistema deve ser caracterizado no

contexto da probabilidade.
79
- Condição de estado binário: significa que o estado do sistema é bem definido

para qualquer instante do tempo por dois estados, um de funcionamento e outro
de não funcionamento.
De acordo com a teoria de probabilidade, o termo probabilidade deveria satisfazer as

seguintes premissas: evento definido precisamente, condição repetitiva nos dados
coletados do evento analisado e um tamanho grande de dados coletados.
Do exposto, podem observações fazer: (1) existem casos onde os eventos não são
definidos exclusivamente por somente dois estados (funcionando e não
funcionando), como por exemplo, Freire [64] considera um duto critico quando
apresenta uma perda de 70 % na espessura, já para 50 % de perda de espessura
considera que o duto tem uma grande corrosão, enquanto para 20 % define-se como
baixa corrosão e para 10% como se o duto não tive-se corrosão, com isto, a definição
da criticidade do duto com base a perda de espessura por corrosão, não somente se
realiza baseados em dois estados (crítico e não crítico), senão também com estados
intermédios como alto, médio, baixo, etc., e (2) há situações onde não existe uma
quantidade grande de dados, por conseguinte, em estas situações não pode ser
aplicada a teoria de probabilidade, como é o caso do impacto da construção de um
gasoduto na antártica ou em áreas de alta sensibilidade a acidentes, etc.
Com base nas observações feitas, surgiu a teoria de confiabilidade possibilística
baseada na lógica fuzzy. Na confiabilidade possibilística existem três modelos bem
definidos, os quais visam a avaliar a confiabilidade do sistema, estas são POSBIST
[69], POSFUST [70] e PROSFUST [71,72]. Destes três modelos, o primeiro e o
terceiro têm sido bastante estudados com relação ao segundo.
4.- Método de Karwoski e Mital [73]: Este método propõe avaliar o Risco com base
na probabilidade de ocorrer um evento (L), a influencia do ambiente no evento (E) e
as conseqüências ocasionadas se o evento ocorrer (C). Com isto, Karwoski e Mital
consideram que L,E e C podem ser avaliados por valores lingüísticos em vez dos
numéricos, tal como se apresentam na seguinte tabela:
80
Definições usadas na análise de Risco Correspondentes valores

lingüísticos
Probabilidade
Freqüentemente Muito provável
Absolutamente possível provável
Inusual Mais ou menos provável
Remotamente possível Improvável
Possível mas altamente improvável Muito improvável
Praticamente impossível Impossível
Exposição
Muitas vezes ao dia Muito alto
Uma vez ao dia Alto
Ocasionalmente Moderado
Uma vez por mês Mais o menos baixo
Raramente Baixo
Muito raro Muito baixo
Conseqüências
Catastrófico, sobre $ 107 e muitas Extremamente alto
fatalidades.
Desastroso, $ 107 – 106 e fatalidades Muito alto
Muito sério, $ 106 – 105 e uma Alto
fatalidade
Sério, $ 105 – 104 e sério perigo. Médio
Importante, 104 – 103 e fora de serviço. Mais ou menos médio
Sensível, 102 – 103 e primeiros Baixo
auxílios.
Tabela 3.1: Valores lingüísticos para L, C e E dados por
Karwoski e Mital [38]:
E para relacionar os valores lingüísticos de L, E, C com o Risco (R) Karwoski e Mital

propõem a seguinte expressão, R = C • E × L , na qual, “ • ” é o operador
composição e “x” o operador produto cartesiano.
Da comparação destes quatro métodos, pode-se mencionar que o método proposto

por Karwoski e Mital considera que todas as variáveis que influenciam no Risco,
deveriam ser avaliadas através do L, E ou C. Esta forma de avaliar o Risco é mais
restrito se comprado com o método de Mamdani, na qual, as variáveis influentes no
Risco se relacionam por meio das regras fuzzy do tipo: Se CORROSÃO é severa e
...... e INSPEÇÃO é ótima então RISCO é alto. Nesta regra, o número de variáveis
lingüísticas (CORROSÃO e INSPEÇÃO) que se podem associar é ilimitado, no
entanto, não se recomenda associar mais de 7 variáveis lingüísticas, devido a maior
81
quantidade de variáveis lingüísticas mais difícil de gerar boas regras. Uma vantagem
da inferência Mamdani está na possibilidade de que o modelo usado que avalie o
Risco pousa ser atualizado na incorporação de novas regras.
Na inferência monotônica podem-se também associar as diversas variáveis com o
Risco, no entanto, esta é limitada a associar somente uma variável lingüística de
entrada com outra de saída. Esta limitação o faz mais restrita e menor geral se
comparada com a inferência Mamdani.
Com relação aos métodos que aplicam a teoria possibilística para avaliar o Risco,
estas não limitam a quantidade de variáveis na sua análise, no entanto, a avaliação de
cada variável requer representá-la mediante os números fuzzy, o que significa
determinar as dispersões da esquerda e direita respeito ao valor médio que a variável
pousa assumir.
Em resumo, na inferência Mamdani e na teoria possibilistica podem-se relacionar

muitas variáveis com a variável Risco, enquanto na inferência monotônica limita-se a
relacionar um variável por vez, já no método proposto por Karwoski e Mital somente
podem-se relacionar três variáveis.
Com base nas comparações das quatro alternativas, na presente tese se estudará com
maior profundidade os métodos que aplicam a inferência Mamdani e a teoria
possibilística na avaliação do Risco por serem mais genéricos e menos restritos se
comparados com os outros dois métodos.
3.3
INFERÊNCIA MAMDANI
Na inferência Mamdani [9,67], a forma geral de uma base com regras tipo MISO
com duas variáveis lingüísticas de entrada X e Y e uma de saída Z tem a seguinte
forma:
82
Entradas : Se x é A' e y é B'

R : Se xéA e yéB ent~
ao zéC
1 1 1 1
R : Se xéA e yéB ent~
ao zéC
2 2 2 2
... ... ...
... ... ...
Rn : Se x é An e y é Bn ent~
ao z é Cn
___________________________________________
Saida : z é C'
Na qual, A’e B’ são os valores das variáveis lingüísticas de entrada, estes podem ser
representados por valores CRISP ou lingüísticos; R1,R2,....,Rn são as regras fuzzy que
relacionam as duas variáveis lingüísticas com a variável lingüística de saída e C’ é o

valor resultante da variável lingüística de saída z.
A expressão para calcular C’ é a seguinte [50]:
n
([ ( )] [
C' = U A '•Rc A , C I B'•Rc B , C
i=1 i i i i
( )] )
Na qual:
Rc é o operador implicação, “ • ” é o operador composição, U o operador união e I

o operador interseção. Na expressão anterior, o resultado gerado pela expressão que
está entre parênteses, é o resultado dado por cada uma das regras fuzzy. Assim, a
união de todos os resultados de cada regra, será igual a C’. Ao processo de obter a
resposta de C’ com base na união das repostas de cada regra, chama-se de processo
de agregação pelo método máximo. Na figura 3.11, observa-se a obtenção de C’
mediante o método de agregação máximo da ativação de duas regras fuzzy.
83
Figura 3.11: Inferência Mamdani com método de agregação MÁXIMO
Em [68] menciona que a obtenção de C’ também pode ser realizado pelo método de
agregação do tipo soma, tal como apresentado na seguinte expressão:
n        
C' = ∑   A '•Rc  A i , C i   I  B'•Rc  Bi , C i   
i = 1 
Neste caso, C’ é obtida da soma de todas as respostas obtidas de cada uma das regras
fuzzy. Na figura 3.12, mostra-se como o método de agregação soma é aplicado para
obter C’ mediante a ativação de duas regras fuzzy.
84
Figura 3.12: Inferência Mamdani com método de agregação SOMA
A escolha do método de agregação dependerá do tipo de problema, no entanto, esta

deve garantir que a agregação seja capaz de transmitir adequadamente o
conhecimento explicitado pelo conjunto de regras fuzzy. Outros métodos de
agregação mencionados em [57] são a média das alturas ou do peso estatístico.
Com o valor obtido C’, a metodologia Mamdani realiza o processo de desfuzifição
objetivando obter uma saída tipo CRISP para z. Esta saída é necessária por que na
maioria das aplicações necessita-se tomar decisões com base nos resultados. Em [74]
menciona-se a existência de cinco métodos de desfuzzificação:
O método do centróide (CENTROIDE): Este método de desfuzificação considera que

_
a saída CRISP é igual ao o centro de gravidade z de todas as possíveis soluções
dadas por C’, a qual é avaliada mediante a seguinte expressão:
_ ∫ z × µ (z)dzC'
z= z
∫ µ (z)dz
z
C'
85
_
Método que considera o valor médio dos pontos máximos (MOM): Este avalia z
como a média dos valores máximos contidas em C’.
Método que considera o valor máximo dos máximos (LOM): Conceitualmente

significa o mesmo do MOM, porem, em vez de calcular a média dos máximos,
calcula-se o máximo dos máximos.
_
Método que considera o valor mínimo dos máximos (SOM): Este avalia z como o
valor mínimo dos mínimos.
_
Método BISECTOR: Este método considera que a saída deterministica z é igual ao

valor de z que divide a C’ em duas áreas equivalentes
Na figura 3.13 apresenta-se esquematicamente como cada tipo de desfuzificação

obtém o resultado final dado um conjunto fuzzy de saída C’.
Figura 3.13: Valores zs, zm, zl, zb e zc obtidos segundo diferentes métodos
de desfuzificação.
86
3.3.1
SISTEMAS DE LÓGICA FUZZY
A aplicação da inferência Mamdani é feita através do chamado sistema de lógica

fuzzy (SLF). Não existe um procedimento definido para a construção deste sistema,
no entanto a sua estrutura é muito similar a estrutura dos sistemas de controle [75].
De forma geral, um SLF é composto por quatro partes, a seguir (ver figura 3.14):
1- Fuzificador: sua função é transformar os valores determinísticos de entrada em

valores fuzzy.
2- Base de regras fuzzy: representa o conhecimento do problema mediante regras da
forma: SE-ENTÃO.
3- Área de inferência: estabelece a relação entre as variáveis fuzzy de entrada e
saída.
4- Desfuzificador: transforma os valores fuzzy de saída em valores determinísticos.
Figura 3.14: Estrutura de um sistema de lógica fuzzy
O funcionamento de um SLF começa com a fuzificação dos dados das variáveis

lingüísticas, os quais podem ser expressos mediante números ou conjuntos fuzzy, a
continuação executa-se o processo de inferência Mamdani para cada uma das regras
fuzzy, finalmente realiza-se o processo de agregação e desfuzificação.
87
3.3.2
IDENTIFICAÇÃO DE UM SISTEMA FUZZY
Independente do problema a resolver, o sucesso do SLF encontra-se associado em

identificar:
(1) a melhor base de regras fuzzy,
(2) o melhor tipo de agregação,
(3) o melhor tipo de desfuzificação,
(4) a quantidade ótima de conjuntos fuzzy,
(5) o melhor tipo de inferência e
(6) o melhor tipo de função de pertinência para a solução de um determinado
problema.
A identificação destas seis características dos SFL variam de problema a problema,

sendo assim, uma boa escolha destas influenciará grandemente no desempenho do
SLF. Andreas Bastian [21] menciona que na bibliografia pode-se encontrar diversos
trabalhos onde se identificam algumas das caraterísticas, no entanto, são raros os
trabalhos nos quais se analisa todas as caraterísticas, nesta tese serão identificados as
quatro primeiras características, e com relação as duas últimas, serão definidas a
inferência Mamdani e tipo triangular.
Para facilitar a análise das quatro características, foi desenvolvido um aplicativo com
uma interface gráfica que possibilitará a análise do desempenho de um SLF. A
descrição desta interface gráfica pode-se dividir em duas partes.
A primeira parte faz uso do TOOLBOX fuzzy do software MATLAB para gerar o
SLF cujo objetivo é aproximar a função soma, multiplicação e divisão, isto significa,
que o SLF gerado terá duas variáveis lingüísticas de entrada, X e Y, e uma variável
de lingüística de saída Z. Este aplicativo permite selecionar o tipo de agregação
(soma e máximo), desfuzificação (Centroide, Bisector, SOM, MOM e LOM) e o tipo
de técnica para gerar a base de regras. Nesta última, existem três tipos de técnicas
para gerar a base de regras, que estão baseados no principio de extensão, no valor
máximo dos conjuntos fuzzy das variáveis lingüísticas de entrada e no Método de
Ishibuchi [76], a descrição das três técnicas será realizada em 3.3.2.1.
88
Na figura 3.15 apresenta-se a visualização gráfica do exposto.

Figura 3.15: Entrada de dados no aplicado.
Nela, as primeiras duas caixas brancas servem para limitar o intervalo de valores das
variáveis lingüísticas X e Y, enquanto que a terceira caixa branca serve para escolher
a relação que tem X e Y para determinar a variável de saída Z . As seguintes duas
caixas brancas servem para estabelecer a discretização a ser usada em cada variável X
e Y. Assim, com estas cinco informações, o aplicativo gera uma base de dados, que
servira para comparar o desempenho do SLF que será gerado. As seguintes duas
caixas brancas, servem para estabelecer os números de conjuntos fuzzy das variáveis
lingüísticas X e Y. A continuação encontra-se duas caixas que possibilitam escolher
os tipos de agregação e desfuzificação, e ainda, uma caixa para selecionar o método
de geração de regras. Nela existem quatro métodos, a primeira baseada nos valores
máximos dos conjuntos fuzzy das variáveis lingüísticas de entrada, a segunda baseada
89
no princípio de extensão e as duas últimas baseadas no método de Ishibuchi. As duas

últimas caixas brancas são informações que requer o método de Ishibuchi, estas não
são necessárias para os dois primeiros métodos de geração de regras.
Com estas informações, os resultados gerados pelo aplicativo são o cálculo do erro
quadrático, erro quadrático médio e a variação observada entre os resultados gerados
pelo SLF e as informações contidas na base de dados. Na figura 3.16 apresenta-se a
visualização gerada pelo aplicativo.
Figura 3.16: Obtenção de resultados do aplicativo
Além destes resultados, a primeira parte do aplicativo gera o SLF segundo o formato
do TOOLBOX FUZZY do software MATLAB.
A segunda parte do aplicativo permite representar os valores de X e Y mediante a

forma de conjuntos fuzzy, isto significa, considerar incerteza sobre as avaliações
CRISP de X e Y. As restrições desta segunda parte do aplicativo é que somente
permite representar os valores de X e Y mediante a forma triangular e que a
determinação da base de regras seja realizada segundo o método dos valores
90
máximos. Isto por que o tipo de representação mediante os conjuntos fuzzy tipo
triangular são os mais aplicados na lógica fuzzy e o método de geração de regras pelo
método dos valores máximos foi o que apresentou melhores resultados comparados
com os outros três métodos (isto se tratará em 3.3.2.1). Na figura 3.17 apresenta-se a
visualização gráfica da segunda parte do aplicativo.
Figura 3.17: Entrada de dados em forma CRISP ou por números fuzzy no aplicativo.
Na figura 3.17, as caixas brancas são para representar os valores fuzzy, tipo
triangular, das variáveis lingüísticas X e Y. Em cada caixa branca, existem três
números, o primeiro representa o vértice inferior esquerdo do triângulo, o segundo o
vértice médio superior e o ultimo o vértice inferior direito do triângulo. Debaixo da
segunda caixa encontra-se o resultado final obtido do SLF gerado com as
características estabelecidas na primeira parte. No lado direito da figura 3.17,
apresentam-se os resultados gerados pelo SLF (linha de cor azul) e o resultado
esperado (linha de cor verde).
Logo mais, com ajuda do aplicativo gerado, se realizará uma análise para selecionar o
método para gerar a base de regras, tipo de agregação, desfuzificação e a quantidade
ideal de conjuntos fuzzy.
3.3.2.1
BASE DE REGRAS
Uma base de regras fuzzy pode ser gerada baseada na experiência do especialista ou
por técnicas geradoras de regras. Se a base de regras for gerada pelo especialista, o
91
sucesso do SLF dependerá do quão confiáveis são as regras dadas por ele. Se uma
técnica geradora for usada, o sucesso estará em função do desempenho do algoritmo
gerador de regras, neste caso, é preciso a existência de uma base de dados para avaliar
o desempenho.
Na literatura encontram-se diferentes métodos para gerar regras, aqui serão analisados
três métodos diferentes. A primeira será baseada no princípio de extensão, a segunda
nos valores máximos dos conjuntos fuzzy das variáveis lingüísticas de entradas,
finalmente, a terceira é uma adaptação do trabalho desenvolvido por Isibuchi [76].
As duas primeiras metodologias são propostas nesta tese, objetivando “fuzificar o
modelo de Muhlbauer”, na qual as variáveis estão relacionadas por meio de operações
soma, divisão ou multiplicação. A comparação dos resultados destas duas propostas
foram realizadas com os resultados do modelo proposto por Ishibuchi [76], este
modelo gera as regras fuzzy com base nas informações de uma base de dados. A
escolha da metodologia de Ishibuchi como referência para a comparação, deve-se a
facilidade de implementa-o em um programa computacional, além, Ishibuchi, um
professor da universidade de Osaka – Japon, é pesquisador com ampla experiência na
área de lógica fuzzy com mais de trinta publicações em revistas internacionais, por
exemplo, Fuzzy Set and Systems, com o exposto, a continuação se explicará as três
metodologias.
3.3.2.1.1
MÉTODO DE GERAÇÃO DE REGRAS BASEADA NO PRINCÍPIO DE
EXTENSÃO
Com base na definição do princípio de extensão explicado em 3.1.5, desenvolveu-se

uma metodologia para a geração de regras, a qual requer o conhecimento da função f
que relacione as variáveis lingüísticas de entrada e saída. Esta metodologia pode ser
implementado através dos 5 passos a seguir:
1.- Definir uma função f, seja por exemplo:

z = f (X, Y ) = X + Y, ∀ X ∈ [0 - 20] ∧ Y ∈ [0 - 30]
92
2.- Definir os conjuntos fuzzy triangulares Ai e Bj para as variáveis lingüísticas X e Y.

Onde i = 1,...., n e j = 1,....m , sendo “n” e “m” a quantidade de conjuntos fuzzy das
variáveis lingüísticas X e Y.
3.- Aplicar o princípio de extensão para obter o conjunto fuzzy C(i-1)m+j, que é imagem
de Ai e Bj obtido através da função f (X,Y).
4.- A regra associada a esta imagem é: SE X é Ai e Y é Bj então Z é C(i-1)m+j
5.- Repetir os passos 3 e 4 para todos os valores de i e j.
Para visualizar o desempenho de um SLF que utilize o método de geração de regras

descrito, se apresentaram os resultados do erro quadrático, erro quadrático médio e
máxima variação obtida na solução do exemplo enunciado em 3.1. Na figura 3.18
apresentam-se os resultados gerados pelo aplicativo descrito em 3.3.2.
Figura 3.18: Resultado obtido pelo aplicativo 1.

93
Os resultados apresentados na figura 3.18 corresponde para o método de agregação

tipo MÁXIMO, tipo de desfuzificação tipo CENTROIDE e com 5 conjuntos fuzzy
tipo triangular distribuídos uniformemente no universo de discurso das variáveis
lingüísticas X e Y. Na figura 3.19 apresenta-se os 5 conjuntos fuzzy para a variável
lingüística X gerado pelo TOOLBOX fuzzy do MATLAB.
Figura 3.19: Conjuntos fuzzy gerados pelo aplicativo para a variável lingüística X.
3.3.2.1.2
MÉTODO DE GERAÇÃO DE REGRAS BASEADO NOS VALORES
MÁXIMOS DOS CONJUNTOS FUZZY
Esta metodologia diferencia-se da anterior, em que o princípio de extensão somente é

aplicado nos valores máximos dos conjuntos fuzzy, isto é, quando o valor do grau de
pertinência for igual a um, em quanto na primeira metodologia é aplicada em todos os
valores dos conjuntos fuzzy, ou seja, quando o valor do grau de pertinência varia de
zero até um. Esta diferença origina que ambas metodologias gerem diferentes
quantidades de conjuntos fuzzy. A explicação desta metodologia pode ser dividido
em dez passo a seguir:
1- Definir as variáveis lingüísticas de entradas e saídas, como também o domínio de

cada variável. Seja por exemplo as variáveis de entradas: X e Y, como também,
variável de saída a Z, sendo que X ∈ [0 - 20] ∧ Y ∈ [0 - 30] ∧ Z ∈ [0 - 50]
94

Na qual i = 1,...., n e j = 1,....m , sendo n e m a quantidade de conjuntos fuzzy das
4.- Encontrar a função f que aproxime as variáveis de entradas com a variável de
saída.
5.- Para cada conjunto fuzzy Ai e Bj das variáveis de entradas, extrair os valores xi e
yj tal que possuam um grau de pertinência igual a um.
6.- Com os valores xi e yj, encontrar o valor z(i-1)m+j através da função f encontrada no
passo quatro.
7.- Formar a matriz M = [i j z(i-1)m+j].
8.- Mantendo livre a primeira e a segunda coluna da matriz M, ordenar em forma
descendente a terceira coluna da matriz M. Assim se produzirá uma nova matriz
denominada M ↓ .
9.- Cada “s”- ésima fila (s=1,..., nxm) da matriz M ↓ representará o seguinte:
- um conjunto fuzzy tipo triangular para a variável lingüística de saída, com
a seguinte representação:
Z(s)= [M(s-1,3) M (s,3) M (s+1,3)]
- uma regra fuzzy do tipo:
SE X é AM(s,1) e Y é B M(s,2) então Z é Z(s)
10.- Fazer passos 5,6,7,8 e 9 para todos os valores de “i” e “j”.
Na figura 3.20 apresenta-se o mesmo caso apresentado na figura 3.18, exceto que
nesta figura, a base de regras foi gerada pelo método dos valores máximos dos
conjuntos fuzzy das variáveis lingüísticas de entrada.
Os resultados da figura 3.20, são obtidos para o método de agregação tipo máximo,
tipo de desfuzificação centroide e cinco conjuntos fuzzy para as duas variáveis
lingüísticas X e Y.
95
3.3.2.1.3
MÉTODO DE GERAÇÃO DE REGRAS BASEADO NO MÉTODO DE
ISHIBUCHI
O procedimento proposto por Ishibuchi encontra-se explicado em 19 folhas do

trabalho [51], as quais foram necessárias estuda-la para implementa-o em um
programa computacional. Como resultado deste estudo, a metodologia proposto por
Ishibuchi pode ser resumido em dez passos a seguir:
1.- Definir as variáveis lingüísticas de entradas e de saídas, como também o domínio

de cada variável. Seja por exemplo, as variáveis de entradas: X e Y, como também,
variável de saída a Z, sendo que X ∈ [0 - 20] ∧ Y ∈ [0 - 30] ∧ Z ∈ [0 - 50]
2.- Normalizar as variáveis de entradas e saída, tal que seus domínios fiquem entre
[0-1].
Onde i = 1,...., n e j = 1,....m , sendo “n” e “m” a quantidade de conjuntos fuzzy das
96
3.- Definir os conjuntos fuzzy triangulares Zk para a variável lingüísticas Z. Onde

k = 1,....r , sendo “r” a quantidade de conjuntos fuzzy da variável lingüísticas Z.
4.- Gerar a base de dados numéricos para as variáveis lingüísticas de entradas e saída.
Seja por exemplo “m” dados para X, Y e Z. Com isso formar as matrizes
VP = [X Y ] e TP = [Z] , onde p=1....m.
5.- Calcular os valores de W mediante a seguinte expressão: Wij (Vp ) = {µij (Vp )} ,
α
onde α é um parâmetro que serve para ajustar os resultados.

