Anda di halaman 1dari 153

UNIVERSIDADE FEDERAL DE SERGIPE

PR-REITORIA DE PS-GRADUAO E PESQUISA


NCLEO DE PS-GRADUAO EM ENGENHARIA QUMICA (PEQ-UFS)

ANDERSON DANTAS DE SOUZA

ESTUDO DA PERDA DE CARGA EM ESCOAMENTO MULTIFSICO


UTILIZANDO TCNICAS DE INTELIGNCIA ARTIFICIAL COM NFASE NO
ESCOAMENTO DE PETRLEO

So Cristvo (SE)
Agosto de 2011

ANDERSON DANTAS DE SOUZA

ESTUDO DA PERDA DE CARGA EM ESCOAMENTO MULTIFSICO


UTILIZANDO TCNICAS DE INTELIGNCIA ARTIFICIAL COM NFASE NO
ESCOAMENTO DE PETRLEO

Dissertao apresentada ao Programa de PsGraduao

em

Engenharia

Qumica

da

Universidade Federal de Sergipe, como requisito


parcial para a obteno do ttulo de Mestre em
Engenharia Qumica.

Orientador: Prof. Dr. Pedro Leite de Santana


Coorientador: Prof. Dr. Antnio Santos Silva

So Cristvo (SE)
Agosto de 2011

ANDERSON DANTAS DE SOUZA

ESTUDO DA PERDA DE CARGA EM ESCOAMENTO MULTIFSICO


UTILIZANDO TCNICAS DE INTELIGNCIA ARTIFICIAL COM NFASE NO
ESCOAMENTO DE PETRLEO

Dissertao de Mestrado aprovada em 01 de Agosto de 2011.

BANCA EXAMINADORA

________________________________________
Prof. Dr. Pedro Leite de Santana Orientador
Universidade Federal de Sergipe

________________________________________
Prof. Dr. Frede de Oliveira Carvalho
Universidade Federal de Alagoas

________________________________________
Prof. Dr. Ana Eleonora Almeida Paixo
Universidade Federal de Sergipe

AGRADECIMENTOS

minha me, pela dedicao e abnegao prpria em meu favor, bem como pela
oportunidade ao estudo sem que me pesassem as adversidades do cotidiano.
minha famlia e, em especial, minha av Luci, pela segunda me que sempre foi.
minha namorada Graziela, pela compreenso e incentivos desde a minha graduao.
A todos os professores do PEQ/UFS, que contriburam com a minha formao
acadmica e, em especial ao Prof. Dr. Pedro Leite de Santana, pela oportunidade de fazer
parte de sua equipe de pesquisa durante cinco anos no Laboratrio de Modelagem e
Simulao LAMSIM e ao Prof. Dr. Antnio Santos Silva, principalmente por me fazer
entender a importncia e aplicabilidade da matemtica engenharia.
Aos amigos de mestrado, pelo companheirismo e momentos de descontrao
oportunizados e, em especial, ao tambm colega de LAMSIM, Simeo, pelas oportunidades
de discutir a engenharia na sua forma mais profunda quando faltaram companheiros
modeleiros.
CAPES (Coordenao de Aperfeioamento de Pessoal de Nvel Superior), pela
concesso da bolsa de estudos.

Talvez a matemtica seja eficaz em organizar


a existncia fsica porque ela inspirada pela
prpria

existncia

fsica.

realidade

pragmtica que a matemtica o mais


eficiente

confivel

mtodo

que

ns

conhecemos para entender o que ns vemos ao


nosso redor.

Ian Stewart (1989)

RESUMO

O escoamento multifsico um tema que abrange um vasto campo de conhecimentos e


aplicaes, contextos tecnolgicos diferentes, diferentes escalas e alvo de estudos
relativamente recentes. Como exemplos bsicos, tm-se os processos de transporte industriais
como gua-vapor, leitos fluidizados e escoamento de petrleo. Pode-se dizer que, dentre esses
sistemas, o transporte de petrleo apresenta-se como exemplo clssico do escoamento
multifsico, encontrando-se nele todas as complexidades: escoamento que envolve todas as
fases possveis, ou seja, slido-lquido-lquido-gs, por partculas em suspenso (slica,
resinas e asfaltenos, compostos metlicos e sais), leo (hidrocarbonetos lquidos), gua e gs
(hidrocarbonetos gasosos), respectivamente. Entretanto, deve-se destacar que o escoamento
multifsico costumeiramente tratado com algumas simplificaes. O conhecimento das
caractersticas do escoamento multifsico tambm fundamental para o desenvolvimento de
equipamentos de medio de propriedades dos fluidos em linha, bem como medio de vazo
e presso, variveis de fundamental interesse para o gerenciamento de reservatrios, controle
de transferncia quantitativa dos fluidos produzidos entre produtor e comprador,
gerenciamento de controle de vazamentos, fiscalizao, dentre outros. Este trabalho apresenta
uma metodologia com o uso de tcnicas de inteligncia artificial, especificamente aquelas
baseadas em Redes Neurais Artificiais RNAs, para predizer a perda de carga e o gradiente
de presso em escoamento multifsico, considerando-se o modelo fsico Black Oil, para
diferentes fraes mssicas de fase gasosa no incio do escoamento, levando-se em conta
propriedades do fluxo, tais como viscosidades das fases individuais e da mistura, massa
especfica e velocidades das fases, enfatizando-se situaes de escoamento que ocorrem na
indstria do petrleo. Para a definio das arquiteturas e treinamento das RNAs, foram
usados dados obtidos com a soluo de modelos determinsticos. Foram usados,
especificamente, os modelos determinsticos de escoamento homogneo e de escoamento
separado. Os resultados obtidos com as RNAs foram comparados com aqueles obtidos com
os modelos determinsticos, verificando-se que a metodologia usada apresenta preciso
satisfatria e simplicidade de uso, compatveis com as necessidades da indstria petrolfera,
podendo a abordagem ser estendida a situaes onde dados operacionais so disponveis.

PALAVRAS-CHAVE: Escoamento Multifsico, Escoamento de Petrleo, Modelagem


Matemtica, Redes Neurais.

ABSTRACT

The multiphase flow is a subject that encloses a vast field of knowledge and applications,
different technological contexts, different scales, and is target of relatively recent studies. As
basic examples there are industrial transport processes as water-vapor, fluidized beds and
transport of oil. It can be said that, amongst these systems, the oil transport is presented as
classic example of the multiphase flow, therefore can be observed on it all the complexities:
flow that involves all the possible phases, that is, solid-liquid-liquid-gas, for particles in
suspension (silicon, resins and asphaltenes, metallic composites and salts), oil (liquid
hydrocarbons), water and gas (gaseous hydrocarbons), respectively. However, it must be
detached that the multiphase flow usually is dealt with some assumptions. The knowledge of
the multiphase flow characteristics also is basic for the equipment development of fluids
properties measurement on-line, as well as measurement of outflow and pressure, variable of
basic interest for the management of reservoirs, quantitative transference control of fluids
produced between producer and purchaser, management control of emptyings, fiscalization,
amongst others. This work presents a methodology with the use of artificial intelligence
techniques, specifically those basing on Artificial Neural Network - ANN's, to predict
pressure drop and gradient pressure in multiphase flow, assuming the Black Oil physical
model, for different gaseous phase mass fractions in the start of the flow, taking in account
properties of the flow, such as viscosities of the individual phases and the mixture, specific
mass and speeds of the phases, emphasizing itself flow situations that occur in the oil
industry. For the definition of the ANN's architectures and training algorithms it was used
data gotten with the deterministic models solutions. It was used, specifically, the deterministic
homogeneous and separated flow models. The simulations gotten with the ANNs used had
been compared with those solutions gotten with the deterministic models, verifying itself that
the used methodology presents satisfactory precision and simplicity of use, compatible with
the necessities of the oil industry, being able the boarding to be extended to the situations
where operational data are available.

KEYWORDS: Multiphase Flow, Petroleum Flow, Mathematical Modeling, Neural


Networks.

LISTA DE TABELAS E QUADROS

Tabela 3.1 Combinaes de regimes de escoamento possveis......................................

40

Quadro 4.1 Descrio do procedimento de clculo de cada termo da equao (4.1).....

72

Quadro 4.2 Descrio do procedimento de clculo de cada termo da equao (4.2).....

76

Quadro 5.1 ndice de rotinas do simulador.....................................................................

79

Tabela 5.1 Influncia do aumento da frao mssica da fase gasosa inicial nos
principais termos do HEM................................................................................................. 83
Tabela 5.2 Arquiteturas de redes testadas para simulao das perdas de carga
(alimentadas com o modelo de escoamento homogneo).................................................. 87
Tabela 5.3 Alguns valores simulados com a NetMH.....................................................

89

Tabela 5.4 Arquiteturas de redes testadas para simulao das perdas de carga
(alimentadas com o modelo de escoamento separado)..................................................... 91
Quadro 5.2 Melhores arquiteturas de rede utilizadas para simulaes...........................

110

Tabela F.1 Equaes de Estado......................................................................................

144

LISTA DE FIGURAS

Figura 3.1 Padres de escoamento vertical.....................................................................

25

Figura 3.2 Padres de escoamento horizontal................................................................

26

Figura 3.3 Mapa de Backer para o padro de escoamento horizontal. Sistema argua...............................................................................................................................
30
Figura 3.4 Mapa de Beggs e Brill para padres de escoamento.....................................

31

Figura 3.5 Mapa de Oliemans e Pot para o padro de escoamento bifsico leo-gs
descendente de 5............................................................................................................... 33
Figura 3.6 Mapa de Duarte para o padro de escoamento horizontal ar-gua................ 34
Figura 3.7 Representao esquemtica do funcionamento de uma RNA....................... 55
Figura 3.8 Representao esquemtica da anologia entre neurnio biolgico e
neurnio artificial............................................................................................................... 56
Figura 3.9 Modelo no-linear de um neurnio artificial................................................. 56
Figura 3.10 Funes de ativao: funo de Heaviside (a), funo linear por partes
(b), funo sigmoide (c)..................................................................................................... 58
Figura 3.11 Arquitetura feedforward de camada nica..................................................

60

Figura 3.12 Arquitetura feedforward de mltiplas camadas........................................... 61


Figura 3.13 Arquitetura de rede recorrente..................................................................... 61
Figura 3.14 Representao esquemtica do mtodo de aprendizagem supervisionada.

62

Figura 3.15 Representao esquemtica do mtodo de aprendizagem nosupervisionada................................................................................................................... 63


Figura 4.1 Fluxograma simplificado do circuito multifsico......................................

66

Figura 4.2 Representao esquemtica do procedimento metodolgico........................

68

Figura 4.3 Fluxograma do desenvolvimento de uma Rede Neural Artificial.................

71

Figura 5.1 Perdas de carga (modelo determinstico de escoamento homogneo)..........

81

Figura 5.2 Gradientes de presso para cada condio inicial de frao mssica da fase
gasosa (modelo determinstico de escoamento homogneo)............................................. 82

Figura 5.3 Perdas de carga (modelo determinstico de escoamento separado).............. 84


Figura 5.4 Gradientes de presso para cada condio inicial de frao mssica da fase
gasosa (modelo determinstico de escoamento separado)................................................. 85
Figura 5.5 Frao de vazios observada em funo da frao mssica da fase gasosa....

86

Figura 5.6 Erro relativo mdio calculado com os vetores input e sim para o modelo
determinstico de escoamento homogneo........................................................................ 90
Figura 5.7 Erro relativo mdio calculado com os vetores input e sim para o modelo
determinstico de escoamento homogneo (excluindo a arquitetura 2-1).......................... 90
Figura 5.8 Perda de carga calculada com o modelo determinstico de escoamento
homogneo e simulada pela NetMH (arquitetura 2-1)....................................................... 92
Figura 5.9 Perda de carga calculada com o modelo determinstico de escoamento
homogneo e simulada pela NetMH (arquitetura 3-10-5-1).............................................. 93
Figura 5.10 Perda de carga calculada com o modelo determinstico de escoamento
homogneo e simulada pela NetMH (arquitetura 8-1)....................................................... 94
Figura 5.11 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 5,0% com a arquitetura 10-1.............................................

95

Figura 5.12 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 5,0% com arquitetura 6-1..................................................

95

Figura 5.13 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 5,0% com arquitetura 2-1..................................................

96

Figura 5.14 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 15,0% com arquitetura 3-10-1...........................................

97

Figura 5.15 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 15,0% com arquitetura 8-1................................................

97

Figura 5.16 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 15,0% com arquitetura 2-1................................................

98

Figura 5.17 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 25,0% com arquitetura 3-10-10-1...................................... 99

Figura 5.18 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 25,0% com arquitetura 6-1................................................

99

Figura 5.19 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 25,0% com arquitetura 4-1................................................

100

Figura 5.20 Simulao dos gradientes de presso (dados do modelo determinstico de


escoamento homogneo)....................................................................................................

101

Figura 5.21 Perda de carga calculada com o modelo determinstico de escoamento


separado e simulada pela NetMS (arquitetura 2-1)........................................................... 101
Figura 5.22 Perda de carga calculada com o modelo determinstico de escoamento
separado e simulada pela NetMS (arquitetura 10-1).........................................................

102

Figura 5.23 Perda de carga calculada com o modelo determinstico de escoamento


separado e simulada pela NetMS (arquitetura 3-15-1).....................................................

103

Figura 5.24 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 10,0% com arquitetura 3-5-10-1........................................ 104
Figura 5.25 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 10,0% com arquitetura 8-1................................................

104

Figura 5.26 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 10,0% com arquitetura 2-1................................................

105

Figura 5.27 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 30,0% com arquitetura 3-15-1...........................................

106

Figura 5.28 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 30,0% com arquitetura 10-1..............................................

107

Figura 5.29 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 30,0% com arquitetura 2-1................................................

107

Figura 5.30 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 50,0% com arquitetura 3-10-1...........................................

108

Figura 5.31 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 50,0% com arquitetura 3-5-10-1........................................ 108
Figura 5.32 Simulao do gradiente de presso para frao mssica da fase gasosa no
incio do Loop Multifsico de 50,0% com arquitetura 2-1................................................

109

Figura 5.33 Simulao dos gradientes de presso (dados do modelo determinstico de


escoamento separado).......................................................................................................

109

Figura A.1 Desenho esquemtico do processo de expanso de uma mistura leo, gs


e gua................................................................................................................................. 116

SMBOLOS

Letras Latinas

Smbolo

Descrio

Unidades

rea da seo transversal do tubo

m2

bias

----

constante de Collier

----

dimetro interno da tubulao

resposta desejada da rede neural

----

sinal de erro

----

fator de atrito de Darcy

----

fora de atrito

Fr

nmero de Froude

----

fluxo mssico

acelerao da gravidade

m.s 2

fluxo volumtrico

m.s 1

comprimento

vazo mssica

kg.s 1

constante

----

instante de tempo discreto

----

presso

Pa

vazo volumtrica

Re

nmero de Reynolds

----

relao de escorregamento

----

sinais de entrada de uma rede neural ponderados

----

velocidade

volume especfico

parmetro de Lockhart-Martinelli

kg.s 1.m2

m3 .s 1

m.s 1

m3 .kg 1
----

frao mssica da fase menos densa

----

vetor sinal de entrada de uma rede neural

----

sinal de sada de um neurnio artificial

----

coordenada axial

Letras Gregas

Smbolo

Descrio

Unidades

frao de vazios

----

frao volumtrica da fase menos densa

----

funo ndice de desempenho

----

rugosidade da tubulao

fator de correo de Backer

----

multiplicador bifsico

----

frao volumtrica da fase mais densa

----

taxa de aprendizado

----

fator de correo de Backer

----

frao de descarga

----

viscosidade dinmica

constante trigonomtrica

massa especfica

kg.m3

tenso superficial

N .m1

ngulo de inclinao da tubulao

tenso de cisalhamento na parede do tubo

campo local induzido ou potencial de ativao

----

peso sinptico

----

kg.m1.s 1
----

rad

N .m2

Subscritos

Smbolo

Descrio

Unidades

componente de acelerao

----

dG

relativo ao nmero de Froude densimtrico da fase gasosa

----

dL

relativo ao nmero de Froude densimtrico da fase lquida

----

na sada

----

componente de atrito

----

fase gasosa

----

fase

----

ndice de somador

----

fase lquida

----

LG

diferena entre as fases gasosa e lquida

----

Li

considerando-se apenas a fase lquida no escoamento bifsico

----

LO

todo escoamento considerado como sendo lquido

----

Ga

considerando-se apenas a fase gasosa no escoamento bifsico

----

GO

todo escoamento considerado como sendo gasoso

----

ndice de um neurnio

----

mistura bifsica local

----

m-simo elemento

----

grandeza relativa

----

fase de referncia

----

sh

componente de presso esttica

----

escoamento total

----

tt

lquido e gs em regime turbulento

----

tv

lquido em regime turbulento e gs em regime laminar

----

vt

lquido em regime laminar e gs em regime turbulento

----

vv

lquido e gs em regime laminar

----

gua

----

SUMRIO

1. INTRODUO.............................................................................................................

16

2. OBJETIVOS..................................................................................................................

19

2.1. Objetivo Geral.......................................................................................................

19

2.2. Objetivos Especficos...........................................................................................

19

3. REVISO DA LITERATURA.....................................................................................

20

3.1. Escoamento Multifsico.......................................................................................

20

3.2. Escoamento Bifsico Lquido-Gs.......................................................................

20

3.2.1. Propriedades do Escoamento Bifsico Lquido-Gs...................................

21

3.2.2. Padres de Escoamento Bifsico Lquido-Gs............................................

25

3.3. Modelos Multifsicos (bifsicos)..........................................................................

35

3.3.1. Modelos Empricos......................................................................................

35

3.3.2. Modelos Determinsticos.............................................................................

43

3.3.2.1. Modelo de Escoamento Homogneo Bifsico Lquido-Gs...............

47

3.3.2.2. Modelo de Escoamento Separado Bifsico Lquido-Gs...................

50

3.4. Inteligncia Artificial (IA) e Redes Neurais Artificiais (RNAs).........................

52

3.4.1. Inteligncia Artificial...................................................................................

52

3.4.2. Redes Neurais Artificiais.............................................................................

53

4. METODOLOGIA..........................................................................................................

66

4.1. Soluo Numrica do Modelo de Escoamento Homogneo.................................

72

4.2. O Modelo Neuronal com Dados do Modelo de Escoamento Homogneo...........

74

4.3. Soluo Numrica do Modelo de Escoamento Separado.....................................

75

4.4. O Modelo Neuronal com Dados do Modelo de Escoamento Separado...............

77

5. RESULTADOS E DISCUSSO...................................................................................

79

6. CONCLUSES E SUGESTES..................................................................................

111

REFERNCIAS BIBLIOGRFICAS..............................................................................

113

ANEXO A: DEDUO DA EQUAO DE CONSERVAO DE MOMENTUM....

116

ANEXO B: MODELO DE ESCOAMENTO HOMOGNEO.........................................

121

ANEXO C: MODELO DE ESCOAMENTO SEPARADO..............................................

131

ANEXO D: CORRELAES PARA O FATOR DE ATRITO.......................................

137

ANEXO E: EQUAES DE ESTADO...........................................................................

142

ANEXO F: ALGORITMO DE LEVENBERG-MARQUARDT......................................

