IBP1563_12 Sistema de Processamento de Imagem para GPR Baseado em Mapas Auto-organizáveis para Inspeção Não Invasiva de Tubulações

Enterradas Hansenclever de F. Bassani1, Daniel de F. Gomes2, Aluizio F.R. Araújo3

Copyright 2012, Instituto Brasileiro de Petróleo, Gás e Biocombustíveis - IBP Este Trabalho Técnico foi preparado para apresentação na Rio Oil & Gas Expo and Conference 2012, realizado no período de 17 a 20 de setembro de 2012, no Rio de Janeiro. Este Trabalho Técnico foi selecionado para apresentação pelo Comitê Técnico do evento, seguindo as informações contidas no trabalho completo submetido pelo(s) autor(es). Os organizadores não irão traduzir ou corrigir os textos recebidos. O material conforme, apresentado, não necessariamente reflete as opiniões do Instituto Brasileiro de Petróleo, Gás e Biocombustíveis, Sócios e Representantes. É de conhecimento e aprovação do(s) autor(es) que este Trabalho Técnico seja publicado nos Anais da Rio Oil & Gas Expo and Conference 2012.

Resumo
O Brasil possui uma extensa malha com mais de 20 mil km de dutos transportando petróleo e seus derivados pelas mais variadas áreas. Estes estão constantemente expostos à corrosão e, mesmo utilizando sistemas de proteção contra corrosão, necessitam de inspeções constantes com a finalidade de identificar com antecedência trechos que necessitem de manutenção. Desta extensa malha grande parte é de dutos enterrados onde os custos de uma inspeção invasiva, desenterrando os dutos para inspeção, são extremamente altos e os riscos de não detectar um possível defeito a tempo de evitar uma falha também são extremamente altos. Deste modo, a inspeção de dutos subterrâneos consiste em primeiro tentar identificar com a maior precisão possível situações de risco através de inspeções não invasivas para, posteriormente, desenterrar os dutos somente em locais associados a um alto risco de falha. Assim, a etapa de inspeção não invasiva desempenha um papel fundamental no processo de indicação de riscos de falhas em dutos de petróleo. Quanto mais preciso e confiável este processo for menor serão os custos associados à manutenção e aos riscos ambientais. Existem vários métodos de monitoramento de dutos enterrados entre os mais modernos esta o uso de radares solo penetrantes (GPR). Entretanto, mesmo sendo um dos métodos mais moderno para esse tipo de inspeção os dados produzidos por este tipo de equipamento são de difícil interpretação visual, necessitando de um especialista experiente para realizar a interpretação dos dados. Neste trabalho é apresentado um novo método de processamento de dados de GPR utilizando redes neurais que permitir produzir composições de imagens de uma vista superior dos dutos enterrados a partir de dados de GPR. As imagens produzidas permitem uma melhor visualização do estado de conservação dos dutos permitindo análises mais eficazes que às realizadas diretamente com os dados de GPR.

Abstract
Brazil has an extensive network of over 20,000 km of pipelines carrying oil and its derivatives for various areas. These are constantly exposed to corrosion and, using the same corrosion protection systems, require constant inspections in order to identify in advance which parts need maintenance. This is most extensive network of buried pipes where the costs of an invasive inspection, digging up the pipes for inspection, are extremely high and the risk of not detecting a possible defect in time to avoid a failure are also extremely high. Thus, the inspection of underground pipelines is to first try to identify as accurately as possible risk situations through non-invasive inspections to later dig up the pipeline only in locations associated with a high risk of failure. Thus, the stage of non-invasive inspection plays a key role in the nomination process risk of failures in oil pipelines. The more accurate and reliable is this process will lower the costs associated with maintenance and environmental risks. Several methods for monitoring of buried pipelines among the most modern is the use of ground penetrating radar (GPR). However, despite being one of the most modern methods for this type of inspection data generated by this type of equipment are difficult to interpret visually, requiring an experienced specialist to perform the interpretation of the data. This paper presents a new method of data processing GPR using neural networks to allow compositions to produce a top view images of buried pipes from GPR data. The images produced allow a better view of the conservation status of the pipeline analysis allowing more effective than those made directly with the GPR data.