6.- Calcular os valores b mediante a seguinte expressão:
m
b ij = ∑ Wij (Vp ) × Tp Wij (Vp )
p =1
7.- Este método gera duas bases de regras, chamadas de primária e secundária com
base nos resultados de bij .
8.- As regras da base primária (BP) têm a seguinte forma:

Se X é Ai e Y é Bi então Z é Z *ij , com um grau de certeza dada por CF *ij
9.- As regras da base secundária (BS) têm a seguinte forma:

Se X é Ai e Y é Bi então Z é Z * *ij , com um grau de certeza dada por CF * *ij
Para maiores detalhes de Z *ij Z * *ij , CF *ij e CF * *ij ver referência [51].
10.- Calcular a saída T* mediante a seguinte expressão:

 − −

n m
∑ ∑ µ
i =1 j=1
ij (Vp ) × Z*ij ×CF *ij + µ ij (Vp ) × Z* *ij × CF * *ij 

T * (Vp ) =
∑ ∑ {µ (Vp ) × CF *ij +µ ij (Vp ) × CF * *ij }
n m
ij
i =1 j=1
Na figura 3.21 apresenta-se os resultados gerados pelo SLF, no qual, sua base de
regras foi gerada mediante o método Ishibuchi.
97
Os resultados da figura 3.21 não foram obtidos para o método de agregação do tipo
máximo e de desfuzificação tipo centroide, já que, o método Ishibuchi considera seus
próprios métodos de agregação e desfuzificação os quais estão expressos no passo 10.
Outra diferença com relação aos outros dois modelos, é que o modelo Ishibuchi
requer informação adicional para gerar a base de regras, como é a quantidade de
conjuntos fuzzy para a variável lingüística de saída e valor de ajuste, alpha. Neste
caso, considerou-se um valor de 1.5, já que, com este valor o SLF tem menor erro
quadrático, no entanto, não garante ter a menor variação, pois, com um valor de alpha
igual a 2.5, tem-se uma máxima variação de 2.5 que é menor a 2.9, a qual foi obtida
para alpha igual a 1.5, como poder ser observada na figura 3.21.
Na figura 3.22, apresenta-se os resultados dados pelo mesmo SLF gerado pelo
aplicativo, no entanto, para a avaliação do seu desempenho só se considerará a base
primária.
98
Destes três métodos para gerar a base de regras, o método que considera os valores
máximos é o que apresenta melhores resultados do erro quadrático, erro quadrático
médio e variação máxima, tal como pode ser ver na tabela 3.2:
Método baseado no: Erro quadrático Variação máxima

Princípio de extensão 1513 5.5
Valores máximos 220 2.9
Ishibuchi BP – BS (alpha =1.5) 620 3
Ishibuchi BP (alpha =1.5) 3804 7.9
Tabela 3.2: Resumo de resultados das figuras 3.18, 3.20, 3.21 e 3.22.
No caso do método de Ishibuchi que considera a base de regras primaria e secundaria,

os valores dados na tabela 3.2 são para alpha igual a 1.5, no entanto, se alpha fosse
igual a 2.5, a variação máxima seria igual 2.4 e o erro quadrático seria igual a 906.
Com base a estes resultados, nesta tese se selecionará o método baseado nos valores
máximos dos conjuntos nebulosos das variáveis lingüísticas de entrada.
99
3.3.2.2
TIPOS DE AGREGAÇÃO E DESFUZIFICAÇÃO
A escolha do método de agregação e desfuzificação dependeram do tipo de problema,

no entanto, estas devem garantir que o resultado final reflita as informações
explicitas no conjunto de regras fuzzy. Este estudo analisará dois tipos de agregação,
SOMA e MAXIMO, e cinco tipos de desfuzificação, CENTROIDE, BISECTOR,
MOM, SOM e LOM. Com os tipos de agregação e desfuzificação, faz-se uma
combinação entre todos eles, tal como apresentado na tabela 3.3.
Número Tipo de Tipo de

de opções agregação desfuzificação
1 (M-C) MAXIMO CENTROIDE
2 (M-B) MAXIMO BISECTOR

3 (M-M) MAXIMO MOM
4 (M-L) MAXIMO LOM
5 (M-S) MAXIMO SOM
6 (S-C) SOMA CENTROIDE
7 (S-B) SOMA BISECTOR
8 (S-M) SOMA MOM
9 (S-L) SOMA LOM
10 (S-S) SOMA SOM
Tabela 3.3: Diferentes opções de seleção para o
tipo de agregação e desfuzificação.
Para selecionar o tipo de agregação e desfuzificação, se gerará um SLF baseado no

enunciado descrito em 3.1 o aplicativo descrito em 3.3.2. A geração automática de
regras é realizada pelo método escolhido em 3.3.2.1, isto é, pelo método dos valores
máximos dos conjuntos fuzzy das variáveis lingüísticas de entrada. Para continuar a
seqüência dos exemplos apresentados ao longo deste capítulo da tese, considera-se
cinco conjuntos fuzzy para as variáveis lingüísticas de entrada X e Y. Na figura 3.23
apresentam-se os resultados do erro quadrático e erro quadrático médio obtidos do
aplicativo para os dez casos da tabela 3.3.
100
Fig. 3.23: Erro quadrático e erro quadrático médio para as dez opções da tabela 3.3.
Na gráfica anterior, observa-se que as opções 1,2,6 e 7 são os que apresentam menos
erro quadrático e erro quadrático médio. Isto significa que independente do tipo de
agregação, os tipos de desfuzificação CENTROIDE e BISECTOR são as melhores

opções.
As variações máximas que apresentam os SLF com as dez opções (tabela 3.3), são
apresentadas na figura 3.24.
Figura 3.24: Máxima variação gerada pelas dez opções

da tabela 3.3.
Nos resultados da figura 3.24, os SLF que apresentam as menores variações são as
opções 1,2,6 e 7, que coincidem com os resultados da figura 3.23.
101
3.3.2.3
QUANTIDADE DE CONJUNTOS FUZZY
A quantidade de conjuntos fuzzy dado a cada uma das variáveis lingüísticas de

entradas e de saída são decididos de acordo à preferência do SLF que seja “genérico”
ou “preciso” na solução de um problema.
Se a preferência é por generalidade, se usarão poucos conjuntos fuzzy, os quais
podem ser identificados por especialistas ou por técnicas de classificação. O
especialista poderá determinar os conjuntos fuzzy com base nos valores lingüísticos
que são geralmente usados na solução do problema, por exemplo, alto, médio, baixo,
etc. No caso de utilizar as técnicas de classificação é preciso a existência de uma base
de dados. Se não existir esta base de dados, a única opção é recorrer ao especialista.
Por outro lado, se a opção é por um SLF preciso, se levará em conta que a maior
quantidade de conjuntos fuzzy para cada variável lingüística de entrada e de saídas,
os resultados do SLF serão mais exatos. Neste caso, o especialista não é eficiente em
identificar grandes quantidades de conjuntos fuzzy, assim, as técnicas de classificação
surgem como uma boa alternativa. Elas identificam os limites dos conjuntos fuzzy
com base a diversos critérios de classificação.
Nesta tese, o critério a levar em consideração para definir os conjuntos fuzzy das
variáveis lingüísticas de entrada será a de classificação uniforme, isto significa, que
os conjuntos fuzzy serão definidos uniformemente dentro do universo de discurso da
variável. Um exemplo do exposto é dado na figura 3.19, no qual, a variável
lingüística X possui cinco conjuntos fuzzy distribuídos uniformemente no universo de
discurso [0,20]. No que respeita à definição dos conjuntos fuzzy das variáveis
lingüísticas de saída, estas serão definidas pelo método de geração de regras
escolhido em 3.2.2.1 (valores máximos).
Com este critério de classificação para definir os conjuntos fuzzy, se analisará a
influência da quantidade de conjuntos fuzzy das variáveis lingüísticas de entrada no
desempenho de um SLF. Esta análise se realizará para os diferentes tipos de
agregação e desfuzificação mencionados na tabela 3.3. Para isso, se considerará o
102
enunciado realizado em 3.1, no qual, as variáveis lingüísticas X e Y terão conjuntos

fuzzy variando de 2 até 9, é dizer, a quantidade de conjuntos fuzzy para X variará de
2 até 9, e para cada quantidade do conjunto fuzzy de X, a quantidade de conjuntos
fuzzy para Y variará de 2 até 9.
Com a variação dos conjuntos fuzzy para as variáveis lingüísticas X e Y, com os dos
tipos de agregação e com os cinco tipos de desfuzificação, a quantidade de SLF a
analisar é de 640. Na figura 3.25 apresentam-se os resultados do erro quadrático para
os 640 SLF.
Figura 3.25: Erros quadráticos gerado pelos SLF para diferentes quantidades de conjuntos
fuzzy
103
Na figura 3.25, “i” e “j” representam o número de conjuntos fuzzy das variáveis
lingüísticas X e Y respectivamente. Desta figura pode-se mencionar que o tipo de
desfuzificação CENTROIDE é o que apresenta menor erro quadrático em quase todos
os 640 sistemas fuzzy, no entanto, nos casos onde o tipo CENTROIDE não é o
melhor, este apresenta um erro quadrático próximo ao melhor tipo. Com respeito aos
tipos de agregação, estes apresentam resultados aproximadamente iguais, sendo que o
tipo SOMA apresenta ligeiramente melhores resultados do que tipo MÁXIMO.
Continuando, na figura 3.26 apresentam-se os resultados da variação máxima obtida

dos 640 SLF.
Figura 3.26: Variação máxima gerada pelos SLF para diferentes quantidades de conjuntos fuzzy
104
Da figura 3.26 observa-se que para a maior parte dos 640 sistemas fuzzy analisados o
tipo de desfuzificação CENTROIDE é o que apresenta menor variação máxima, tal
como observado na figura 3.26.
Das figuras 3.25 e 3.26 observa-se que para valores baixos de “i” e “j” (região
esquerda dos gráficos) os resultados do erro quadrático e da variação máxima gerados
pelos SLF não convergem para os diferentes tipos de agregação e desfuzificação,
enquanto, para valores alto de “i” e “j” (região direita dos gráficos) os resultados
convergem para os diferentes tipos de agregação e desfuzificação.
Analisando todos os SLF que tenham como método de desfuzificação centróide
(linha vermelha nas figuras 3.25 e 3.26) observa-se que os maiores erros quadráticos
e as maiores variações máximas ocorrem quando a quantidade de conjuntos fuzzy
dadas as variáveis lingüísticas de X e/ou Y são iguais a dois, e conforme aumenta esta
quantidade de conjuntos fuzzy, o erro quadrático e a variação máxima tendem a
diminuir.
A continuação se realizará uma análise particular para visualizar o efeito das

quantidades de conjuntos fuzzy nos resultados. Para isso se fará uso da segunda parte
do aplicativo descrito em 3.3.2 e do enunciado realizado em 3.1. Esta análise
particular considerará que os valores de X e Y serão dados de duas formas, CRISP e
FUZZY. Os valores CRISP de X e Y serão 10 e 15 respetivamente, enquanto que
seus valores fuzzy serão [7 10 13] e [13 15 18] (detalhes sobre o que significa cada
valor numérico entre aspas encontra-se em 3.3.2). As regras do SLF utilizadas para a
análise particular serão realizadas tal como recomendado em 3.3.2.1, o tipo de
agregação e desfuzificação a considerar será segundo o recomendado em 3.3.2.1,
além, se considerará que a quantidade de conjuntos fuzzy para as variáveis
lingüísticas X e Y sejam iguais. Nesta análise se avaliará dez SLF, com quantidades
dos conjuntos fuzzy variando de 2 até 11. Os resultados dados pelos dez SLF quando
avaliam os dados de X e Y mencionados acima estão apresentados nas figuras 3.27 e
3.28.
105
Figura 3.27: Resultados dos SLF quando as variáveis de entradas são expressas
mediante conjuntos CRIPS.
Figura 3.28: Resultados dos SLF quando as variáveis de entradas são expressas
mediante conjuntos fuzzy.
106
Nestas duas figuras, a linha de cor verde representa as respostas esperadas, enquanto
que a linha de cor azul são as respostas dadas pêlos dez SLF. Pode-se observar destas
figuras que conforme o número de conjuntos fuzzy aumenta para as variáveis
lingüísticas X e Y, os valores dados pêlos SLF se aproximam do valor esperado. Em
geral a maior quantidade de conjuntos fuzzy para as variáveis lingüísticas de entrada,
se obterá o menor erro quadrático e menor variação máxima nos resultados.
Volvendo nos 640 sistemas fuzzy analisados nas figuras 3.25 e 3.6, seleciona-se um
grupo de SLF, tal que apresentem os menores erros quadráticos e as menores
variações máximas objetivando avaliar o desempenho destes SLF. Este grupo
selecionado é apresentado na tabela 3.4:
Opção Número de Número de Erro Máxima

número conjuntos fuzzy conjuntos fuzzy para quadrático variação
para a variável “x” a variável “y”
2 (M-B) 9 7 35.50 1.50
7 (S-B) 9 7 37.75 1.50
7 (S-B) 5 7 44.75 2.00
1 (M-C) 9 9 45.89 1.11
1 (M-C) 9 7 50.56 1.58
6 (S-C) 9 9 53.64 1.12
2 (M-B) 9 9 73.75 1.00
Tabela 3.4: SLF escolhidos dos 640 fuzzy analisados.
Da tabela 3.4, seleciona-se uma opção qualquer, por exemplo, a opção 1 (tipo de
agregação MÁXIMO e tipo de desfuzificação CENTROIDE) que possui nove
conjuntos fuzzy para as duas variáveis lingüísticas de entradas. A seguir, na figura
3.29, apresentam-se os resultados do erro quadrático, erro quadrático médio e a
variação máxima para o SLF selecionado, a qual foi gerado pelo aplicativo descrito
em 3.3.2.
107
Figura 3.29: Resultado gerado pelo aplicativo para o SLF escolhido.

Com os resultados obtidos do erro quadrático, erro quadrático médio e de variação

máxima na figura 3.29, observa-se que são menores aos resultados obtidas
anteriormente (figura 3.18, 3.20, 3.21 e 3.22). Esta diferença deve-se principalmente
a quantidade de conjuntos fuzzy utilizados para as variáveis lingüísticas X e Y, e ao
tipo de técnica utilizada para determinar a base de regras fuzzy,
Como conclusão geral dos tópicos desenvolvidos em 3.3.2.1, 3.3.2.2 e 3.3.2.3

conclui-se os seguintes:
- O melhor método de geração de base de regras é dos valores máximos

- O melhor tipo de desfuzificação é do CENTROIDE
- No que respeita ao melhor tipo de agregação, os resultados demostraram que para
o tipo de desfuzificação CENTROIDE o método de agregação tem pouca
influência no resultado final, além disso, se a quantidade de conjuntos fuzzy fosse
grande para as variáveis lingüísticas, o método de agregação e o método de
desfuzificação têm pouca influência nos resultados.
108
Consideram-se que as conclusões anteriores baseiam-se no problema enunciado em

3.1, isto significa, se as condições do enunciado variassem, os resultados obtidos em
3.3.2.1, 3.3.2.3 e 3.3.2.3 não necessariamente seriam os mesmos, este caso será
analisado no capítulo quatro.
3.4
NÚMERO FUZZY
Na ciência e na engenharia, freqüentemente se trabalha com valores imprecisos

representados na forma de intervalos para procurar soluções. Para isso, as diversas
operações precisam ser desenvolvidas sobre estes intervalos. A este tipo de análise
chama-se análise por intervalos.
Neste tópico da tese se generalizará o conceito de intervalos para o conceito de

intervalos fuzzy, em virtude de um valor representado por intervalos somente ser
definido para um nível, enquanto que um valor fuzzy (qual é representado por
números fuzzy) é definido para diversos níveis no intervalo [0,1].
Na continuação se definirá os números fuzzy e as operações básicas que se podem

realizar entre eles. Um exemplo de cálculo do Risco mediante o modelo Muhlbauer
será explicado. Um exemplo, as variáveis de entrada serão os quatro índices de dano
e o FIV, os quais estarão representados mediante números fuzzy do tipo trapezoidal
ou triangular.
3.4.1
DEFINIÇÃO NÚMEROS FUZZY
Um número fuzzy é definido como um subconjunto convexo no campo real, limitado

~
por uma função de pertinência normalizada. Um número fuzzy b tem a seguinte
forma: b = (a , α, β )LR e satisfaz as seguintes condições:

~
109
 a−x
L( α ) para a - α ≤ x ≤ a

~  x−a
b ( x ) = R ( ) para a ≤ x ≤ a + β
 β
0, em qualquer caso


Na qual:
~
- a é o valor médio do número fuzzy b
- α e β são as dispersões do lado esquerdo e direito respectivamente. Quando α e β
~
são iguais a zero, o número b coincidirá com a forma CRISP.
- L e R são funções decrescentes e contínuas dentro do intervalo [0-1], as quais
satisfazem as seguintes condições:
- L(0)=R(0)=1, e
- L(1)=R(1)=0
~
A representação gráfica do número fuzzy b é apresentada na figura 3.30:
Figura 3.30: Representação gráfica de um número fuzzy
A característica de um numero fuzzy é que os α-cut, os quais são paralelos ao eixo

horizontal, têm a seguinte propriedade:
110
∀α ' , α ∈ [0,1], se α ' < α ⇒ a 1α ≤ a 1α ∧ a α3 ≥ a α3