145

16

1. INTRODUO

Escoamento multifsico um tema que abrange um vasto campo de conhecimentos e


aplicaes, contextos tecnolgicos diferentes, diferentes escalas, e alvo de estudos
relativamente recentes. Neste sentido, segundo Brennem (2005), o termo escoamento
multifsico usado para se referir a qualquer escoamento de fluido constitudo de mais de
uma fase. Pode ser classificado de acordo com o estado fsico das diferentes fases como, por
exemplo, slido-gs, slido-lquido, lquido-gs, lquido-lquido-gs, dentre outros. Nestas
classificaes encontram-se processos de transporte industriais como gua-vapor, leitos
fluidizados e escoamento de petrleo, para citar alguns. Pode-se dizer que, dentre esses
sistemas, o transporte de petrleo apresenta-se como exemplo clssico do escoamento
multifsico, pois podem ser observadas todas as caractersticas do tema: escoamento que
envolve todas as fases possveis, ou seja, slido-lquido-lquido-gs, por partculas em
suspenso (slica, resinas e asfaltenos, compostos metlicos e sais), leo (hidrocarbonetos
lquidos), gua e gs (hidrocarbonetos gasosos), respectivamente. Entretanto, deve-se destacar
que o escoamento multifsico costumeiramente tratado com algumas simplificaes.
O escoamento de petrleo objeto de grandes investimentos dos setores de
explorao e produo (E&P) das empresas petrolferas, pois so objetivos dessas empresas
delimitar reservas deste minrio e produzi-los de maneira economicamente vivel.
Depois de produzido, o petrleo deve ser transportado para refino. As etapas de
produo podem ser divididas em recuperao e elevao, que ocorrem no poo de produo,
e coleta e exportao, que ocorrem nas linhas de produo. Especificamente, essas duas
ltimas apresentam as caractersticas do escoamento multifsico estudado neste trabalho.
Grandes quantidades de energia so gastas anualmente pela indstria petrolfera para
promover tanto a coleta quanto a exportao dos fluidos produzidos, e o conhecimento das
caractersticas fenomenolgicas do escoamento multifsico determinante na anlise das
viabilidades tcnica e econmica de um determinado campo, principalmente na produo
offshore, onde grandes distncias esto envolvidas, ou na otimizao do sistema de transporte
utilizado. Para esta ltima, de fundamental importncia conhecer satisfatoriamente os
mecanismos de promoo do escoamento dos fluidos, bem como o conhecimento das
caractersticas do escoamento multifsico, visando ao desenvolvimento de equipamentos
precisos de medio de vazo, varivel de fundamental interesse.

17

Como principais caractersticas do escoamento multifsico, a composio da mistura


de fluidos pode variar sobre a seo reta do tubo ou sobre seu comprimento, bem como as
fases podem escoar com diferentes velocidades, gerando uma velocidade relativa entre fases,
fenmeno este conhecido como escorregamento (COULSON e RICHARDSON, 2004).
De maneira geral, a complexidade do escoamento multifsico, em relao ao
escoamento monofsico j bem conhecido, to grande que, segundo Coulson e Richardson
(2004), os mtodos de projeto dependem muito de uma anlise emprica do sistema e, s em
grau limitado, de previses tericas.
Na etapa de coleta do petrleo, os chamados componentes de elevao e atrito das
equaes que governam este fenmeno so bastante significativos dissipao da energia
mecnica dos fluidos na tubulao. J na etapa de exportao, geralmente h o escoamento
monofsico, ou seja, gs e lquido escoam em tubulaes distintas, porm existe a presena de
pequenas quantidades de gs e gua juntamente com o leo. Com isso, evidente a
importncia do estudo do escoamento multifsico para os clculos de projeto de sistemas de
escoamento de petrleo, principalmente para as etapas de coleta e exportao. No que se
refere ao planejamento das instalaes, os gradientes de presso ao longo das linhas de coleta
e exportao devem ser bem conhecidos, pois influenciam sobremaneira as configuraes das
fases na linha, alm de apresentar importncia no balano material dos fluidos entre a origem
e a descarga.
Diversas pesquisas vm sendo realizadas desde a dcada de 1940, pioneiramente por
Lockhart e Martinelli (1949), com o objetivo de desenvolver mtodos para previso dos
padres de escoamento e estimativas do gradiente de presso ao longo das linhas. Em geral,
so modelos determinsticos, ou seja, baseados no conhecimento fenomenolgico do
escoamento, ou correlaes empricas, baseadas em observaes de dados obtidos
experimentalmente para cada situao e sistema especficos. Trabalhos subsequentes surgiram
de modificaes ou aprimoramento das idias iniciais propostas por Lockhart e Martinelli
(1949). Modelos adaptados da engenharia de reservatrio, como o caso do modelo BlackOil, tambm so utilizados em clculos de perda de carga do escoamento multifsico quando
se dispe de dados de comportamento volumtrico dos fluidos, previamente medidos em
laboratrio.
O escoamento multifsico apresenta uma forte dependncia de cada varivel em
relao s demais. Esta caracterstica torna o entendimento e a modelagem determinstica
deste fenmeno altamente delicada e complexa, muitas vezes gerando resultados distorcidos.

18

Mesmo com o uso dos modelos existentes para o escoamento multifsico, ainda existem
necessidades de preciso satisfatria para a indstria petrolfera, que demanda resultados
prticos, mais do que explicaes tericas acerca do fenmeno do escoamento. Estas
empresas muitas vezes constroem seus aparatos de escoamento com base em mtodos de
clculo e projeto que, sabidamente, apresentam limitaes, e que demandam, portanto,
aperfeioamento.
Uma ferramenta de previso com aplicao relativamente recente na indstria
petrolfera envolve tcnicas de inteligncia artificial (IA), na qual se insere a modelagem por
Redes Neurais Artificiais (RNAs), que possuem capacidade de aprendizado e generalizao
quando dados que refletem o comportamento de um sistema so disponveis a partir de
medidas e observaes experimentais e/ou operacionais. Quando tais informaes so
acessveis, pode-se pensar em projetar uma RNA com capacidade preditiva suficiente para as
necessidades operacionais de um dado sistema.
A teoria de Redes Neurais Artificiais, segundo Kovcs (2006), vem se consolidando
mundialmente, tornando-se uma nova e eficiente ferramenta para se lidar com a ampla classe
dos assim chamados problemas complexos, em que uma grande quantidade de dados deve ser
modelada e analisada em um contexto multidisciplinar (pode-se acrescentar o contexto
transdisciplinar)

envolvendo,

simultaneamente,

tanto

os

aspectos

estatsticos

computacionais como os dinmicos e de otimizao.


As aplicaes concretas de Redes Neurais Artificiais, embora presentes em
praticamente todas as reas do conhecimento, vm sendo desproporcionalmente pobres em
relao ao nvel de atividade acadmica, sugerindo que, como disciplina, no alcanou ainda a
sua maturidade ou conhecimento de aplicabilidade por engenheiros e cientistas (KOVCS,
2006).
Este trabalho apresenta, portanto, um estudo de modelos determinsticos para o
clculo do gradiente de presso em escoamento multifsico de petrleo e, adicionalmente,
prope a modelagem do sistema por tcnicas de Inteligncia Artificial (Redes Neurais
Artificiais).

19

2. OBJETIVOS

2.1. Objetivo Geral

Apresentar uma metodologia com o uso de tcnicas de inteligncia artificial,


especificamente aquelas baseadas em Redes Neurais Artificiais, para predizer o gradiente de
presso em escoamento multifsico, levando-se em conta propriedades do fluxo, tais como
viscosidades das fases individuais e da mistura, massa especfica, holdup e velocidades das
fases, enfatizando-se situaes de escoamento que ocorrem na indstria do petrleo.

2.2. Objetivos Especficos

Fazer um levantamento dos principais modelos matemticos de base fenomenolgica


existentes para a representao do escoamento multifsico;
Desenvolver um conjunto de rotinas em software MatLab, verso 7.6, para clculo
de perda de carga em escoamento multifsico que possibilite ao usurio realizar
simulaes para diferentes configuraes de sistemas e propriedades das fases;
Implementar arquiteturas de Rede Neural Artificial capazes de predizer perdas de
carga em sistemas de escoamento multifsico quando alimentadas com dados
operacionais representativos.

20

3. REVISO DA LITERATURA

3.1. Escoamento Multifsico

O escoamento multifsico existe quando mais de uma fase ou componentes escoam


simultaneamente. Podem ser classificados, segundo suas fases constituintes, em escoamento
slido-gs, slido-lquido, lquido-gs, escoamento trifsico slido-lquido-gs, lquidolquido-gs, dentre outras (BRENNEM, 2005).
O escoamento bifsico lquido-gs, especificamente, tem sido tema de muitas
publicaes na literatura, pois abrange a sua aplicao mais clssica na indstria petrolfera.
Muitas vezes o escoamento trifsico lquido-lquido-gs (leo-gua-gs) tratado como sendo
um escoamento bifsico do tipo lquido-gs onde a fase lquida considerada nica, mesmo
apresentando diferentes fluidos no estado lquido e algum grau de imiscibilidade. Este modelo
fsico muitas vezes denominado Black-Oil, e ser considerado neste trabalho.
Quando se trata de escoamento bifsico, necessrio ter um completo conhecimento
do comportamento das propriedades, vazes, velocidades e configuraes de cada fase no
interior da tubulao. Na literatura especfica so encontradas vrias notaes para as
caractersticas e propriedades do escoamento bifsico, sejam para sistemas slido-lquido,
slido-gs ou lquido-gs.
A seguir, faz-se uma apresentao sistemtica sinttica das principais caractersticas
do escoamento bifsico lquido-gs, enfocando as propriedades e equaes bsicas, baseandose nos textos de Holland e Bragg (1995) e Darby (2001).

3.2. Escoamento Bifsico Lquido-Gs

Embora o escoamento monofsico de lquidos e gases seja bem conhecido e


relativamente simples, o escoamento lquido-gs bastante complexo e ainda apresenta
alguns comportamentos desconhecidos. mais complexo, inclusive, que o escoamento
bifsico slido-lquido ou slido-gs, principalmente devido possibilidade de formao de
diferentes padres de escoamento. Porm, a caracterstica crtica do escoamento bifsico

21

lquido-gs a possibilidade de vaporizao da fase lquida e/ou condensao da fase gasosa,


o que gera uma variao do fluxo mssico de cada fase ao longo da linha (HOLLAND e
BRAGG, 1995).

3.2.1. Propriedades do Escoamento Bifsico Lquido-Gs

Os subscritos m , L e G representam a mistura bifsica local, a fase lquida e a fase


gasosa, respectivamente, na maioria das referncias bibliogrficas. Por definio, usado
para representar a frao volumtrica da fase mais densa e representa a frao volumtrica
da fase menos densa. Distinguir-se-o

,m e

como referentes s fraes

volumtricas mdias dos fluidos que entram no tubo e os valores de frao volumtrica local
numa dada posio do tubo, respectivamente. Ento, tem-se:

QL
1
QL QG

(3.1)

com m e m .
Algumas grandezas frequentemente referidas no escoamento bifsico so destacadas
a seguir.

i.

Vazo Mssica ( m ) e Vazo Volumtrica ( Q )

m t m L m G LQL GQG t Qt

(3.2)

22

ii.

Fluxo Mssico ( G ), Fluxo Volumtrico ( J i ) e Velocidade Superficial ( v )

Gt

m t
m m G
GL GG L
A
A

Jt J L JG

iii.

GL

GG

QL QG
vt
A

(3.4)

Velocidade da Fase ( v i )

vL

iv.

Gt

(3.3)

JL

JL
1

vG

JG

JG
1

(3.5)

Velocidade Relativa ( v r ) e Relao de Escorregamento ( S )

vr vG vL

vG
v
1 r
vL
vL

(3.6)

Holland e Bragg (1995) chamam a ateno para a percepo de que, numericamente,


o fluxo volumtrico total J t igual velocidade superficial vt , porm apresentam
significados fsicos diferentes. A velocidade local de cada fase vi sempre maior que o fluxo
volumtrico J i daquela fase, pois cada fase ocupa apenas uma frao da rea da seo
transversal do tubo. Em contraponto, o fluxo volumtrico de cada fase J i a vazo
volumtrica da fase em relao rea total da seo transversal do tubo.
Segundo discusso de Coulson e Richardson (2004), a velocidade relativa e,
consequentemente, a relao de escorregamento, so variveis extremamente importantes na
anlise e modelagem do escoamento bifsico. Esta surge quando a densidade da fase dispersa

23

maior que a da fase contnua e a fase mais pesada tende a adquirir velocidades mais baixas
em relao fase mais leve. Esta diferena de velocidade gera a relao de escorregamento e
o fenmeno chamado reteno (holdup) da fase mais pesada. esperado, obviamente, que
maiores diferenas de densidades entre as fases ocasionem maiores relaes de
escorregamento e maiores graus de reteno. Uma consequncia do escorregamento que o
holdup da fase mais densa maior que aquele ao entrar ou sair do tubo, pois seu tempo de
residncia maior. Por conseguinte, a velocidade local de cada fase, para um escoamento em
condies de escorregamento, depende das propriedades e do grau de interao entre as fases,
no podendo ser determinado somente com o conhecimento das vazes de entrada ou sada.
Tem-se, portanto, uma relao no-linear entre velocidade local de cada fase e vazes de
entrada e sada. Da surge a importncia do conhecimento do holdup e/ou da densidade local
da mistura.
Existem muitas relaes analticas para o escorregamento, mas aplicaes prticas
dependem de correlaes experimentais. Em escoamento lquido-gs, ou slido-gs, varia
ao longo do tubo, pois gases apresentam valores de expansividade volumtrica e
compressibilidade isotrmica que os distinguem bastante dos lquidos ou slidos e, por isso,

variar ao longo do tubo com a variao da presso e/ou da temperatura, aumentando a sua
velocidade medida que se expande (segundo a equao de conservao da massa), o que
aumenta o holdup da fase mais densa.

v.

Frao Mssica ( x )

A frao mssica x da fase menos densa (que, para o escoamento lquido-gs


chamado qualidade) dada por:

m G
m
G
m L m G m t

Ento, a relao entre as vazes mssicas de cada fase pode ser escrita como:

(3.7)

24


G
m
GVG A
x

S G

L 1 x LVL A 1
m
L 1

(3.8)

A Equao (3.8) pode ser arranjada para explicitar a frao volumtrica da fase
menos densa em termos da frao mssica e da relao de escorregamento.

vi.

x
x S 1 x G L

(3.9)

Massa Especfica Mdia da Mistura Bifsica ( )

G 1 L

(3.10)

A expresso correspondente ao holdup local da fase mais densa :

vii.

S 1 x G L

x S 1 x G L

(3.11)

Viscosidade Mdia da Mistura Bifsica ( )

Segundo a correlao de Cicchitti et al. (1960), tem-se,

xG 1 x L

Segundo a correlao de Mc Adams et al. (1942), tem-se,

(3.12)

25

1 x

(3.13)

Segundo a correlao de Dukler et al. (1964), tem-se,

xVG G 1 x VL L

(3.14)

3.2.2. Padres de Escoamento Bifsico Lquido-Gs

A configurao ou distribuio das fases num tubo depende da vazo de cada fase e
de suas velocidades relativas, portanto, de suas propriedades fsicas. Essas configuraes,
chamadas padres de escoamento, podem ser descritas qualitativamente para escoamentos
verticais e horizontais. Os padres para escoamento horizontal, segundo Holland e Bragg
(1995), so tidos como mais complexos que aqueles para escoamentos verticais devido ao
efeito assimtrico da gravidade. As fronteiras ou transies entre os padres tm sido
mapeados por vrios pesquisadores com base em observaes do comportamento de vrios
parmetros e propriedades do escoamento ao longo do tubo.
A Figura 3.1 ilustra alguns padres mais comuns para escoamentos verticais. A
Figura 3.2, por sua vez, ilustra alguns padres de escoamentos horizontais. Porm, essas
classificaes so altamente subjetivas e podem diferir segundo autores.

Figura 3.1 Padres de escoamento vertical.


Fonte: Darby (2001).

26

Figura 3.2 Padres de escoamento horizontal.


Fonte: Darby (2001).

Em ambos os casos, existe uma variao do padro de escoamento em funo do


aumento da vazo da fase gasosa.
A nomenclatura aqui utilizada foi mantida em idioma ingls pela originalidade das
pesquisas e publicaes e, principalmente, pela dificuldade em encontrar tradues
satisfatrias para o idioma portugus. Porm, a seguir, com a descrio das caractersticas de
cada padro de escoamento, seguem algumas formas aportuguesadas (e no traduzidas) de
nomenclatura.

Bubbly Flow (padro bolhas): padro de escoamento em que h a disperso da fase


gasosa (na forma de bolhas) na fase lquida contnua. Para o escoamento bifsico
vertical observa-se uma disperso de bolhas bem distribudas por todo o leito lquido.
As bolhas podem se apresentar de forma esfrica ou como elipsides (bolhas de
Taylor). Quando a velocidade da fase gasosa aumenta, em relao fase lquida, as
bolhas tendem a se tornar maiores e elipsoidais. Em escoamentos horizontais, as
bolhas tendem a permanecer na parte superior do tubo, devido diferena de massa
especfica entre as fases e ao efeito da gravidade;
Plug Flow (padro pistonado): com o aumento da velocidade da fase gasosa e,
consequentemente, com o alongamento das bolhas, plugs (pistes) de lquido so
formados. Nos escoamentos verticais, esses plugs tendem a ocupar toda a seo

27

transversal do tubo, enquanto que no escoamento horizontal, devido diferena de


massa especfica das fases e ao da gravidade, as bolhas alongadas tendem a
permanecer na parte superior do tubo;
Slug Flow (padro slug): similar ao plug flow, porm, como a velocidade do gs
maior do que a velocidade do lquido, ondas grandes de lquido formam-se e,
aperiodicamente, tocam a parte superior da tubulao no caso de escoamento
horizontal, gerando grandes bolhas de gs entre duas ondas. Pequenas bolhas de gs
misturam-se fase lquida. No caso do escoamento vertical, este padro
caracterizado pela presena das grandes bolhas de gs entre duas camadas de lquido,
bem como pela presena de pequenas bolhas gasosas no interior dessas camadas
lquidas;
Stratified Flow (padro estratificado): ocorre quando as velocidades das duas fases
so muito baixas. H a existncia de uma interface lisa e sem ondulaes. um
padro tpico do escoamento horizontal e costumeiramente utilizado para realizao
de anlises com fins de modelagem do escoamento bifsico, devido a sua
simplicidade;
Wave Flow (padro ondulado): similar ao stratified flow, porm, para velocidades
levemente maiores da fase gasosa surgem oscilaes na interface lquido-gs com a
formao de ondas pequenas. , tambm, um padro tpico do escoamento
horizontal;
Churn Flow (padro irregular): padro intermedirio aos slug flow e wispyannular flow. Ocorre a destruio das bolhas alongadas de gs, formando-se uma
disperso de bolhas de diferentes tamanhos e formas. um padro tpico do
escoamento vertical;
Wispy-Annular Flow (padro anular delgado): para velocidades maiores da fase
gasosa ocorre a concentrao do gs no centro do tubo com a formao de um filme
lquido totalmente em contato com a parede do tubo. No seio gasoso existe a
presena de gotas. Isto acontece tanto no escoamento vertical quanto no escoamento
horizontal, porm, neste se observa maior espessura de filme lquido na parte inferior
da tubulao, devido ao da gravidade;

28

Annular Flow (padro anular): similar ao wispy-annular flow, porm, para


velocidades da fase gasosa ainda maiores, no se observa a presena de gotas no seio
gasoso;
Spray Flow (padro spray): para velocidades gasosas extremas, a fase lquida se
apresenta apenas como gotas no seio gasoso. Pode ocorrer tanto no escoamento
horizontal quanto no escoamento vertical, porm no escoamento vertical a
velocidade da fase gasosa deve ser maior.