______________________________ 1 Mestre, Cientista da Computação – UFPE 2 Mestre, Engenheiro Eletricista – IFPE-Ipojuca 3 PHD, Engenheiro Eletricista – UFPE

Rio Oil & Gas Expo and Conference 2012

1. Introdução
O Brasil apresenta uma extensa malha de dutos de petróleo e seus derivados, sendo uma grande parte enterrada, exposta constantemente a condições climáticas adversas e a ataques de agentes corrosivos (GENTIL, 2011). Existem diversos fatores que determinam a vida útil de um duto, como: tipo de aço utilizado, espessura das paredes, tipos de mantas protetoras, proteções catódicas, acidez do solo, etc. Devido à quantidade e a variabilidade destes fatores a previsão do estado de conservação de um duto pode apresentar variações significativas. Assim, o procedimento de inspeção periódica in loco de dutos se torna um componente obrigatório para uma boa política de segurança e gestão de riscos. Entretanto, por mais necessária que seja inspecionar quilômetros de dutos subterrâneos a utilização de técnicas invasivas são impraticáveis em grandes extensões, como desenterrar os dutos ou cortar seções transversais para realizar testes. Deste modo, a inspeção de dutos subterrâneos consiste em primeiro tentar identificar com a maior precisão possível situações de risco através de inspeções não invasivas para, posteriormente, desenterrar os dutos somente em locais associados a um alto risco de falha. Assim, a etapa de inspeção não invasiva desempenha um papel fundamental no processo de indicação de riscos de falhas em dutos de petróleo. Quanto mais preciso e confiável este processo for menor serão os custos associados à manutenção e aos riscos ambientais. Existem vários métodos de monitoramento de dutos enterrados entre os mais modernos esta o uso de radares solo penetrantes ou GPR (da sigla em inglês Ground Penetrating Radars), que são equipamentos semelhantes aos radares utilizados por aeronaves, mas apropriados para realizar investigações no subsolo. Os GPRs fazem uso das propriedades eletromagnéticas das camadas do solo ou de objetos enterrados no mesmo, para tornar possível a inspeção não invasiva do subsolo. Estes equipamentos são constituídos de um dispositivo para exibição dos dados coletados, como um monitor; de um software, para análise dos dados e controle do equipamento; de uma unidade de processamento digital que armazena e executa o software que processa os dados; e de duas antenas, uma para emissão de ondas eletromagnéticas, antenas transmissoras, e outra, para recepção das ondas refletidas pelo subsolo, antenas receptoras. As antenas são transdutores que convertem corrente elétrica em ondas eletromagnéticas. Uma aquisição com o GPR é realizada deslocando-se a estrutura de antenas sob o solo, à medida que os pulsos são emitidos e a intensidade das ondas refletidas é registrada durante um intervalo de tempo após cada emissão, o qual é proporcional à profundidade desejada da inspeção (Figura 1).

Figura 1. Funcionamento das antenas de um GPR. Cada aquisição destas produz um perfil do solo em forma de uma imagem na qual cada ponto (x, z) tem sua coordenada x associada a uma posição do solo ao longo do trajeto realizado pelo equipamento e sua coordenada z associada à profundidade do registro.

2

Rio Oil & Gas Expo and Conference 2012

Figura 2. Perfil de uma região com três tubos subterrâneos. Softwares tradicionais de aquisição exibem os perfis gerados durante a aquisição os quais devem ser analisados por pessoal capacitado a interpretá-las a fim de identificar os objetos contidos no solo, pois as imagens produzidas não apresentam semelhanças geométricas com os objetos analisados. Softwares de referenciamento permitem que analistas treinados indiquem manualmente a presença de objetos em diversos perfis, fazendo então uma espécie de mapeamento do que está contido na região de interesse. Neste trabalho é apresentado um novo método de visualização dos dados de perfis do GPR que realiza a composição de uma vista superior da região inspecionada utilizando Mapas Auto-organizáveis (Self-Organizing Maps, SOM) (KOHONEN, 1997). Um SOM é um tipo de rede neural artificial, constituída por uma única camada de neurônios ou nodos (a representação de um mapa auto-organizável pode ser observada na Figura 3). Este tipo de rede neural possui certas características que são interessantes para o aprendizado e representação de imagens. Dentre estas, podem ser destacadas a capacidade de autoaprendizagem e a aptidão de reter apenas as características principais de um conjunto de dados. Ou seja, redes SOM podem ser utilizadas como filtros capazes de reter informações relevantes para a representação de uma determinada massa de dados e descartar ruídos e informações de baixa relevância de modo semelhante a uma análise PCA clássica (Duda et al., 2000). As redes SOM são utilizadas com filtros e como parte de um método que tem como principal objetivo facilitar a interpretação dos dados de GPR e auxiliar no procedimento de identificação de pontos críticos em uma tubulação enterrada