1 1
3.4.1.1
OPERAÇÕES COM NÚMEROS FUZZY
~ ~
Algumas operações que podem ser realizadas com dois números fuzzy A e B para
diferentes α-cut são:
∀a , a , b , b ∈ R onde
1 3 1 3
~α α α ~α α α
A = [a , a ], B = [ b , b ] define - se :
1 3 1 3
~ α ~α α α α α α α α α
1) Adição : A ⊕ B = [a , a ] ⊕ [ b , b ] = [a + b , a + b ]
1 3 1 3 1 1 3 3
~α ~α α α α α α α α α
2) Subtração : A ΘB = [a , a ]Θ[ b , b ] = [a − b , a − b ]
1 3 1 3 1 1 3 3
3) Multiplica ção : A ⊗ B = [a , a ] ⊗ [ b , b ] = [ a • b , a • b ]
1 3 1 3 1 1 3 3
4) Divisão : A ÷ B = [a , a ] ÷ [ b , b ] = [a ÷ b , a ÷ b ]
1 3 1 3 1 3 3 1
Como exemplo aplicativo dos números fuzzy, se avaliará o Risco de um duto

mediante o método de Muhlbauer, no qual, as variáveis de entrada, os quatro índices
de danos e o FIV, serão representados via os números fuzzy. Para facilitar esta análise
será desenvolto um aplicativo com interface gráfica desenvolvida com ajuda do
software MATLAB. Na figura 3.31 visualiza-se a interface gráfica do aplicativo
desenvolvido.
111
Figura 3.31: Operações com números fuzzy
Na figura 3.31, as cinco primeiras caixas brancas servem para o ingresso de dados
dos quatro índices de dano e do FIV. Cada uma destas caixas requer como
informação quatro valores, os quais representam números fuzzy tipo trapezoidal, tal
como apresenta-se na figura 3.32.
Figura 3.32: Números fuzzy tipo trapezoidal
Com estes cinco dados de entrada, o aplicativo avalia mediante operações fuzzy a
soma de índices e Risco. Estes resultados encontram-se mostrados em forma gráfica
112
na figura 3.31. Nesta figura também se apresenta a variável FIV mediante a

representação fuzzy.
A última caixa branca da figura 3.31 permite o ingresso de parâmetro denominado
(alpha), definido como intervalo de confiança por Ching Hsue [77]. Os valores de
estão definidos para o intervalo [0,1], na qual, um valor de zero significa o caso mais
pessimista das avaliações das variáveis, entanto que o valor igual a 1 significa o caso
mais otimista na avaliação das variáveis. Na figura 3.31, apresenta-se o caso para
igual a 1; com este valor o resultado mais otimista para o Risco do duto variará no
intervalo [12,35] e para o caso que seja igual a zero, cenário menos otimista, o
resultado do Risco variará no intervalo [1-225].
Como observado, a utilização dos números fuzzy permite quantificar a incerteza nas
avaliações para diferentes valores de com base nas informações dadas às variáveis,
possibilitando considerar seus resultados em uma seguinte etapa do gerenciamento de
Risco.
4
FUZIFICAÇÃO DO MODELO MUHLBAUER
Neste capítulo se avaliará o Risco em sistemas de tubulação que transportam petróleo

e/ou gás baseado nos capítulo dois e três. Isto significa que a aplicação do modelo
Muhlbauer e a lógica fuzzy servirão para a geração de modelos qualitativos que
avaliam o Risco. Com tal objetivo propõem-se três modelos, os dois primeiros serão
baseados na inferência Mamdani e o terceiro na teoria de números fuzzy. A diferença
entre os dois primeiros encontra-se na quantidade de conjuntos fuzzy atribuídas às
variáveis lingüísticas.
No primeiro modelo, as quantidades dos conjuntos fuzzy serão determinadas com
base nas recomendações dadas por o Muhlbauer. Por exemplo, no caso da variável
condição do revestimento externo do duto (CRED), Muhlbauer recomenda três
alternativas: alto, médio e baixo, com isto. No SLF, que utiliza a CRED como uma
variável lingüística de entrada, ocorrerão terá três conjuntos fuzzy. Assim, no
primeiro modelo só se selecionarão os tipos de agregação e de desfuzificação. No
segundo, além de selecionar os tipos de agregação e desfuzificação, se analisará a
influência de diferentes quantidades de conjuntos fuzzy, o que significa que se
procurará exatidão nos resultados, já que o aumento de conjuntos fuzzy nas variáveis
lingüísticas faz com que diminua o erro quadrático e a variação máxima (ver em
3.3.2.3). No último modelo, as variáveis de entradas serão representadas por números
fuzzy objetivando incorporar as incertezas das mesmas na avaliação do Risco.
Para os três modelos serão gerados aplicativos desenvolvidos no software do
MATLAB, do qual se utilizarão as ferramentas do SIMULINK, TOOLBOX FUZZY
e o GUIDE. A seguinte figura mostra o esquema seguido no presente capítulo.
114
115
4.1
PROBLEMAS A SUPERAR NA FUZIFICAÇÃO DO MODELO
MUHLBAUER
Antes de apresentar os três modelos, serão descritas os problemas encontrados na

aplicação dos conceitos fuzzy na análise de Risco mediante o modelo Muhlbauer.
4.1.1
A SENSIBILIDADE DO MODELO MUHLBAUER
Na análise da expressão 2.1 observa-se que o resultado do Risco é sensível para

valores baixos do FIV (ver figura 4.1), isto é, uma pequena variação para valores
baixos do FIV ocasiona uma grande variação nos resultados do Risco, e isto
independente do valor da soma de índices. Para visualizar esta sensibilidade,
considera-se que o retângulo (cor azul) da figura 4.1, representa todos os valores do
Risco e que os lados do retângulo representem os valores que podem assumir a soma
de índice e o FIV. Então, na figura 4.1, as linhas azuis (traços grossos) representarão
os pontos que têm igual Risco, por exemplo, Risco 400, 800, 1200 e 1600. Assim, a
área traçada de cor vermelha representa a área onde estão compreendidos todos os
Riscos entre 400 e 800. Sendo assim, pode-se observar que a área que representa
todos os Riscos entre 400 e 2000 é menor do que a área que representa todos os Risco
entre 0 e 400. Ou seja, para uma pequena variação do FIV (p. ex.: 0.2-1), o Risco
tem uma grande variação (p. ex.: 400 a 2000), enquanto, para uma grande variação do
FIV (1-88) o Risco apresenta pouca variação (p. ex.: 0-400).
Figura 4.1: Mapeamento dos resultados do modelo Muhlabuer.

116
Com isto, o SLF que avalia o Risco baseando-se nas variáveis lingüísticas: soma de
índice e o FIV, terá que possuir uma quantidade grande de conjuntos fuzzy para os
valores baixos do FIV e poucos conjuntos fuzzy para os valores altos, Mas para
decidir quantos conjuntos fuzzy deve-se usar na área de alta e baixa sensibilidade
para o Risco requer-se um estudo de classificação.
No entanto, uma modificação na expressão 2.1 poderá resolver o problema da
sensibilidade do Risco sem alterar a definição conceitual do modelo de Muhlbauer.
Esta modificação sugere inverter os valores do FIV para FIV-1 (1/FIV), tal que a
expressão 2.1 se converta na seguinte expressão 3.1, fazendo com que os conjuntos
fuzzy definidos para o FIV-1 sejam distribuídos uniformemente no seu domínio:
Risco = soma de índices × fator impacto de vazamento -1 (3.1)

Comparando a expressão 2.1 e 3.1, observa-se que os resultados numéricos para a

variável Risco não variam, ambas expressões geram resultados entre 0 e 2000. Para a
variável soma de índices o intervalo de valores, nas duas expressões, será de 0 até
400. Com respeito ao FIV, cujo intervalo de valores na expressão (2.1) eram entre 0.2
a 88, foi transformada para o fator impacto de vazamento-1 (FIV-1) com valores
compreendidos no intervalo entre 1/88 e 5, que para facilitar o cálculo, será
considerado como o intervalo compreendido entre 0 e 5. A realização desta
modificação na expressão 2.1 do modelo Muhlbauer faz com que as áreas de Risco
entre: 400, 800, 1200 e 1600 , da figura 4.1, sejam melhor distribuídas, tal como se
apresentam na figura 4.2.
Figura 4.2: Mapeamento dos resultados do Modelo Muhlbauer quando o FIV é

substituído por FIV-1
117
Com isto, no SLF que avalie o Risco, os conjuntos fuzzy para a variável lingüística
FIV-1 podem ser distribuídos uniformemente dentro do domínio [0 -5]. Para comparar
os benefícios desta mudança, apresenta-se a seguir os resultados do erro quadrático e
da variação máxima quando o SLF considera a expressão 3.1 (figura 4.3) e 2.1
(figura 4.4). Destas observa-se que o erro quadrático médio é mais estável quando a
expressão 2.1 é substituída pela expressão 3.1, além da diminuição da variação
máxima de aproximadamente 1000 para 250 unidades. A mudança da expressão 2.1
para a expressão 3.1 origina também uma redução dos conjuntos fuzzy para as
variáveis lingüísticas de saída de 21 para 12, as quais foram geradas pela técnica
geradora de regras explicada em 3.3.2.1.
Figura 4.3: SLF que aproxima à função multiplicação

118
Figura 4.4: SLF que aproxima a divisão

4.1.2
PROBLEMA DE DISCRETIZAÇÃO
Todos os resultados apresentados no capítulo três foram obtidos para o problema

exposto em 3.1. Nela se expressa que a discretização usada para os valores de X e Y é
de um em um (p. ex.: 1,2,3...). No entanto, no modelo Muhlbauer as variáveis podem
adotar valores não inteiro (p. ex: 0.5, 1.5, 3.5...). Assim, precisa-se fazer uma nova
análise de identificação de SLF, tal como o realizado em 3.3.2, para saber se o tipo de
discretização usada para as variáveis X e Y influencia nos resultados. Isto significa
que a nova análise deverá considerar se o tipo de discretização influencia na escolha
do tipo de agregação, desfuzificação, tipo de técnica para gerar a base de regras e a
quantidade de conjuntos fuzzy definidos para cada variável. No entanto, para facilitar
o trabalho, se considerará que a escolha do tipo de técnica geradora de regras será
indiferente do tipo de discretização usada.
Sendo assim, a nova análise realizada será dividida em duas partes: (1) mantendo o
número de conjuntos fuzzy das variáveis lingüísticas de entrada, mas, variando o tipo
de agregação, desfuzificação e a discretização, e (2) mantendo fixo o tipo de
agregação e desfuzificação, mas variando o número de conjuntos fuzzy das variáveis
lingüísticas de entrada.
119
Para a primeira parte, o número de conjuntos fuzzy definidos para as variáveis

lingüísticas de entradas serão iguais a cinco, tal como, o considerado durante o
desenvolvimento de todo o capítulo três. Para segunda parte, o tipo de agregação e
desfuzificação serão considerados como fixa com base nas conclusões geradas em
3.3.2.2.
4.1.2.1
INFLUÊNCIA DO TIPO DE AGREGAÇÃO E DESFUZIFICAÇÃO
Nesta analise se verifica-se o tipo de agregação e desfuzificação recomendados em

3.3.2.2 são influenciados pelo tipo de discretização. Para esta análise, os critérios do
erro quadrático e da variação máxima serão avaliados para discretizações com passo
de 0.1, 0.2, 0.25, 0.5, 1, 2, 5 e 10 dados aos valores das variáveis lingüísticas X e Y.
O SLF que, gerará os resultados, terá cinco conjuntos fuzzy para cada uma das
variáveis lingüísticas.
Considerando o critério do erro quadrático, os resultados obtidos para o tipo de
agregação e desfuzificação para diferentes discretizações são apresentados na figura
4.5.
180000
M-C
160000
M-B
140000
M-M
Erro quadrático
120000
M-L
100000 M-S
80000 S-C
60000 S-B
40000 S-M
20000 S-L
0 S-S
10 5 2 1 0,5 0,25 0,2 0,1
Diferentes discretizaçoes
Fig.4.5: Seleção do tipo de desfuzificação e agregação em função

dos resultados do erro quadrático.
120
Analisando a figura 4.5, conclui-se que o tipo de discretização não afeta na seleção
dos tipos de agregação e desfuzificação, pois, para os diferentes tipos de discretização
a opção eleita sempre dá o mesmo resultado, opção 1 e 6 (para saber as diferentes
opções de agregação e desfuzificação pode-se ver a tabela 3.3)..
Os resultados da seleção dos tipos de agregação e de desfuzificação, baseados no

critério da variação máxima, encontram-se na figura 4.6. Nele observa-se que, quando
a discretização é grande (p. ex.: 2,5, 10), sua influencia nos resultados é grande , e por
outro lado, se a discretização utilizada é pequena (p. ex.: 0.1,0.2,0.25), sua influencia
nos resultados é pequena.
9
M-C
8
M-B
Variação máxima
7
M-M
6
5 M-L
4 M-S
3 S-C
2 S-B
1 S-M
0 S-L
10 5 2 1 0,5 0,25 0,2 0,1 S-S
Diferentes discretizações
Figura 4.6: Seleção do tipo de desfuzificação e agregação em função dos resultado da

variação máxima.
Os resultados obtidos indicam que a escolha do tipo de agregação e desfuzificação

somente serão influenciadas quando forem selecionadas mediante o critério da
variação máxima (figura 4.6). No entanto, pelo critério do erro quadrático, a escolha
do tipo de agregação e desfuzificação é independente do tipo de discretização (figura
4.5). Outra conclusão gerada pelas figuras 4.5 e 4.6 é que os métodos de
desfuzificação selecionado segundo os dois critérios analisados são diferentes, por
exemplo, para o critério do erro quadrático escolhe-se o tipo de desfuzificação
121
CENTROIDE, enquanto, para o critério da variação máxima o tipo de desfuzificação

selecionado será do MOM.
4.1.2.2
INFLUENCIA DO NÚMERO DE CONJUNTOS FUZZY
Neste análise se verificará se as conclusões obtidas em 3.3.2.2 não variam para

diferentes discretizações (0.1, 0.2, 0.25, 0.5, 1 e 2). Para isso o SLF que gerará os
resultados, terá como o tipo de desfuzificação CENTROIDE e de agregação
MÁXIMO, mas, se variarão as quantidades de conjuntos fuzzy atribuídas às variáveis
lingüísticas X e Y de dois até nove, tal como explicado em 3.3.2.3. Na figura 4.7
apresentam-se os resultados obtidos segundo o critério da máxima variação:
12
10
8
Variação máxima
(i-2)*8+j-1
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63
Diferentes conjuntos fuzzy
Discretização com:
Passo 2 Passo 1 Passo 0.5 Passo 0.25 Passo 0.2
Figura 4.7: Seleção do SLF em função da quantidade de conjuntos fuzzy das variáveis
lingüísticas de entrada e do resultado da variação máxima.
A figura 4.7 mostra que a tendência da variação máxima para discretização igual a
um é a mesma para discretizações iguais a 0.2, 0.25, 0.5 e 2, portanto, pode-se
considerar que não existe a influência do tipo de discretização usada na seleção do
122
tipo de agregação e desfuzificação. Os valores i e j são os conjuntos fuzzy das

variáveis X e Y, tal como explicado para as figuras 3.25 e 3.26.
4.2
MODELOS PROPOSTOS PARA FUZIFICAR O MODELO MUHLBAUER
Serão apresentados três modelos, chamados de primeiro, segundo e terceiro modelo,

utilizados para avaliar o Risco - em sistemas de tubulação que transportam petróleo,
gás e/ou derivados - mediante o modelo Muhlbauer e a lógica fuzzy.
4.2.1
PRIMEIRO MODELO – SLF GENÉRICO
O primeiro modelo propõe agrupar as 66 variáveis do Muhlbauer (apresentados nas

tabelas 2.1, 2.3 e A1) de acordo com os quatro índices. Dentro de cada índice, as
variáveis serão agrupadas segundo suas caraterísticas de prevenção e de atributos. Por
exemplo, na figura 4.10 apresenta-se o agrupamento das variáveis pertencentes ao
índice de dano por corrosão. Nela observa-se que são necessárias doze somas para
obter o valor do índice (no anexo, nas figuras A1, A2, A3, A4 e A5 encontram-se os
agrupamentos das variáveis para os outros três índices, do FIV e do cálculo do
Risco). Baseado no agrupamento realizado, este primeiro modelo propõe avaliar cada
soma mediante a lógica fuzzy. Com isso, em vez de ocorrerem doze somas ocorrerão
doze analises mediante a lógica fuzzy (isto é, a analise de doze sistemas de lógica
fuzzy). A figura 4.11 mostra o novo esquema com os doze SLFs (no anexo, nas
figuras A6, A7, A8, A9 e A10 encontram-se os novos esquemas para os outros 3
índices, para o FIV e para o cálculo do Risco).
A forma adotada de agrupar as variáveis neste primeiro modelo tem como vantagem
de permitir uma análise individual de cada sistema fuzzy, sem necessidade de
modificar outros sistemas fuzzy. Além disso, podem-se associar variáveis que
originam um dano comum, por exemplo, variáveis que somente influenciam na
corrosão interna, externa, etc.
123
A principal desvantagem desta forma de agrupar as variáveis esta na dificuldade em

gerar as regras SE-ENTÃO nos sistemas fuzzy com mais de três variáveis de entrada,
devido ao raciocino humano apresentar deficiências quando tenta associar uma
grande quantidade de informação em uma só sentença.
Nas tabelas 4.1 e 4.2 apresentam-se todos os SLF (33 total) com suas respectivas
variáveis de entradas e saída segundo os esquemas estabelecidos para os quatro
índices de dano e o FIV que serão usados para avaliar o Risco.
Dos 33 SLF, 28 SLFs são do tipo soma (S), isto é, os SLF se aproximarão da função
soma, três são do tipo multiplicação (M) e duas aproximarão aos resultados de uma
tabela (T).
Sendo assim, para cada um dos 33 SLF se selecionará o tipo de agregação e

desfuzificação (como o realizado em 3.3.2.2), além disso, a técnica de geração de
regras a usar será a recomendada em 3.3.2.1. A identificação dos 33 SLF será
realizada para uma discretização de 0.1 (segundo mostrado na figura 4.6) e com a
inferência Mamdani tal como mencionado em 3.3. Neste primeiro modelo, a
quantidade de conjuntos fuzzy do tipo triangular para cada variável lingüística de
entrada dos 33 SLFs serão definidas de acordo as alternativas que o Muhlbauer
considera para cada variável. Por exemplo, para a variável produto da corrosividade,
Muhlbauer a avalia mediante quatro alternativas: fortemente corrosivo (0 pontos),
medianamente corrosivo (3 pontos), corrosivo baixo situações especiais (7 pontos) e
nunca corrosivo (10 pontos), assim, o SLF que tenha como variável lingüística de
entrada a variável corrosividade do solo, terá que ter quatro conjuntos fuzzy do tipo
triangular, tal que , os valores do grau de pertinência iguais a um estarão em 0, 3, 7 e
10 pontos.
Nos 33 SLF apresentados na figura 4.9, as quantidades de variáveis lingüísticas de
entrada variam de dois até sete, enquanto, a variável lingüística de saída é apenas
uma. Com base no exposto, o aplicativo ( ver 3.3.2), o qual somente considera duas
variáveis lingüísticas de entrada na análise do erro quadrático e da variação máxima,
124
será modificado para generalizar sua análise a mais de duas variáveis lingüísticas de
entrada. Na figura 4.8 apresenta-se a interface do aplicativo modificado.
Figura 4.8: Generalização do aplicativo explicado em 3.3.2.
Este aplicativo consta de oito caixas, mediante as quais subministram-se as

informações necessárias para gerar o SLF. A primeira caixa denominada de Limite
mínimo da variável xi serve para informar os valores mínimos de todas as variáveis
lingüísticas de entrada, por exemplo, uma representação do tipo [0 2] indica a
existência de duas variáveis lingüísticas de entrada com valores iniciais igual a 0 e 2,
enquanto a representação [0 0 0 0] indica quatro variáveis lingüísticas de entrada com
valores iniciais iguais a zero e assim sucessivamente. A segunda caixa branca
denominada Limite máximo da variável xi serve para informar os valores máximos de
todas as variáveis lingüísticas de entrada, por exemplo, a forma [5 10] indica que
duas variáveis lingüísticas de entrada tem valores finais iguais a 5 e 10, enquanto a
representação [3 3 3 3] indica que quatro variáveis lingüísticas de entrada tem valores
finais iguais a três. A terceira caixa branca serve para relacionar as variáveis
lingüísticas de entrada com as de saída. Nesta caixa branca somente consideram-se as
relações de soma e multiplicação, devido a maior parte das variáveis consideradas no
modelo de Muhlbauer estarem relacionadas por meio do operador soma, enquanto, as
125
variáveis que estão relacionadas por meio de uma divisão, poderão ser relacionadas
por meio da multiplicação, tal como explicado em 4.1.1. A quarta caixa branca serve
para informar a discretização ao usar cada variável xi, enquanto que a quantidade de
conjuntos fuzzy definidos para cada variável lingüística de entrada são estabelecidos
na quinta caixa branca. Nela, uma representação do tipo [4 4 4 4] significará que as
quatro variáveis lingüísticas terão quatro conjuntos fuzzy. A sexta, sétima e oitava
caixas brancas servem para definir o tipo de agregação, desfuzificação e o tipo de
gerador de regras. Nesta última, limitou-se à técnica de gerador de regras pelo valores
máximo dos conjuntos fuzzy, tal como exposto em 3.3.2.1. Este aplicativo apresenta
também os resultados do erro quadrático e do erro quadrático médio, além do SLF
baseados nas informações dadas nas seis caixas mencionados acima, tal como
apresentado na figura 4.9.
Com este aplicativo é possível analisar cada um dos 33 SLF (ver figura 4.11, A1, A2,
A3, A4 e A5) variando a quantidade de variáveis lingüísticas de entrada e seus
Figura 4.9: SLF gerado pelo aplicativo modificado.