A partir da dcada de 1940, e nas trs dcadas subsequentes, houve uma vasta
quantidade de trabalhos publicados referentes a este tema. Alves (1954) mostrou a influncia
do aumento da vazo da fase gasosa nos padres de escoamento multifsicos verticais, bem
como Hewitt e Roberts (1969) determinaram um mapa de padro desse tipo de escoamento.
Para os padres de escoamento horizontais, Baker (1954) produziu os mais coerentes e aceitos
da sua poca. Esses resultados, embora relativamente antigos, continuam tendo validade e
aceitao pelos atuais pesquisadores (HOLLAND & BRAGG, 1995).
A partir das observaes de mudana do padro de escoamento para diferentes
vazes, podem ser produzidos os chamados mapas de padres. Esses mapas so
caractersticos para cada sistema especfico, ou seja, dependem das propriedades das fases
envolvidas, bem como das caractersticas operacionais: geometria e material da tubulao
utilizada, grau de inclinao da mesma e presso e temperatura locais. Geralmente, expressam
grandezas que incorporam uma relao entre vazes das fases, ou seja, o principal objetivo
predizer o padro de escoamento bifsico quando se conhece as vazes de cada fase. Diante
disto, muitos autores relacionam fluxo volumtrico da fase lquida J L com o fluxo
volumtrico da fase gasosa J G , fluxo mssico da fase lquida GL com o fluxo mssico da fase
gasosa GG , ou parmetros adimensionais, tal como o Nmero de Froude de cada fase, que
pode ser interpretado como a razo entre as foras de inrcia e de gravidade.

Fr

v
gL

(3.15)

29

No caso de uma tubulao, L (um comprimento caracterstico) pode ser substitudo


por D (dimetro da tubulao). Ento, pode-se utilizar o Nmero de Froude na sua forma
mais clssica

v2
Fr
gD
2

(3.16)

que, no caso do escoamento bifsico lquido-gs, pode ser escrito como

vt2 vL vG
Fr

gD
gD

(3.17)

Outra forma de utilizao de parmetro adimensional para relacionar padres de


escoamento fazer uso do Nmero de Froude Densimtrico, que o Nmero de Froude
modificado, proposto por Petalas e Aziz (1998), na forma


FrdG vG . G
Dg

L
FrdL vL .

Dg

0,5

(3.18)

0,5

(3.19)

onde FrdG o Nmero de Froude Densimtrico da fase gasosa e FrdL o Nmero de Froude
Densimtrico da fase lquida.
O mapa de padro de escoamento mais conhecido e mais bem aceito, durante a fase
inicial das pesquisas acerca do tema, segundo Holland e Bragg (1995), foi proposto por
Backer (1954) para um sistema de escoamento horizontal lquido-gs e est representado na
Figura 3.3.

30

Figura 3.3 Mapa de Backer para o padro de escoamento horizontal. Sistema ar-gua.
Fonte: Backer (1954) apud Holland e Bragg (1995).
Backer (1954) realizou uma srie de experimentos que confrontavam o fluxo mssico
de cada fase com o padro de escoamento observado. Os resultados foram apresentados com
um diagrama no qual o eixo das ordenadas representava o fluxo mssico da fase gasosa, GG ,
e o eixo das abscissas representava o grupo adimensional dado por

GL
GG

(3.20)

onde e so fatores de correo de propriedades fsicas e so definidos como

1/2


G L
A w

w
L

(3.21)

1/3

2
L w
w L

(3.22)

31

onde os subscritos G , L , A e w indicam, respectivamente, gs, lquido, ar e gua. Ou seja,


dois parmetros adimensionais que relacionam massa especfica , tenso superficial e
viscosidade . Logo, conhecendo-se essas propriedades para o sistema em questo,
facilmente pode-se obter os fatores de correo para o sistema ar-gua e estimar o padro de
escoamento pelo diagrama proposto por Backer (1954). Esta foi considerada uma grande
contribuio poca. Porm, cabe ressaltar que o trabalho foi realizado temperatura e
presso constantes de 20 C e 1 atm , respectivamente, o que limita a aplicao desses
resultados unicamente a sistemas que apresentam as mesmas condies operacionais
utilizadas para o desenvolvimento do mapa citado.
Com a constatao de que o mapa de Backer era deficiente para predizer padres de
escoamento em diferentes condies operacionais, Beggs e Brill (1973) realizaram testes em
um sistema de escoamento que possibilitavam variao angular da tubulao e propuseram
um mapa com trs padres de escoamento: distribudo, segregado e intermitente. O chamado
padro segregado representava um agrupamento dos padres estratificado e anular, assim
como o intermitente era o agrupamento dos padres plug flow e slug flow e o padro
distribudo representava o padro bubbly flow. A Figura 3.4. ilustra o mapa de Beggs e Brill
(1973).

Figura 3.4 Mapa de Beggs e Brill para padres de escoamento.


Fonte: Beggs e Brill (1973).

32

Para determinar as fronteiras das trs regies do diagrama que representam os


padres de escoamento definidos, Beggs e Brill (1973) desenvolveram correlaes que vieram
a obter o status de modelo emprico, posteriormente. So elas:

L1 316L0,302

(3.23)

L2 0,0009252L2,4684

(3.24)

L3 0,10L1,4516

(3.25)

L4 0,5L6,738

(3.26)

E, para os Nmeros de Froude, Fr , e frao de descarga, L , conhecidos, as regies


do diagrama que definem os padres de escoamento so, ento:

i.

Segregado, quando:

L 0,01 e Fr L1

L 0,01 e Fr L2

ii.

Intermitente, quando:

0,01 L 0, 4 e L3 Fr L1

33

L 0, 4 e L3 Fr L4

iii.

Distribudo, quando:

L 0, 4 e Fr L1

L 0, 4 e Fr L4

Vale ressaltar a incompletude do trabalho de Beggs e Brill (1973) pela metodologia


adotada de unificar alguns padres de escoamento.
Oliemans e Pot (2006) desenvolveram um mapa de padro de escoamento bifsico
especificamente para o sistema leo-gs, com inclinao descendente de 5, em tubulao de
grande dimetro, como pode ser visto na Figura 3.5, e tambm criaram correlaes que
definem os padres observados.

101

BOLHAS DISPERSAS
INTERMITENTE

FrdG

100
INTERMITENTE
ANULAR

ESTRATIFICADO
ONDULADO

10-1

ESTRATIFICADO
ONDULADO
COM BOLHAS
DISPERSAS

10-2
10-3

10-2

10-1

100

FrdL

101

Figura 3.5 Mapa de Oliemans e Pot para o padro de escoamento bifsico leo-gs
descendente de 5.
Fonte: Adaptado de Oliemans e Pots (2006).

34

Para o mapa de padro de escoamento desenvolvido por Oliemans e Pots (2006) as


ordenadas representavam o Nmero de Froude Densimtrico da fase gasosa, FrdG , e as
abscissas representavam o Nmero de Froude Densimtrico da fase lquida, FrdL , na forma
proposta por Petalas e Aziz (1998).
Como exemplo relativamente recente de mapa de padro de escoamento, tem-se,
para o sistema ar-gua horizontal, aquele desenvolvido por Duarte (2007), que relaciona os
fluxos volumtrico de lquido, J L , e de gs, J G , ilustrado na Figura 3.6.

Figura 3.6 Mapa de Duarte para o padro de escoamento horizontal ar-gua.


Fonte: Duarte (2007).

Deve-se destacar, novamente, que os mapas de padres de escoamento oriundos de


trabalhos empricos apresentam forte influncia das observaes feitas subjetivamente por
cada autor.

35

3.3. Modelos Multifsicos (bifsicos)

Existem basicamente duas vertentes metodolgicas para o desenvolvimento de


modelos representativos do escoamento multifsico. So as abordagens emprica e
determinstica, portanto, denominados modelos empricos e modelos determinsticos (ou
fenomenolgicos).
Os modelos empricos baseiam-se em correlaes desenvolvidas a partir de
observaes experimentais. Enquanto que os modelos determinsticos so oriundos de
balanos de conservao de massa, momentum e energia, bem como se utilizam de leis
conhecidas.

3.3.1. Modelos Empricos

Os modelos empricos so restritos s propriedades dos fluidos e s caractersticas


operacionais utilizadas para o desenvolvimento do conjunto de correlaes que compem os
modelos. Pode-se pensar que no se trata, necessariamente, de modelos, mas sim de mtodos
de repetio de clculos. Pois, h uma vertente de pensamento que considera modelos apenas
as formas determinsticas de se pensar e representar um determinado fenmeno. H outras,
porm, que incluem as correlaes de dados empiricamente obtidos sob a denominao
modelo. Os modelos empricos apresentam como principal vantagem sua simplicidade.
O modelo emprico de escoamento bifsico mais conhecido deve-se ao trabalho
pioneiro de Lockhart e Martinelli (1949), que desenvolveram uma correlao considerada a
mais antiga para a determinao da perda de carga no escoamento bifsico horizontal em
dutos. Foi muito empregada principalmente pela sua praticidade, mas pode levar a resultados
no muito precisos, segundo Souza (2010). A partir da razo entre as perdas de carga das
fases lquida e gasosa calculadas para velocidades superficiais, obtm-se o parmetro X
(posteriormente chamado de parmetro de Lockhart e Martinelli). Em funo do tipo de
regime (laminar ou turbulento) em cada fase e do valor do parmetro X , utilizam-se duas
correlaes que geram os parmetros multiplicadores L , G , aqui chamados de
multiplicadores bifsicos. De posse desses parmetros, pode-se obter a perda de carga e a
reteno de lquido (holdup).

36

Segundo Souza (2010), a correlao de Lockhart e Martinelli (1949) gera bons


resultados para o regime laminar, porm superestima a perda de carga em regimes
turbulentos. Para ratificar e refletir sobre a afirmao supracitada, deve-se ressaltar que no
trabalho de Lockhart e Martinelli (1949), o multiplicador bifsico 2 era definido como
parmetro proporcional para, apenas, o componente de atrito do gradiente de presso.
Define-se, portanto, multiplicador bifsico, 2 , segundo Lockhart e Martinelli
(1949), por

dP
2 dP

dz f
dz R

(3.27)

O componente de atrito do gradiente de presso no escoamento bifsico calculado a


partir do componente de atrito do gradiente de presso no escoamento monofsico,
escolhendo-se uma das fases como referncia com o uso do multiplicador bifsico, que
determinado por correlaes empricas. Na Equao (3.27) o multiplicador bifsico
escrito como R para indicar que ele corresponde fase de referncia R .
2

Para um escoamento bifsico lquido-gs existem quatro possibilidades de referncia:

i.

Todo o escoamento considerado como sendo lquido ( LO );

ii.

Todo o escoamento considerado como sendo gasoso ( GO );

iii.

Considerando-se apenas a fase lquida no escoamento bifsico ( Li );

iv.

Considerando-se apenas a fase gasosa no escoamento bifsico ( Ga ).

Quando o escoamento de referncia LO o componente de atrito do gradiente de


presso no escoamento bifsico ser dado por:

dP
2 dP

LO

dz f
dz LO

(3.28)

37

O gradiente de presso devido ao atrito , ento,

2 f LOG 2VL
dP

D
dz LO

(3.29)

onde o fator de atrito f LO avaliado para o nmero de Reynolds

Re LO

GD

(3.30)

Ento, se for possvel determinar o valor de LO usando uma correlao apropriada,


2

o componente de atrito do gradiente de presso para o escoamento bifsico pode ser


calculado. Para o escoamento de referncia GO o procedimento o mesmo.
Quando a fase de referncia Li no escoamento bifsico, as equaes so
ligeiramente diferentes, pois o escoamento da fase lquida, e no todo o escoamento, ser
usado. Ento,

dP
2 dP

Li

dz f
dz Li

(3.31)

com

2 f Li 1 x G 2VL
dP

D
dz f
2

Sendo o fator de atrito, f Li , avaliado para o nmero de Reynolds

(3.32)

38

Re Li 1 x

GD

(3.33)

Quando o escoamento de referncia Ga , tem-se

dP
2 dP

Ga

dz f
dz Ga

(3.34)

com

2 fGa x 2G 2VG
dP

D
dz f

(3.35)

Sendo o fator de atrito, f Ga , avaliado para o nmero de Reynolds

ReGa x

GD

(3.36)

A escolha da fase de referncia funo dos padres de escoamento do problema em


questo, ou seja, das vazes de cada fase. Como os padres de escoamento so tambm
funo da perda de carga, possvel, em cada trecho da linha, alterar a fase de referncia.
A notao usada foi sugerida pioneiramente por Martinelli e colaboradores, porm,
neste texto, L (usado por Martinelli) foi substitudo por Li e G (usado por Martinelli) foi
substitudo por Ga , para manter a identidade com o restante da notao utilizada neste
trabalho.
Lockhart & Martinelli (1949) podem ser considerados os precursores do trabalho
experimental em escoamento multifsico. Desenvolveram, inclusive, correlaes para o
escoamento horizontal de misturas ar-lquido presso atmosfrica e sem mudana de fase.

39

Contudo, desaconselhvel o uso destas correlaes para outros sistemas ou condies


operacionais, embora o procedimento metodolgico para a estimativa das correlaes possa
ser aplicado a qualquer outro sistema de escoamento multifsico, quaisquer que sejam suas
condies operacionais. Para as condies estabelecidas, o componente de acelerao do
gradiente de presso foi considerado desprezvel, enquanto que o componente de presso
hidrosttica desaparece, j que se trata de escoamento horizontal.
Lockhart e Martinelli (1949) apud Holland e Bragg (1995) usaram os escoamentos
de referncia Li e Ga e, tendo derivado equaes para o componente de atrito do gradiente
de presso no escoamento bifsico em termos dos fatores de forma e dimetro equivalente de
trechos da linha, pela qual as fases escoavam, sups-se que os multiplicadores bifsicos
2
2Li e Ga
poderiam ser exclusivamente correlacionados relao X 2 do gradiente de

presso para os dois escoamentos de referncia:

dP

dz L
X2
dP

dz G

(3.37)

A suposio foi confirmada pelos resultados experimentais.


Considerou-se que quatro regimes poderiam ocorrer, a depender do regime de
escoamento de cada fase: turbulento ou laminar. As curvas em funo de X obtidas
experimentalmente podem ser bem representadas, segundo Collier (1972), que aprimorou os
resultados experimentais de Lockhart e Martinelli (1949), por equaes na forma

2L 1

C
1
2
X X

(3.38)

G2 1 CX X 2

(3.39)

40

onde os valores de C para as combinaes de escoamento so mostrados na Tabela 3.1.

Tabela 3.1 Combinaes de regimes de escoamento possveis.


Lquido

Gs

(tt)

Turbulento

turbulento

20

(vt)

Viscoso

turbulento

12

(tv)

Turbulento

viscoso

10

(vv)

Viscoso

viscoso

Fonte: Holland e Bragg (1995).

O uso da correlao muito simples. Primeiramente, o componente de atrito do


gradiente de presso calculado para as referncias Li e Ga , separadamente, pelas
Equaes (3.32) e (3.35). A relao entre esses dois gradientes de presso fornece X 2 .
A correlao anterior limitada a baixas presses e sistemas nos quais no ocorre
mudana de fase. Embora Lockhart e Martinelli (1949) forneam quatro regimes de
escoamento, no usual em processos industriais ambas as fases estarem em regime laminar.
A correlao de Martinelli-Nelson (1948) especfica para circulao forada de gua com
ebulio, na qual ambas as fases esto em regime turbulento. Embora cronologicamente
anterior, esta correlao apresenta uma anlise um tanto quanto mais avanada que o trabalho
de Lockhart e Martinelli (1949).
Quando uma mudana de fase ocorre, como na ebulio, necessrio usar como
escoamento de referncia LO (a referncia Li variaria medida que a vazo de lquido
diminusse durante a ebulio). Em baixas presses, os resultados da correlao de Lockhart e
Martinelli (1949) podem ser usados para o componente de atrito do gradiente de presso, mas
necessrio converter a referncia para Li , usada na correlao anterior, para a base LO .
Supe-se que o componente de atrito do gradiente de presso para ambos os escoamentos so
relacionados pela expresso

dP
dP m L m G


dz LO dz Li mL

2n

(3.40)

41

Usando o valor n 0, 20 e expressando a relao de vazes em termos da qualidade

1,8
dP
dP
1 x
dz LO dz Li

(3.41)

Consequentemente, da definio do multiplicador bifsico,

2LO

dP

1,8
2 dz Li
Li
2Li 1 x
dP

dz LO

(3.42)

A correlao de Lockhart e Martinelli (1949) fornece a relao entre Li e o


2

parmetro de Martinelli X tt . Consequentemente, o uso da Equao (3.42) adequado para a


relao entre LO e X tt a baixas presses.
2

No outro extremo de presso, nomeada presso crtica, as fases so indistinguveis, e


segue que

2LO 1

0,9

1 x
X tt

(3.43)

Do resultado dado pela Equao (3.43), tem-se que, na presso crtica, LO tem o
2

valor unitrio para todos os valores de qualidade e do parmetro de Martinelli.


Desde os primeiros trabalhos sobre o escoamento multifsico realizados por
Lockhart e Martinelli na dcada de 1940, muitos outros surgiram em formatos de
melhoramento. Uma grande quantidade de trabalhos sobre este tema foi publicada nas
dcadas subsequentes, porm os objetivos principais eram a sugesto de correlaes para

42

sistemas especficos ou o estudo de padres de escoamento tambm especficos. Os trabalhos


mais recentes continuam com os mesmos enfoques.
Modificaes para as correlaes de Lockhart-Martinelli e Martinelli-Nelson foram
sugeridas por Baroczy (1965) e Chisholm (1968), que modificaram a correlao de MartinelliNelson para levar em conta a influncia do fluxo mssico. As modificaes de Chisholm
(1968) so recomendadas por Collier (1972). Subsequentemente, Chisholm (1973) apresentou
uma forma conveniente de correlao incorporando suas prprias modificaes e as de
Baroczy (1965) (HOLLAND e BRAGG, 1995).
Outro modelo emprico muito bem conhecido e aceito deve-se aos trabalhos de
Beggs e Brill (1973), que desenvolveram correlaes amplamente utilizadas pela indstria do
petrleo. Essas correlaes foram obtidas atravs de dados experimentais em uma rede de
tubulao acrlica com dimetros entre 1,0 e 1,5 polegadas e comprimento de 28 metros com
inclinao ajustvel. Apesar dos valores restritos de dimetro e comprimento, essas
correlaes so bastante utilizadas em clculos preliminares, principalmente por serem vlidas
para todos os padres de escoamento e inclinaes (SOUZA, 2010).
Muitos trabalhos observados na literatura, no entanto, apresentam abordagens
empricas sem necessariamente se utilizar de modelos.
Bolonhini (1995) apresenta um trabalho experimental que relaciona os padres de
escoamento estratificado e anular horizontais de gua e ar ao gradiente de presso.
Pedroso (1997) mostra, com estudos experimentais, a caracterizao do escoamento
bifsico vertical ascendente em padro pistonado para misturas ar-gua e ar-lquidos viscosos.
Trevisan (2003) apresenta um trabalho bem estruturado dos padres de escoamento
observados no escoamento horizontal de leo pesado, gua e ar. Neste trabalho, o autor
tambm aborda o clculo da perda de carga, partindo do conhecimento prvio do padro de
escoamento.
Duarte (2007) investigou experimentalmente o efeito causado pela variao da
viscosidade da fase lquida sobre algumas propriedades do escoamento bifsico horizontal
com padro de escoamento slug.
Filho (2010) realizou um estudo emprico do escoamento bifsico lquido-gs em
tubo circular horizontal ligeiramente inclinado usando tcnicas ultrasnicas e de visualizao.