Figura 3. xj é um padrão de entrada apresentado para toda a rede e wi é o peso do i-ésimo nodo.

3

Rio Oil & Gas Expo and Conference 2012

2. Metodologia
O procedimento proposto é composto pelas etapas de 1-Aquisição, 2-Pré-Processamento, 3-Processamento e 4Composição (Figura 4).

Figura 4. Fluxograma apresentando as etapas de tratamento dos dados de GPR. 2.1. Aquisição Durante o procedimento de aquisição dos perfis de GPR é necessário que seja registrada também a posição do solo onde aquisição está sendo realizada em relação às demais, de forma que seja possível associar a posição de cada coluna vertical de pixels com uma posição (x, y) sobre o solo. Não é necessário que as aquisições sejam igualmente espaçadas, porém as regiões de maior densidade de dados serão representadas com mais detalhes na composição final. 2.2. Pré-Processamento de Imagens O pré-processamento de imagens tem como função a redução das distorções oriundas do processo de aquisição das imagens e o realce das características de interesse. Os mecanismos de pré-processamento adequados para dados de GPR (DANIELS, 2004) e utilizados neste trabalho estão sumarizados a seguir: Remoção do deslocamento inicial: quando o sinal emitido pelas antenas do GPR atinge o solo, um primeiro eco de forte amplitude é inserido na imagem. A posição deste artefato é constante ao longo do eixo x de forma que o mesmo pode ser identificado e as linhas anteriores a este ponto são então removidas da imagem, pois não se encontram abaixo da linha do solo. Redução do Ruído (Noise Reduction): A redução de ruído também é uma técnica simples que produz bons resultados. Ela é feita calculando-se a média (averaging) de cada amostra A-scan ou a média de repetidas amostras. Em termos gerais, esta técnica diminui a variância do ruído e eleva a relação sinal ruído a uma taxa de 10log10N. Redução da Desordem ou Perturbação ou Remoção da Média (Clutter Reduction): A redução da desordem ou perturbação provocada pelo meio pode ser obtida subtraindo-se de cada coluna da imagem de um valor médio obtido de um conjunto de colunas vizinhas ou obtidos em uma área de interesse. Este método funciona bem quando que o número de alvos é limitado e estes estão bem separados fisicamente. Em situações onde há uma interface ou anomalia plana a qual seja o alvo de interesse, este método irá remover praticamente toda a variação de sinal (wavelet) produzida por essa anomalia. Ganho Variável no Tempo (Time Varying Gain): O sinal recebido apresenta uma amplitude reduzida se comparado com o sinal transmitido. Isso ocorre devido à atenuação causada pelo meio de propagação e pela perda de potência 4

Rio Oil & Gas Expo and Conference 2012 intrínseca aos processos de refração e reflexão sofridos pelos sinais. A equação a seguir apresenta uma forma de reparar a atenuação: A'n (t )  An (t )kn , onde, k é a função ponderada do número da amostra. Filtragem por Freqüência (Frequency Filtering): A aplicação de um filtro passa-alta é útil para elevar a relação sinal desordem ou perturbação (signal-clutter ratio), quando a desordem é provocada por interferências de baixa freqüência geradas pela interação da antena com o solo. Ruídos de alta freqüência também podem ser reduzidos com filtros passabaixa. Esses tipos de filtros estão disponíveis nos GPRs comerciais e podem ser ajustados pelo operador. A Figura 5 exibe um exemplo de dado bruto de GPR o resultado obtido após a aplicação das rotinas de préprocessamento descritas.

a) b) Figura 5. a) imagem bruta de GPR. b) resultado obtido após aplicação das rotinas de pré-processamento descritas.