126
respetivos limites mínimos e máximos, além de escolher a discretização ao usar, a

quantidade de conjuntos fuzzy e o tipo de relação existente entre as variáveis
lingüísticas. Sendo assim, este aplicativo é uma ferramenta que possibilita a
fuzificação do modelo de Muhlbauer, já que permite alterar a quantidade de variáveis
lingüísticas de entrada, gerando outras formas de agrupamento das 66 variáveis do
modelo Muhlbauer.
Neste aplicativo, quando se aumenta a quantidade de variáveis lingüísticas de entrada
para gerar um SLF, o tempo computacional para avaliar o seu desempenho do erro
quadrático e o erro quadrático médio estarão diretamente associados ao tipo de
discretização, sendo assim, para valores grandes de discretização o tempo
computacional é menor e vice-versa.
Como um exemplo de aplicação, as figuras 4.8 e 4.9 representam a fuzificação do
SLF com nome condição do revestimento (detalhe A figura 4.11). Na figura 4.9, X1,
X2, X3 e X4 representam as variáveis: qualidade, aplicação, inspeção e correção de
defeito do revestimento respectivamente, enquanto a soma representa a variável
índice da condição do revestimento. Na figura 4.8, apresentam-se os resultados do
erro quadrático e o erro quadrático médio obtido da comparação do SLF gerado pelo
aplicativo (figura 4.9) e os resultados gerados pelo método Muhlbauer.
127
Figura 4.10: Agrupamento das variáveis do índice de dano por corrosão

128
Detalhe A
Figura 4.11: Primeiro modelo proposto para avaliar o Risco por corrosão.
129
ÍNDICE DE CORROSÃO
Nome do SLF Tipo Nomes das variáveis de entradas Nome da
variável de Saída
Condição do S Qualidade do revestimento Condição do
revestimento (CTE) Aplicação do revestimento revestimento
Testes dirigidos S Distância entre testes Testes dirigidos
Freqüência de leitura
Prevenção de CTE S Proteção catódica Prevenção (Corrosão
(Corrosão de Condição do revestimento de Tubulação
Tubulação enterrada) Testes dirigidos enterrada)
Estudo de casos especiais
Última inspeção com PIGS
Atributos de CTE S Corrosividade do solo Atributos (Corrosão de
Idade do sistema Tubulação enterrada)
Fluxo de corrente
Interferência de AC
Efeitos da corrosão mecânica
Ambiente S Produto da corrosividade Ambiente

Efeitos da corrosão T MAOP Efeitos da corrosão
mecânica Ambiente mecânica
Corrosão de tubulação S Atributos (Corrosão de Tubulação enterrada) Índice de corrosão de
enterrada Prevenção (Corrosão de Tubulação enterrada) tubulação enterrada
Condição do S Qualidade do revestimento Condição do
revestimento Aplicação do revestimento revestimento
(Prevenção de Inspeção do revestimento (Prevenção de
corrosão atmosférica) Correção de defeitos do revestimento corrosão atmosférica)
Atributos de a CA S Localização da tubulação Atributos de corrosão
(corrosão atmosférica) Tipo de atmosfera atmosférica
Corrosão atmosférica S Condição do revestimento (Prevenção de Índice de corrosão
corrosão atmosférica) atmosférica
Atributos de corrosão atmosférica
Corrosão interna S Produto da corrosividade Índice de corrosão
Proteção interna interna
Índice de corrosão S Índice de corrosão de metal enterrado Índice de corrosão
Índice de corrosão atmosférica
Índice de corrosão interna
INDICE DE DANO POR PROJETO
Movimento do solo S Movimento do solo Movimento do solo
Ações mitigadoras
Fadiga S Ciclos de funcionamento Fadiga
MAOP
Teste hidrostático S H Teste hidrostático
Tempo
Atributos S Fator de segurança da tubulação Atributos
Fator de segurança do sistema de tubulação
Movimento do solo
Prevenção S Fadiga Prevenção
Dano potencial
Teste hidrostático
Índice de desenho S Atributos Índice de desenho
Prevenção
Tabela 4.1: SLF do primeiro modelo proposto para avaliar o Risco.
130
ÍNDICE DE DANO POR OPERAÇÕES INCORRETAS

Nome do sistema fuzzy Tipo Nomes das variáveis de entradas Nome da variável de Saída
Identificação de perigos
MAOP
Projeto S Sistema de segurança Projeto
Seleção de material da tubulação
Revisão
Inspeção
Concisão dos materiais usados
Juntas
Construção S Construção
Técnica BACK
Manipulação de materiais
Proteção da tubulação
Procedimento
SCADA
Teste de drogas
Operação S Programa de segurança Operação
Fontes
Treinamento
Preventores de erros mecânicos
Documentação
Programa
Manutenção S Manutenção
Procedimento
Construção
Índice de operações Projeto
S Índice de operações incorretas
incorretas Operação
Manutenção
ÍNDICE DE DANO POR TERCEIROS
Profundidade da terra na tubulação
Proteção de duto enterrado S Proteção da tubulação enterrada
Outros mecanismos de proteção
Proteção da tubulação enterrada ou
submergida
Atributos S Atributos
Nível de atividade
Facilidade de ocorrer acidentes
Sistema de uma chamada
Prevenção S Condição de linha reta Atributos
Freqüência de vigilância
Atributos
Índice de dano por terceiros S Índice de dano por terceiros
Prevenção
FATOR IMPACTO DE VAZAMENTO
Inflamabilidade
Perigo imediato do produto S Reatividade Perigo imediato do produto
Toxicidade
Perigo imediato do produto
Perigo do produto S Perigo do produto total
Perigo crônico
Quantidade do produto vazado
Dispersão do produto vazado M Dispersão do produto vazado
Nível de população
Perigo total
Fator impacto de vazamento M FIV
Dispersão
AVALIAÇÃO DO RISCO
Índice de dano por corrosão
Índice de dano por projeto
Soma de índices S Soma de índices
Índice de dano por operações incorretas
Índice de dano por terceiros
Soma de índices
Risco M Risco
Fator impacto de vazamento
Tabela 4.2: SLF do primeiro modelo propost0 para avaliar o Risco (continuação da tabela 4.1)
131
4.2.1.1
RESULTADOS DO PRIMEIRO MODELO
Os resultados para selecionar o tipo de agregação e desfuzificação para cada SLF das
tabelas 4.1 e 4.2 são apresentados na tabela 4.3. Nela, observa-se que cada SLF
escolhem diferentes tipos de agregação e desfuzificação, nos quais predominam a
segunda e a sétima opção (ver tabela 3.3 para maiores informações sobre as opções).
Também, se observa que na maioria dos 33 SLFs, a opção selecionada, tanto pelo
critério do erro quadrático quanto ao critério da variação máxima são os mesmos.
Neste primeiro modelo se escolherá o tipo de agregação e desfuzificação, para os 33
SLF, segundo o critério do menor erro quadrático. Assim, os resultados da tabela 4.3
servirão para gerar o primeiro modelo com base nos esquemas apresentados em 4.2.1.
Nas figuras 4.12 e 4.13, apresentam-se os resultados do erro quadrático médio e a

variação observada, entre este primeiro modelo e o modelo proposto por Muhlbauer.
Figura 4.13: Resultado da variação máxima

Figura 4.12: Resultado do erro quadrático para o
para o primeiro modelo
primeiro modelo
Os resultados das figuras 4.12 e 4.13, foram obtidos a partir de uma base de 1000
dados, eleitos aleatoriamente dentro do domínio permitido para cada uma das 66
variáveis que o Muhlbauer considera para avaliar o Risco. Destas figuras, observa-se
que a diferença média entre os resultados do modelo Muhlbauer e do primeiro
modelo é aproximadamente igual a sessenta unidades, sendo que a variação máxima
132
entre estes resultados é de aproximadamente 120 unidades, em um universo de 2000

unidades, ou seja, um erro máximo de 6%.
ÍNDICE DE CORROSÃO
Nome do sistema fuzzy Opção selecionada segundo o Opção selecionada segundo o
critério do menor erro critério da menor variação
quadrático máxima
Condição do revestimento (CTE) S-C S-C
Testes dirigidos S-B S-B
Prevenção (Corrosão de Tubulação M-B M-B
enterrada)
Atributos (Corrosão de tubulação S-B S-B
enterrada)
Ambiente S-M S-M
Efeitos da corrosão mecânica M-L S-C
Índice de corrosão de tubulação enterrada S-B S-B
Condição do revestimento (Prevenção de S-B S-B

corrosão atmosférica)
Atributos de corrosão atmosférica S-B S-M
Índice de corrosão atmosférica S-B S-B
Índice de corrosão interna S-C S-C
Índice de corrosão S-B S-B
Projeto S-B S-B
Construção M-B M-B
Operação M-B M-B
Manutenção M-B M-B
Índice de operações incorretas M-B M-B
ÍNDICE DE DANO POR PROJETO
Movimento do solo S-B S-B
Fadiga S-M M-C
Teste hidrostático S-B S-B
Atributos S-B S-B
Prevenção S-B S-B
Índice de desenho S-B S-B
Proteção de duto enterrado S-L S-L
Atributos S-B S-B
Prevenção M-B M-B
Índice de dano por terceiros S-B S-B
FATOR IMPACTO DE VAZAMENTO
Perigo imediato do produto M-B M-B
Perigo do produto M-B M-B
Dispersão do produto vazado S-B S-B
Fator impacto de vazamento S-C S-C
AVALIAÇÃO DO RISCO
Soma de índices M-B M-B
Risco S-C S-C
Tabela 4.3: Resultado de seleção dos tipos de agregação e de desfuzificação para os SLF da figura 4.9.
133
4.2.2
SEGUNDO MODELO – SLF PRECISO
No primeiro modelo, a quantidade de conjuntos fuzzy das variáveis lingüísticas de

entrada foram definidas de acordo as alternativas dadas por Muhlbauer para as 66
variáveis. Mas uma pergunta pode-se fazer: É possível minimizar o erro quadrático
médio e/ou a variação máxima entre os resultados gerados pelo primeiro modelo
proposto e o modelo Muhlbauer? A resposta a esta pergunta é SIM. Isto se pode
conseguir utilizando mais conjuntos fuzzy para as variáveis lingüísticas de entrada,
assim, os resultados do erro quadrático médio e/ou a máxima variação diminuirão,
tal como concluído em 3.3.2.3.
No segundo modelo se analisará a influência dos conjuntos fuzzy nos resultados
gerados pelo SLF e também se selecionará o tipo de agregação e desfuzificação. O

maior problema encontrado na geração deste modelo é o grande investimento
computacional necessário para a geração de regras fuzzy, causado pelo aumento
exponencial das regras fuzzy nos SLFs com muitas variáveis lingüísticas. Uma
solução encontrada para evitar o problema do alto investimento computacional é
procurar uma alternativa diferente de agrupar as 66 variáveis que o Muhlbauer
considera para avaliar o Risco.
Neste cenário, para facilitar o desenvolvimento do segundo modelo, um novo
agrupamento será realizado com base em SLFs que somente tenham duas variáveis
lingüísticas de entrada. Na figura 4.14 apresenta-se este novo agrupamento para as
variáveis que o Muhlbuaer considera quando avalia o índice de dano por corrosão (no
anexo, nas figuras A11, A12, A13 e A14 são mostrados os novos agrupamentos dos
outros índices e do FIV). Dentro das vantagens do modelo proposto, encontra-se a
facilidade da modelagem de cada sistema fuzzy, além, de apresentar resultados mais
exatos. Dentro das desvantagens deste modelo, encontram-se a perda de generalidade
na análise e o aumento da quantidade de SLFs a analisar.
134
Figura 4.14: Segundo modelo proposto para avaliar o Risco de dano por corrosão.
135
4.2.2.1
RESULTADOS DO SEGUNDO MODELO
Na tabela 4.4 apresentam-se os tipos de agregação, desfuzificação e a quantidade de

conjuntos fuzzy selecionados para as variáveis lingüísticas dos sistemas fuzzy do
índice de dano por corrosão (na tabela A10 encontram-se os resultados dos outros
três, do FIV e do cálculo do Risco). Nesta tabela, a quarta coluna representa os
conjuntos fuzzy considerados para as duas variáveis lingüísticas de cada SLF, nos
quais, o primeiro e segundo valor representam as quantidades de conjuntos fuzzy
definidas para a primeira e segunda variável lingüística respectivamente. Os valores
da quinta coluna são as quantidades de conjuntos fuzzy dadas à variável lingüística de
saída gerada pela técnica geradora de regras recomendadas em 3.3.2.1.
Quantidade de Quantidade de
Tipo de Tipo de
conjuntos fuzzy conjuntos fuzzy
Nome do sistema fuzzy desfuzificaçã agregação
das variáveis de da variável de
o selecionada selecionada
entradas saída
Condição do B S 9,9 17
revestimento – CTE SF6
Testes B S 9,9 17
Dirigidos –SF3
Atributos – CTE SF20 C M 9,9 33
Prevenção – CTE SF12 C S 9,9 39
Ambiente SF9 C M 9,9 53
Efeitos da M M 9,8 5
Corrosão mecânica SF10
Condição do B S 9,9 17
Revestimento – CA SF17
Atributos de CA SF15 C S 9,7 59

Índice de corrosão C M 9,9 33
atmosferica SF18
Índice de corrosão B S 9,9 17
Interna SF16
Índice de corrosão de C S 9,9 25
Duto enterrado SF21
Índice de corrosão SF23 C M 9,9 41
SF1 B S 9,9 17
SF2 B S 9,9 17
SF4 B S 9,9 17
SF5 C M 9,9 51
SF7 B S 9,7 15
SF8 M M 9,9 17
SF11 C M 9,9 73
SF13 B M 7,9 46
SF14 B M 7,9 46
SF19 C S 8,9 16
SF22 C S 9,9 33
Tabela 4.4: Resultados da seleção dos tipos de agregação e de desfuzificação dos SLF da figura 4.12
136
Com os resultados das tabelas 4.4 e A10 pode-se implementar o segundo modelo
baseado nos esquemas das figuras 4.12, A11, A12, A13, A14 e A15. Nas figuras 4.15
e 4.16 apresentam-se os resultados do erro quadrático médio e a variação máxima
para os resultados dados pelo segundo modelo e modelo de Muhlbauer.
Figura 4.15: Resultado do erro quadrático Figura 4.16: Resultado da variação máxima
para o Modelo 2 para o Modelo 2
Os resultados destas figuras foram obtidos a partir de uma base de 1000 dados, eleitos
aleatoriamente dentro do domínio permitido para cada uma das 66 variáveis do
Muhlbauer.
Comparando os resultados apresentados nas figuras 4.15 e 4.16 (segundo modelo)
com as das figuras 4.12 e 4.13 (primeiro modelo), pode-se comentar o seguinte:
- No segundo modelo, a média do erro quadrático diminui de aproximadamente 60

unidades (primeiro modelo) para 13 unidades (segundo modelo).
- A variação máxima diminuiu de 120 unidades (primeiro modelo) para 40
unidades (segundo modelo), o que significa uma diminuição de 6% para 2% do
erro máximo.
Comparando os dois modelos (o primeiro e segundo) existe uma perda de

generalidade na análise do segundo modelo. No primeiro modelo as avaliações das
variáveis são realizadas de acordo com as recomendações do Muhlbauer, as quais
definem a quantidade de conjuntos fuzzy, enquanto, no segundo modelo, as
137
avaliações das variáveis podem ser definidas por meio de grandes quantidades de
conjuntos fuzzy, objetivando diminuir o e erro quadrático o a variação máxima.
Uma vantagem do segundo modelo sobre o primeiro é a facilidade de relacionar as
variáveis que influenciam no Risco, já que estas serão agrupadas em SLF que
somente tenham duas variáveis lingüísticas de entrada, enquanto, no primeiro modelo
existem SLF que relacionam até sete variáveis. Sem dúvida, para o analista de Risco
é mais fácil associar as diversas variáveis de duas em duas para obter uma
determinada resposta, do que associar todas as variáveis de uma só vez para obter a
mesma resposta.
4.2.3
TERCEIRO MODELO - APLICAÇÃO DE NÚMEROS FUZZY NA
AVALIAÇÃO DO RISCO MEDIANTE O MODELO DE

MUHLBAUER
O método de Muhlbauer avalia as diversas variáveis que influenciam no Risco de

dutovias mediante a atribuição de valores quantitativos. No entanto, sendo um
método qualitativo, estas variáveis não podem ser informadas através de valores
exatos. Estas variáveis podem ser tratadas como provenientes de distribuições
randômicas por diferentes métodos analíticos como Monte Carlo, Integração
numérica, etc. [79]. Entretanto, identificar as distribuições randômicas pode exigir
muito esforço. Sendo assim, em vez de assumir que as avaliações das variáveis têm
distribuições randômicas, pode-se considerar que têm distribuições dadas por
números “fuzzy” tipo L-R (left - right) e através de operações fuzzy, obtem-se não só
um valor do Risco, mas, também uma idéia de sua dispersão ou incerteza.
Com o exposto, um terceiro modelo será apresentado a seguir, no qual, as avaliações
das variáveis serão representadas mediante números fuzzy. Mediante operações com
números fuzzy para os diferentes α-cut, se obterá o valor do Risco.
138
O esquema adotado neste terceiro modelo é a representação original do modelo

Muhlbauer, tal como mostrado na figura 4.17.
Figura 4.17: Esquema geral do modelo Muhlbauer.
O esquema da figura 4.17 indica que todas as variáveis dos quatro índices e do FIV
devem ser avaliadas mediante uma representação de números fuzzy, e através de
operações fuzzy de soma e divisão se obterá o valor do Risco, o qual será também um
número fuzzy. Mediante esta forma de representação, os valores numéricos presentes
no modelo Muhlbauer passam admitir uma incerteza. Esta incerteza depende do
engenheiro especialista avaliador do Risco e da própria resolução numérica que a
variável pode ter. Para incorporar esta incerteza no cálculo do valor do Risco,
utilizou-se a teoria de números fuzzy.
Objetivando facilitar a entrada de dados para avaliar o Risco através do modelo

Muhlbauer, implementou-se um aplicativo com uma interface gráfica. A visualização
desta interface gráfica é apresentada na figura 4.16. Nela os valores para as variáveis
podem ser representados por valores numéricos - tal como Muhlbauer recomenda
(primeira coluna, ver figura 4.18).- ou valores representados por números fuzzy tipo
139
triangular (segunda coluna). Nesta coluna, o primeiro algarismo representa o vértice

inferior esquerdo do triângulo, o segundo representa o vértice superior e o terceiro
algarismo representa o vértice inferior direito do triângulo.
Para facilitar o desenvolvimento desta interface só foram analisadas as variáveis
associadas ao índice de dano por corrosão e ao FIV, assim, somente 28 variáveis
serão avaliadas (ver figura 4.18).
Figura 4.18: Interface gráfica para avaliar o Risco quando as variáveis do índice de dano por
corrosão são expressas mediante números fuzzy.
Da figura anterior, pode-se observar que quando as variáveis do índice de dano por
corrosão são dadas de forma determinística (valores da primeira coluna), o valor do
Risco por corrosão é igual a 5.6, no entanto, se fossem dados mediante números
140
fuzzy, associados a determinados níveis de incertezas, o valor do Risco teria uma

distribuição dada pelo número fuzzy tipo triangular (linha azul na figura 4.18). Este
resultado indica que no caso mais pessimista (para α igual a zero), o valor do Risco
flutua no intervalo 4.5 e 7.3, e no caso mais otimista (para α igual a um), o valor do
Risco é igual a 5.6, o qual coincide quando as variáveis são avaliadas na forma
determinística.
4.3
DISCUSSÃO DOS TRÊS MODELOS PROPOSTOS
A principal contribuição desta tese está na apresentação dos três modelos explicados
anteriormente, além de apresentar o modelo de Muhlbauer.
O primeiro modelo baseado na inferência Mamdani avalia o Risco em sistemas de

tubulação por meio de regras do tipo SE-ENTÃO que associam as 66 variáveis que o
Muhlbauer considera. Desta 66 variáveis, algumas têm maior influência que outras.
Por exemplo, as variáveis: tipo de ambiente, nível de atividade, classe de população
ou fator de segurança do duto têm mais influência no Risco se comparadas com as
variáveis de corrente induzida ou seleção do material. Assim, podem-se separar as
variáveis que têm maior influência das que têm menos, e sobre as variáveis que têm
maior influência, recomenda-se fazer uma reavaliação das pontuações dadas por
Muhlbauer. Uma vez realizado tudo isto, pode-se refazer o primeiro modelo
objetivando obter um modelo que apresente menor erro quadrático, erro quadrático
médio e menor variação máxima.
No que diz respeito a avaliação do FIV, o principal problema encontrado no primeiro
modelo foram nos SLFs que avaliam as duas operações de divisão entre as variáveis
vazamento do produto e classe da população, e entre as variáveis perigo total do
produto e dispersão do produto, tal como visto em 4.1.1. Estas duas operações de
divisão, proposto por Muhlbauer, são baseadas em uma análise subjetiva. Sendo
assim, recomenda-se modificar a forma de avaliar o FIV, tal que todas suas operações
estejam constituídas por funções do tipo soma, como ocorre na avaliação da soma de
índices. Esta modificação fará com que os SLF tenham melhor desempenho de erro
141
quadrático, erro quadrático médio e variação máxima. No que diz respeito à forma de
avaliar o Risco, que é também uma divisão, sugere-se mantê-lo para seguir a
recomendação dada em [3].
Uma das principais vantagens deste primeiro modelo está na possibilidade de
modificar os diferentes SLFs, sem que iste signifique modificar os demais SLF. Cabe
ao analista de Risco definir a quantidade de SLF que deve ser considerada para
avaliar o Risco, além, de decidir quantas variáveis lingüísticas relacionar em cada
SLF. No entanto, recomenda-se que a quantidade não seja mais de quatro objetivando
facilitar a relação entre as variáveis.
Este primeiro modelo, baseado na lógica fuzzy, apresenta a vantagem de poder gerar
modelos de problemas, para os quais não existem modelos analíticos, ou de
apresentar modelos mais elegantes aos modelos existentes. Por exemplo, para avaliar
a corrosão interna, Muhlbauer realiza através da soma das pontuações das variáveis
de corrosividade do produto e tipo de proteção interna, enquanto a lógica fuzzy
permite avaliá-la mediante expressões do tipo: Se a corrosividade do produto é alta e
a proteção interna do duto é ineficiente, então, o Risco por corrosão interna é alto.
Como se pode observar, no modelo que considera regras do tipo SE-ENTÃO é mais
compreensível se comparada com a simples soma proposto por Muhlbauer. Ainda
mais, os SLF do primeiro modelo permitem incorporar outras variáveis que o analista
de Risco considere importante na avaliação do Risco, como por exemplo, a taxa de
corrosão da tubulação.
Uma tarefa que poderia melhorar os resultados apresentados pelo primeiro modelo é
o estabelecimento de alternativas para as variáveis que Muhlbauer não considera,
como por exemplo, na variável identificação do perigo, verificação dos materiais
usados, etc. Em todos eles, Muhlbauer somente define as pontuações mínimas, que
geralmente é igual a zero, e as pontuações máximas.
No que diz respeito ao segundo modelo, o qual pode ser considerado como uma
generalização do primeiro modelo, observa-se que os resultados são muito próximos
dos resultados gerados pelo modelo Muhlbauer, no entanto, o aumento das
quantidades de conjuntos fuzzy para as variáveis lingüísticas de entrada nos SLF,
torna difícil a interpretação das regras fuzzy, já que o aumento da quantidade de
142
conjuntos fuzzy faz com que este modelo perca a generalidade que tinha o primeiro
modelo.
O segundo modelo somente considera SLF com duas variáveis lingüísticas de
entrada, o que limita a análise de SLF com três ou mais variáveis lingüísticas, como é
o caso da avaliação do perigo do produto com base nas variáveis inflamabilidade,
reatividade e toxicidade.
Contudo, o objetivo principal de apresentar o segundo modelo, foi mostrar a
possibilidade de obter os mesmos resultados que gera o modelo Muhlbauer mediante
a lógica fuzzy.
Para finalizar a discussão, surge a necessidade de realizar estudos para quantificar o
custo realizado nas atividades preventivas, por exemplo, quanto custa a prevenção de
dano por terceiros, operações incorretas, etc. Além disso, é necessário saber o tempo
que levaria para implementar uma determinada medida preventiva, assim, como o
benefício esperado e as formas de controle. Com isto pretende-se chamar a atenção da
comunidade interessada na indústria de tubulações para a necessidade de ter um
programa integral de analise de Risco, ou também conhecido como Gerenciamento
do Risco, como solução real na prevenção dos acidentes nos sistemas de tubulação.
No que diz respeito ao terceiro modelo, por basear-se em operações fuzzy do tipo
soma e divisão, são menos genéricos comparados ao primeiro e segundo modelo, já
que quando o valor do intervalo de confiança é igual a um, o resultado gerado pelo
terceiro modelo é similar ao modelo dado por Muhlbauer. No entanto, este modelo
permite introduzir intervalo de incertezas sobre avaliações do tipo determinísticos nas
avaliações das variáveis consideradas por Muhlbauer. A variação do intervalo de
incertezas est definida pelo tipo de número fuzzy usado para representar a incerteza
da variável avaliada e o intervalo de confiança.
A introdução dos intervalos de incertezas nas avaliações determinísticas podem
também, ser realizadas nos dois primeiros modelos, como observado na segunda parte
do aplicativo explicado em 3.3.2, a qual foi aplicada para duas variáveis de entrada.
No caso de análise de Risco mediante o modelo Muhlabuer, o aplicativo deveria ser
estendido para 66 variáveis, o que levaria a necessidade de um tempo computacional
143
considerável para obter a resposta final. No entanto, mediante os números fuzzy, o

tempo computacional necessário é o menor, motivo que justifica a existência deste
terceiro modelo.
4.4
INTERFACE GRÁFICA PARA O INGRESSO DE INFORMAÇÕES DOS
TRÊS MODELOS PROPOSTOS PARA AVALIAR O RISCO DE DANO POR
CORROSÃO
Esta interface gráfica foi implementada com a finalidade de facilitar o ingresso de

dados nos três modelos mencionados neste capítulo, e para facilitar sua
implementação, somente foi considerada a parte que analisa o Risco de dano por
corrosão.
Na figura 4.19 apresenta-se a visualização desta interface gráfica na qual o usuário

pode inserir os valores da avaliação para as variáveis pertencentes ao índice de dano
por corrosão e do FIV. Estes valores podem ser representados de três formas:
1- Valores numéricos, tal como Muhlbauer recomenda (primeira coluna, ver figura
4.19).
2- Valores representados por números fuzzy (segunda coluna) e
3- Valores em forma lingüísticos (terceira coluna).
144
Coluna 1 Coluna 2 Coluna 3