43

3.3.2. Modelos Determinsticos

A modelagem determinstica do escoamento multifsico origina-se dos balanos de


massa, momentum e energia. Os modelos determinsticos apresentam possibilidades de
aplicao mais ampla que os modelos empricos, pois so baseados em leis fsicas que
descrevem a dinmica dos fluidos.
Tomando-se como referncia um escoamento bifsico lquido-gs, comum dividir
os modelos determinsticos em trs grandes grupos, a saber: HEM Homogeneous
Equilibrium Model, SFM Separated Flow Model e MFM Multiple Fluid Model. Ou,
respectivamente, Modelo de Escoamento Homogneo, Modelo de Escoamento Separado e
Modelo de Dois Fluidos (quando o escoamento bifsico).
Darby (2001), assim como Holland e Bragg (1995), apresentam textos com as
principais caractersticas dos dois primeiros modelos determinsticos citados, HEM e SFM,
cada texto com um sistema de notao. Porm, limitam-se a mostrar relaes e equaes
resultantes, sem as devidas dedues, ou seja, o processo de obteno dos modelos. J o
terceiro modelo, MHM, bem apresentado por Ishii (2011).
O HEM apresenta como principal caracterstica a considerao de presso,
temperatura e velocidades iguais para cada fase. Quando uma fase est bem dispersa na outra,
gerando grande rea interfacial, sob certas circunstncias essas consideraes podem ser
adotadas e o modelo de escoamento homogneo torna-se vlido. Os padres bubble flow, slug
flow e churn flow, principalmente sob altas presses, apresentam essas caractersticas. Temse, assim, um pseudo-fluido com propriedades fsicas mdias da mistura bifsica. Para
situaes de rpida acelerao de escoamento ou alta variao de presso, como em descargas
flash lquido-vapor, o HEM no deve ser usado. Exemplifica-se uma situao de no validade
do HEM com a produo de petrleo. As condies de presso no reservatrio e na descarga
de produo so muito elevadas.
O HEM tem sido usado amplamente com uma abordagem bifsica, isotrmica e
unidimensional, ou seja, utiliza-se a equao para o escoamento unidimensional (clculo de
perda de carga) em escoamento bifsico lquido-gs temperatura constante.
Quando se utiliza o HEM, o clculo da viscosidade mdia de fundamental
importncia, porm, deve-se ter critrio ao utilizar uma mdia em volume (frao volumtrica
de cada fase) ou massa (frao mssica de cada fase).

44

O procedimento de obteno do HEM pode ser visto nos Apndices A e B.


A principal caracterstica que distingue o SFM do HEM a considerao de
possibilidade de velocidades das fases diferentes, ou seja, a existncia de uma velocidade
relativa e uma relao de escorregamento entre fases, definida como a relao entre as
velocidades da fase menos densa e da fase mais densa. A utilizao da possibilidade de
velocidades diferentes de grande importncia quando as massas especficas das fases so
consideravelmente diferentes e sofrem influncia significativa de um campo gravitacional ou
grandes variaes de presso. medida que a relao de escorregamento aproxima-se de zero
o HEM torna-se mais vlido, enquanto que sua validade se reduz medida que essa relao
aumenta. As consideraes de iguais temperatura e presso em cada fase so mantidas na
maioria das abordagens.
O SFM, assim como o HEM, tem sido usado amplamente com uma abordagem
bifsica, isotrmica e unidimensional, ou seja, utiliza-se a equao para o escoamento
unidimensional (clculo de perda de carga) em escoamento bifsico lquido-gs temperatura
constante.
O procedimento de obteno do SFM pode ser visto nos Apndices A e C.
Tanto com o HEM quanto com o SFM, os clculos do gradiente de presso em
escoamento multifsico compreendem trs componentes que so devidos ao atrito dos fluidos
com a tubulao, taxa de variao da quantidade de movimento e presso esttica dos
fluidos. O termo de variao da quantidade de movimento geralmente chamado de
componente de acelerao. Tem-se, ento,

dP dP dP dP

dz dz f dz a dz sh

(3.44)

onde f , a e sh indicam, respectivamente, os termos de atrito, acelerao e presso esttica


(static head).
Uma anlise da Equao (3.44) pode mostrar que, segundo Holland e Bragg (1995),
em princpio, o gradiente de presso idntico ao escoamento monofsico. Por exemplo, para
o escoamento em estado estacionrio, completamente desenvolvido e isotrmico de fluido
incompressvel em um tubo retilneo de rea de seo transversal constante, o atrito deve ser

45

superado da mesma maneira que a presso esttica, exceto para escoamento horizontal.
Entretanto, no existe variao da quantidade de movimento e, consequentemente, o termo de
acelerao nulo.
Da mesma maneira, em escoamento bifsico lquido-gs sem mudana de fase, como
ocorre no sistema de escoamento gua-ar, a fase gasosa se expande, ocasionando sua
acelerao, como no escoamento monofsico. A caracterstica que torna o escoamento
bifsico drasticamente diferente do escoamento monofsico a possibilidade de ocorrncia de
vaporizao ou condensao. Por exemplo, num escoamento bifsico com vaporizao, o
lquido, relativamente mais denso, torna-se vapor com uma densidade muito menor (maior
volume especfico).
A seguir, so mostradas algumas relaes corriqueiramente utilizadas nos modelos
de escoamento bifsico lquido-gs.

AG
A

(3.45)

onde a frao de vazios, AG a rea de seo transversal ocupada pela fase gasosa e A
rea de seo transversal total.

AL
1
A

(3.46)

onde AL a rea de seo transversal ocupada pela fase lquida.

m G xGt A

(3.47)

m L 1 x Gt A

(3.48)

46

vG

m GVG xGV
t G
A

(3.49)

vL

1 x GV
m LVL
t L

1
1 A

(3.50)

Com as relaes (3.45) a (3.50) devidamente substitudas na Equao (3.44), pode-se


mostrar que os componentes de atrito, acelerao e presso hidrosttica so dados por:

1 dF
dP


dz f A dz

x 2V 1 x 2 VL
1 d
dP
2 d
m G vG m L vL Gt G


A dz
dz
1
dz a

(3.51)

(3.52)

1
dP
AG G AL L gsen
dz sh A
1
G 1 L gsen
gsen
VL
VG

(3.53)

J no MFM, ou modelo de dois fluidos, no caso do escoamento bifsico,


diferentemente dos dois modelos anteriormente citados, utiliza-se a abordagem de modelagem
de cada fase, ou componente, como um fluido com seu prprio conjunto de equaes de
balano e propriedades fsicas. Em geral, cada fase apresenta sua prpria velocidade,
temperatura e presso. A diferena de velocidades, como no SFM, ocorre devido diferena
de densidade entre os fluidos e, da mesma maneira, se a diferena muito pequena, a relao
de escorregamento tambm o ser e, portanto, o HEM torna-se mais vivel de ser utilizado,
por conta de sua maior simplicidade matemtica. Alm disso, a diferena de temperatura entre

47

as fases ocorre fundamentalmente devido ao tempo de transferncia de energia pela fronteira


superficial das fases.

3.3.2.1. Modelo de Escoamento Homogneo Bifsico Lquido-Gs

No modelo de escoamento homogneo, o escoamento bifsico tratado como um


escoamento monofsico hipottico com uma velocidade uniforme sobre uma dada seo
transversal de tubo. considerado que o componente de atrito do gradiente de presso pode
ser descrito pelo uso de um nico fator de atrito e o modelo muitas vezes chamado de
Modelo do Fator de Atrito (HOLLAND e BRAGG, 1995). Espera-se que predies desse
modelo sejam mais exatas para escoamentos nos quais uma fase bem dispersa na outra, ou
seja, os padres spray, bubbly e, possivelmente, o padro wispy-annular.

i. Componente de atrito

A fora de atrito, ao longo do comprimento da parede do tubo, gera um componente


de atrito no gradiente de presso e pode ser representada por

F Dz

D2
4

(3.54)

onde a tenso de cisalhamento na parede. Ento,

dF
D 2 dP
D

dz
4 dz f

(3.55)

4
dP


dz f D

(3.56)

48

Usando o fator de atrito de Fanning, a tenso de cisalhamento na parede dada por

1
2

v2 f

(3.57)

e o componente de atrito do gradiente de presso , ento,

2 f v 2 2 fGt2V
dP


D
D
dz f

(3.58)

ou, de maneira alternativa, usando o fator de atrito de Darcy, o componente de atrito do


gradiente de presso

f v 2 fGt2V
dP

2D
2D
dz f

(3.59)

ii. Componente de acelerao

A velocidade do escoamento, que varia com a presso ao longo do tubo, foi reescrita
em termos do fluxo mssico constante e do volume especfico mdio da mistura. Sabe-se que

V uma funo da presso e, portanto, varia ao longo do tubo.


Uma substituio para a velocidade em termos de Gt e V permite escrever o
componente de acelerao do gradiente de presso como:

d
dV
dP
Gt2

Gt GV
dz
dz
dz a

(3.60)

49

O volume especfico mdio V uma funo do volume especfico da fase gasosa e


da fase lquida, bem como da frao mssica da fase gasosa. A fase lquida pode ser tratada
como incompressvel para variaes de presso considerveis, mas, em geral, o volume
especfico e a frao mssica da fase gasosa variaro ao longo do tubo. Diferenciando-se o
volume especfico mdio tem-se:

dV
dV dP
dV
dx
dx
x G VG VL
x G
VLG
dz
dz
dz
dP dz
dz

(3.61)

onde VLG VG VL .
Esta diferenciao o ponto caracterstico do modelo de escoamento homogneo,
que pode ser visto com maiores detalhes no Apndice B.
O primeiro termo do lado direito da Equao (3.61) origina-se da compressibilidade
da fase gasosa e representa o efeito da acelerao desta fase devido a sua expanso, frao
mssica constante. O segundo termo, para o qual no h equivalente no escoamento
monofsico, representa o efeito da acelerao devido mudana de fase. Por exemplo, em
evaporao num tubo, parte do lquido com volume especfico VL torna-se vapor com volume
especfico VG muito maior, ento o volume especfico do meio aumenta e, pela equao de
conservao da massa, o escoamento deve acelerar.
Substituindo-se a Equao (3.61) na Equao (3.60) pode-se escrever o componente
de acelerao do gradiente de presso como

dVG dP
dx
dP
2
VLG
Gt x
dz
dz a
dP dz

iii. Componente de presso esttica

O componente de presso esttica dado simplesmente por:

(3.62)

50

gsen
dP
gsen
V
dz sh

(3.63)

iv. Gradiente de presso total

Somando-se os trs componentes do gradiente de presso, tem-se o gradiente de


presso total:

2
dx gsen
dV dP
dP fGt V

Gt2 x G
VLG

2D
dz
V
dz
dP dz

(3.64)

Observa-se que o gradiente de presso total implcito. Rearranjando-se a Equao


(3.64) para torn-la explcita no gradiente de presso, tem-se:

fGt2V
dx gsen
2
2 D Gt VLG dz V
dP

dV
dz

G
1 Gt x

dP

(3.65)

3.3.2.2. Modelo de Escoamento Separado Bifsico Lquido-Gs

Para desenvolver o modelo completo de escoamento separado, parte-se da soma dos


termos do lado direito das Equaes (3.51), (3.52) e (3.53):

x 2V 1 x VL 1
dP dP
2 d

G
G

gsen

dz dz f
dz
1 VG
VL
2

(3.66)

51

Em oposio ao caso do modelo de escoamento homogneo, o termo de acelerao


no pode ser colocado numa forma mais simples, pois as velocidades das fases so diferentes.
, ento, necessrio realizar a diferenciao do termo de acelerao, notadamente o
procedimento chave para a obteno deste modelo e o que o difere significativamente do
modelo de escoamento homogneo. Quando isto feito e o componente de atrito do gradiente
de presso representado usando o multiplicador bifsico para a referncia LO
(caracterstica emprica do modelo de escoamento separado), obtm-se o modelo completo na
forma

dP

dz

1
f LO Gt2VL 2LO
dx
Gt2
A , x
gsen
2D
dz
VL
VG
x 2 dV 1 x 2 VL x 2V
G
1

2G
2

dP

P

1

(3.67)

onde

2
2 xVG 2 1 x VL 1 x VL x 2VG
A , x

x

1

(3.68)

Todo o procedimento de obteno deste modelo mostrado com detalhes no


Apndice C.
Se o escoamento de referncia fosse Li , o termo de atrito seria

f Li 1 x Gt2VL 2Li
dP


2D
dz f
2

(3.69)

Comparando a Equao (3.67) com a sua equivalente para o modelo de escoamento


homogneo fica claro que apenas a diferena de velocidade entre as fases gera um

52

considervel aumento do grau de complexidade do modelo para a obteno do gradiente de


presso e, consequentemente, dificulta sobremaneira a sua soluo. Em ambos os modelos, o
segundo termo do numerador origina-se do componente de acelerao. No modelo de
escoamento homogneo, ambas as fases devem apresentar a mesma velocidade, tal que existe
apenas um termo incluindo a variao do volume especfico da fase gasosa em relao
presso. No modelo de escoamento separado existe um termo adicional, que est multiplicado
pela variao da frao de vazios em relao presso a uma frao mssica da fase gasosa
constante, resultante do fato das fases no apresentarem a mesma velocidade.
A integrao da Equao (3.67), para determinar a queda de presso ao longo de um
comprimento de tubo, requer um procedimento iterativo, pois no possui soluo analtica.

3.4. Inteligncia Artificial (IA) e Redes Neurais Artificiais (RNAs)

3.4.1. Inteligncia Artificial

O objetivo inicial da inteligncia artificial (IA) pode ser sintetizado em construir em


uma mquina o comportamento inteligente igual ou superior ao do homem. Para tanto, so
requeridos estudo e compreenso da inteligncia humana, passando inicialmente por uma
definio aceitvel, representao matemtica dessa inteligncia e implementao
computacional.
De forma mais ampla e formal Sage (1990) apud Haykin (2001) definiu que o
objetivo da inteligncia artificial (IA) o desenvolvimento de paradigmas ou algoritmos que
requeiram mquinas para realizar tarefas cognitivas, para as quais os humanos so atualmente
melhores.
Um sistema de IA deve ser capaz de realizar trs tarefas: armazenar conhecimento,
aplicar o conhecimento armazenado para resolver problemas e adquirir novo conhecimento
atravs da experincia, bem como deve apresentar trs componentes fundamentais:
representao, raciocnio e aprendizagem (SAGE, 1990 apud HAYKIN, 2001). O
raciocnio aqui citado pode tornar-se alvo de controvrsia por, tambm, no apresentar
definio amplamente aceita e consensual.

53

Ainda no existe um consenso no meio cientfico para a definio da inteligncia


humana, portanto, muito menos para a inteligncia artificial, o que historicamente dificultou a
implementao de algoritmos computacionais inteligentes e, consequentemente, os objetivos
iniciais da IA foram reduzidos. Com isso, atualmente, a IA volta seu interesse para a
construo de sistemas que apresentem alguma forma de comportamento inteligente, ou seja,
realizem as trs tarefas apontadas por Sage (1990) apud Haykin (2001), e que respondam da
melhor maneira possvel aos problemas que se tem a resolver por meio desta tcnica.
Os estudos acerca da IA tiveram incio na dcada de 1950 e o marco histrico inicial
foi o desenvolvimento do sistema ELIZA, entre 1964 e 1966, por Joseph Weizenbaum,
segundo Primo (2002), que era a implementao do teste de Turing. Este teste consistia
basicamente em promover uma conversa entre um ser humano e dois outros interlocutores que
eram, respectivamente, outro ser humano e uma mquina. Caso o ser humano no conseguisse
distinguir, por sua conversa, o outro ser humano da mquina, comprovar-se-ia a IA como um
fato consumado.
Por esta tcnica ser altamente dependente de recursos computacionais avanados e de
vasto conhecimento do comportamento inteligente humano, foi parcialmente abandonada pela
comunidade cientfica, voltando tona apenas na dcada de 1970, quando os recursos citados
j estavam mais avanados. O marco importante foi o desenvolvimento do algoritmo de
retropropagao, apresentado por Werbos (1974), que apresentava alta capacidade de
aprendizado e resposta rpida. Este algoritmo tem fundamentao terica no chamado
conexionismo, a despeito da ento mais estudada linha da IA denominada simblica.
A filosofia conexionista visa o desenvolvimento e utilizao de modelos matemticocomputacionais capazes de simular o comportamento inteligente emulando componentes do
crebro humano. A principal ferramenta desta vertente da IA so as Redes Neurais Artificiais
(RNAs).

3.4.2. Redes Neurais Artificiais

Rede Neural Artificial (RNA) representa hoje uma vigorosa rea de pesquisa
multidisciplinar. frequentemente identificada como uma sub-especialidade da Inteligncia
Artificial (IA), outras vezes como uma classe de modelos matemticos para problemas de
classificao e reconhecimento de padres, outras ainda como uma parte da teoria

54

conexionista dos processos mentais e, finalmente, como uma categoria de modelos em cincia
da cognio. Embora todas essas categorias sejam aplicveis s RNAs, trat-las apenas em
alguns destes contextos seria severamente limitante. Hoje, RNAs constituem genuinamente
uma teoria para o estudo de fenmenos complexos (KOVCS, 2006).
As Redes Neurais Artificiais, ou Redes Neurais, ou RNAs, representam uma tcnica
que tem razes em muitas disciplinas: neurocincia, matemtica, estatstica, fsica, cincia da
computao e engenharia. Encontram aplicaes em campos to diversos como modelagem,
anlise de sries temporais, reconhecimento de padres, processamento de sinais e controle,
em virtude de uma importante propriedade: a habilidade de aprender a partir de dados de
entrada com ou sem instrutor (HAYKIN, 2001).
Segundo definio de Haykin (2001), uma rede neural um processador macia e
paralelamente distribudo, constitudo de unidades de processamento simples, que tem a
propenso natural de armazenar conhecimento experimental e retorn-lo disponvel para uso.
Ela se assemelha ao crebro humano em dois aspectos:

1. O conhecimento adquirido pela rede a partir de seu ambiente atravs de um


processo de aprendizagem;
2. Foras de conexo entre neurnios, conhecidas como pesos sinpticos, so utilizadas
para armazenar o conhecimento adquirido.

Haykin (2001) afirma que uma RNA extrai seu poder computacional atravs,
primeiro, de sua estrutura macia e paralelamente distribuda e, depois, de sua habilidade de
aprender e, portanto, de generalizar. A generalizao se refere ao fato de a RNA produzir
sadas adequadas para entradas que no estavam presentes durante o treinamento
(aprendizagem). Estas duas capacidades de processamento de informao tornam possvel
para as RNAs resolver problemas complexos (de grande escala) que so intratveis por
outras tcnicas.
O uso de RNAs oferece algumas propriedades teis e capacidades, segundo Haykin
(2001), dentre elas: no-linearidade, mapeamento de entrada-sada, adaptabilidade, resposta a
evidncias, informao contextual, tolerncia a falhas e uniformidade de anlise e projeto.

55

Analogia com o Crebro Biolgico

O sistema nervoso humano, segundo Arib (1987) apud Haykin (2001), pode ser visto
como um sistema de trs estgios, como mostrado no diagrama de blocos na Figura 3.7. O
centro do sistema o crebro, representado pela rede neural (nervosa), que recebe
continuamente informao, percebe-a e toma decises apropriadas. Dois conjuntos de setas
so mostrados na figura. Aquelas que apontam da esquerda para a direita indicam a
transmisso para frente do sinal portador de informao, atravs do sistema. As setas
apontando da direita para a esquerda indicam a presena de realimentao no sistema. Os
receptores convertem estmulos do corpo humano ou do ambiente externo em impulsos
eltricos gerados pela rede neural em respostas discernveis como sadas do sistema.

ESTMULO

REDE NEURAL

ATUADORES

RECEPTORES

RESPOSTA

Figura 3.7 Representao esquemtica do funcionamento de uma RNA.