2.3. Processamento de Imagens Esta etapa busca identificar regiões da imagem do perfil que possam caracterizar a presença de objetos no solo. As variações de tonalidade bruscas na imagem do perfil, objetos de interesse em nosso estudo, podem ser facilmente destacadas com um operador de gradiente do tipo Sobel (GONZALES e WOODS, 2000), este operador cria uma nova imagem na qual os pixels mais claros indicam as regiões de maior variação de tonalidade na imagem original, resultando na imagem exibida a seguir (Figura 6). Na parte inferior da imagem foi inserido um gráfico criado a partir da soma dos valores encontrados em cada coluna da imagem gradiente (ao longo do eixo z) do perfil. Além da soma, outros operadores podem ser utilizados como o máximo ou a média. Este procedimento pode levar em consideração a totalidade dos pixels de cada coluna, porém em regiões onde existem dutos enterrados em diferentes profundidades pode-se selecionar uma faixa de profundidade de interesse e realizar o procedimento descrito apenas nesta faixa para identificar apenas os objetos ali contidos. Observa-se que com esta estratégia o gráfico apresenta valores mais elevados nas colunas onde os objetos haviam sido detectados na imagem original por intermédio das parábolas. Desta forma as regiões ao longo do eixo x que possuem maior probabilidade de se encontrar um objeto ficam evidenciadas por picos no gráfico resultante. Este conjunto unidimensional de valores é então fornecido para etapa seguinte que irá compor as imagens de GPR.

5

Rio Oil & Gas Expo and Conference 2012

Figura 6. À direita: imagem resultante da aplicação do operador Sobel sobre a imagem do perfil mostrado à esquerda. Em baixo: gráfico gerado a partir da soma dos valores dos pixels em cada coluna da imagem acima. 2.4. Composição Padrão da Vista Superior Inicialmente foi implementada uma composição imagens padrão. Esta composição recebe vetores de dados e os compõe linha à linha para formar a Imagem. A vantagem deste tipo de composição é o seu alto desempenho, no entanto, ele não corrige possíveis distorções de posição ou intensidade presentes nos dados recebidos.

6

Rio Oil & Gas Expo and Conference 2012

Figura 7. Resultado da composição padrão realizada com uma sequência de imagens criada a partir das imagens exibidas na, após a realização do ajuste descrito na Sessão. As regiões em preto à esquerda indicam ausência de dados nestas regiões. 2.5. Composição da Vista Superior Utilizando Mapas Auto-Organizáveis A composição de imagens utilizando Mapas Auto-Organizáveis busca tornar o sistema mais robusto a ruídos e possíveis desvios da posição. Cada nodo do Mapa Auto-Organizável proposto é capaz de armazenar uma amostra de posição (x, y) e intensidade de sinal de um pixel da imagem (I). Um determinado número de nodos mais próximos (nv) (levando-se em conta apenas a posição espacial da informação) é definido como vizinhança de um nodo. É definido ainda um raio de atuação máximo para cada nodo (dmax). Para este mapa foram definidas duas ações possíveis: a inserção de pixels no mapa e a recuperação da imagem representada no mapa. Dado uma nova amostra de informação a = (xa, ya, Ia) a sua inclusão de pixels no mapa ocorre da seguinte maneira: 1. São determinados os nv nodos mais próximos de a, onde a distância leva em conta apenas a posição espacial do nodo:

d p (a, v)  ( xa  xv )2  ( ya  yv )2
2. 3. Caso a distância de a para o nodo mais próximo encontrado seja maior que dmax é adicionado um novo nodo ao mapa com as características de a (xa, ya, Ia). Caso contrário, dentre os nv nodos mais próximos é selecionado como vencedor v (xv, yv, Iv) o nodo que possui menor distância levando-se em consideração também a intensidade I: , onde 0< wdp <1 representa o peso da distância da posição em relação ao peso da diferença de intensidade (0< wdI <1). Estes pesos são utilizados para ajustar a importância da posição em relação à intensidade dos pixels armazenados no cálculo da distância dpI. O nodo considerado vencedor (v) é atualizado conforme a seguinte equação:

d pI (a, v)  wd p  (( xa  xv )2  ( ya  yv )2 )  wd I ( I a  I v )2

4.