Detalhe D
Detalhe A Detalhe B Detalhe C
Figura 4.19: Visualização da interface utilizada para o ingresso de informação necessária para avaliar o
Risco por corrosão segundo o primeiro, segundo e terceiro modelo proposto.
Com estes valores os resultados dados pela interface gráfica são os Risco por
corrosão avaliado mediante primeiro (detalhe B), segundo (detalhe C) e terceiro
modelo (detalhe D), além do modelo Muhlbauer (detalhe A). O resultado do terceiro
modelo é expresso na forma de um gráfico (linha de cor azul na figura 4.19),
enquanto nos outros modelos são por números quantitativos. Uma análise mais
detalhada dos valores numéricos apresentados na figura 4.19 será realizada no
seguinte capítulo, no qual serão analisados quatro casos de estudos mencionados na
referência [15].
5
ESTUDOS DE CASOS
Neste capítulo, se aplicará o modelo de Muhlbauer e os três modelos de fuzificação,

explicados no capítulo dois e quatro, na análise de Risco de quatro dutos
mencionados na referência [15], que serão identificados como dutos A-G, B-A, C-A e
X-B. Algumas características dos dutos A-G, B-A, C-A e X-B, extraídos da
referencia [15] encontram-se na seguinte tabela:
Duto
características
A-G B-A C-A X-B
Idade (anos) 16 13 13 1
Vida útil (anos) 40 20 20 20
Pressão de projeto (PSI) 853 2700 1350 995

MAOP 615 650 450 160
Pressão de operação (PSI) 611 640 426 156
Diâmetro (polegadas) 24 16 16 12
10
Espessura (mm)/extensão (km) 9.525/54 12.7/9.6 6.4/54.25 5.5/42
7.9/0.75 8.4/43
6.4/1
Perda máxima encontrada com 49 44 29 -
inspeção PIG (% de espessura)
Taxa de corrosão média, avalia - - - 3.44
por CUPONS (mm/ano)
Vazão média (m3/h) 1956 670 800 180
Tabela 5.1: Informações principais dos dutos A-G, B-A, C-A, e X-B
5.1
ANÁLISE DE RISCO DO DUTO A-G
A análise de Risco para qualquer trecho começará com o preenchimento das

informações requeridas, como solicitadas nas figuras 2.11 e 2.12, para o qual, a fonte
de informação utilizada será o trabalho realizado por Pezzi [15]. Nela estão
informações sobres os dutos informador por exemplo, se estes possuem um sistema
de proteção catódica aplicada segundo o uso padrão, se os dutos possuem as
proteções externas, qual o tipo de revestimento, qual o tipo de proteção interna (se o
duto apresenta inibidor de corrosão e monitoração por cupons) e a classe de
146
população. Com estas e outras informações procede-se a colocar valores numéricos

na planilha de Risco gerada no capítulo dois, tal como está apresentado nas figuras
5.1 e 5.2.
Figura 5.1: Informações do trecho A-G

147
Figura 5.2: Informações do trecho A-G (continuação).

148
Da figura 5.2, observa-se que o resultado final do FIV para o duto A-G é de 11
pontos. Com isto, o valor do Risco flutuará no intervalo [0, 36.36]. Ele, será igual a
zero quando a soma de índices for igual a zero, e será igual a 36.36 quando a soma de
índices for igual a 400.
Este intervalo pequeno de flutuação do valor do Risco deve-se principalmente ao alto
valor do FIV, o qual é influenciado pelas características do produto transportado, que
é petróleo, e do meio que o rodeia, classificado como classe 1. A referência [78]
menciona que para petróleo que contém H2S as pontuações de inflamabilidade,
reatividade e toxicidade, dadas pela NFPA (Associação Americana de Proteção de
Fogo) são 3, 0 e 2 respectivamente, e a pontuação do perigo crônico para o petróleo,
recomendado por Muhlbauer, é igual a 6, com isto, a pontuação total do perigo do
produto é igual a 11 (3+0+2+6). Cabe mencionar que o resultado do perigo de
produto é inerente ao petróleo, assim, é impossível modificar este valor. Outra

variável que influi no resultado do FIV, e que dificilmente pode ser mudado, é a
variável classe de população. Segundo a referência [15], o duto A-G cruza, áreas
populacionais, rodovias estaduais, ferrovias, estradas vicinais, rios, lagos, etc. Sendo
assim, seria recomendável subdividir o trecho A-G de acordo com estas áreas. No
entanto, na referência [15] não se menciona as classes de população para todas estas
áreas, a exceção das áreas populacionais que têm uma classe 1.
Considerando que as variáveis: perigo do produto e classe de população não podem
ser modificadas, o único fator que pode variar o resultado do FIV é a variável
vazamento do produto. Para o caso do duto A-G, esta variável tem uma pontuação
igual a 1, isto sucede quando o evento indesejado é a ruptura do duto, que ocasionaria
um vazamento igual ao fluxo transportado. Cabe mencionar, que o valor para a
variável vazamento do produto igual a 1 é o pior caso, sendo o melhor caso a
pontuação igual a cinco. Se considera como cinco o valor para a variável vazamento
do produto, o intervalo de valores para o Risco seria de [0, 181.81]. No entanto,
segundo a metodologia do Muhlbauer, a mudança da pontuação da variável
vazamento do produto de um para cinco, requer a diminuição do fluxo volumétrico
transportado em uma proporção de 3000 vezes ao atual fluxo, no entanto, realizar esto
na prática é impossível, sendo assim, o valor do FIV igual a 11 é um valor fixo que o
149
duto A-G leva consigo desde o início de sua operação ate o momento que deixar de
funcionar.
Uma forma razoável de evitar que a pontuação do FIV seja fixa é modificar a forma
como o Muhlbauer calcula o FIV (expressão 2.3). Esta modificação baseia-se no
raciocínio de que ações mitigadoras podem influenciar na pontuação da variável
vazamento do produto, por exemplo, o fechamento automático de válvulas, detectores
de vazamentos, etc. Com isto, quanto maior a quantidade de ações mitigadoras para
evitar o vazamento do produto, maior será a pontuação da variável vazamento do
produto, o que resultaria em uma diminuição no valor do FIV e por conseqüência o
intervalo de valores do Risco aumentaria. No modelo Muhlbauer a influência do
fechamento automático de válvulas é avaliado no índice do dano por operações
incorretas.
Durante o preenchimento da informação necessária para os quatro índices de dano,

observou-se que a referência [15] tinha informações requeridas para os índices de
dano por corrosão, projeto e operações incorretas, mas, não tinha informações para as
variáveis do índice de dano por terceiros. Neste cenário, para o duto A-G, considerou-
se as avaliações subjetivas para as pontuações das variáveis do índice de dano por
terceiro, objetivando prosseguir a análise de Risco. Sendo assim, com base nas
informações das figuras 5.1 e 5.2, apresentam-se em seguida os resultados dos Riscos
de danos por terceiros, corrosão, projeto e operações incorretas:
Resultado
Soma de índices 234
FIV 11
Risco por danos de terceiros 4.6
Risco por dano de corrosão 5.6
Risco por dano de projeto 3.5
Risco por dano de operações 7.5
incorretas
Risco total 21.3
Tabela 5.2: Resultados do Risco para o trecho A-G (1)
A tabela 5.2 é mais bem visualizada através da figura 5.3.

150
Figura 5.3: Influência do Risco por danos de terceiros, corrosão, projeto e

operações incorretas no Risco total.
Desta figura, observa-se que o Risco por operações incorretas é a que mais influencia
no Risco total. A primeira opção para diminuir o Risco poderia ser a realização de
ações mitigadoras sobre este índice. No entanto, a figura 5.4 mostra que é
recomendável realizar tarefas que diminuam o índice de danos por terceiros.
Figura 5.4: Resultado da pontuação de prevenção nos quatro índices.

151
Na figura 5.4, a barra de cor verde indica o valor do índice de prevenção utilizada no
duto A-G e a barra escura indica o valor máximo possível que pode ser atingido.
Assim, a diferença entre estas duas, indicará o que pode ser feito para diminuir o
Risco. Na figura 5.4 observa-se que no índice de dano por terceiros existe uma maior
possibilidade de realizar ações objetivando diminuir o Risco se comparada com a
realização das tarefas do índice de operações incorretas. Assim, tarefas como o
aumento da freqüência de vigilância a uma vez por semana (atualmente considera-se
que o duto tem vigilância de pelo menos uma vez ao mês) aumentaria a pontuação em
4 pontos. A realização dos programas de conscientização pública com encontros de
uma vez ao ano, programa de comunicação regular com a comunidade e contato porta
a porta, aumentaria a pontuação em sete pontos, etc.
O resultado do Risco total igual a 21.3, obtido na tabela 5.2, pode ser interpretado de
duas formas.
Na primeira forma, observar-se que o resultado do Risco igual a 21.3 não está longe
do limite superior do intervalo de valores que o Risco pode assumir que é de [0,
36.36], e como mencionado anteriormente, este limite superior é obtido para a melhor
pontuação da soma de índices, que é de 400 e com um valor para FIV igual a 11.
Considerando que a pontuação do FIV é um valor fixo desde o início da operação do
duto, o nível do Risco será definido pelo nível da soma de índices. Assim, com base
na pontuação soma de índices, que no duto A-G é igual a 234, que representa mais do
50% da pontuação máxima possível, pode ser interpretado como de nível médio,
então o resultado do Risco igual a 21.3 pode-se considerar também como de nível
médio.
A segunda forma de analisar os resultados da tabela 5.2 é baseada na matriz de Risco

apresentada na figura 2.7. Nesta figura, a matriz de Risco que definirá o nível de
Risco é baseado nos resultados do FIV e na soma de índices. Assim, com os valores
de 11 e 234, para o FIV e a soma de índices respectivamente, o nível de Risco gerado
por esta matriz seria de Risco alto. Nesta figura, também se observa, que com o valor
152
do FIV igual a 11, o nível de Risco para o duto A-G será sempre de nível alto,
independente do valor da soma de índices, inclusive para um valor de índice igual a
400.
Destas duas opções de analisar os resultados dados na tabela 5.2, a primeira realiza
uma análise de variação nos níveis de Risco baseado somente na variação nos
resultados da soma de índices, enquanto, na segunda forma, a variação de níveis de
Risco é baseados nas variações dos valores da soma de índices e do FIV. Com isto, o
analista de Risco deverá decidir qual das duas gerará mais confiança nos resultados.
Para o mesmo duto AG, Pezzi [15] relata que mediante a aplicação do software IAP
da BASS TRIGON obtém um nível de Risco alto, enquanto de acordo com as
metodologias qualitativa e semi quantitativa da norma API 581, obtém-se os níveis de

Risco baixo e médio respetivamente, tal como apresenta-se na seguinte figura.
Figura 5.5: Comparação entre os resultados do Risco obtido por Pezzi

[15] e o modelo Muhlbauer para o duto A-G
Destes cinco resultados, o nível de Risco apresentado pelo software IAP acredita-se
que seja o resultado mais próximo da realidade para o duto AG, já que a metodologia
do IAP é reconhecida a nível internacional por numerosas empresas operadoras de
dutos. Considerando o exposto, o resultado que mais se aproxima do fornecido pelo
IAP é dado pela matriz de Risco da figura 2.6, no entanto, apesar de existir
coincidências nos resultados para o nível de Risco, estas duas metodologias
apresentam algumas diferenças durante o procedimento de avaliação, como por
153
exemplo, o IAP considera na sua análise a avaliação do Risco ambiental, enquanto,

na análise do resultado da primeira opção não é avaliada.
No que diz respeito aos resultados do nível de Risco baixo e médio para o duto AG,
obtidos das metodologias qualitativas e quantitativas da norma API 581
respectivamente, podem ser considerados como resultados aproximados. Esta norma
não é aplicável a sistemas de dutos, pois não considera a análise de dano por
terceiros, a qual segundo as estatísticas é uma das razões importantes na falha de um
duto.
A representação do Risco alto para o duto AG, calculado por Pezzi [15] mediante o
software IAP, não facilita a tomada de decisão para a realização de ações mitigadoras,
já que não indicam quais são os tipos de danos mais críticos. Isto não sucede quando
o Risco é avaliado segundo o modelo de Muhlbauer, já que nele pode-se saber quais
os tipos de danos são os mais influentes e em quais é possível realizar ações

mitigadoras, tal como apresenta-se nas figuras 5.3 e 5.4.
Toda a análise até agora realizada foi somente avaliada mediante o modelo
Muhlbauer, isto é, mediante as avaliações das expressões 2.1, 2.2 e 2.3 que consistem
em operações de soma e divisão. No entanto, no capítulo três e quatro desta tese,
introduziu-se a lógica fuzzy na avaliação do Risco em sistemas de tubulação
mediante a inferência Mamdani e a teoria dos números fuzzy objetivando incorporar
as incertezas das variáveis e/ou as regras do tipo SE-ENTÃO na solução do problema
do Risco. Sendo assim, na continuação destas análises se fará uma análise
considerando este tópico, e para facilitar a análise, se considerará somente o Risco
por corrosão. Isto significa, que somente se avaliarão as variáveis do índice de dano
por corrosão e do FIV. Sendo assim, se levará em consideração que o valor do índice
de dano por corrosão é igual a 62 pontos e que Risco por corrosão é igual a 5.6,
ambos obtidos pelo método Muhlbauer (ver tabela 5.2). Baseado nas informações das
figuras 5.1 e 5.2, a seguir se mencionarão as regras fuzzy que foram ativadas para
gerarem os valores da pontuação do índice de dano por corrosão e do FIV gerados
pelo primeiro modelo apresentado no capítulo quarto.
154
Com os valores iguais a três e nove das pontuações das variáveis corrosividade do
produto e proteção interna respectivamente, a pontuação da variável proteção interna,
gerada pelo SLF com nome Corrosão interna (ver figura 4.11 ou tabela 4.1) é igual a
12. Este resultado é obtido pela ativação da seguinte regra: Se corrosividade do
produto é medianamente corrosivo e proteção interna é dado por monitoramento
interno, injeção de inibidor e operações de medição, então, Risco por corrosão
interna é de nível regular. Neste caso, somente uma regra foi ativada das 40 que
existem no SLF.
No SLF com nome Ambiente, os valores três e zero da variável corrosividade do

produto e corrosividade do solo respectivamente, geram o valor de quatro como
pontuação da variável Ambiente. Este resultado foi obtido pela ativação da regra: Se
corrosividade do produto é medianamente corrosivo e corrosividade do solo é de

baixa resistividade, então, ambiente é medianamente corrosivo.
Da realização destas duas análises de regras ativadas pelos SLF, observa-se que o
valor lingüístico medianamente corrosivo tem diferentes pontuações para a variável
ambiente e corrosividade do produto. Isto sucede, porque as duas variáveis
influenciam no Risco da mesma forma, promovendo a corrosão, no entanto, com
diferentes graus de influência.
Outra regra ativada com os dados da variável ambiente igual a quatro (obtido
anteriormente) e para a variável %MAOP (pressão de operação / MAOP) igual a 98
%, o resultado do efeito da corrosão mecânica é igual a um. A regra ativada neste
caso é: Se Ambiente e medianamente corrosivo e MAOP é plena operação, então, o
Efeito da corrosão mecânica é alto. Neste caso, observa-se que o valor % MAOP
igual a 98% encontra-se no limite do trabalho máximo permissível, caso esta se
reduza a 75 % o valor do efeito da corrosão mecânica aumentaria para 2, o que
significaria que o valor lingüístico da variável Efeito da corrosão mecânica seria de
médio - alto. Este SLF somente considera duas variáveis do tipo atributos, o que
significa que o seu valor lingüístico não pode ser alterado.
155
O SLF com nome Atributos da CA gera a pontuação igual 8.8, quando as pontuações
das variáveis localização da tubulação e tipo de atmosfera são iguais a 3 e 6
respectivamente. Neste, a regra ativada foi a: Se a localização do duto é boa e o tipo
de atmosfera é mais ou menos severo (alta umidade e alta temperatura), então, o
índice de atributos para corrosão atmosférica é médio.
No seguinte, o SLF com nome condição do revestimento para corrosão atmosférica

gera uma pontuação de 4.65, quando as pontuações das variáveis: qualidade,
aplicação, inspeção e manutenção do defeito forem iguais a 1.25, a regra ativada é a
seguinte: Se qualidade do “r” (r = revestimento) é bom e aplicação do “r” é bom e
inspeção do “r” é bom e manutenção do “r” é bom, então, condição do “r” é bom.
Com os dados da variável distância de testes LEDS e freqüência de leitura de testes

iguais a zero e um, respectivamente, o SLF de nome testes dirigidos gera uma
pontuação igual a 0.42, mediante a ativação da seguinte regra fuzzy: Se a distância
entre testes é longe e a freqüência de inspeção é realizada algumas vezes, então, o
teste dirigido é ruim.
Os dois seguintes SLF com nomes prevenção de CTE e atributos de CTE geram
resultados 26.4 e 8 respectivamente. Estes dois SLF têm 5 variáveis lingüísticas de
entrada, a primeira tem 360 regras e a segunda 960 regras fuzzy. O primeiro SLF
ativa 16 regras fuzzy para obter a resposta de 26.8, enquanto, a segunda ativa somente
uma regra fuzzy para obter o valor de oito.
Em seguida se analisarão as variáveis associadas aos SLF que avaliam o FIV.
Com os dados das figuras 5.1 e 5.2 para inflamabilidade (3 pontos), reatividade (zero
pontos) e toxicidade (dois pontos), o SLF com nome perigo imediato gera a
pontuação igual a 5. Com estes dados de entrada a regra fuzzy ativada é: Se
156
inflamabilidade é moderado e reatividade é estável e toxicidade é médio, então, o

perigo do produto é médio.
Baseado no resultado anterior, no qual a pontuação do perigo do produto é igual a 5,

além, com a pontuação igual a seis para a variável perigo crônico, dado na tabela 5.2,
o SLF com nome perigo total, gera a pontuação igual a 11.2. Neste caso ativou-se
duas regras fuzzy das 42 existentes.
Finalmente, com as pontuações iguais a um para as variáveis, quantidade do produto

vazado e nível de população, o SLF com nome dispersão gera a pontuação igual a
um, através da ativação da regra fuzzy: Se quantidade do produto vazado é alta e
nível de população é baixo, então, a dispersão é alta.
Em resumo, com 29 regras fuzzy ativadas, nos 16 SLF do primeiro modelo proposto
para avaliar o Risco por corrosão, segundo os dados para as variáveis do índice de
dano por corrosão e do FIV, o resultado gerado pelo primeiro modelo para o Risco
por corrosão é igual a 27.4, para o FIV o resultado foi igual a 6.6 e para soma de
índice por corrosão igual a 70. Comparando estes valores com os valores 5.63, 11 e
62 obtidos segundo o método Muhlbauer, pode-se observar um erro de 380%, 40% e
12% para o Risco por corrosão, FIV e soma de índice por corrosão respectivamente.
Com os mesmos dados de entrada, os resultados do Risco por corrosão, FIV e soma
de índices, gerados pelo segundo modelo composto por 25 SLF, são 7.3, 12.5 e 66.4
respectivamente, o que origina erros de 30%, 13% e 7%. Como se observa, os erros
no segundo modelo, são muito menores que no primeiro, no entanto, ele perde a
generalidade na análise do primeiro modelo, assim regras tipo: Se a localização do
duto é boa e o tipo de atmosfera é mais o menos severa, então, o índice de atributos
para corrosão atmosférica é media, serão substituídas por regras do tipo: Se a
localização do duto é Ai e o tipo de atmosfera é Bi, então, o índice de atributos para
corrosão atmosférica é Ci, no qual Ai, Bi e Ci são conjuntos fuzzy com difícil
interpretação lingüísticas.
157
Nas avaliações das variáveis do trecho A-G (figuras 5.1 e 5.2) algumas variáveis
podem estar rodeadas de incertezas, p. ex: a variável Interferência de AC avaliada
inicialmente com um valor de 4, pode-se assumir que esta variável alcance valores 3
ou 5. A incorporação desta incerteza faz com que o resultado do Risco seja
representado também mediante um valor com incerteza. Como caso de estudo, se
considerará que no duto A-G, as avaliações das variáveis: Interferência de AC,
Estudo de casos especiais, Produto da corrosividade e Perigo crônico apresentem
uma incerteza de ±1 nas suas avaliações. A influência no resultado do Risco depois
de incorporar estas incertezas apresenta-se na figura 5.6, linha vermelha, enquanto,
que a linha zul representa o valor do Risco sem as incertezas de ±1.
Figura 5.6: Resultados de Risco obtidos quando se

introduz incerteza em 3 variáveis do índice de dano
por corrosão e 2 variáveis do FIV.
Da figura 5.6 pode-se observar, que na situação mais pessimista (quando o intervalo
de confiança igual a zero) o valor do Risco por corrosão, gerado pelo terceiro modelo,
encontra-se no intervalo [4.8, 6.5], e no caso mais otimista (quando o intervalo de
confiança é igual a 1) o valor do Risco coincide com o valor dado pelo método de
Muhlbauer. Assim, o resultado final gerado pelo terceiro modelo converge com o
resultado dado pelo modelo de Muhlbauer quando o intervalo de confiança alcançar o
valor de um. Esta convergência pode ser obtida também no primeiro modelo
158
mediante o aumento da quantidade de conjuntos fuzzy, como for realizado no

segundo modelo.
De forma similar ao realizado no índice de dano por corrosão; os modelos explicados

nos capítulos quatro podem ser aplicados nos outros três índices de dano objetivando
conhecer o Risco baseado no modelo Muhlbauer. Da aplicação dos três modelos no
duto AG, obtém-se os seguintes resultados:
Soma de índices FIV Risco