O esforo para entender o crebro se tornou mais fcil pelo trabalho pioneiro de
Ramn y Cajl (1911) apud Haykin (2001), que introduziram a ideia dos neurnios como
constituintes estruturais do crebro. Tipicamente, os neurnios so de cinco a seis ordens de
grandeza mais lentos que as portas lgicas em silcio; os eventos em um circuito de silcio
acontecem na ordem de nanosegundos ( 109 s ), enquanto que eventos neurais acontecem na
ordem de milisegundos ( 103 s ). Entretanto, o crebro compensa a taxa de operao
relativamente lenta de um neurnio pela quantidade realmente espantosa dessas unidades
(clulas nervosas), com conexes macias entre si.

Estrutura dos Neurnios Artificiais

O neurnio artificial a unidade bsica de processamento de informaes, que


fundamental para a operao de uma RNA. Ele representa o modelo matemtico do neurnio
biolgico e foi primeiramente proposto por McCulloch e Pitts (1943), segundo Kovcs
(2006).

56

De forma didtica, possvel fazer uma analogia entre o neurnio artificial e o


neurnio biolgico. Para tanto, define-se que os dendritos, corpo celular (soma) e axnio do
neurnio biolgico so representados no neurnio artificial, respectivamente, pelos sinais de
entrada e pesos sinpticos, pela juno aditiva e funo de ativao, e sada de resposta. A
Figura 3.8 indica esquematicamente essa analogia.

Figura 3.8 Representao esquemtica da anologia entre neurnio biolgico e


neurnio artificial.
A Figura 3.9 mostra o modelo de um neurnio artificial que forma a base para o
projeto de RNAs.

bk

x1

k 1

x2

k 2

xm
sinais de
entrada

km

(bias)

juno
aditiva

yk

funo de
ativao

sinal de
sada

pesos
sinpticos

Figura 3.9 Modelo no-linear de um neurnio artificial.

57

O modelo do neurnio artificial apresentado na Figura 3.9 pode ser representado


matematicamente por:

yk k

(3.70)

k uk bk

(3.71)

com

onde k o campo local induzido ou potencial de ativao, e

uk kj x j

(3.72)

j 1

onde uk a sada do combinador linear devida aos sinais de entrada.


Podem ser identificados os seguintes elementos bsicos no neurnio artificial:

i.

Um conjunto de sinapses, ou conexes sinpticas, cada uma caracterizada por um


peso km ou fora prpria;

ii.

Uma juno aditiva para somar os sinais de entrada x j ponderados pelas respectivas
sinapses do neurnio;

iii.

Um bias bk aplicado externamente, que tem o efeito de aumentar ou diminuir a


entrada lquida da funo de ativao, permitindo realizar um aprimoramento durante
o treinamento da RNA;

iv.

Uma funo de ativao, para restringir a amplitude da sada de um neurnio. A


funo de ativao tambm referida como uma funo restritiva, j que restringe o
sinal de sada a um intervalo de menor amplitude;

58

v.

Um campo local induzido, ou potencial de ativao, k devido ao bias e aos sinais de


entrada ponderados uk .

A funo de ativao define a sada de um neurnio em funo do campo local


induzido. A Figura 3.10 mostra os trs tipos bsicos das funes de ativao: a funo de
limiar ou funo de Heaviside, a funo linear por partes e a funo sigmoide.

1,2

1,2

1,2

0,8

0,8

0,8

0,4

0,4

0,4

0,0

0,0

-2,0 -1,0

0,0

1,0

2,0

(a)

0,0

-2,0 -1,0

0,0

1,0

2,0

(b)

-2,0 -1,0

0,0

1,0

2,0

(c)

Figura 3.10 Funes de ativao: funo de Heaviside (a), funo linear por partes (b),
funo sigmoide (c).
Matematicamente, tem-se a descrio para cada funo de ativao representada
graficamente na Figura 3.10:

i.

Funo de Heaviside: a sada do neurnio que usa esta funo de ativao apresenta o
valor unitrio se o campo local induzido maior ou igual a zero, ou apresenta o valor
zero se o campo local induzido menor do que zero. Costumeiramente, usa-se o termo
neurnio tudo ou nada. A funo de Heaviside tambm denominada simplesmente
por funo linear e est matematicamente representada por

1 se 0
0 se 0

com

(3.73)

59

1 se 0
yk
0 se 0

ii.

(3.74)

Funo Linear por Partes: esta funo de ativao apresenta a caracterstica de nolinear entre os valores 0,5 e 0,5 , porm, a regio no-linear linearizada por uma
mdia aritmtica neste domnio, segundo a funo

1 se 0,5

se 0,5 0,5
0 se 0,5

iii.

(3.75)

Funo Sigmoide: esta funo apresenta como principal caracterstica a possibilidade de


tornar-se linear num determinado domnio e no-linear noutro domnio. A forma de S
(sigma) peculiar. So vrias as funes sigmides conhecidas e utilizadas em Redes
Neurais Artificiais. Uma delas a funo logstica, apresentada na Equao (3.76)
como uma funo exponencial, na forma

1
1 exp a

(3.76)

onde o parmetro a indica a inclinao da curva. Na Figura 3.10c esto ilustradas


situaes de a 2,0 , a 5, 0 e a 12,0 , para as linhas em preto, vermelho e azul,
respectivamente. Observa-se na Figura 3.10c, portanto, que a definio deste parmetro
preponderante para definir a funo sigmide com caracterstica mais prxima ou mais
afastada da funo de Heaviside.

60

Arquiteturas de Rede

As redes neurais do tipo perceptron inicialmente foram concebidas com uma nica
camada de neurnios, ou at mesmo com um nico neurnio. Esse paradigma tornava a RNA
bastante limitada para aplicaes prticas mais complexas. Portanto, as redes chamadas
mltiplas camadas apresentam-se como soluo inicial. A escolha da arquitetura da rede, ou
seja, quantos neurnios e de que maneira eles sero conectados, torna-se de fundamental
importncia no tratamento de problemas via Redes Neurais Artificiais. Porm, para cada
problema uma arquitetura mostrar-se- mais adequada, cabendo ao usurio fazer a escolha
mais pertinente.
H vrias arquiteturas de Redes Neurais Artificiais possveis apresentadas na
literatura. No entanto, em geral, as arquiteturas bsicas so Redes Alimentadas Adiante com
Camada nica, Redes Alimentadas Diretamente com Mltiplas Camadas e Redes
Recorrentes. As vrias possibilidades so resultantes de subcategorias dessas arquiteturas ou
casos especialssimos. Cada arquitetura apresenta uma estreita vinculao ao algoritmo de
treinamento utilizado.
A Figura 3.11 mostra uma arquitetura de rede Alimentada Adiante com Camada
nica. Neste tipo de arquitetura tem-se uma camada de entrada de ns de fonte que se projeta
sobre uma camada de sada de neurnios, mas no vive-versa.

Camada de neurnios de
entrada

Camada de neurnios de
sada.

Figura 3.11 Arquitetura feedforward de camada nica.


Fonte: Adaptado de Haykin (2001).

61

A arquitetura de rede Alimentada Diretamente com Mltiplas Camadas distinguese pela presena de uma ou mais camadas ocultas, cujos ns computacionais so chamados
correspondentemente de neurnios ocultos ou unidades ocultas (HAYKIN, 2001). A Figura
3.12 indica esse tipo de arquitetura. Essas arquiteturas de rede, classificadas tambm como
feedforward, tm sido muito usadas na soluo de diversos problemas prticos em anlise de
sistemas de engenharia e foram consideradas neste trabalho.

Camada de neurnios de
entrada

Camada de neurnios
ocultos

Camada de neurnios de
sada

Figura 3.12 Arquitetura feedforward de mltiplas camadas.


Fonte: Adaptado de Haykin (2001).

Camada de neurnios de
entrada

Camada de neurnios de
sada

Figura 3.13 Arquitetura de rede recorrente.


Fonte: Adaptado de Haykin (2001).

62

J as Redes Recorrentes distinguem-se das demais por apresentar ao menos um lao


de realimentao. Podem ser redes recorrentes de camada nica ou de mltiplas camadas. A
Figura 3.13 indica esse tipo de arquitetura de rede.

Processos de Aprendizagem

Uma vez bem definida a arquitetura de rede, o processo de aprendizagem


(treinamento da rede) a etapa seguinte, e caracteriza-se pelos ajustes dos pesos sinpticos e
nveis de bias. De maneira geral, o processo de aprendizagem aplicado a cada arquitetura de
rede especfica e d-se o nome de algoritmo de aprendizagem ao conjunto de procedimentos
com esta finalidade.
So cinco os principais processos de aprendizagem, quais sejam: aprendizagem por
correo de erro, aprendizagem baseada em memria, aprendizagem hebbiana, aprendizagem
competitiva e aprendizagem de Boltzmann. Esses processos de aprendizagem esto divididos
em trs principais metodologias, conhecidas como supervisionada (ou com professor), no
supervisionada (ou sem professor) e por reforo. Esquematicamente, a seguir, as trs
metodologias citadas so descritas.

i.

Mtodo Supervisionado: so apresentadas rede as entradas com as respectivas


sadas que se deseja que a rede seja capaz de aprender e predizer. Objetiva-se que
a diferena entre as sadas alimentadas rede e aquelas geradas pela rede seja nula,
ou prxima disto.

resposta objetivo

estmulo
AMBIENTE

PROFESSOR

estmulo

RNA

ALGORITMO DE
TREINAMENTO

resposta obtida
sinal de erro

Figura 3.14 Representao esquemtica do mtodo de aprendizagem supervisionado.

63

ii.

Mtodo No-Supervisionado: a prpria rede desenvolve habilidade de formar


representaes internas para codificar as caractersticas de entrada.

estmulo
AMBIENTE

resposta
ALGORITMO DE
TREINAMENTO

RNA

Figura 3.15 Representao esquemtica do mtodo de aprendizagem no-supervisionado.

iii.

Mtodo por Reforo: ocorre uma combinao das duas anteriores mediante uma
avaliao global da situao atualizada do treinamento.

O algoritmo de retropropagao de erro (ou backpropagation algorithm)


largamente utilizado para treinar Redes Neurais Artificiais do tipo perceptron multicamadas.
Sua principal caracterstica a retropropagao dos erros da camada de sada em relao s
camadas anteriores para realizar o ajuste dos pesos sinpticos. Funciona, basicamente, em
duas etapas: para frente (forward) e, se houver erro, para trs (backward). Na etapa forward
os dados de entrada da rede propagam-se nas camadas at atingir a sada, sem alterao nos
pesos. J na etapa backward, o erro calculado na sada da rede propagado de volta,
ajustando-se os pesos sinpticos.
Os estudos intrnsecos ao melhoramento da tcnica de modelagem por Redes Neurais
Artificiais esto predominantemente relacionados ao desenvolvimento de novos algoritmos de
treinamento e, no obstante a isso, comum o uso de algoritmos que envolvam caractersticas
de diferentes processos de aprendizagem.
No processo de aprendizagem por correo de erro, o sinal de sada da rede neural
comparado com uma resposta desejada ou sada-alvo (target). Consequentemente, um sinal de
erro produzido. Matematicamente,

ek n dk n yk n

com

(3.77)

64

ek : sinal de erro;
d k : resposta desejada;
k : ndice do neurnio;
n : instante de tempo discreto.

Os algoritmos de aprendizagem para este tipo de processo de aprendizagem


objetivam criar mecanismos de controle do sinal de erro, o que, em geral, feito atravs de
ajustes corretivos dos pesos sinpticos da rede. Utiliza-se tambm uma funo ndice de
desempenho, k , definida como

1
2

k n ek2 n

(3.78)

Quando os pesos sinpticos so estabilizados d-se o processo por encerrado.


O mtodo descrito, baseado na minimizao da funo ndice de desempenho,
tambm conhecido como regra delta.
Numa abordagem mais abrangente, ou seja, para toda a rede neural, tem-se:

kj n ek n x j n

(3.79)

kj n 1 kj n kj n

(3.80)

com

kj : ajuste do peso sinptico;

: taxa de aprendizado.

65

Redes Neurais e Escoamento Multifsico

Embora redes neurais sejam amplamente usadas com dados de treinamento oriundos
de fontes empricas, abordagens com dados de treinamento oriundos de simulaes tambm
so amplamente utilizadas, segundo Simes e Shaw (2007).
Poucos trabalhos publicados, no entanto, objetivam o clculo do gradiente de presso
em escoamento multifsico sem a necessidade do conhecimento do padro de escoamento.
Um nmero ainda menor utiliza tcnicas de inteligncia artificial para este fim.
Wu et al. (2001) usam a tcnica de modelagem por Rede Neural Artificial para a
identificao de padres de escoamento em tubo horizontal. No trabalho foram medidos sinais
instantneos de presses diferenciais com um transdutor de presso diferencial de rpida
resposta. Os dados serviram para a alimentao de uma RNA capaz de identificar os padres
de escoamentos.
Pacheco et al. (2007) usaram a tcnica de dimensionamento e treinamento de uma
Rede Neural Artificial para a determinao de padres de escoamento horizontal e, a partir
desses dados, estimativas da perda de carga.
Salgado (2010) desenvolveu uma metodologia para obteno de fraes volumtricas
em escoamento trifsico (gs, gua e leo) independentemente do padro de escoamento com
um sistema baseado em tcnicas de atenuao de radiao gama e com o emprego de Redes
Neurais Artificiais.
Ao analisar os trabalhos apresentados na literatura, observa-se que as metodologias
de modelagem por RNA apresentam boas respostas, todavia, o principal foco vem sendo a
identificao dos padres de escoamento.
Na indstria petrolfera raro conhecer, ou dispor, de possibilidade de visualizao
dos padres de escoamentos. Necessita-se, portanto, de uma tcnica capaz de predizer a parda
de carga em uma dada situao operacional sem passar pela necessidade de conhecimento do
padro de escoamento.

66

4. METODOLOGIA

O modelo fsico adotado consistiu de um trecho de tubulao horizontal com


caractersticas definidas segundo fluxograma mostrado na Figura 4.1, retirada de SOUZA
(2009), que realizou a determinao da presso do escoamento multifsico na sada circuito
conhecendo-se o fator de compressibilidade da fase lquida, medido experimentalmente, (e
adotando para todo o escoamento), bem como conhecendo a temperatura local. Trata-se de
uma unidade de testes em escoamento multifsico de petrleo.

Figura 4.1 Fluxograma simplificado do circuito multifsico.


Fonte: Souza (2009).

Neste trabalho foram utilizados os modelos determinsticos de escoamento


homogneo (HEM) e de escoamento separado (SFM), bem como a tcnica de Redes Neurais
Artificiais, com a finalidade de prever a perda de carga no Loop Multifsico, de comprimento
200 m e dimetro interno 6 in, indicado na Figura 4.1, para diferentes condies de fraes
das fases na entrada do circuito. Destaque-se que o principal objetivo era estudar a
aplicabilidade de Redes Neurais Artificiais simulao e estimativa da perda de carga em

67

escoamento multifsico, portanto, os modelos determinsticos serviram como fonte de dados


para alimentar e desenvolver rotinas compostas por Redes Neurais Artificiais e simular a
perda de carga no Loop Multifsico. No se objetivava resolver um problema operacional
local e especfico.
Considerou-se o escoamento bifsico lquido-gasoso com a principal finalidade de
anlise e clculo da perda de carga e variao da presso ao longo do comprimento do Loop
Multifsico para situaes operacionais diferentes, ou seja, diferentes vazes de cada fase na
entrada do sistema, gerando, portanto, diferentes presses ao final do Loop Multifsico, na
praa de testes. As propriedades fsicas dos fluidos utilizados foram definidas
coerentemente, mas no simulando qualquer situao operacional especfica.
Primeiramente, foi trabalhada a obteno dos modelos determinsticos de
escoamento homogneo e de escoamento separado, realizando-se balano de momentum em
um volume de controle definido.
Posterior obteno dos modelos, o desenvolvimento do trabalho consistiu de duas
etapas bsicas: dimensionamento e treinamento das RNAs; validao e simulao das
RNAs. Porm, para a realizao dessas etapas necessitava-se de dados representativos do
sistema a ser simulado com as RNAs. Esta etapa de obteno de dados foi realizada com a
soluo dos modelos determinsticos de escoamento homogneo e de escoamento separado.
Em sntese, foram seguidas as etapas:

1.

Obteno do modelo determinstico de escoamento homogneo;

2.

Obteno do modelo determinstico de escoamento separado;

3.

Soluo numrica do modelo determinstico de escoamento homogneo;

4.

Soluo numrica do modelo determinstico de escoamento separado;

5.

Implementao de rotinas compostas por RNAs capazes de simular os resultados


obtidos nas duas etapas anteriores;

6.

Simulao e validao numrica das rotinas implementadas na etapa anterior.

68

Todo o procedimento de implementao de rotinas para a soluo dos modelos foi


realizado com o uso do software MatLab verso 7.6. Para o dimensionamento e treinamento
das RNAs, foi utilizado o toolbox de Redes Neurais Artificiais do software citado.
O diagrama mostrado na Figura 4.2 sintetiza todo o procedimento metodolgico
adotado.

DIMENSIONAMENTO E TREINAMENTO DA RNA

PARMETRO DE TESTE

VALIDAO E SIMULAO DA RNA

NOVOS PARMETROS DE TESTE

PARMETROS
1
6

MODELO
DETERMINSTICO
2

8
7
9

SOLUO DO MODELO
DETERMINSTICO
3
3

VALIDAO DA RNA
8

RNA

SIMULAO
10

5
COMPARAO
4

SOLUO DA RNA

Figura 4.2 Representao esquemtica do procedimento metodolgico.