, onde 0< wp < 1 representa a porcentagem de ajuste da posição do nodo vencedor e 0< wI <1 representa a porcentagem de ajuste da intensidade do nodo vencedor.

 xv  xv  wp  ( xa  xv )   yv  yv  wp  ( ya  yv )   I v  I n  wI  ( I a  I v )

7

Rio Oil & Gas Expo and Conference 2012 A recuperação da imagem armazenada no mapa ocorre da seguinte forma: Para cada ponto p = (x, y) da imagem a sua intensidade é calculada da seguinte maneira: 1. São determinados os nv nodos mais próximos de p, onde a métrica de distância leva em conta apenas a posição espacial do nodo:

d p ( p, v)  ( x p  xv )2  ( y p  yv )2
2.

.

A intensidade Ip do pixel no ponto p é dada pela média da intensidade armazenada nos nv nós mais próximos de p encontrados no mapa.

3. Experimentos e Resultados Obtidos
Os experimentos com o GPR foram realizados na Estação de Tratamento de Água da UFPE e buscaram obter dados de dutos enterrados para a realização de testes das rotinas propostas. Era sabido que no local estudado havia um duto de PVC com aproximadamente 25cm de diâmetro enterrado à aproximadamente 1m de profundidade (Figuras 8 e 9).

Figura 8. Local da realização dos experimentos com GPR.

8

Rio Oil & Gas Expo and Conference 2012

Figura 9. Duto de PVC, enterrado à aproximadamente 1m de profundidade.

As aquisições com o GPR foram realizadas em dois experimentos, no primeiro as aquisições foram realizadas transversalmente ao sentido do duto. Este tipo de aquisição representa o modo de operação do GPR mais freqüentemente utilizado, pois proporciona uma maior quantidade de informação sobre a região de interesse. No segundo experimento as aquisições foram realizadas longitudinalmente ao sentido do duto e na segunda. Este modo de operação não é frequentemente utilizado para a pesquisa de dutos atualmente, pois apenas algumas das aquisições fornecem informação do duto em si, no entanto, este modo de operação é interessante para a pesquisa de dutos de grande extensão, pois quando realizados utilizando-se uma configuração com um vetor (ou “array”) de antenas posicionadas lado a lado, economizam a movimentação do veículo de transporte do GPR, e por conseqüência o tempo de aquisição de dados. A Figura 10 ilustra os experimentos realizados.

a)

b)

Figura 10. Ilustração representando os dois experimentos realizados com GPR: a) Incursões realizadas transversalmente ao duto. b) Incursões realizadas longitudinalmente ao duto.

9

Rio Oil & Gas Expo and Conference 2012 No primeiro experimento (ilustrado na Figura 10a) foram realizadas 27 aquisições, da esquerda para a direita, espaçadas por 50cm, cobrindo uma área de aproximadamente (13m x 6m). Neste experimento, duas aquisições consecutivas (a 3ª e a 4ª) não puderam cobrir a mesma extensão das demais devido à presença de um obstáculo sobre o solo (poste de iluminação visível na Figura 8). No segundo (ilustrado na Figura 10b) foram realizadas 16 aquisições espaçadas por 25cm cobrindo uma área de aproximadamente (6m x 11m). A Figura 11a apresenta o resultado da composição padrão e a Figura 11b mostra o resultado da composição utilizando Mapas Auto-Organizáveis. Para a representação da imagem composta foi utilizado um mapa com apenas 1886 nodos os quais representam 194x27 = 5238 pixels. Na comparação entre os resultados dos dois métodos de composição implementados (Figura 11), observa-se que a quantidade de informações presentes na imagem produzida pela composição com Mapas Auto-Organizáveis é bastante reduzida em relação à quantidade de informações presentes na imagem produzida composição padrão. No entanto, os componentes principais da imagem, ou seja, as partes que representam o dutos, foram preservados. A imagem composta pelo Mapa Auto-organizável é portanto, mais apropriada por exemplo, para aplicação dos algoritmos de segmentação. Nota-se ainda que os dados faltantes foram completados automaticamente pelo Mapa Auto-organizável baseando-se nos dados presentes das regiões vizinhas. O mesmo teste foi realizado com dados adquiridos com o GPR se movendo longitudinalmente ao longo do duto. A Figura 12 exibe os resultados obtidos com ambos os tipos de composição implementados.

a)

b)

Figura 11. Resultado da Composição de Imagens utilizando Mapas Auto-Organizáveis (a), em comparação com a Composição de Imagens Padrão (b).