Modelo Muhlbauer 234 11 21.3
Primeiro modelo 208 6.6 94.8
Segundo modelo 228 12.2 19.6
Modelo 3 (α=0) MC 250.1 8.1 30.8
Modelo 3 (α=0) PC 211.5 14.7 14.3
Tabela 5.3: Resultado do Risco total no duto A-G (2)
A tabela 5.3, mostra que os resultados do segundo modelo são mais aproximados aos
resultados gerados pelo modelo Muhlbauer, se comparados ao primeiro modelo, tal
como mencionado no capítulo quatro. No que diz respeito ao terceiro modelo, a
tabela 5.3 indica os resultados para quando o intervalo de confiança é igual a zero
(α=0). Assim, na quarta fila da tabela 5.3 apresentam-se os resultados para o melhor
cenário (MC), isto é, quanto se tem o maior valor para a soma de índices e menor
valor para o FIV, já na sexta fila, apresenta-se os resultados para o pior cenário (PC).
No caso onde α fosse igual a 1, os resultados gerados pelo terceiro modelo
coincidiram com os gerados pelo Modelo Muhlbauer. Para obter os resultados
αeβ
baseados no terceiro modelo, considerou-se uma dispersão esquerda e direita (α
respectivamente da figura 3.30) iguais a 10% do valor meio “a” apresentado na figura
3.30.
Com os resultados da tabela 5.3, na figura 5.7 apresenta-se os níveis de Risco do duto
A-G obtido com base na matriz de Risco estabelecida na figura 2.6.
159
Figura 5.7: Níveis de Risco do duto A-G com base nos resultados dos
três modelos explicados nos capítulo quatro.
Nela, observa-se que os resultados obtidos mediante o modelo Muhlbauer, primeiro,

segundo e terceiro (PC) modelo indicam um nível de Risco alto, enquanto que o
resultado do terceiro modelo (MC) indica que o duto A-G tem um nível de Risco
igual a médio alto. Sendo assim, ainda que os resultados da tabela 5.3 apresentem
diferentes resultados numéricos para os três modelos, estas indicam o mesmo nível de
Risco. No entanto, os resultados destes níveis podem ser diferentes se fosse utilizada
outra matriz de Risco, por exemplo, segundo a matriz de Risco apresentada na figura
2.7, os cinco resultados da tabela 5.3 indicam nível de Risco alto para o duto AG.
Na figura 5.8 apresenta-se uma comparação gráfica entre os resultados obtidos por
Pezzi [15] e os mostrados na figura 5.7.
Figura 5.8: Comparação entre os resultados do nível de Risco obtido por Pezzi [15], modelo
Muhlbuaer e os três modelos mencionados no capitulo quatro.
Considerando que o resultado obtido pelo IAP seja o resultado mais confiável, os
resultados do primeiro, segundo e terceiro (PS e MS) modelo são mais próximos ao
160
do modelo IAP, se comparados com os resultados obtidos pelo método qualitativo e

semiquantitativo da norma API 581 obtido por Pezzi [15].
5.1.1
ANALISE DE BENEFICIO/CUSTO NO DUTO A-G
Na falta de informações do investimento realizado na execução das tarefas

preventivas, se consideraram os valores dados na tabela 2.5 como uma referência nos
investimentos necessários na realização das tarefas das nove variáveis do índice de
dano por corrosão de duto enterrado.
Para facilitar a análise de B/C se utilizará o aplicativo explicado em 2.4. As
pontuações dadas às variáveis preventivas e atributivas serão obtidas da figura 5.1 e
5.2, e os custos realizados nas atividades preventivas no duto A-G são apresentados
na figura 5.9.
Da figura 5.9 observa-se que com um investimento igual a 62 UM obtém-se um

beneficio de 28 pontos, no entanto, a partir de uma análise de B/C conclui-se que com
um investimento igual a 36 UM pode-se obter o mesmo beneficio (figura 5.10). A
otimização no investimento consegue-se realizando inspeções com PIG a cada ano ao
invés de ter um bom programa que avalie a condição do revestimento,
161
Figura 5.9: Pontuações e custos das oito variáveis do índice de

dano por corrosão de duto enterrado.
Figura 5.10: Resultados da análise Beneficio/Custo para o Duto

A-G.
162
Uma outra análise indica que com o mesmo investimento, de 62 UM, pode-se obter
um beneficio igual a 38 pontos, o que significa um aumento em 10 pontos. Isto é
obtido realizando inspeção com PIG e estudos de perda de potencial a cada ano ao
invés de investir na qualidade e aplicação do revestimento no duto.
Contudo, a alteração de algumas tarefas preventivas por outras tarefas produz uma
melhora no beneficio, no entanto, muitas vezes a análise de B/C não são realizados
nas empresas operadoras de dutos, pois, estas preferem realizar um alto investimento
econômico na execução das tarefas preventivas, a pagar multas provenientes de uma
falha no duto, que na maioria dos casso são muito elevados. Por exemplo, o
vazamento de quatro milhões de litros de óleo no Rio Iguaçu, no dia 16 de julho do
ano 2000, originaram as multas administrativas impostas pelo Instituto Ambiental do
Paraná (IAP), no valor de R$ 40 milhões, e pelo Instituto Brasileiro do Meio
Ambiente e dos Recursos Naturais Renováveis (Ibama), de R$ 168 milhões. A

primeira já foi paga pela empresa de petróleo estatal brasileira, PETROBRAS, que
recorreu da segunda, alegando duplicidade de sanções [42].
5.1.2
CÁLCULO DO TEMPO DE INSPEÇÃO DEVIDO AO DANO POR
CORROSÃO EXTERNA
Com base no aplicativo exposto em 2.6.3 se procederá ao cálculo do tempo de

inspeção, no duto AG que apresenta um defeito longitudinal externo devido a
corrosão. A influência de outros tipos de danos como a fadiga, trincas, etc., não serão
considerados neste trabalho. Os dados referentes à propriedade do material,
dimensões geométricas do duto e do defeito, taxa de corrosão, tempo de operação do
duto e pressão de operação serão obtidos da referência [15]. No que diz respeito ao
coeficiente de segurança (CS) se considerará como igual a um, enquanto o resultado
do Risco será referente a corrosão externa de duto enterrado, apresentado nas figuras
5.1 e 5.2. Para determinar o nível de Risco do duto será utilizada a matriz de Risco
apresentada na figura 2.15. Com isto, os resultados para a soma dos índices igual a
36, correspondente à parte de corrosão de duto enterrado, e para o FIV igual a 11, da
163
figura 2.15 obtêm-se um Risco igual a quatro, que representa um nível de médio alto.
Na figura 5.9 apresentam-se os resultados gerados pelo aplicativo.
Detalhe A
Detalhe B
Figura 5.11: Resultado do tempo de inspeção para o duto A-G.
Nesta figura, o primeiro gráfico gerado pelo aplicativo (detalhe A da figura 5.11)
indica que o duto AG pode operar em um Risco maior que 20, já que para Riscos
iguais a 20 e 25 a Pfd é maior ou igual que Pfc, enquanto, para os outros Risco (1, 2,
3, 4, 5, 6, 8, 9,10,12,15 e 16) a Pfd é menor a Pfc. Assim, o duto AG, que tem um
Risco igual a quatro, é impedido por ter sua Pfc maior que a Pfd (1.2 % maior a
5x10-6 %). Entretanto, se através da realização de ações preventivas no duto AG, o
Risco for modificado (de quatro para vinte, isto é, do ponto A ao A1 na figura 5.10),
permitirá que o duto continue a operar. Esta mudança de Risco implica uma alteração
do valor do FIV de 11 para 0.3, no entanto, como mencionado anteriormente, o FIV é
muito difícil de ser modificado, sendo assim, a única possibilidade de modificar o
164
Risco é mediante a alteração do valor da soma de índices de 36 para 48, tal como se
apresenta na figura 5.12 (do ponto A para A2). Esta modificação da soma de índices
fará com que o Risco mude de quatro para cinco, no entanto, será insuficiente por que
a que sua Pfc ainda é maior a Pfd (ver figura 5.11).
Figura 5.12: Matriz de Risco para o dano por corrosão no duto A-G enterrado.
Sendo assim, para o duto AG recomenda-se variar o valor do FIV de 11 para um

valor menor que 0.3, através de ações como a troca de fluido ou a realização de
investimento para modificar a classe de operação, além, de aumentar o valor do
índice de dano por corrosão de 36 a 48 pontos.
O segundo gráfico (detalhe B na figura 5.11) apresenta os resultados do tempo de

inspeção, TI, para os diferentes Riscos. Por exemplo, quando o Risco for igual a 20, o
TI será igual zero anos, para Risco 25 o tempo de inspeção será 1.5 anos. O aumento
do TI de zero para 1.5 anos é com base na mudança do Risco de 20 para 25, o que
significa realizar investimento para modificar o valor da soma de índices e do FIV.
Na parte inferior do segundo gráfico (figura 5.11), encontram-se os resultados. Nele

observa-se que a vida residual do duto é de 32.2 anos, este resultado é obtido
considerando uma taxa de corrosão radial constante. Este resultado é diferente de um
outro, obtido segundo o modelo proposto por Freire [64], no qual a vida residual para
as mesmas condições do duto AG é igual a 2 anos. Para o cálculo da vida residual,
Freire considera as avaliações subjetivas de valores lingüísticos para a variável idade,
165
tensão, meio agressor, histórico do duto e o tempo da última inspeção realizada, Com
estas avaliações e a inferência Mamdani da lógica fuzzy, Freire propõe um modelo
básico para a determinação da vida residual de um duto exposto a dano por corrosão
externa. As diferenças entre estes dois modelos, Kiefner (ver 2.6.1) e Freire [64], são:
no primeiro considera as informações sobre o defeito externo do duto e pressão de
operação, enquanto o segundo não a utiliza. No entanto, o segundo modelo considera
as variáveis do histórico da corrosão do duto e o tempo transcorrido da última
inspeção no duto que não são considerados no primeiro modelo. A influência destas
duas variáveis no cálculo da vida residual é melhor realizada mediante modelos
subjetivos, por exemplo, as regras do tipo SE-ENTÃO da lógica fuzzy, já que não
existe um procedimento estabelecido para realizá-lo mediante a modelos
quantitativos. Outra diferença entre estes dois modelos, é que o primeiro utiliza a
variável taxa de corrosão radial, enquanto o segundo considera a variável tipo de

ambiente, variável que influência na taxa de corrosão.
Outros resultados obtidos do aplicativo (ver 2.6.3) são mencionados a seguir, na

figura 5.13 apresenta-se a variação da Pa, Po e (Pa-Po) em função do tempo, na qual,
a linha de cor azul representa a variação de Pa, a vermelha de Po, enquanto a verde a
diferença entre Pa e Po,
Figura 5.13: Variação da pressão admissível e de operação

em função do tempo.
Na figura (5.13) observa-se que quando o tempo é igual a 32.2, a Pa (linha cor azul)
torna-se igual a Po (linha cor vermelha), o que significa que o duto AG já não deveria
continuar em operação. Menciona-se também que os resultados de Pa foram obtidos
para um fator de segurança, F, igual a um, sendo assim, outros valores para F
166
poderiam modificar o resultado da vida residual do duto. Na figura 5.13, a variação

de Pa-Po é representado pela linha de cor verde. Na figura 5.14 apresenta-se a
incerteza de Pa –Po em função do tempo T.
Figura 5.14: Variação da incerteza de Pa-Pa em função do

tempo .
Nela (figura 5.14) observa-se que conforme aumenta o tempo aumenta também a
incerteza da Pa-Po. Por exemplo, após transcorrido um tempo de 32.2 anos o duto
AG estará no limite de operação em segurança. No entanto, devido a incerteza de Pa
e Po, o duto pode já estar operando na área de falha. O resultado gráfico da figura
5.14 foi obtido supondo um coeficiente de variação para todas as variáveis
independentes igual a 10% do valor médio, isto, por que na referência [15] não se
menciona nenhuma informação acerca das incertezas. Na figura 5.15 apresenta-se a
função densidade das variáveis aleatórias do tipo normal Po (linha vermelha) e Pa
(linha azul).
Figura 5.15: Função de densidade das variáveis aleatorias Pa e

Po.
A influência da pressão de operação, Po, na vida residual é apresentado na figura

5.16.
167
Figura 5.16: Variação da vida residual em função da pressão

de operação.
Esta figura indica que o aumento de pressão da operação (Po) de treze para quinze
MPa no duto AG origina uma brusca diminuição da vida residual. Por outro lado, o
aumento da pressão de operação de 4.2 a 12 MPa reduz a vida residual de 32.2 para
aproximadamente 30 anos, Isto permite ter uma grande possibilidade para escolher
Po sem ocasionar o aumento do Risco de falha do duto. Esta gráfica mostra que não é
recomendável diminuir a pressão de operação para valores menores de quatro MPa ,

já que o ganho da vida residual seria muito pouco.
Na figura 5.17 apresentam-se dois gráficos, o primeiro é a função de densidade
acumulada e o segundo da função densidade, ambas referentes a variável aleatória da
vida residual avaliada no tempo inicial, To.
Figura 5.17: Função de densidade acumulada e função de densidade da variável aleatória vida residual.
O cálculo gráfico da Pfc é apresentado na figura 5.18. Nesta figura, observam-se os

gráficos da função densidade das variáveis aleatórios tipo normal de VD e T * , na
qual, a área de interseção destes dois gráficos será igual a Pfc.
Figura 5.18: Função densidade para as variáveis

aleatórias vida residual e vida desejada.
168
5.2
ANÁLISE DE RISCO DO DUTO B-A, C-A e X-B
Depois de preencher as planilhas com os dados requeridos para avaliar o Risco

segundo o modelo de Muhlbauer para os três trechos, além do trecho A-G, na tabela
5.4 apresentam-se os resultados obtidos:
Trecho Trecho Trecho Trecho

B-A C-A X-B A-G
Índice de dano por terceiros 51 54 51 51
Índice de dano por corrosão 62 62 69 62
Índice de dano por projeto 61 61 70 39
Índice de dano por operações 83 83 83 83
incorretas
FIV 11 22 5.5 11
Risco Total 23.3 11.8 49.6 21.3
Tabela 5.4: Resultados de Risco para os quatro trechos.
Dos resultados da tabela 5.4 observa-se que o resultado do FIV para os trechos C-A e
X-B são diferentes dos resultados dos trechos B-A e A-G. Isto ocorre por que o
trecho C-A tem uma classe de população nível dois e o trecho X-B apresenta uma
pontuação para a variável quantidade do produto vazado igual a dois, enquanto que os
trechos B-A e A-G apresentam uma classe de população nível um e uma pontuação
para a variável quantidade do produto vazado igual a um.
Considerando que os valores do FIV para os quatro trechos permanecem inalteráveis

desde o início de operação até o fim de sua vida útil, os intervalos de valores para o
Risco nos quatro trechos são apresentados na seguinte tabela:
Trecho Para o Intervalo de valores para o Risco

FIV
Valor do Risco para o Valor do Risco para o
igual a:
pior caso (soma de melhor caso (soma de
índices igual a zero) índices igual a 400)
B-A 11 0 36.6
C-A 22 0 18.1
X-B 5.5 0 72.7
A-G 11 0 36.6.
Tabela 5.5: Cálculo do intervalo de valores para o Risco nos quatro trechos.
169
Considerando o valor do Risco, quando a soma de índices for igual a 400, como o
melhor caso (tabelas 5.5), na tabela 5.6 apresentam-se os resultados do Risco de cada
trecho dividido pelo resultado do melhor caso (tabela 5.5, coluna quatro).
Trecho Risco obtido Risco no melhor caso Risco obtido

para cada (quando a soma de R=
trecho índices é igual a 400)
Risco no melhor caso
B-A 23.3 36.6 63.6 %

C-A 11.8 18.1 65.1 %
X-B 49.6 72.7 68.2 %
A-G 21.3 36.6. 58.1 %
Tabela 5.6: Cálculo da relação entre o Risco avaliado para cada trecho e o Risco
mínimo possível.
Dos resultados da tabela 5.6 observa-se que os quatro trechos apresentam valores
similares para R (R= Risco obtido/Risco no melhor caso) apesar de existir uma
grande diferença nos resultados para o Risco. O valor de R pode ser interpretado
como um parâmetro para definir o nível de Risco, sendo que, zero seria um Risco
muito alto e o valor de um seria Risco muito baixo. Assim, com os resultados obtidos
para R dos quatro trechos, pode-se concluir que os trechos apresentem nível médio.
No entanto, se a análise for feita considerando a figura 2.7 do capítulo dois, os quatro
trechos teriam o nível de Risco alto, já que os valores do FIV são maiores a um.
5.2.1
CÁLCULO DO TEMPO DE INSPEÇÃO DEVIDO AO DANO POR
CORROSÃO EXTERNA NOS DUTOS B-A, C-A E X-B
De forma similar ao realizado na determinação do tempo de inspeção no duto A-G se

realizará nos dutos B-A, C-A e X-B, na tabela 5.6, apresenta-se os resultados obtidos
para a vida residual e o tempo de inspeção segundo os resultados de Risco de
corrosão externa obtidas para cada duto.
170
B-A C-A X-B