Uma vez de posse dos resultados de cada modelo determinstico, foi possvel
alimentar as RNAs com esses dados obtidos e, por fim, determinar se o procedimento de
simulao numrica com as RNAs era capaz de aproximar satisfatoriamente os dados de
alimentao considerados.
Entende-se como soluo dos modelos determinsticos os vetores perda de carga e
gradiente de presso para situaes operacionais distintas, ou seja, diferentes fraes de fases
na entrada do sistema. Com a utilizao da soluo do modelo determinstico de escoamento
homogneo foram testadas situaes de frao mssica da fase gasosa entre 0,0%, ou seja,
escoamento monofsico lquido, at 25,0%, com incrementos de 1,0%. Portanto, o principal

69

parmetro de teste era o vetor frao mssica da fase gasosa 0,0 :1,0 : 25,0 . J com
a utilizao da soluo do modelo determinstico de escoamento separado, foram testadas
situaes de frao mssica da fase gasosa entre 0,0%, ou seja, escoamento monofsico
lquido, at 50,0%, com incrementos de 1,0%. Portanto, o principal parmetro de teste era o
vetor frao mssica da fase gasosa 0,0:1,0:50,0 .
Observa-se, no diagrama da Figura 4.2, envoltria A, que a alimentao do
MODELO DETERMINSTICO (ndice 1)

era composta por

PARMETROS

PARMETRO DE TESTE. Os principais parmetros eram as propriedades fsicas das fases;


dimetro, comprimento e rugosidade da tubulao; temperatura e presso iniciais do Loop
Multifsico. Com a alimentao dos parmetros, dava-se incio soluo do MODELO
DETERMINSTICO (ndice 2). Posteriormente, a RNA era alimentada com a SOLUO
DO MODELO DETERMINSTICO e com o PARMETRO DE TESTE (ndice 3), ou seja,
necessitava-se dimensionar uma rede capaz de gerar os mesmos resultados obtidos com o
modelo determinstico para cada elemento do vetor de teste. Finalmente, fazia-se a
COMPARAO (ndice 5) entre a SOLUO DA RNA e a SOLUO DO MODELO
DETERMINSTICO, cuja soluo havia alimentado a RNA. Caso o resultado estivesse
dentro de uma margem de erro considerada satisfatria, o procedimento estava finalizado.
Uma vez bem dimensionada e treinada a RNA, era possvel validar a rede e simular
situaes de alimentao diferentes, ou seja, fraes de fases na entrada do Loop Multifsico
diferentes daquelas usadas como PARMETRO na soluo do modelo. Na envoltria B do
diagrama metodolgico, pode-se observar a alimentao do MODELO DETERMINSTICO
(ndice 6) com NOVOS PARMETROS DE TESTE, valores intermedirios aos elementos
do vetor de teste. Ento, parte do procedimento anterior era repetido, ou seja, SOLUO DO
MODELO DETERMINSTICO (ndice 7), ALIMENTAO DA RNA (ndice 8) e
COMPARAO entre o valor gerado pelo modelo determinstico com essa nova
configurao de alimentao teste e o valor gerado pela RNA previamente dimensionada e
treinada, ou seja, VALIDAO DA RNA (ndice 9). Caso o valor comparado entre a soluo
do modelo determinstico e a soluo pela RNA estivesse dentro de uma margem de erro
satisfatria, considerava-se que a RNA estava bem dimensionada e pronta para realizar a
SIMULAO (ndice 10) de qualquer situao de alimentao dentro do intervalo do vetor
de teste, isto , qualquer valor de frao mssica da fase gasosa entre 0,0% e 30,0%, quando

70

usados os dados do modelo determinstico de escoamento homogneo ou entre 0,0% e 50,0%


quando usados os dados do modelo determinstico de escoamento separado.
Todo o procedimento descrito nos dois pargrafos anteriores foi realizado duas
vezes: a primeira vez utilizando-se o modelo determinstico de escoamento homogneo para
gerar dados de alimentao para a NetMH (nome dado RNA alimentada com a soluo do
modelo determinstico de escoamento homogneo) e uma segunda vez utilizando-se do
modelo determinstico de escoamento separado para gerar dados de alimentao para a
NetMS (nome dado RNA alimentada com a soluo do modelo determinstico de
escoamento separado).
Finalmente, todos os resultados foram comparados, quais sejam: influncia da frao
mssica da fase gasosa sobre o gradiente de presso calculado, analisada pelos dois modelos
determinsticos citados e simulados pelas duas Redes Neurais Artificiais dimensionadas e
treinadas (NetMH e NetMS).
Para as etapas treinamento e simulao com as RNAs, a Figura 4.3 mostra o
algoritmo metodolgico utilizado, adaptado de Simes e Shaw (2007).

71

OBTENO DE DADOS DE ENTRADA E SADA DE RESULTADOS


EXPERIMENTAIS OU DE SIMULAES

ESCOLHA DA ARQUITETURA DE REDE, FUNES DE ATIVAO E


ALGORITMO DE APRENDIZAGEM

INICIALIZAO DOS PESOS ALEATORIAMENTE

SELEO DE PADRES DE DADOS

COMPARAO DO ERRO

ALTERAO DA
ARQUITETURA
DE REDE

O ERRO
ACEITVEL?

ALTERAO DOS
PESOS POR
RETROPROPAGA O (algoritmo de
treinamento)

TREINAMENTO DA REDE COM PADRES DE DADOS DIFERENTES E


TESTE DO DESEMPENHO

O ERRO
ACEITVEL?

RESPOSTA DA REDE

Figura 4.3 Fluxograma do desenvolvimento de uma Rede Neural Artificial.


Fonte: Adaptado de Simes e Shaw (2007).

72

4.1. Soluo Numrica do Modelo de Escoamento Homogneo

O modelo determinstico representado pela Equao (3.65) foi resolvido


numericamente, com a discretizao do Loop Multifsico, para um conjunto de parmetros
coerentemente definidos. Adicionalmente s consideraes intrnsecas ao modelo de
escoamento homogneo, considerou-se que no pequeno intervalo de integrao a presso era
constante e, consequentemente, todos os parmetros secundrios tambm permaneciam
constantes. Ressalte-se que o modelo de escoamento homogneo utilizado representa um
sistema isotrmico unidimensional. Portanto, o modelo foi resolvido numericamente na forma

f z 1Gt2, z 1V z 1
dx
gsen

Gt2, z 1VLG , z 1

2D
dz z 1 V z 1

P z P z 1

dV
1 Gt2, z 1 x z 1 G

dP z 1

(4.1)

No Quadro 4.1 so descritas as formas de clculo para cada termo da Equao (4.1).

Quadro 4.1 Descrio do procedimento de clculo de cada termo da Equao (4.1).


TERMO
f

Gt

DESCRIO DE CLCULO
Funo implementada para clculo do fator de atrito (correlaes).

G , m L e A .
A partir dos parmetros m
x

G e m L .
A partir dos parmetros m

VG , VL
D

VLG
dx
dz
g

Funes implementadas com equaes de estado adequadas.

Parmetro.
Funes implementadas com equaes de estado adequadas.
x

Repete-se.
Parmetro.

Parmetro.

73

TERMO

dVG
dP

DESCRIO DE CLCULO
Parmetro.

VG

Repete-se.

Presso calculada no passo de integrao anterior.

Inicialmente, foi definida a variao de frao mssica da fase gasosa a ser testada
(parmetro de teste): frao mssica da fase gasosa 0,0 :1,0 : 25,0 , bem como a
condio inicial, ou seja, P em z 0 . A seguir, a tubulao foi seccionada e o modelo foi
resolvido em cada ponto para cada parmetro de teste. Em cada ponto, a presso foi calculada
utilizando-se a presso no ponto anterior para recalcular os parmetros e, consequentemente,
novamente a presso, conforme a Equao (4.1).
Merece ateno o termo de variao do volume especfico da fase gasosa em relao
presso, pois se sabe que VG f T , P e que P f z , o que implica no uso de uma
equao de estado adequada para o clculo de VG em cada ponto da tubulao considerada.
Para o clculo de cada parmetro da Equao (4.1) foram implementadas funes
especficas que eram chamadas pela funo fMH, que gerenciava a soluo do modelo de
escoamento homogneo. Portanto, foram implementadas funes para o clculo do fator de
atrito, volume especfico da fase gasosa (van der Waals, Redlich-Kwong, Soave-RedlichKwong e Peng-Robinson), viscosidade das fases e massa especfica das fases. Depois de
implementadas, as rotinas foram rodadas para verificao e ajustes necessrios, bem como,
posteriormente aos ajustes, foram escolhidas a equao de estado e correlaes a serem
usadas em cada funo citada.
Finalmente, a matriz soluo foi gerada com as colunas representando os parmetros
de teste e as linhas representando as presses em cada ponto da tubulao.
Tambm foram geradas matrizes soluo com a anlise da evoluo das variveis em
relao ao comprimento da tubulao e presso em cada ponto.
Tinha-se, ento, a matriz soluo do modelo determinstico de escoamento
homogneo para alimentar a RNA que simularia os resultados obtidos.

74

4.2. O Modelo Neural com Dados do Modelo de Escoamento Homogneo

De posse dos parmetros de entrada do modelo determinstico de escoamento


homogneo, ou seja, vazo mssica das fases gasosa e lquida, bem como de posse de seus
valores de gradiente de presso para cada condio de vazo na entrada do sistema, a RNA
pode ser alimentada. Rede Neural Artificial desenvolvida, foi dado o nome de NetMH.
A NetMH foi desenvolvida com a utilizao do Neural Network Toolbox do software
MatLab verso 7.6. Foi utilizada a arquitetura Feedforward Backpropagation Network de
mltiplas camadas.
Para a arquitetura utilizada, foram testadas diferentes configuraes de funes de
ativao e algoritmos de treinamento, considerados os pontos determinantes da eficincia de
uma Rede Neural Artificial.
Por fim, foram escolhidas as funes de ativao tansig e purelin, para as camadas
escondidas e de sada, respectivamente.
Os algoritmos de treinamento testados foram trainlm, traingda, traingdm e traingd,
sendo o algoritmo trainlm (Levenberg-Marquardt) escolhido como mtodo de treinamento da
rede NetMH.
Uma vez definida a arquitetura, as funes de ativao e o algoritmo de treinamento,
foram realizadas as simulaes das perdas de carga e gradientes de presso para as entradas
especificadas.
Por fim, de posse dos valores treinados pela NetMH, foram promovidas simulaes
com valores intermedirios de vazo da fase gasosa, agora um vetor composto por valores
intermedirios aos elementos pr-existentes.
As sadas da NetMH, para os valores simulados, foram confrontadas com os valores
calculados pelo modelo determinstico como forma de validao da metodologia empregada.
Finalmente, foram calculados os erros relativos da NetMH para cada ponto de
simulao e demonstrada a eficincia da metodologia.

75

4.3. Soluo Numrica do Modelo de Escoamento Separado

O modelo determinstico representado pela Equao (3.67) foi resolvido


numericamente para um conjunto de parmetros coerentemente definidos, semelhantemente
ao modelo representado pela Equao (3.65). Adicionalmente considerao intrnseca ao
modelo determinstico de escoamento separado, foi considerado que no intervalo de
integrao a presso era constante e, consequentemente, todos os parmetros secundrios
tambm permaneciam constantes. O modelo determinstico de escoamento separado tambm
considerou uma situao isotrmica e unidimensional.
Inicialmente, foi definida a variao de frao mssica da fase gasosa a ser testada
(parmetro de teste): frao mssica da fase gasosa 0,0 :1,0 : 50,0 , bem como a
condio inicial, ou seja, P em z 0 . A seguir, a tubulao foi seccionada e o modelo foi
resolvido em cada ponto para cada parmetro de teste. Em cada ponto da tubulao, a presso
foi calculada utilizando-se a presso no ponto anterior para recalcular os parmetros e,
consequentemente, novamente a presso, conforme a Equao (4.2).

f LO z 1G2z 1VL z 1 2LO


P z P z 1

2D
2
x z 1 dVG
1
z 1 dP

G2z 1

P
z 1

z 1 1 z 1
dx
A , x
VG z 1 VL z 1
dz z 1

2
1 x z 1 VL z 1

2
1
z 1 x
z 1

gsen

(4.2)

x z 1 VG z 1
2
z 1

com

2x V
2 1 x z 1 VL z 1
z 1 G z 1

A , x

1 z 1
z 1
x

2
1 x z 1 VL z 1 x2z 1VG z 1
(4.3)


2
2

z 1 P
1 z 1
z 1

No Quadro 4.2 so descritas as formas de clculo para cada termo da Equao (4.2).

76

Quadro 4.2 Descrio do procedimento de clculo de cada termo da Equao (4.2).


TERMO
f

DESCRIO DE CLCULO
Funo implementada para clculo do fator de atrito.

G , m L e A .
A partir dos parmetros m

Gt

G e m L .
A partir dos parmetros m

VG , VL

Funes implementadas com equaes de estado adequadas.

Parmetro.

LO

Parmetro definido.

VG ,
G

Funes implementadas com equaes de estado adequadas.

Repete-se.

Presso calculada no passo de integrao anterior.

Parmetro.

Parmetro.

Repete-se.

Repete-se.

Enquanto para a soluo do modelo determinstico de escoamento homogneo o


termo de variao do volume especfico da fase gasosa em relao presso merecia especial
ateno, fazendo-se necessrio o uso de uma equao de estado adequada, aqui, na soluo do
modelo determinstico de escoamento separado, existem dois grupos que merecem igual
ateno: o termo de variao da frao de vazios em relao presso, frao mssica
constante, e o termo de variao de frao de vazios em relao frao mssica da fase
gasosa, presso constante. Considera-se que esses termos geram as maiores dificuldades na
soluo do modelo determinstico de escoamento separado.
Da mesma forma que para a soluo do modelo determinstico de escoamento
homogneo, para o clculo de cada parmetro da Equao (4.2) foram implementadas funes
especficas que eram chamadas pela funo fMS, que gerenciava a soluo do modelo de

77

escoamento separado. Portanto, foram implementadas funes para o clculo do fator de


atrito, volume especfico da fase gasosa (van der Waals, Redlich-Kwong, Soave-RedlichKwong e Peng-Robinson), viscosidade das fases e massa especfica das fases. Depois de
implementadas, as rotinas foram rodadas para verificao e ajustes necessrios, bem como,
posteriormente aos ajustes, foram escolhidas a equao de estado e correlaes a serem
usadas em cada funo citada.
O procedimento seguinte foi exatamente o mesmo que aquele realizado para o
modelo de escoamento homogneo.
Tinha-se, ento, a matriz soluo do modelo determinstico de escoamento separado
para alimentar a Rede Neural Artificial que simularia os resultados obtidos.

4.4. O Modelo Neural com Dados do Modelo de Escoamento Separado

De posse dos parmetros de entrada do modelo determinstico de escoamento


separado, ou seja, vazo mssica das fases gasosa e lquida, bem como de posse de seus
valores de gradiente de presso para cada condio de vazo na entrada do sistema, a RNA
pode ser alimentada. Rede Neural Artificial desenvolvida, foi dado o nome de NetMS.
A NetMS foi desenvolvida com a utilizao do Neural Network Toolbox do software
MatLab verso 7.6. Foi utilizada a arquitetura Feedforward Backpropagation Network de
mltiplas camadas.
Para a arquitetura utilizada, foram testadas diferentes configuraes de funes de
ativao e algoritmos de treinamento, seguindo o mesmo procedimento anteriormente descrito
quando da simulao dos dados obtidos com o modelo determinstico de escoamento
homogneo.
Por fim, foram escolhidas as funes de ativao tansig e purelin, para as camadas
escondidas e de sada, respectivamente.
Os algoritmos de treinamento testados foram trainlm, traingda, traingdm e traingd,
sendo o algoritmo trainlm (Levenberg-Marquardt) escolhido como mtodo de treinamento da
rede NetMS.

78

Uma vez definida a arquitetura, as funes de transferncia e o algoritmo de


treinamento, foram realizadas as simulaes das perdas de carga e gradientes de presso para
as entradas especificadas.
Por fim, de posse dos valores treinados pela NetMS, foram promovidas simulaes
com valores intermedirios de vazo mssica da fase gasosa, agora um vetor composto por
valores intermedirios aos elementos pr-existentes.
As sadas da NetMS, para os valores simulados, foram confrontadas com os valores
calculados pelo modelo determinstico como forma de validao da metodologia empregada.
Finalmente, foram calculados os erros relativos da NetMS para cada ponto de
simulao e demonstrada sua eficincia.

79

5. RESULTADOS E DISCUSSO

Os resultados foram simulados posteriormente implementao das rotinas de soluo


dos modelos determinsticos que, para tanto, necessitavam do uso das correlaes para o fator
de atrito e viscosidade mdia da mistura bifsica, assim como dos valores de volume
especfico das fases gasosa e lquida calculados com o uso de uma equao de estado
adequada. J a implementao das rotinas de RNAs, necessitavam previamente da soluo
dos modelos determinsticos, pois estes seriam usados como dados de treinamento. Portanto,
as funes implementadas podem ser observadas com suas descries no Quadro 5.1.

Quadro 5.1 ndice de rotinas do simulador.


FUNO

MFNet

DESCRIO
Programa principal: atribuio e clculo de parmetros; gerenciamento
das funes; exportao de resultados
Fator de Atrito

ffLaminar

Clculo do fator de atrito para o regime de escoamento laminar

ffBlasius

Clculo do fator de atrito pela equao de Blasius

ffChurchill

Clculo do fator de atrito pela equao de Churchill

ffColebrook_Tu

Clculo do fator de atrito, para o regime turbulento, pela equao de


Colebrook

ffColebrook_Tr

Clculo do fator de atrito, para a zona de transio de regimes, pela


equao de Colebrook

ffHaaland

Clculo do fator de atrito pela equao de Haaland

ffSwameeJain

Clculo do fator de atrito pela equao de Swame e Jain

80

FUNO

DESCRIO

Volume Especfico da Fase Gasosa

fvdW

Clculo do volume especfico da fase gasosa pela equao de estado


cbica de van der Waals

fPR

Clculo do volume especfico da fase gasosa pela equao de estado


cbica de Peng-Robinson

fRK

Clculo do volume especfico da fase gasosa pela equao de estado


cbica de Redlich-Kwong

fSRK

Clculo do volume especfico da fase gasosa pela equao de estado


cbica de Soave-Redlich-Kwong
Viscosidade Mdia da Mistura Bifsica

fmiDukler

Clculo da viscosidade da mistura bifsica pela equao de Dukler

fmiMcAdams

Clculo da viscosidade da mistura bifsica pela equao de McAdams

fmiCicchitti

Clculo da viscosidade da mistura bifsica pela equao de Cicchitti

Soluo dos Modelos

fMH

Soluo do modelo determinstico de escoamento homogneo

fMS

Soluo do modelo determinstico de escoamento separado

Simulaes com Redes Neurais Artificiais

fMHNet

Simulao do modelo determinstico de escoamento homogneo pela


Rede Neural Artificial NetMH

fMSNet

Simulao do modelo determinstico de escoamento separado pela Rede


Neural Artificial NetMS

81

FUNO

DESCRIO
Resultados
Evoluo das variveis principais em funo do comprimento da
tubulao e da frao mssica da fase gasosa inicial, calculadas pelo
modelo determinstico de escoamento homogneo
Perdas de carga e gradientes de presso obtidos com o modelo
determinstico de escoamento homogneo e simulados pela rede NetMH
Evoluo das variveis principais em funo do comprimento da
tubulao e da frao mssica da fase gasosa, calculadas pelo modelo
determinstico de escoamento separado
Perdas de carga e gradientes de presso obtidos com o modelo
determinstico de escoamento separado e simulados pela rede NetMS

fRMHV
fRMHP
fRMSV
fRMSP

A Figura 5.1 mostra a perda de carga calculada com o modelo determinstico de


escoamento homogneo para cada condio de frao mssica da fase gasosa no incio do
circuito. Considera-se que, com a faixa de frao mssica da fase gasosa utilizada, ou seja,
0,0% at 25,0%, a condio de validade do modelo respeitada, isto , condio em que uma
fase est bem dispersa na outra.

Perda de Carga (bar)

1,2000
1,0000
0,8000

0,6000
0,4000
0,2000
0,0000
0,0

5,0

10,0

15,0

20,0

25,0

Frao Mssica da Fase Gasosa (%)

Figura 5.1 Perdas de carga (modelo determinstico de escoamento homogneo).

82

Pode ser observado na Figura 5.1 que ocorre perda de carga maior quando a frao
mssica da fase gasosa inicial maior. Isto justificado pelo aumento do volume especfico
mdio com a diminuio da presso e, por consequncia, aumento do termo de atrito do
modelo determinstico de escoamento homogneo.
A Figura 5.2, por sua vez, mostra a variao da presso em funo do comprimento
da tubulao.

20,0

Presso (bar)

19,6
19,2
18,8
18,4
18,0
0

50

100

150

200

Comprimento (m)
MEH (x=0,05)

MEH (x=0,15)

MEH (x=0,25)

Figura 5.2 Gradiente de presso para cada condio inicial de frao mssica da fase gasosa
(modelo determinstico de escoamento homogneo).

Observa-se na Figura 5.2 que o gradiente de presso maior medida que se


aumenta a frao mssica da fase gasosa no incio do Loop Multifsico, em conformidade
com o que pode ser visto na Figura 5.1.
Na Tabela 5.1 pode-se observar a evoluo dos termos que indicam a influncia da
frao mssica da fase gasosa inicial sobre o gradiente de presso. Tomou-se como referncia
o centro do Loop Multifsico, ou seja, comprimento 100 m.

83

Tabela 5.1 Influncia do aumento da frao mssica da fase gasosa inicial nos principais
termos do HEM.