10

Rio Oil & Gas Expo and Conference 2012

Figura 12. Resultado da Composição de Imagens obtidas com scans longitudinais, utilizando Mapas Auto-Organizáveis (abaixo), em comparação com a Composição de Imagens padrão (acima). Para ilustrar como o mecanismo de seleção da faixa de profundidade de interesse descrito na sessão 2.3 outros testes foram realizados em local com dutos enterrados em diferentes níveis de profundidade. A Figura 13 ilustra uma situação onde apenas um duto localizado na parte superior do solo é capturado pelo processo de composição de imagens enquanto que na Figura 14 é mostrada uma situação onde apenas os três dutos mais profundos foram selecionados para a composição. Profundidade selecionada

Duto transversal em cima. Duto longitudinal em baixo.

Figura 13. À esquerda: um dos perfis de GPR utilizados para realizar a composição. À direita: resultado da Composição de Imagens selecionando-se apenas a faixa de profundidade que contém o duto superior.

11

Rio Oil & Gas Expo and Conference 2012

Profundidade selecionada

Duto longitudinal em cima. Dutos transversais em baixo.

Figura 14. À esquerda: um dos perfis de GPR utilizados para realizar a composição. À direita: resultado da composição de imagens selecionando-se apenas a faixa de profundidade que contém dutos mais profundos. A descontinuidade observada nos dutos posicionados verticalmente na imagem da direita se deve à sombra causada pelo duto localizado acima.

4. Conclusões
Este artigo descreveu um método de composição de uma vista superior de dutos enterrados construída a partir dados de perfis GPR. As imagens compostas apresentam claramente os dutos enterrados no local inspecionado de forma que mesmo uma pessoa sem treinamento especializado em GPR é capaz de identificar como os dutos estão posicionados. Os resultados comparativos dos testes realizados com os métodos de composição mostram que o método com mapas autoorganizáveis é mais robusto em relação à presença de ruídos, uma vez que reduz sensivelmente a quantidade de informações não relevantes presentes na imagem produzida, porém preservando os objetos de interesse. Além disto, o método com mapas auto-organizáveis produz uma representação mais compacta da imagem produzida e é capaz de completar a informação em regiões onde eventualmente houver falha na aquisição. Os resultados mostraram também que o mecanismo de seleção de profundidades de interesse é eficaz e produz composições que mostram claramente os dutos presentes na faixa de profundidade selecionada. É importante ressaltar que o diâmetro dos dutos exibido nas imagens compostas não corresponde ao diâmetro real do duto, uma vez que a informação para composição foi extraída de sinais que não são estimativas precisas do diâmetro do duto. A principal aplicação do método descrito está na localização da malha de dutos, porém as imagens geradas pelo procedimento proposto podem ser utilizadas como base para uma série mecanismos reconhecimento e diagnóstico automatizado, como por exemplo, os dutos podem ser identificados automaticamente utilizando técnicas de segmentação e reconhecimento de imagens. O procedimento proposto pode ainda ser estendido para fazer mapeamento tridimensional dos objetos contidos no solo.

5. Referências
DANIELS, J. D., “Ground Penetrating Radar”, 2nd ed., IEE Radar, Sonar, Navigation and Avionics Series 15, IEE Institution of Electrical Engineers, Londres, Reino Unido, 2004. DUDA, R. O. , HART, P. E. , STORK, D. G. Pattern Classification, 2nd Edition, Wiley-Interscience, 2000. GENTIL, V. Corrosão, 6nd edição, Rio de Janeiro: Livros Técnicos e Científicos S.A, 2011. KOHONEN, T. Self-organizing Maps. 2nd edition, Springer-Verlag, 1997 GONZALES, R. C., WOODS, R. E., Processamento de Imagens Digitais. São Paulo: Edgard Blücher LTDA, 2000.

12