Soma de índices para a 36 36 43
corrosão atmosférica
FIV 11 22 5.5
Risco (avaliado da figura 4 4 4
2.15)
Vida residual 29.9 45.4 1.59
Tempo de inspeção 0 0.16 0
Tabela 5.7: Resultados do tempo de inspeção para os trechos B-A, C-A e X-B.
Da tabela 5.7 conclui-se que o duto B-A e X-B deveriam deixar de operar, já que a
Pfc é maior a Pfd para os Riscos avaliados. No que diz respeito ao duto C-A, apesar
de possuir um Risco igual a quatro, pertencente ao nível alto, os resultados indicam
que pode continuar operando. No entanto, um programa de inspeção devem ser
programado para dentro de 0.16 anos. A aprovação da operacionalidade do duto C-A
deve-se principalmente baixa taxa de corrosão que apresenta, 0.14 mpy, se

comparados com 3.44 e 0.42 mpy dos outros dutos.
Observações finais dos quatro dutos:
- O duto X-B não tem informação de espessura realizada por PIG, já que o seu
tempo de operação é de um ano. Sendo assim, a avaliação da espessura é
realizada através da taxa media de corrosão medida por CUPONS. Na referência
[15] indica que esta taxa média é igual a 3.44 mpy, no entanto, considerando que
a espessura do duto é de 5.5 mm, o tempo de vida remanescente seria de menos
de dois anos. Com isto, recomenda-se reavaliar a taxa de corrosão no duto A-G.
- No cálculo do fator de segurança do duto nos quatro trechos, Muhlbauer
recomenda avaliar a espessura do duto necessária para resistir a pressão interna e
mais outros carregamentos externos, por exemplo, o peso da terra que cobre ao
duto, tensões produzidas por mudanças de temperatura, etc. As avaliações
realizadas nos quatro trechos somente consideraram a espessura necessária para
suportar a pressão interna.
- No cálculo do Risco dos dutos B-A, C-A, X-B e A-G realizados na referência
[15], considerou-se, na análise de Risco, as conseqüências ambientais que
poderiam ocorrer pela ruptura de qualquer destes dutos. Neste trabalho não se
171
analisou a conseqüência ambiental já que, este tópico pertence ao módulo

especializado que está fora do escopo da presente tese.
- Nos dutos B-A, C-A, X-B e A-G os valores das pressões de projeto são muito
maiores que as máximas pressões de operações (MAOP), no entanto, no duto A-
G, a pressão de projeto somente é ligeiramente maior ao MAOP. Com isto,
recomenda-se verificar a informação da pressão de projeto do duto A-G.
- Na referência [15] menciona-se que o tipo de aço utilizado para a construção dos
quatros trechos é o API-5L X-60.
6
COMENTÁRIOS, CONCLUSÕES E RECOMENDAÇÕES
Neste trabalho objetivou-se obter modelos que avaliem o Risco em trechos de

tubulação baseados no modelo de Muhlbauer e na teoria da lógica fuzzy, com isso, no
capítulo quatro, foram propostos três modelos. Visto que durante o desenvolvimento
de cada um deles, surgiram problemas como, por exemplo, o tipo de técnica a usar na
geração de regras ou a definição da quantidade de variáveis a serem utilizadas na
avaliação do Risco. Contudo, na solução de cada um deles emergiram várias
observações:
1- Os diversos modelos que avaliam o Risco diferenciam-se na quantidade de

variáveis utilizadas e na forma de quantificar cada um delas. Por exemplo, o
modelo Muhlbauer considera 66 variáveis no módulo básico, no entanto, se
também considera o módulo especializado seriam aproximadamente 100 as
variáveis avaliadas. Já no caso do software de propriedade da BASS-TRIGON,
considera aproximadamente 200 variáveis na analise de Risco em sistemas de
tubulações.
2- Os modelos que avaliam o Risco em trechos de tubulação têm em comum a
experiência adquirida na solução de diversos problemas. Outro ponto de
coincidência entre a maioria dos modelos é aceitar que o Risco é avaliado como o
produto da probabilidade pela conseqüência da falha.
3- Já nos modelos que avaliam o Risco mediante regras do tipo SE-ENTÃO da
lógica fuzzy, tem em comum o conhecimento cognitivo do especialista.
4- Atualmente existem diversos modelos comerciais que avaliam o Risco, estes se
apresentam flexíveis para modificações de acordo com a realidade de cada
sistema de tubulação, no entanto, sua utilização requer um investimento
econômico para utilizá-lo.
5- No modelo de Muhlbauer a informação quantitativa da taxa de corrosão não é
necessária para avaliar o índice de dano por corrosão interna, ao invés disso,
173
utiliza-se as avaliações das variáveis de corrosividade do produto e do tipo de
proteção interna.
6- Segundo a expressão 2.1 (pagina 21), um resultado do FIV permanecerá
inalterável ao longo da vida útil do duto, ao menos que o produto transportado, a
classe de população ou o fluxo volumétrico sejam alterados. Assim, ações como o
fechamento automático de válvulas ou acionamento de equipes de contingência
não altera o resultado do FIV.
7- Para identificar um SLF ainda não existe um procedimento geral, apenas
específico, por exemplo, a identificação do tipo de base de regras fuzzy, o tipo de
função de pertinência ou o do tipo de desfuzificação.
8- O primeiro e segundo modelo proposto permitem avaliar o Risco de uma forma
diferente ao modelo Muhlbauer, neles, as variáveis são agrupadas sob um critério

técnico o que permite uma melhor análise se comparada com uma simples soma
que o Muhlbauer considera.
9- Uma das vantagens de utilizar a lógica fuzzy no modelo de Muhlbauer é a
incorporação das regras do tipo SE-ENTÃO ao invés da simples soma ou divisão
na obtenção de resultados do Risco.
10- No terceiro modelo, o uso de números fuzzy possibilita que as avaliações das
variáveis sejam expressas com incertezas baseadas em uma avaliação
quantitativa. Isto evita, realizar outras avaliações quantitativas objetivando
conhecer as incertezas.
Todos as observações sinalizadas acima ajudaram a concretização dos objetivos

perseguidos na realização deste trabalho, e a partir destas as seguintes conclusões
foram obtidas:
1- A ciência que estuda o Risco é ainda uma ciência em formação devido a não
existências de formas padronizadas para avaliar o efeito real que uma determinada
ação preventiva tem nos resultados finais do Risco. Sabe-se que a realização de
muitas ações preventivas diminuiria o Risco, no entanto, a quantificação desta
174
diminuição é realizada de acordo ao critério de cada analista de Risco. No
modelo de Muhlbauer esta é avaliada com base nos resultados entre 0 e 2000.
Outra forma de quantificar esta diminuição é apresentada nas figuras 2.5 e 2.7 do
capítulo dois, contudo, é possível estabelecer outras formas corretas que
possibilitariam quantificar o Risco.
2- O Risco é objetivo já que sua análise pode ser realizada na procura de um
resultado específico, por exemplo, Risco ambiental, Risco econômico, Risco por
corrosão, etc. No entanto, a maioria das metodologias tenta representar todos
estes resultados específicos em um resultado geral, e com base neste resultado
geral tomar decisões, como ocorre no resultado apresentado na metodologia de
Muhlbauer. Sem embargo, algumas vezes as informações contidas nos resultados
específicos podem ser mais proveitosas que um resultado geral.

3- O Risco sempre é relativo seja avaliado na forma quantitativa ou qualitativa. Isto
significa que o Risco de um evento nunca pode ser eliminado, ainda que se
realizem muitas tarefas preventivas, no entanto, esta pode ser diminuída. Para
avaliar o efeito desta diminuição, o Risco pode ser comparado a um evento
similar ou a normas estabelecidas.
4- O Risco é mais qualitativo que quantitativo, devido a influencias de mais
variáveis tipo qualitativas que quantitativas.
5- O futuro da pesquisa na área de análise de Risco encontra-se no gerenciamento da
informação. Chega-se a esta conclusão devido a grande quantidade de informação
requerida para a análise de Risco. Assim, a capacidade que as operadoras de
tubulação tenham em obter as informações da forma mais real, possibilitará que o
analista de Risco possa realizar uma melhor análise. Na perspectiva do futuro da
análise de Risco inclui-se também aos meios que possibilitam a obtenção da
informação na forma ON-LINE, como por exemplo, SCADA, visualização por
imagens enviadas via satélite ou sinais de deformações captadas e enviadas por
fibras óticas acopladas nos dutos, etc.
6- A lógica fuzzy pode e/ou deve ser aplicada na avaliação do Risco de sistemas de
tubulação. Esta conclusão baseia-se na existência de variáveis qualitativas que são
importantes durante a avaliação do Risco, por exemplo, meio ambiente, equipes
175
de sistemas de segurança, etc. assim, estas variáveis são melhor expressadas na
forma de valores lingüísticos de que a forma quantitativa, e no caso de serem
representadas nesta, pode-se usar a técnica de números fuzzy objetivando
incorporar incertezas nas avaliações. E ainda, a lógica fuzzy pode ser aplicada
para gerar modelos em situações que não exista modelos analíticos confiáveis.
7- Dos resultados obtidos no capítulo três, o tipo de desfuzificação CENTROIDE é o
que apresenta melhores resultados conforme aumenta quantidade de conjuntos
fuzzy das variáveis lingüísticas de entradas e saídas. Este resultado coincide com
o obtido por Kosko [80] na qual o SLF aditivo com método de desfuzificador
CENTROIDE se comporta como um aproximador universal de funções. Com
relação aos tipos de agregação SOMA e MÁXIMO, observa-se que estas
apresentam resultados aproximados não influenciado no resultado final do SLF.
Para a realização do presente trabalho foi necessário enfocar-se nos objetivos

propostos, porém, durante seu desenvolvimento foram observadas diversas
alternativas para seu enriquecimento e que não foram desenvolvidas, como:
1- Gerar modelos alternativos ao modelo Muhlbauer, isto possibilitaria a

comparação entre eles. Estes modelos poderiam ser uma modificação do mesmo
modelo Muhlbauer, por exemplo, uma modificação nas pontuações dada às 66
variáveis, de um aumento ou diminuição da quantidade de variáveis analisadas,
uma alteração da expressão 2.1 que avalia o Risco, etc.
2- Gerar um modelo com base no primeiro e segundo modelo proposto no capítulo
quatro, objetivando não perder a generalidade na analise e ao mesmo tempo obter
exatidão nos resultados, se comparados aos resultados dados pelo modelo
Muhlbauer.
3- Avaliar o Risco individual, social, econômico, ambiental, por corrosão, etc.,
envolvido na operação dos sistemas de tubulações, objetivando tomar decisões
baseadas nos resultados individuais obtidos em cada um deles.
176
4- Definir níveis de Risco para cada tipo de Risco mencionado no ítem 3. A
definição destes possibilitaria programar ações preventivas para manter o Risco
em um nível desejado.
5- Gerar uma planilha de dados para armazenar as informações dos sistemas de
tubulações, assim, como seu histórico de inspeção, reparos, acidentes, etc. Nesta
planilha pode-se também armazenar informações acerca de acidentes ocorridos
em outros sistemas de tubulação, estas informações deveriam ser sobre as causas
dos acidentes, ações tomadas, etc.
6- Realizar uma análise Bayesiana do Risco com o objetivo de compará-la com
análise baseada na lógica fuzzy. Para isso, se poderia iniciar a análise com poucas
variáveis, por exemplo, as variáveis do índice de dano por corrosão interna.
7- Avaliar a confiabilidade nos resultados do Risco mediante as teorias de

probabilidade tradicional e possibilística. A teoria de probabilidade tradicional é
melhor aplicada na avaliação do Risco de dano por corrosão, enquanto, a teoria
possibilística se adapta melhor na avaliação de dano por operações incorretas e
por terceiros.
8- Introduzir o conceito de análise de integridade estrutural da tubulação na análise
de Risco, objetivando o conhecimento do tempo de inspeção ideal ou para
elaborar programas de inspeção similar ao proposto pela API 581 [30].
9- Modificar o primeiro e segundo modelo proposto no capítulo quatro, para que os
dados de ingresso nos mesmos, possam ser representados mediante conjuntos
fuzzy, tal como proposto na segunda parte do aplicativo mencionado em 3.3.2.
10- Pesquisar outras técnicas diferentes da lógica fuzzy, que lidem com incertezas,
por exemplo, a teoria de Dempster – Shafer.
11- Sabendo que o problema de análise de Risco em sistemas de tubulação requer
avaliar muitas variáveis, que segundo sua abrangência pode chegar até centenas,
sugere-se aplicar a técnica de otimização por algoritmos genéticos, como
ferramenta para a análise de benefício/custo.
12- Tendo conhecimento que a técnica de elementos finitos é aplicada como
ferramenta de avaliação a integridade na tubulação, recomenda-se introduzir o
177
conceito de números fuzzy nessa técnica, com o objetivo de incorporar a
incerteza na quantificação das variáveis.
13- Estudar a confiabilidade nos sistemas de dutos, através da uma análise nível III
de AIE, isto é, introduzir os critério de confiabilidade FORM, SORM, etc. na
técnica de elementos finitos.
14- Reconstituição computacional dos defeitos nos dutos através das técnicas de
ensaios não destrutivos.
Bibliografia
[1] Williams, C. Arthur et al.:”Risk Mangement and Insurence”, sétima edição

McGraw-Hill, Inc, 1995.
[2] W. Kent Muhlbauer: "Pipeline Risk Management Manual", 1996, Gulf
Publishing Company, Houston, Texas.
[3] API Std 1160 - Managing System Integrity for Hazardous Liquid / API.2001.
86p.il.:27,94cm.Norma Técnica – API / 2001.
[4] R. J. Cizelj et al.: “Component reliability assessmnet using quantitative
and qualitative data”, Reliability Engineering ans Systems Safety 71
(2001) pp. 81-95.
[5] Christian Kirchsteiger: “On the use of probability and deterministic methods in
Risk analysis”, Journal of Loss Prevenção in the Process Insdustries, Vol. 12 pp.
399-419, 1999.
[6] www.ntsb.gov
[7] Fu, B. et al.: “Methods for assessing corroded pipeline – review, validation and
recommendations”,
http://www.advanticatechinc.com/Library_Items/Technical_Papers/Papers
[8] S. Bonvinivi, et al.: " Risk analisys of hazardous materials transportation:
evaluating uncertainty by means of fuzzy logic", Journal of Hazardous Materials
62 (1998), pp. 59-74.
[9] A . B. Zolotukin, Use of Fuzzy Sets Theory in Qualitative and Quantitative Risk
Assessment SPE International Conference on health, Safety, and the enviroment
in Oil and Gas Exploration na d Production held in Stavanger, Norway, 26-28
Junho 2000
[10] Roberval Luna da Silva: " Avaliação da vida útil de instalações metálicas antigas
com base nos dados subjetivos de inspeção, Conferencia dobre tecnologia de
Equipamentos COTEQ 1999, pp. 30-33.
[11] W. G. de Ru: “Risk analysis modelling with the use of fuzzy logic”,
Computers &Security Vol. 15, No. 3 pp. 239-248, 1996 .
[12] Cláudio de Brito Garcia: “Avaliação Qualitativa de Riscos Através da Lógica
Fuzzy Associada à Técnica de Análise Preliminar de Perigos”, tese apresentada
ao curso de Pós-graduação em Engenharia Química da Universidade Federal de
179
Bahia como parte dos requisitos necessários para a obtenção do grau de mestre
em Ciências em Engenharia Química.
[13] Kenji Ikejima, Dan M. Frangopol: “Risk assessment for gas pipelines using
fuzzy sets”, Civil Engineer Systems, 1987. Vol. 4, pp:147-152
[14] Adrian A. Hopgood: “Intelligent Systems for Engineers and Scientist”, 2nd ed.
[15] Mario Pezzi Filho: “Aplicação de IBR, Inspeção Baseada Em Risco, a Oleodutos
Segundo O API 581 BRD Verificação de Consistência com as Práticas Usuais da
Indústria para Avaliação de Risco”, dissertação apresentada como requisito
parcial para obtenção do grau de Mestre pelo Programa de Pós-Graduação em
Engenharia Mecânica da PUC-Rio. Aprovada pela Comissão Examinadora
abaixo assinada.
[16] G. Spadoni et. al.: “A numerical procedure for assessing risks from road
transport of dangerous substances” Journal of Loss Prevenção in the Process
Insdustries, Vol. 8 No. 8 pp. 245-252, 1995.

[17] W. G. de Ru: “Risk analysis modelling with the use of fuzzy logic”,
Computers&Security Vol. 15, No. 3 pp. 239-248, 1996 .
[18] Cox, E., "The fuzzy systems handbook : a practitioner's guide to building, using,
and maintaining fuzzy systems", Boston : AP Professional, 1994.
[19] Marcia de Paiva:” Aplicação de técnicas da engenharia do conhecimento para a
avaliação das condições de segurança de sistemas estruturais”, Tese submetida
ao corpo docente da coordenação dos programas de pós-graduação em
engenharia da universidade federal do Rio de Janeiro como parte dos requisitos
necessários à obtenção do grau de doutor em ciências em engenharia civil,
Março de 1996.
[20] Jose A. Bogarin, et al:" Uma estratégia baseada em conhecimento e lógica fuzzy
para a avaliação da vida útil de equipamentos com trincas", Conferencia sobre
tecnologia de equipamento COTEQ 96, pp. 37-40.
[21] Bastian Andreas: “Identifying fuzzy models utilizing genetic programming”,
Volume 113, Issue 3 , 1 August 2000, p. 333-350
[22] Michael R. Acton et al.:”The development of the PIPESAFE Risk assessment
package for gas transmission pipeline”, Volume 1 ASME 1998,pp.1-7.
[23] Pipeline Accident Report: Pipeline rupture and Subsequent Fire in Billingham,
Washington Juno 10, 1999.
180
[24] Keith Hollaway: NTSB determines that New Mexico Pipeline Rupture and Fire
were caused by internal corrosion.
[25] http://www.uneptie.org/pc/apell/disasters/lists/cstransport.html
[26] http://ambicenter.com.br/petrobras20.htm
[27] http://ops.dot.gov/stats.htm
[28] Faisal I. Khan, S.A. Abbasi: “Major accidents in process industries and na
analysis of causes and consequences”, Journal of Loss Preventionin the Process
Industries 12 (1999) pp. 361 378.
[29] John L. Kennedy: "Oil and Gas pipeline fundamentals", PennWell Books,
second edition 1993.
[30] "Risk Based Inspection Base Resource Document", Publication 581-API,
Primeira edição 2000
[31] Faisal I. Khan, S. A. Abbasi : "Techniques and Methodologies for Risk analysis
in Chemical Process Industries", Journal Loss Prevention in the Process

Industries 11 (2000), pp. 261-277.
[32] Biagiotti, Steve, et al. : "Formalizing Pipeline Integrity with Risk Assessment
Methods & Tools", 2000 International Pipeline Conference - Volume 1 ASME
2000, pp. 31-39.
[33] G.J. Stam, et al.: "Environmental risk, towards an integrated assessment to
industrial activities", Journal of Hazardous Materials 61 (1998), pp. 371-374.
[34] Asa Scott : "Environment - Accident - Index: validation of a model", Journal
Loss Prevention in the Process Industries 61 (1998), pp. 305-312.
[35] Philpp e Jarion: “Value at Risk: The new Binchmark for controlling marked
Risk”,Chicago:Irwin,1997.
[36] Acton, M.R., Gosse, A. J.: “Pipeline Risk Assessment – New Developments for
Natural Gas Hydrocarbon Pipelines”
[37] http://www.twi.co.uk/j32k/unprotected/band_1/riskwise_pipe.html
[38] http://www.bass-trigon.com/Default.htm
[39] http://www.mjharden.com/pipeline/products/pipeviewrisk.html
[40] http://www.vrj.com.au/vrj_paper.htm
[41] www.dynamicrisk.net/CustomSoftware.html
[42] Ron S. Burdylo and Audrey l.L.: “Enhanced pipeline integrity at lower cost “a
pipeline integrity prioritization model”, 2000 International Pipeline conference –
Volume 2 ASME 2000
181
[43] Muhlbauer, W. K.: “Scheduling Integrity Re-verifications”, published in

Pipeline Pigging, Rehabilitation, and Repair Conference Proceedings, by Pipes
and Pipelines International, January 2002, Houston.
[44] Muhlbauer, W. K.: ''Key Note Address: Pipeline Risk Management'', published
in Conference Proceedings, by API Workshop, Sep 2001, Houston
[45] Stuart G. Reid: “Perception and comunications of risk, and the importance of
dependability”, Structural Safety 21(1999) pp. 373-384.
[46] Alberto Ildefonso e José Luiz de França Freire: “Incorporação De Incerteza No
Modelo De Muhlbauer Usando Conceitos Fuzzy”, trabalho técnico apresentado
na sétima Conferencia sobre Tecnologia de Equipamentos, realizada no período
de 09 ao 12 de Setembro de 2003, em Florianópolis SC.
[47] J.W. Kim et al.: “An integrated framework to the predictive error analysis in
emergency situation”, Journal Loss Prevention in the Process Industries 15
(2002), pp. 97-104.