2 dVG
1 Gt x dP

fGt2 V

2D

0,00

0,001136

1,000000

43,451291

0,05

0,004777

1,000703

173,519375

0,10

0,008418

1,001406

289,683450

0,15

0,012059

1,002110

391,960338

0,20

0,015700

1,002813

480,574156

0,25

0,019341

1,003517

558,159115

Observa-se, na Tabela 5.1, que, medida que a frao mssica da fase gasosa inicial
aumenta, ocorre tambm o aumentam do volume especfico mdio da mistura bifsica, assim
como da variao do volume especfico da fase gasosa em relao presso e,
consequentemente, do termo de atrito do modelo determinstico de escoamento homogneo.
O aumento observado no denominador do modelo medida que a frao mssica da
fase gasosa aumenta, por si s, representaria uma diminuio do gradiente de presso.
Contudo, conforme pode ser visto na Tabela 5.1, a frao mssica da fase gasosa inicial
influencia mais fortemente o termo de atrito. Constatam-se, ento, as razes fenomenolgicas
do aumento da perda de carga diretamente proporcional frao mssica da fase gasosa no
incio do Loop Multifsico.
Tambm possvel perceber que, para a situao de frao mssica da fase gasosa
igual a zero, ou seja, escoamento monofsico lquido, o denominador do modelo de
escoamento homogneo assume o valor unitrio, logo, configura-se o clculo da perda de
carga apenas com o termo de atrito exatamente da mesma forma como se calcula perda de
carga em escoamento monofsico lquido.
A Figura 5.3 mostra a perda de carga calculada com o modelo determinstico de
escoamento separado para cada condio de frao mssica da fase gasosa no incio do Loop
Multifsico. A faixa de frao mssica da fase gasosa utilizada, ou seja, 0,0% at 50,0%,
representa uma condio mais abrangente que aquela utilizada anteriormente para a soluo

84

do modelo determinstico de escoamento homogneo, visto que as consideraes adotadas no


procedimento de obteno do modelo de escoamento separado so menos restritivas que
aquelas adotadas para obteno do modelo determinstico de escoamento homogneo, como
pode ser mais bem entendido com a leitura dos Apndices A, B e C.

2,0000

Perda de Carga (bar)

1,6000

1,2000

0,8000

0,4000

0,0000
0,00

10,00

20,00

30,00

40,00

50,00

Frao Mssica da Fase Gasosa (%)

Figura 5.3 Perdas de carga (modelo determinstico de escoamento separado).

Observa-se, na Figura 5.3, que ocorre perda de carga maior quando a frao mssica
da fase gasosa inicial maior, da mesma forma que observado na Figura 5.1. Com a soluo
do modelo determinstico de escoamento separado, tambm possvel observar o aumento do
volume especfico da fase gasosa medida que a presso diminui e, portanto, o
comportamento apresentado na Figura 5.3 pode ser entendido semelhantemente quele
apresentado na Figura 5.1. Destaca-se, porm, que, para menores fraes mssicas da fase
gasosa, observa-se um comportamento no linear local, confirmando a influncia da potncia
quadrtica na frao mssica da fase gasosa, consequncia do termo de acelerao do modelo
determinstico de escoamento separado.
A Figura 5.4 mostra a variao da presso em funo do comprimento da tubulao.

85

20,0

Presso (bar)

19,6
19,2
18,8
18,4
18,0
0

50

100

150

200

Comprimento (m)
MES (x=0,10)

MES (x=0,30)

MES (x=0,50)

Figura 5.4 Gradientes de presso para cada condio inicial de frao mssica da fase
gasosa (modelo determinstico de escoamento separado).

Observa-se, na Figura 5.4, que, para maiores valores de frao mssica da fase
gasosa no incio do Loop Multifsico, ocorre uma diminuio da presso do sistema de forma
mais acentuada, semelhante ao observado na Figura 5.3. Cabe ressaltar que a no-linearidade
do modelo determinstico de escoamento separado se deve s potncias quadrticas da frao
mssica da fase gasosa e da frao de vazios e, medida que a presso diminui, a relao
entre frao mssica e frao de vazios diminui consideravelmente, o que acarreta numa forte
queda de presso em relao ao comprimento apenas nos primeiros metros de tubulao.
A Figura 5.5 mostra a variao de frao de vazios em funo da frao mssica da
fase gasosa para a faixa de presso observada no Loop Multifsico. Constata-se que para
pequenas fraes mssicas, na presso trabalhada, a frao de vazios bastante pronunciada.
Este fato, portanto, contribui para a forte variao de presso j na entrada do sistema, devido
ao termo quadrtico de frao de vazios no modelo determinstico de escoamento separado.
possvel intuir que, para maiores fraes mssicas da fase gasosa a frao de vazios passa a
variar com menor intensidade e, portanto, a magnitude da frao de vazios equilibrada,
ento, pela alta frao mssica da fase gasosa.

86

1
0,9

Frao de Vazios

0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

Frao Mssica da Fase Gasosa

Figura 5.5 Frao de vazios observada em funo da frao mssica da fase gasosa.

Para sistemas de escoamento multifsico que apresentam faixas de presses maiores,


a frao de vazios e a frao mssica da fase gasosa apresentam valores mais prximos,
diferentemente do problema aqui trabalhado e, portanto, possvel intuir que a curva de
presso em funo do comprimento da tubulao seja mais suave.
Posteriormente s solues dos modelos determinsticos, foi possvel trabalhar as
simulaes com Redes Neurais Artificiais.
Foram testadas, inicialmente, as arquiteturas de rede, funes de ativao e mtodos
de treinamento mais adequados soluo do problema em questo, bem como foram
utilizadas,

exclusivamente,

arquiteturas

para

rede

feedforward

backpropagation

multicamadas, onde a quantidade de neurnios e camadas foram os principais parmetros


verificados.
As funes de ativao utilizadas foram, para todas as arquiteturas testadas,
respectivamente, tansig (funo sigmoide) para as camadas de entrada e camadas ocultas e
purelin (funo linear) para as camadas de sada. Em redes feedforward multicamadas o uso
de funes de ativao no-lineares, como a funo sigmide, permite que a rede aprenda
relaes no lineares entre vetores de entrada e sada. J o uso de funo de ativao linear na
camada de sada permite que a rede produza sadas com caractersticas lineares e em uma

87

maior faixa (-1 a +1), ou seja, caractersticas de no-linearidade e linearidade so


consideradas.
Como mtodo de treinamento, foi utilizado o algoritmo de Levenberg-Marquardt
(funo nativa do toolbox de Redes Neurais Artificiais do MatLab: trainlm), que se encontra
descrita em detalhes no Apndice F.
A Tabela 5.2 mostra as arquiteturas testadas para simulao da perda de carga
calculada com o modelo determinstico de escoamento homogneo e os respectivos erros
relativos mdios. Os erros relativos referem-se diferena dos valores simulados pela RNA
para a perda de carga em funo da frao mssica da fase gasosa e aquela calculada pelo
modelo determinstico de escoamento homogneo. Os valores designados pelos vetores input
(entrada), target (objetivo) e sim (simulado) so, respectivamente, vetor frao mssica da
fase gasosa (parmetro da RNA), vetor perda de carga (o que se espera como sada da RNA,
tambm parmetro da RNA) e vetor perda de carga simulada (resultados gerados pela RNA).

Tabela 5.2 Arquiteturas de rede testadas para simulao das perdas de carga (alimentadas
com o modelo de escoamento homogneo).
erro
relativo
(input,
target)

erro
relativo
(input,
sim)

(%)

(%)

44,1119

25,5233

0,9830

0,9061

0,1999

0,3578

0,0000

0,2237

10-1

10

0,0000

3,0820

3-5-1

0,5010

0,4665

3-10-1

10

0,0000

0,4420

3-15-1

15

0,0000

2,8598

3-5-5-1

0,0000

0,8099

3-10-5-1

10

0,0001

3,6047

neurnios
na
camada
de
entrada

neurnios
na 1
camada
oculta

neurnios
na 2
camada
oculta

neurnios
na
camada
de sada

2-1

4-1

6-1

8-1

arquitetura

88

erro
relativo
(input,
target)

erro
relativo
(input,
sim)

(%)

(%)

0,0000

1,5360

0,0000

0,4867

neurnios
na
camada
de
entrada

neurnios
na 1
camada
oculta

neurnios
na 2
camada
oculta

neurnios
na
camada
de sada

3-5-10-1

10

3-10-10-1

10

10

arquitetura

A coluna 1 da Tabela 5.3 indica as arquiteturas testadas, bem como as colunas 2, 3, 4


e 5 indicam, respectivamente, a quantidade de neurnios nas camadas de entrada, nas
camadas ocultas e na camada de sada, respectivamente.
Observa-se que a rede com arquitetura 2-1 gera valores de erro relativo input x target
extremamente elevados, o que faz concluir facilmente que esta arquitetura no indicada
soluo do problema. Por outro lado, as arquiteturas 8-1, 10-1, 3-10-1, 3-15-1, 3-5-5-1, 3-105-1, 3-5-10-1 e 3-10-10-1 indicaram erro relativo input x target de 0,0000%, ou seja, so estas
as arquiteturas mais adequadas a serem utilizadas para o problema em questo. Porm, cabe
ressaltar que o objetivo principal ao se usar uma Rede Neural Artificial que ela seja capaz de
simular resultados intermedirios aos vetores parmetros, ou seja, ela deve aprender que
para cada elemento do vetor input deve-se obter o correspondente elemento do vetor target e,
principalmente, conseguir gerar resultados satisfatrios quando forem simuladas situaes
intermedirias do vetor input. Se os resultados simulados pela rede apresentarem erros
relativos considerados satisfatrios, entende-se que a rede est bem treinada e pode ser usada
com esta finalidade de simulao.
Dentre as arquiteturas implementadas e testadas, os melhores resultados de
simulao foram obtidos com a arquitetura 8-1, como pode ser visto na coluna 7 da Tabela
5.3, gerando um erro relativo mdio de 0,2237%, assim como as arquiteturas 6-1 e 3-10-1
geraram erro relativo mdio de 0,3578% e 0,4420%, respectivamente, tambm considerados
pequenos e satisfatrios.
Observa-se, a partir dos resultados mostrados na Tabela 5.2, que a arquitetura tem
grande influncia no desempenho da rede e, principalmente, que no necessria uma
arquitetura de muitas camadas e muitos neurnios para se obter bons resultados com a
simulao. Dentre as arquiteturas de melhor desempenho, observa-se que existe uma
diferena significativa na quantidade de neurnios e camadas, logo, deve-se destacar que

89

menor esforo computacional requerido pelas arquiteturas 6-1 e 8-1, com 7 e 9 neurnios
respectivamente e, portanto, como o erro relativo mdio gerado por estas arquiteturas
apresenta-se dentro de uma faixa considerada aceitvel, ambas so indicadas para uso.
A Tabela 5.3 apresenta alguns valores simulados pelas redes de arquitetura 2-1, 3-105-1 e 8-1, respectivamente a rede de pior desempenho (2-1), a rede com desempenho
intermedirio dentre as testadas (3-10-5-1) e a rede escolhida para utilizao (8-1).
Tabela 5.3 Alguns valores simulados com a NetMH.

x (%)

P (bar)
(modelo)

Arquitetura

Arquitetura

Arquitetura

2-1

3-10-5-1

8-1

P (bar)
(netMH)

erro
relativo
(%)

P (bar)
(netMH)

erro
relativo
(%)

P (bar)
(netMH)

erro
relativo
(%)

0,2484

0,3775

51,9877

0,2482

0,0536

0,2452

1,2647

0,5003

0,4530

9,4440

0,5002

0,0173

0,5011

0,1648

13

0,7291

0,5683

22,0597

0,7298

0,0933

0,7287

0,0511

18

0,9333

0,7402

20,6838

0,9260

0,7783

0,9336

0,0348

23

1,1132

0,9885

11,2043

1,2956

16,3831

1,1126

0,0499

28

1,2922

1,3302

2,9423

1,0977

15,0507

1,2939

0,1297

Observa-se, na Tabela 5.3, que, de fato, a arquitetura 8-1 apresenta melhor


desempenho ao simular valores intermedirios do vetor input e que a arquitetura 2-1 apresenta
resultados insatisfatrios. Dentre os seis pontos tomados para exemplificao, o maior erro
observado com a simulao da arquitetura 8-1 foi de 1,2647%, satisfatrio, enquanto que o
maior erro apresentado pela arquitetura 3-10-5-1 foi 16,3831%, insatisfatrio, e aquele
apresentado pela arquitetura 2-1 foi 51,9877%, tambm insatisfatrio.
A Figura 5.6 mostra, na forma de grfico de barras, os erros relativos mdios obtidos
com as arquiteturas testadas nas situaes de simulao, o que facilita a comparao.

90

input x sim
30,00%

erro relativo mdio

25,00%

1: arquitetura 2-1
2: arquitetura 4-1
3: arquitetura 6-1
4: arquitetura 8-1
5: arquitetura 10-1
6: arquitetura 3-5-1
7: arquitetura 3-10-1
8: arquitetura 3-15-1
9: arquitetura 3-5-5-1
10: arquitetura 3-10-5-1
11: arquitetura 3-5-10-1
12: arquitetura 3-10-10-1

20,00%
15,00%
10,00%
5,00%
0,00%
1

10

11

12

Figura 5.6 Erro relativo mdio calculado com os vetores input e sim para o modelo
determinstico de escoamento homogneo.

Observa-se, na Figura 5.6, que o erro relativo mdio gerado pela arquitetura 2-1 , de
fato, extremamente elevado em relao ao erro relativo mdio gerado pelas demais
arquiteturas. Ento, para obter uma melhor visualizao comparativa dos erros relativos
mdios das demais arquiteturas, a Figura 5.7 exclui a primeira opo e reduz a escala.

input x sim
4,00%

erro relativo mdio

3,50%
1: arquitetura 4-1
2: arquitetura 6-1
3: arquitetura 8-1
4: arquitetura 10-1
5: arquitetura 3-5-1
6: arquitetura 3-10-1
7: arquitetura 3-15-1
8: arquitetura 3-5-5-1
9: arquitetura 3-10-5-1
10: arquitetura 3-5-10-1
11: arquitetura 3-10-10-1

3,00%
2,50%
2,00%
1,50%
1,00%
0,50%
0,00%

10

11

Figura 5.7 Erro relativo mdio calculado com os vetores input e sim para o modelo de
escoamento homogneo (excluindo a arquitetura 2-1).

91

Observa-se, na Figura 5.7, que as arquiteturas 6-1, 8-1, 3-5-1, 3-10-1 e 3-10-10-1
apresentam erro relativo mdio menor que 0,5%. Nesta figura evidencia-se, novamente, o
melhor desempenho da arquitetura 8-1 em simular resultados intermedirios ao vetor input e
com uma arquitetura considerada simples.
A Tabela 5.4 mostra as arquiteturas testadas para simulao das perdas de carga
calculadas com o modelo determinstico de escoamento separado, na mesma forma que pode
ser vista na Tabela 5.3 para os dados de perda de carga calculados com o modelo
determinstico de escoamento homogneo e usados como dados de treinamento. So vistos na
Tabela 5.4, tambm, os respectivos erros relativos mdios.
Tabela 5.4 Arquiteturas de rede testadas para simulao das perdas de carga (alimentadas
com o modelo de escoamento separado).
neurnios
na
camada
de
entrada

neurnios
na 1
camada
oculta

erro
relativo
(input,
target)

erro
relativo
(input,
sim)

(%)

(%)

2-1

0,0092

0,0550

4-1

0,0000

0,0128

6-1

0,0000

0,0070

8-1

0,0000

0,0116

10-1

10

0,0000

0,0314

3-5-1

0,0000

0,0098

3-10-1

10

0,0002

0,0121

3-15-1

15

0,0000

0,0043

3-5-5-1

0,0000

0,0104

3-10-5-1

10

0,0000

0,0074

3-5-10-1

10

0,0000

0,0060

3-10-10-1

10

10

0,0000

0,0069

arquitetura

neurnios
na 2
camada
oculta

neurnios
na
camada
de sada

92

Observa-se na Tabela 5.4 que a rede com arquitetura 2-1 gera valores de erro relativo
mdio input x sim maiores em relao s demais arquiteturas, embora sejam aceitveis. Por
outro lado, as arquiteturas 3-15-1, 6-1 e 3-5-10-1 indicaram os menores erros relativos input x
sim, respectivamente, ou seja, so estas as arquiteturas mais adequadas a serem utilizadas para
o problema em questo.
A Figura 5.8 mostra a perda de carga calculada pelo modelo determinstico de
escoamento homogneo em funo da frao mssica da fase gasosa na entrada do Loop
Multifsico e uma comparao com os valores de perda de carga simulados pela NetMH de
arquitetura 2-1, com a finalidade de demonstrar a diferena entre os resultados esperados e
aqueles simulados por uma RNA de arquitetura inadequada.

Perda de Carga (bar)

2,0000
1,6000
1,2000
0,8000
0,4000
0,0000
0,00

5,00

10,00

15,00

20,00

25,00

Frao Mssica da Fase Gasosa (%)


NetMH(2-1)

Modelo de Escoamento Homogneo

Figura 5.8 Perda de carga calculada com o modelo determinstico de escoamento


homogneo e simulada pela NetMH (arquitetura 2-1).

Observa-se na Figura 5.8 que os valores simulados pela NetMH de arquitetura 2-1
so extremamente incoerentes com o esperado. Isto comprova, mais uma vez, que esta
arquitetura no apresenta qualquer pertinncia de uso.
Na Figura 5.9 a mesma comparao feita, porm utilizando-se a arquitetura 8-1,
que mostra um bom ajuste dos dados simulados numa determinada faixa, porm, apresenta
inconsistncia para fraes mssicas maiores.

93

Perda de Carga (bar)

2,0000
1,6000
1,2000
0,8000
0,4000
0,0000
0,00

5,00

10,00

15,00

20,00

25,00

Frao Mssica da Fase Gasosa (%)


NetMH(3-10-5-1)

Modelo de Escoamento Homogneo

Figura 5.9 Perda de carga calculada com o modelo determinstico de escoamento


homogneo e simulada pela NetMH (arquitetura 3-10-5-1).

Observa-se na Figura 5.9 que, diferentemente do que pode ser visto na Figura 5.8, os
valores simulados pela NetMH de arquitetura 3-10-5-1 acompanham o comportamento dos
resultados gerados pelo modelo determinstico de escoamento homogneo at a frao
mssica da fase gasosa em torno de 20,00%. Entretanto, entre a faixa de frao mssica da
fase gasosa de 20,00% a 25,00%, h uma incoerncia entre os valores simulados pela NetMH
e os valores esperados, ou seja, aqueles obtidos com a soluo do modelo determinstico de
escoamento homogneo, o que evidencia que esta arquitetura tambm pode ser considerada
inadequada.
Na Figura 5.10, o mesmo procedimento foi realizado com a utilizao da arquitetura
8-1. Espera-se que esta arquitetura ajuste tenha a capacidade de aproximar bem os dados
simulados a aqueles obtidos com a soluo do modelo determinstico de escoamento
homogneo, uma vez que o erro relativo mdio obtido com esta arquitetura foi 0,2237%
(input x sim), ou 0,0000% (input x target)como pode ser visto na Tabela 5.2.