[48] Ester Galli: “A sociological case study of occupational accidents in the
Brazilian petrochmical industry”, Accident Analisys Preventions 31 (1999)
pp. 297-304.
[49] Arnoldos, J. et al.: “ Design of a computer tool for the evaluation of the
consequences of accidental natural gas releases in distribution pipes”, Journal of
Loss Prevention in the process industries 11(1980) p. 135-148.
[50] Falabella, D.: “Analytical parameters for determining the integrity of a gás
pipeline systems”, Society of Petroleum Engineers, SPE
[51] Methodos for assessing corroded pipeline, p.101-109.
[52] Petrobrás: “Diretrizes para integridade de dutos”,
[53] Bruno M. da Fonseca e Oswaldo G. Filho: “IBR x Regulamentos – Um
levantamento da Relação do IBR com os Regulamentos Regulatórios de
Diversos Países”, trabalho técnico apresentado na sétima Conferencia sobre
Tecnologia de Equipamentos, realizada no período de 09 ao 12 de Setembro de
2003, em Florianópolis SC.
[54] J. Tischuck: “Economic of Risk based inspection and maintenance”, Australian
RBI Conference 2002,
[55] John Willcoks and Yong Bai: “ Risk Based Inspection and Integrity management
of pipeline systems”
182
[56] Gutemberg de Souza Pimenta et al.: “Estado da Arte do Monitoramento da

corrosão nos Dutos da Transpetro”, trabalho técnico apresentado na sétima
Conferencia sobre Tecnologia de Equipamentos, realizada no período de 09 ao
12 de Setembro de 2003, em Florianópolis SC.
[57] Nikola K. Kasabov: “On-line learning, reasoning, rule extraction and
aggregation in locally optimized evolving fuzzy neural networks,
Neurocomputing 41 (2001) 25}45.
[58] Alberto Ildefonso: " Um Procedimento Preliminar para a Avaliação de
Integridade Estrutural Aplicado as Estruturas de Grande Porte", Tese de
Mestrado apresentado ao departamento de engenharia Mecânica da Pontifícia
Universidade Católica do Rio de Janeiro, maio 2000.
[59] Kiefner, J. F. & Vieth, P. H., “New method corrects criterium for evaluating
corroded pipe”, Journal Oil Gas 6 (1990) 56-9.
[60] Bruno Eckstein: “Medição de espessura: Como avaliar a consistência e a
confiabilidade dos dados Existentes Para Usá-los no Cálculo da Probabilidade

Futura de Falha”, trabalho técnico apresentado na sétima Conferencia sobre
Tecnologia de Equipamentos, realizada no período de 09 ao 12 de Setembro de
2003, em Florianópolis SC.
[61] Paul Slovic: “ The Risk game”, Journal of Hazardous Materials 86 (2001) 17-24.
[62] Jan Jantzen: “Tutorial on fuzzy logic”. www.iau.dtu.dk/~jj/pubs/logic.pdf.
[63] Zadeh, L. A. :” Outlina of a new approach to tha analysis of complex systems
and Decision Process”, IEEE Transaction on systems, man ans cibernetics, vol.
3, No. 1, January 1973.
[64] J.L.F. Freire et al.:" Gerenciamento de riscos e avaliação da integridade
estrutural em dutos: Uma avaliação através da lógica nebulosa", Conferencia
sobre tecnologia de equipamento COTEQ 99.
[65] Rogério Pinto Espindola: “Otimização de regras fuzzy de classificação por
Algoritmos Genéticos”, tese submetida ao corpo docente da coordenação dos
programas de Pós-graduação em Engenharia da Universidade do Rio de Janeiro
como Parte dos requisitos necessários para a obtenção do grau de mestre em
Ciências em Engenharia Civil.
[66] Solange Oliveira Rezende: “Sistemas inteligentes – Fundamentos e Aplicações”
Editora Manole, primeira edição 2003.
183
[67] S. G. Cao: “Mandani-type fuzzy controllers are universal fuzzy controllers”,

Fuzy Sets and Systems 123 (2001) pp. 359-367.
[68] LIN, C. T.; LEE, C. S. G. Neural fuzzy systems: a neuro-fuzzy synergism to
intelligent systems. Upper Saddle River, N. J.: Prentice Hall PTR, c1996. 797 p.
ISBN 0132351692 (enc.)
[69] Cai kai Yuan: “Posbist Reliability Behavior of Typical Systems with two types
of Failure”, Fuzzy Sets and Systems 43 (1991) 17-32.
[70] Don Lin Mon: “Fuzzy Systema reliability analisys for components with diffrent
membership functions”, Fuzzy Sets and Systems 64 (1994) 145-157.
[71] Cai Kai-Yuan, et al.: " Fuzzy vaiables as a basis for a theory of fuzzy reliability
in the possibility contex", Fuzzy sets and Systems 42 (1991), pp. 145-172.
[72] Cai Kai-Yuan, et al: " Systems failure engineering and fuzzy methodology and
introduction overview", Fuzzy sets and Systems 83(1996), pp .113-133.
[73] Waldemar Karwowski: “Potential Applications of Fuzzy Sets in Industries

Safety Enineering”, Fuzzy Sets and Systems 19 (1996) 105-120.
[74] Ned Gulley, J.S. Roger Jang:" Fuzzy Logic Toolbox User`s Guide", Copyright
1995 by The MathWorks.
[75] http://if.kaist.ac.kr/lecture/cs670/2001/
[76] Ken Nozaki, Hisao Ishibuchi, Hideo Tanaka
A cimple but powerful heuristic method for generating fuzzy rules from
numerical data Fuzzy Sets and Systems 86 (1997) 251 – 270
[77] Ching-Hsue: “Fuzzy system reliability analysis by interval of confidence”,
Fuzzy Sets and Systems 56 (1993) pp. 29-35.
[78] www.hess.com/about/msds/crude_sour
[79] André Emanuel Scian Meneghin e Jorge Luiz de Almeida Ferreira: “Método de
Análise de Probabilidade utilizando a transformada Rápida de Fourier”, trabalho
técnico apresentado na sétima Conferencia sobre Tecnologia de Equipamentos,
realizada no período de 09 ao 12 de Setembro de 2003, em Florianópolis SC.
[80] Kosko, Bart: “Fuzzy engineering”, Upper Saddle River, NJ : Prentice-Hall,
c1997. 547p. : ISBN 0131249916 (enc.)
184
ANEXO
ÍNDICE DE DANO POR PROJETO

Movimento do solo
Ações mitigadoras
Ciclos de funcionamento
MAOP
H
Tempo
Fator de segurança da tubulação
Fator de segurança do sistema de tubulação
Dano potencial de alcançar o MAOP
MAOP
Sistema de segurança
Seleção de material da tubulação
Revisão durante a etapa de projeto

Inspeção durante a etapa de projeto
Verificação dos materiais usados
Qualidade das juntas aplicadas
Técnica de BACK FILL
Manipulação de materiais
Proteção da tubulação
Procedimento
SCADA
Teste de drogas
Programa de segurança
Fontes
Treinamento
Mitigadores de erros mecânicos
Documentação
Programa
Procedimento
Profundidade da terra na tubulação
Outros mecanismos de proteção
Nível de atividade
Facilidade de ocorrer acidentes
Programa de educação pública
Condição de linha reta
Tabela A1: Variáveis do índices de dano por projeto, operações

incorretas e por terceiros.
185
Índice de dano por corrosão de duto enterrado (Prevenção)

Variável Alternativas da variável Pontuação
Proteção Um critério geral de instalação de proteção catódica é encontrado 8
catódica Sem critério geral de instalação de proteção catódica 0
Bom 3
Aceitável 2
Condição do
revestimento
Ruim 1
Incorreto 0
A qualidade Bom 3
da aplicação Aceitável 2
do Ruim 1
revestimento Incorreto 0
Bom 3
A qualidade
Aceitável 2
do programa
Ruim 1
de inspeção
Incorreto 0
A qualidade Bom 3
do programa Aceitável 2
de correção Ruim 1
de defeitos Incorreto 0
Todos os metais enterrados na vizinhança da tubulação são monitorados 3
Testes dirigidos são especificados numa distância de uma a duas milhas 1
Distância
e todas as interferências externas são monitoradas por testes dirigidos
entre testes
Testes dirigidos são especificados para mais de duas milhas, mas não 0
todas as interferências externas são monitoradas
Freqüência de Mais de dois vezes ao ano 3
leitura dos Dois vezes ao ano 2
testes Anualmente 1
Cada ano 8
Cada 2 anos 7
Cada 3 anos 6
Estudos de
Cada 4 anos 5
corte de
Cada 5 anos 4
intervalo
(anos) Cada 6 anos 3
Cada 7 anos 2
Cada 8 anos 1
Realizado cada mais de 8 anos 0
Inspeção realizada a cada ano 8
Inspeção realizada a cada 2 anos 7
Ferramentas Inspeção realizada a cada 4 anos 5
de inspeção Inspeção realizada a cada 5 anos 4
interna Inspeção realizada a cada 6 anos 3
Inspeção realizada a cada mais de 8 anos 0
Tabela A2: Alternativas e pontuações das variáveis preventivas do Índice de dano por corrosão de
duto enterrado
186
Índice de dano por corrosão de duto enterrado (Atributos)

Baixa resistividade (500 ohm-cm do solo) 0
Corrosividade Média resistividade (500-10000 ohm-cm) 2
do solo Alta resistividade (> 10000 ohm-cm) 4
Desconhecido 0
Caso especial -4
0-5 anos de serviço 3
Idade da
5-10 2
tubulação
10-20 1
>25 ocorrências 0
Nenhuma ocorrência 4
Fluxo de
10 2
corrente
11-25 1
>25 ocorrências 0
Nenhuma fonte de AC ao redor dos 1000 pés de tubulação 4
Interferência de Existência de fonte de AC dentro dos 1000 pés, mas ações são 2
AC Realizadas para proteger a tubulação

Existência de fonte de AC dentro dos 1000 pés, mas nenhuma ação é 0
realizada para proteger a tubulação
Fortemente corrosiva 0
Produto da
Medianamente corrosiva 3
corrosividade
Corrosiva sob condições especiais 7
Nunca corrosivo 10
2-20 % 1
21-50 % 2
MAOP
51-75 % 3
>75 % 4
Tabela A3: Alternativas e pontuações das variáveis atributivas do Índice de dano por corrosão de
duto enterrado
Índice de dano por corrosão interna

Fortemente corrosiva 0
Corrosividade do produto Medianamente corrosiva 3
Corrosiva sob condições especiais 7
Nunca corrosivo 10
Nenhuma 0
Monitoração interna 2
Injeção de inibidor 3
Proteção interna Não necessário 10
Pintura interna 5
Operações de medição 3
PIGGING 3
Tabela A4: Alternativas e pontuações das variáveis do Índice de dano por corrosão interna
187
Índice de dano por corrosão atmosférica

Bom 3
Qualidade do revestimento Aceitável 2
Ruim 1
Incorreto 0
Bom 3
Aplicação do revestimento Aceitável 2
Ruim 1
Incorreto 0
Bom 3
Inspeção do revestimento Aceitável 2
Ruim 1
Incorreto 0
Bom 3
Correção de defeitos do Aceitável 2
revestimento
Ruim 1
Incorreto 0
Entre água e ar 0
Cobertos 1
Isolados 2
Localização da tubulação Supports/hangers 2
Entre terra e ar 3
Outras exposições 4
Nenhuma 5
Múltiplas ocorrências -1
Química e marinha 0
Química e alta umidade 2
Tipo de atmosfera Marinha, pântano e costero 4
Alta umidade e alta temperatura 6
Química e baixa umidade 8
Baixa umidade 10
Tabela A5: Alternativas e pontuações das variáveis do Índice de dano por
corrosão atmosférica.
188
Índice de dano por projeto

Alto 0
Movimento do solo Médio 2
Baixo 6
Nenhum 10
Desconhecido 2
Ações mitigadoras do movimento Monitoração pelo menos uma vez ao ano 1
do solo Monitoração continua 2
Diminuidores de esforços 3
< 103 ciclos 1
Ciclos de funcionamento 103 - 104 ciclos 2
104 - 105 ciclos 3
105 - 106 ciclos 4
>106 ciclos 5
100 % 1
90 2
75 3
MAOP
50 4
25 5
10 6
5 7
< 1.1 0
Pr essão de teste
H= 1.11 – 1.25 5
MAOP
1.26 – 1.4 10
1.41 15
Teste a cada 4 anos 6
Tempo
Teste a cada 11 anos 0
t<1 -5
1 – 1.1 2
Fator de segurança da tubulação 1.11 – 1.2 5
espessura atual 1.21 – 1.4 9
t= 1.41 – 1.6 12
espessura requerida
1.61- 1.8 16
> 1.81 20
T<2 20
1.75 – 1.99 16
Fator de segurança do sistema de 1.50 – 1.74 12
Tubulação 1.25 – 1.49 8
Máxima pressão de permitida 1.1 – 1.24 5
T=
Máxima pressão de operação 1 – 1.1 0
<1 -10
Alta probabilidade de ocorrer 0
Baixa probabilidade de ocorrer 5
Dano potencial
Impossível 10
Tabela A6: Alternativas e pontuações das variáveis do Índice de dano por projeto
189
Índice de dano por operações incorretas

Não existe 0-4
Freqüente 0
Potencialidade de alcançar o
Improvável 5
MAOP
Extremamente improvável 10
Impossível 12
Não existe equipamento de segurança 0
Um nível de segurança no lugar 3
Mais de dois níveis de segurança no lugar 6
Sistema de segurança Observação remota 1
Observação e controle remoto 3

Leitura ativa dos equipamentos -2
Não existe leitura dos equipamentos -3
Sistemas de segurança não necessários 10
Seleção de material da tubulação Não existe 0-2
Verificações de projeto Não existe 0-2
Inspeção do projeto Não existe 0-10
Verificação dos materiais usados Não existe 0-2
Juntas Não existe 0-2
Técnica BACKFILL Não existe 0-2
Manipulação de materiais Não existe 0-2
Pintura de revestimento Não existe 0-2
Procedimento Não existe 0-7
SCADA Não existe 0-5
Teste de drogas Não existe 0-2
Programa de segurança Não existe 0-2
Exames Não existe 0-2
Mínima documentação requerida 2
Provas 2
Treinamento
Conhecimento de diversos tópicos 3
Procedimento de serviço 2
Programa de perfecionamento 1
Válvula com três vias com dupla instrumentação 2
Preventores de erros mecânicos Dispositivo de fechamento 4
Programa de seqüência para o fechamento do 2
dispossitivo
Documentação Não existe 0-2
Programa Não existe 0-3
Procedimento Não existe 0-10
Tabela A7: Alternativas e pontuações das variáveis do Índice de dano por operações incorretas
190
Índice de dano por terceiros

Profundidade da terra na tubulação (Quantidade de terra sob a tubulação)/3 0-20
Pintura de concreto de 2” 3
Outros mecanismos de proteção Pintura de concreto de 4” 4
Embalagem de tubulação 8
Lajes de concreto 8
Alta 0
Média 8
Nível de atividade
Baixa 15
Nenhuma 20
Não existe facilidade 10
Existe facilidade 0
Existência de aceso veicular a 200 pés. 5
Facilidade de ocorrer acidentes Área rodeada por cerca 2
Trilhos protetores 3
Árvores 4
Valas 3
Sinais 1
Amplamente conhecido pela comunidade 2
Encontros com órgãos públicos reguladores 2
Apropriada reação a chamadas 5
Envio de correios 2
Encontros com inspetores públicos uma vez ao 2
ano
Encontros com as empresas escavadoras uma 2
vez ao ano
Programa de educação pública Programa regular educativo para grupos da 2
comunidade
Contato porta por porta 4
Envio de correios para as empresas escavadoras 2
Propagandas em publicações do contratante uma 1
vez por ano
Excelente 5
Condição de linha reta Bom 3
Regular 2
Ruim 0
Diário 15
4 dias por semana 12
3 dias por semana 10
2 dias por semana 8
uma vez por semana 6
Menos de 4 vezes ao mês 4
Menos de 1 vez por mês 2
Nunca 0
Tabela A8: Alternativas e pontuações das variáveis do Índice de dano por terceiros
191
Fator impacto de vazamento

Não combustível 0
FP >200 F 1
Inflamabilidade 100 F > FP > 200 F 2
FP <100 F ^ BP < 100 F 3
FP <73 F ^ BP < 100 F 4
Substância completamente estável 0
Medianamente reativo 1
Reatividade Significativamente reativo 2
Possível detonação com confinamento 3
Possível detonação sem confinamento 4
Não existe perigo 0

É provável ferimentos leves 1
Toxicidade Atenção medica é requerida 2
Pode causar dano temporal 3
Pequenas exposições causa grandes ferimentos 4
RQ = 1 10
10 8
Perigo crônico
100 6
1000 4
5000 2
Para vapor Produto vazado depois de 10 minutos (libras)
Peso 0-5000 5000-50000 50000- >500000
molecular 500000
>= 50 4 3 2 1
28-49 5 4 3 2
<=27 6 5 4 3
Nível de vazamento
Para líquido (1 hora) Pontuação
<1000 lb. 5
1001-10000 lb. 4
10001-100000 lb. 3
100001-1000000 lb. 2
>1000001 lb. 1
Classe 1 1
Densidade da Classe 2 2
população Classe 3 3
Classe 4 4
Tabela A9: Alternativas e pontuações das variáveis FIV
192
Quantidade de Quantidade de
Tipo de
Nome do sistema Tipo de desfuzificação conjuntos fuzzy conjuntos fuzzy
agregação
fuzzy selecionada das variáveis de da variável de
selecionada
entradas saída
SF24 L S 9,9 9
SF25 C S 9,9 25
SF26 B S 9,9 17
SF27 B S 7,9 21
SF28 C M 9,9 33
SF29 B S 7,9 21
SF30 B S 9,9 17
SF31 B S 9,9 17
SF32 C S 9,9 66
SF33 C M 9,9 51
SF34 B S 7,9 21
SF35 C M 9,9 41
SF36 C M 9,9 53
SF37 B M 7,8 21
SF38 B S 9,9 17
SF39 C M 9,9 53
SF40 B S 9,9 17
SF41 B S 9,9 17
SF42 B S 9,9 17
SF43 C M 9,9 33
SF44 C M 9,9 25
SF45 B M 9,9 39
SF46 C S 9,9 16
SF47 B S 9,9 17
SF48 B S 7,9 21
SF49 C M 9,9 73
SF50 B S 9,9 17
SF51 C M 9,9 25
SF52 C M 8,8 64
SF53 C M 9,9 39
SF54 C S 9,7 59
SF55 C M 7,8 56
SF56 C M 7,8 56
SF57 B M 7,8 21
SF58 B S 9,9 17
SF59 C M 9,9 17
SF60 C M 11,17 78
SF61 C S 9,9 25
SF62 C M 9,9 69
SF63 C M 11,17 78
SF64 B S 9,9 17
SF65 B S 9,9 17
SF66 B S 9,9 17
SF67 C M 17,11 78
Tabela A10: Resultados de selecionar o tipo de agregação, desfuzificação e a quantidade de conjuntos
fuzzy para as variáveis lingüísticas de entradas e saída dos SLF.
193
Figura A1: Fluxograma para a avaliação do índice de dano por terceiros segundo o modelo Muhlbauer
Figura A2: Fluxograma para a avaliação do índice de dano por projeto segundo o modelo Muhlbauer
194
Figura A3: Fluxograma para a avaliação do índice de dano por operações incorretas segundo o modelo
Muhlbauer
Figura A4: Fluxograma para a avaliação do FIV segundo o modelo Muhlbauer

195
Figura A5: Fluxograma para a avaliação do Risco em sistemas de tubulação segundo o modelo Muhlbauer
196
Figura A6: Variáveis do índice de dano por terceiros

197
Figura A8: Fluxograma para avaliar o índice de dano por operações incorretas segundo o primeiro modelo proposto.
198
Figura A9: Fluxograma para avaliar o FIV segundo o primeiro modelo proposto.
Figura A10: Fluxograma para o calcular o Risco em sistemas de tubulação segundo o primeiro modelo proposto.
199
Figura A11: Fluxograma para avaliar o índice de dano por terceiros para o segundo modelo proposto.
200
Figura A12: Fluxograma para avaliar o índice de dano por projeto para o segundo modelo proposto
201
Figura A13: Fluxograma para avaliar o índice de dano por operações incorretas para o
primeiro modelo proposto
202
Figura A14: Fluxograma para avaliar o FIV para o primeiro modelo proposto
Figura A15: Fluxograma para avaliar o Risco em sistemas de tubulação para o segundo modelo proposto.

Tese Doutorado 2003 (PUC-Rio) - Análise de Risco em Dutos (Lógica Nebulosa Ao Modelo Muhlbauer)

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

Tese Doutorado 2003 (PUC-Rio) - Análise de Risco em Dutos (Lógica Nebulosa Ao Modelo Muhlbauer)

Enviado por

Direitos autorais:

Formatos disponíveis

Alberto Edwin Ildefonso Alvino

Aplicação da Lógica Nebulosa ao Modelo Muhlbauer

Orientador: José Luiz de França Freire

Alberto Edwin Ildefonso Alvino

Aplicação da Lógica Nebulosa ao Modelo

Tese apresentada como requisito parcial para

Prof. José Luiz de França Freire

Prof. Arthur Martins Barbosa Braga

Prof. Carlos Valois Maciel Braga

Prof. Tito Luiz da Silveira

Prof. Nelson Francisco Favilla Ebecken

Prof. Ney Augusto Dumont

Rio de Janeiro, 17 de Dezembro de 2003

Todos os direitos reservados. É proibida a reprodução total ou parcial

Alberto Edwin Ildefonso Alvino

Graduou-se em Engenharia Mecânica na Universidade Nacional de

Alvino, Alberto Edwin Ildefonso

Aplicação da lógica nebulosa ao modelo Muhlbauer

Tese (doutorado) – Pontifícia Universidade Católica

Inclui referências bibliográficas.

1. Engenharia mecânica – Teses. 2. Análise de

A CNPQ, pelo suporte financeiro.

A todos os colegas da pós-graduação, pelos momentos de amizade.

A todos os funcionários do departamento de Engenharia Mecânica, pela ajuda brindada

À Pontifícia Universidade Católica do Rio de Janeiro, e seus funcionários em geral, que

Às pessoas, amigos e amigas, em especial a VOCÊ.

Ildefonso, Alvino; Freire, José Luiz de França. Aplicação da Lógica Nebulosa ao

W. Kent Muhlbauer fez uma identificação detalhada de aproximadamente 300 diferentes

O método de Muhlbauer avalia as diversas variáveis que influenciam no Risco de dutovias

tratadas como provenientes de distribuições randômicas. Entretanto, identificar as

No presente trabalho, os valores numéricos presentes no modelo Muhlbauer passaram a ser

Na análise das incertezas mediante os conjuntos nebulosos, requer-se definir as variáveis

O presente trabalho propõe um modelo básico de Gerenciamento de Risco (GR) e Análise de

W. Kent Muhlbauer made a detailed identification of approximately 300 different conditions

1.1.- SISTEMAS DE TUBULAÇÃO DE TRANSMISSÃO 1

PROBLEMA DE AVALIAÇÃODO RISCO EM SISTEMAS DE

2.1.- MODELO DE MUHLBAUER 18

2.6.3.- CÁLCULO DO TEMPO DE INSPEÇÃO 59

3.1.- DEFINIÇÕES BÁSICAS 65

3.1.8.- COMPOSIÇÃO MAX-MIN 72

3.4.1.1.- OPERAÇÕES COM NÚMEROS FUZZY 110

4.1.- PROBLEMAS A SUPERAR NA FUZIFICAÇÃO DO

4.2.1.- PRIMEIRO MODELO – SLF GENÉRICO 122

5.1.- ANALISE DE RISCO DO DUTO A-G 145

Figura 2.10: Formas de priorização de trechos 35

Figura 2.14: Representação de um duto corroído com defeito longitudinal. 54

Figura 3.9: Procedimento geral da inferência monotônica para obter o

Figura 4.1: Mapeamento dos resultados do modelo Muhlabuer 115

Figura 4.17: Esquema geral do modelo Muhlbauer 138

Figura 5.6: Resultados de Risco obtidos quando se introduz incerteza em 3

Tabela 2.1: Variáveis do índice de corrosão 22

Tabela 3.3: Diferentes opções de seleção para o tipo de agregação

SLF : sistema de lógica fuzzy

σdo* : desvio padrão de do (mm)

A : área do defeito do duto (mm2)

Pfd : probabilidade de falha desejada

Pa : variável aleatória tipo normal de Pa

1.1.- SISTEMAS DE TUBULAÇÕES DE TRANSMISSÃO

Os sistemas de tubulações utilizados para transportar petróleo, gás ou derivados

Os dutos de transmissão operam sob altas pressões e podem ter quilômetros de

e sociais. A API (American Petroleum Institute) em [3] define o Risco de sistemas de

Dependendo da existência de uma base de dados, a avaliação do Risco pode ser

Em uma avaliação de Risco quantitativo, o conceito de probabilidade, que representa