94

Perda de Carga (bar)

2,0000
1,6000
1,2000
0,8000
0,4000
0,0000
0,00

5,00

10,00

15,00

20,00

25,00

Frao Mssica da Fase Gasosa (%)


NetMH(8-1)

Modelo de Escoamento Homogneo

Figura 5.10 Perda de carga calculada com o modelo determinstico de escoamento


homogneo e simulada pela NetMH (arquitetura 8-1).
Observa-se, na Figura 5.10, que os valores simulados pela NetMH de arquitetura 8-1
acompanham o comportamento dos resultados gerados pelo modelo determinstico de
escoamento homogneo e so extremamente prximos do esperado. Deve-se, portanto, adotar
esta arquitetura com a finalidade de simulao da perda de carga no Loop Multifsico para
diferentes valores de frao mssica da fase gasosa no incio do circuito (para a faixa entre
0,0% at 25,0%).
Dados de variao da presso em funo do comprimento da tubulao tambm
foram gerados com a soluo do modelo determinstico de escoamento homogneo e
simulados com RNAs. Todo o procedimento de teste das arquiteturas citado anteriormente
foi feito para os gradientes de presso, considerando-se condies de frao mssica da fase
gasosa no incio do Loop Multifsico de 5,0%, 15,0% e 25,0%, ou seja, na faixa de validade
do modelo determinstico, aqueles vistos na Figura 5.2.
A Figura 5.11 mostra o gradiente de presso para a situao de frao mssica da
fase gasosa no incio do Loop Multifsico de 5,0% com simulao da NetMH de arquitetura
10-1.

95

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MEH (x=0,05)

NetMH (10-1): x=0,05

Figura 5.11 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 5,0% com a arquitetura 10-1.

Observa-se, na Figura 5.11, que a simulao com a NetMH de arquitetura 10-1


apresenta resultados considerados coerentes apenas a partir do comprimento de tubulao de
aproximadamente 20 m, portanto no se recomenda o uso desta arquitetura.
A Figura 5.12 mostra a mesma simulao com o uso da arquitetura 6-1.

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50
MEH (x=0,05)

100

150

200

Comprimento (m)
NetMH (6-1): x=0,05

Figura 5.12 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 5,0% com a arquitetura 6-1.

96

Conforme a Figura 5.12, os valores simulados com a NetMH de arquitetura 6-1 so


satisfatrios a partir do comprimento de tubulao de aproximadamente 10 m, porm, antes
disso, a simulao totalmente inconsistente com o esperado, semelhante arquitetura 10-1.
J a Figura 5.13 mostra a arquitetura considerada eficiente para a simulao do
gradiente de presso na situao mencionada.

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MEH (x=0,05)

NetMH (2-1): x=0,05

Figura 5.13 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 5,0% com a arquitetura 2-1.

Observa-se na Figura 5.13 que os valores simulados com a NetMH de arquitetura 2-1
aproximam satisfatoriamente os dados obtidos com a soluo do modelo determinstico de
escoamento homogneo, o que caracteriza esta arquitetura como a mais adequada para esta
finalidade de simulao destes dados. Cabe ressaltar que esta arquitetura , tambm, a mais
simples dentre as testadas, ou seja, menor esforo computacional requerido.
O mesmo procedimento foi realizado para a situao de frao mssica da fase
gasosa no incio do Loop Multifsico de 15,0%. A Figura 5.14 mostra os resultados com a
utilizao da arquitetura 3-10-1.

97

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MEH (x=0,15)

NetMH (3-10-1): x=0,15

Figura 5.14 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 15,0% com a arquitetura 3-10-1.

Observa-se na Figura 5.14 que os valores simulados com a NetMH de arquitetura 310-1 so incoerentes na faixa de comprimento de tubulao entre 0m e 50m,
aproximadamente. A partir da, ocorre um melhor ajuste, porm observam-se oscilaes
locais acentuadas, o que evidencia que esta arquitetura no adequada para a simulao
destes dados. A Figura 5.15 mostra a mesma simulao com o uso da arquitetura 8-1.

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MEH (x=0,15)

NetMH (8-1): x=0,15

Figura 5.15 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 15,0% com a arquitetura 8-1.

98

Observa-se na Figura 5.15 que os valores simulados com a NetMH de arquitetura 8-1
so satisfatrios a partir do comprimento de tubulao de aproximadamente 10 m, semelhante
ao que pode ser visto na Figura 5.12, porm, da mesma forma, para valores prximos
entrada do Loop Multifsico, a simulao totalmente incoerente com o esperado.
A Figura 5.16 mostra a arquitetura que melhor simulou os dados de gradiente de
presso com a situao de frao mssica da fase gasosa no incio do Loop Multifsico de
15,0%.

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MEH (x=0,15)

NetMH (2-1): x=0,15

Figura 5.16 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 15,0% com a arquitetura 2-1.

Mais uma vez, a arquitetura 2-1, considerada a mais simples, apresentou melhores
resultados de simulao, comprovando a expectativa gerada com a observao do erro relativo
mdio apresentado na Tabela 5.2.
A Figura 5.17 mostra os resultados obtidos com a simulao da situao de frao
mssica da fase gasosa no incio do Loop Multifsico de 25,0%, por fim, para a arquitetura 310-10-1.

99

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MEH (x=0,25)

NetMH (3-10-10-1): x=0,25

Figura 5.17 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 25,0% com a arquitetura 3-10-10-1.

Observa-se na Figura 5.17 que, semelhante ao que foi visto na Figura 5.14, os
valores simulados com a NetMH de arquitetura 3-10-10-1 so incoerentes na faixa de
comprimento de tubulao entre 0m e 60m. A partir da, ocorre um melhor ajuste, porm so
observadas oscilaes locais acentuadas, maiores at que aquelas observadas na Figura 5.14, o
que evidencia que esta arquitetura no adequada para a finalidade de simulao. J na
Figura 5.18, observa-se a mesma situao simulada com o uso da arquitetura 2-1.

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MEH (x=0,25)

NetMH (2-1): x=0,25

Figura 5.18 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 25,0% com a arquitetura 6-1.

100

Observa-se na Figura 5.18 que a arquitetura 2-1 aproxima bem os dados obtidos com
o modelo determinstico de escoamento homogneo, da mesma maneira que ocorreu com as
simulaes das situaes de frao mssica da fase gasosa no incio do Loop Multifsico de
5,0% e 15,0%. Porm, para esta situao, os valores simulados com esta arquitetura so
coerentes apenas a partir de aproximadamente 10 m de tubulao.
A Figura 5.19 mostra, ento, a arquitetura mais adequada para a simulao do
gradiente de presso para a situao de frao mssica da fase gasosa de 25,0% no incio do
Loop Multifsico.

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MEH (x=0,25)

NetMH (4-1): x=0,25

Figura 5.19 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 25,0% com a arquitetura 4-1.

Como pode ser observado na Figura 5.19, a arquitetura 4-1 foi a que melhor simulou
os dados para este conjunto de pontos.
Por fim, a Figura 5.20 mostra em um nico grfico os gradientes de presso
calculados com o modelo determinstico de escoamento homogneo para cada situao de
frao mssica da fase gasosa no incio do Loop Multifsico e os gradientes de presso
simulados com as respectivas arquiteturas de rede consideradas mais adequadas.

101

MEH
(x=0,05)

20,0000

MEH
(x=0,15)

Presso (bar)

19,5000

MEH
(x=0,25)

19,0000

NetMH (2-1):
x=0,05
18,5000

NetMH (2-1):
x=0,15

18,0000
0

50

100
Comprimento (m)

150

200

NetMH (4-1):
x=0,25

Figura 5.20 Simulao dos gradientes de presso (dados do modelo determinstico de


escoamento homogneo).

A Figura 5.21 mostra a perda de carga calculada pelo modelo determinstico de


escoamento separado em funo da frao mssica da fase gasosa na entrada do Loop
Multifsico e uma comparao com os valores de perda de carga simulados pela NetMS de
arquitetura 2-1, com a finalidade de demonstrar a distoro entre os resultados esperados e
aqueles simulados por uma RNA de arquitetura inadequada, dentre as testadas.

Perda de Carga (bar)

2,0000
1,6000
1,2000
0,8000
0,4000
0,0000
0,00

10,00

20,00

30,00

40,00

50,00

Frao Mssica da Fase Gasosa (%)


NetMS(2-1)

Modelo de Escoamento Separado

Figura 5.21 Perda de carga calculada com o modelo determinstico de escoamento separado
e simulada pela NetMS (arquitetura 2-1).

102

Observa-se na Figura 5.21 que os resultados simulados com a NetMS de arquitetura


2-1 so inadequados, embora demonstrem alguma aproximao, a critrio da preciso que se
necessita.
Na Figura 5.22 a mesma comparao feita, porm utilizando-se a arquitetura 10-1.

Perda de Carga (bar)

2,0000
1,6000
1,2000
0,8000
0,4000
0,0000
0,00

10,00

20,00

30,00

40,00

50,00

Frao Mssica da Fase Gasosa (%)


NetMS(10-1)

Modelo de Escoamento Separado

Figura 5.22 Perda de carga calculada com o modelo determinstico de escoamento separado
e simulada pela NetMS (arquitetura 10-1).

Observa-se na Figura 5.22 que, com a arquitetura 10-1, consegue-se um melhor


ajuste dos dados simulados em toda a faixa de frao mssica da fase gasosa utilizada, porm,
ainda pode ser considerada insatisfatria, novamente, a critrio da preciso que se necessita.
Na Figura 5.23 pode ser visto o resultado de simulao com a arquitetura
considerada mais adequada.

103

Perda de Carga (bar)

2,0000
1,6000
1,2000
0,8000
0,4000
0,0000
0,00

10,00

20,00

30,00

40,00

50,00

Frao Mssica da Fase Gasosa (%)


NetMS(3-15-1)

Modelo de Escoamento Separado

Figura 5.23 Perda de carga calculada com o modelo determinstico de escoamento separado
e simulada pela NetMS (arquitetura 3-15-1).

Observa-se na Figura 5.23 que os valores simulados pela NetMS de arquitetura 3-151 acompanham o comportamento dos resultados gerados pelo modelo determinstico de
escoamento separado e so extremamente prximos do esperado. Deve-se, portanto, adotar
esta arquitetura com a finalidade de simulao da perda de carga no Loop Multifsico para
diferentes valores de frao mssica da fase gasosa no incio do circuito (para a faixa entre
0,0% at 50,0%).
Dados de gradiente de presso tambm foram gerados com a soluo do modelo
determinstico de escoamento separado e simulados com RNAs. A seguir so mostradas as
variaes de presso em funo do comprimento da tubulao para valores de frao mssica
da fase gasosa no incio do Loop Multifsico de 10,0%, 30,0% e 50,0%.
A Figura 5.24 mostra o gradiente de presso para a situao de frao mssica da
fase gasosa no incio do Loop Multifsico de 10,0% com simulao da NetMS de arquitetura
3-5-10-1.

104

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MES (x=0,10)

NetMS(3-5-10-1)

Figura 5.24 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 10,0% com a arquitetura 3-5-10-1.

Observa-se, na Figura 5.24, que a simulao com a NetMS de arquitetura 3-5-10-1


apresenta resultados considerados coerentes apenas a partir do comprimento de tubulao de
aproximadamente 90 m, portanto, no se recomenda o uso desta arquitetura.
Na Figura 5.25 pode ser vista a mesma simulao com a arquitetura 8-1.

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MES (x=0,10)

NetMS(8-1)

Figura 5.25 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 10,0% com a arquitetura 8-1.

105

Observa-se na Figura 5.25 que os valores simulados com a NetMS de arquitetura 8-1
so satisfatrios a partir do comprimento de tubulao de aproximadamente 20 m, porm,
antes disso, a simulao totalmente inconsistente com o esperado.
Em seguida, mostrada na Figura 5.26 a mesma simulao com a arquitetura que
melhor aproximou os resultados do modelo determinstico de escoamento separado para a
situao testada.

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MES (x=0,10)

NetMS(2-1)

Figura 5.26 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 10,0% com a arquitetura 2-1.

Observa-se na Figura 5.26 que os valores simulados com a NetMS de arquitetura 2-1
aproximam satisfatoriamente os dados obtidos com a soluo do modelo determinstico de
escoamento separado a partir do comprimento de tubulao 20 m, o que caracteriza esta
arquitetura como a mais adequada para esta finalidade de simulao destes dados. Cabe
ressaltar que esta arquitetura , tambm, a mais simples dentre as testadas, ou seja, menor
recurso computacional requerido.
Est evidente na Figura 5.26 que, para valores simulados no comprimento de
tubulao menor que 20 m, os resultados no so satisfatrios. Deve-se destacar, no entanto,
que, para a obteno de melhores resultados na faixa inicial da tubulao, a quantidade de
dados de treinamento deve ser maior, com mais pontos de treinamento nesta faixa,
principalmente.

106

Ressalta-se que a metodologia abordada apresenta boa capacidade de simulao,


porm depende fortemente dos dados de treinamento e, deve-se destacar tambm que a
presso calculada com o modelo determinstico de escoamento separado cai drasticamente no
incio do Loop Multifsico, conforme j discutido, mantendo um comportamento mais suave
posteriormente.
Ento, caso o conhecimento da presso nesta faixa de tubulao seja imprescindvel,
recomenda-se treinar a RNA com mais pontos para esta faixa. Este mesmo comportamento foi
observado para simulaes de gradientes de presso com outros valores de frao mssica da
fase gasosa no incio do Loop Multifsico.
O mesmo procedimento foi realizado para a situao de frao mssica da fase
gasosa no incio do Loop Multifsico de 30%. A Figura 5.27 mostra os resultados com a
utilizao da arquitetura 3-15-1.

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MES (x=0,30)

NetMS(3-15-1)

Figura 5.27 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 30,0% com a arquitetura 3-15-1.

Observa-se, na Figura 5.27, que os valores simulados com a NetMS de arquitetura 315-1 so completamente incoerentes em todo o comprimento do Loop Multifsico.
Na Figura 5.28 observa-se um melhor ajuste com a arquitetura 10-1.

107

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MES (x=0,30)

NetMS(10-1)

Figura 5.28 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 30,0% com a arquitetura 10-1.

Observa-se, na Figura 5.28, que os valores simulados com a NetMS de arquitetura


10-1 so satisfatrios a partir do comprimento de tubulao de aproximadamente 40 m, ento,
para comprimento do Loop Multifsico menor que 40 m esta arquitetura no indicada.
Na Figura 5.29 observa-se a arquitetura que melhor aproximou os dados para a
frao mssica da fase gasosa inicial de 30,0%.

Presso (bar)

20,0000

19,5000

19,0000

18,5000

18,0000
0

50

100

150

200

Comprimento (m)
MES (x=0,30)

NetMS(2-1)

Figura 5.29 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 30,0% com a arquitetura 2-1.

108

Observa-se, na Figura 5.29, o mesmo comportamento observado na Figura 5.26, ou


seja, para comprimento de tubulao acima de 20m, a arquitetura 2-1 aproxima
satisfatoriamente os dados.
Nas Figuras 5.30, 5.31 e 5.32 so observadas as simulaes do gradiente de presso
para valores de frao mssica da fase gasosa no incio do Loop Multifsico de 50,0% e as
anlises so semelhantes s j feitas.
20,0000

Presso (bar)

19,6000
19,2000
18,8000
18,4000
18,0000
17,6000
0

50

100

150

200

Comprimento (m)
MEH (x=0,50)

NetMS(3-10-1)

Figura 5.30 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 50,0% com a arquitetura 3-10-1.
20,0000

Presso (bar)

19,6000
19,2000
18,8000
18,4000
18,0000
17,6000
0

50

100

150

200

Comprimento (m)
MEH (x=0,50)

NetMS(3-5-10-1)

Figura 5.31 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 50,0% com a arquitetura 3-5-10-1.

109

20,0000

Presso (bar)

19,6000
19,2000
18,8000
18,4000
18,0000
17,6000
0

50

100

150

200

Comprimento (m)
MEH (x=0,50)

NetMS(2-1)

Figura 5.32 Simulao do gradiente de presso para frao mssica da fase gasosa no incio
do Loop Multifsico de 50,0% com a arquitetura 2-1.

Por fim, a Figura 5.33 mostra em um nico grfico os gradientes de presso


calculados com o modelo determinstico de escoamento separado para cada situao de
frao mssica da fase gasosa no incio do Loop Multifsico e os gradientes de presso
simulados com as respectivas arquiteturas de rede consideradas mais adequadas.

20,0000
MES (x=0,10)
Presso (bar)

19,5000
MES (x=0,30)
MES (x=0,50)

19,0000

NetMS(2-1):
x=0,10
NetMS(2-1):
x=0,30
NetMS(2-1):
x=0,50

18,5000

18,0000
0

50

100
Comprimento (m)

150

200

Figura 5.33 Simulao dos gradientes de presso (dados do modelo determinstico de


escoamento separado).

110

Portanto, o Quadro 5.2 mostra em resumo as melhores arquiteturas de rede para as


situaes operacionais de interesse.

Quadro 5.2 Melhores arquiteturas de rede utilizadas para simulaes.


PARMETRO DE
SIMULAO
SIMULAO
Frao mssica da fase gasosa
Perda de Carga
no incio do Loop Multifsico
Modelo de Escoamento Homogneo
(0,0% 25,0%)
Presso (x = 5,0%)
Comprimento do Loop
Modelo de Escoamento Homogneo
Multifsico
Presso (x = 15,0%)
Comprimento do Loop
Modelo de Escoamento Homogneo
Multifsico
Presso (x = 25,0%)
Comprimento do Loop
Modelo de Escoamento Homogneo
Multifsico
Frao mssica da fase gasosa
Perda de Carga
no incio do Loop Multifsico
Modelo de Escoamento Separado
(0,0% 50,0%)
Presso (x = 10,0%)
Comprimento do Loop
Modelo de Escoamento Separado
Multifsico
Presso (x = 30,0%)
Comprimento do Loop
Modelo de Escoamento Homogneo
Multifsico
Presso (x = 50,0%)
Comprimento do Loop
Modelo de Escoamento Separado
Multifsico

RNA
(arquitetura)
NetMH(8-1)
NetMH(2-1)
NetMH(2-1)
NetMH(4-1)
NetMH(3-15-1)
NetMH(2-1)
NetMH(2-1)
NetMH(2-1)

111

6. CONCLUSES E SUGESTES

Os procedimentos de obteno dos modelos de escoamento homogneo e de


escoamento separado apresentaram-se bastante esclarecedores acerca da fenomenologia do
escoamento multifsico. So modelos representativos e as consideraes adotadas por cada
um deles so plausveis para casos especficos. Com isso, foi possvel concluir que, embora
consideravelmente mais simples, o modelo determinstico de escoamento homogneo deve ser
adotado nas circunstncias que mantm sua validade, em detrimento do modelo de
escoamento separado, mais complexo.
As consideraes adotadas neste trabalho para a soluo dos modelos determinsticos
podem ser revistas e, caso seja possvel, algumas podem ser suprimidas em trabalhos futuros.
Para o aperfeioamento da soluo dos modelos, h a possibilidade de utilizao de
correlaes das propriedades fsicas e volume especfico das fases em funo da presso
(varivel de suma importncia), obtidas experimentalmente para os fluidos utilizados
especificamente, bem como considerar a variao trmica ao longo da tubulao.
Com a soluo dos modelos determinsticos de escoamento homogneo e de
escoamento separado, e utilizao dos resultados para alimentao das RNAs, foi possvel
simular a perda de carga para diferentes valores de frao mssica da fase gasosa no incio do
sistema fsico considerado, com erros relativos numa faixa aceitvel, comprovando a
eficincia da metodologia adotada. Ficou evidente que a definio da arquitetura da RNA
fundamental para o bom desempenho, assim como pode ser observado que arquiteturas
simples, com poucas camadas e neurnios so, muitas vezes, mais eficientes que arquiteturas
maiores, alm de requererem menor esforo computacional. Esta metodologia, portanto,
indicada para ser utilizada de uma forma prtica quando dados operacionais do sistema
considerado so disponveis.
Dados operacionais so costumeiramente passveis de perturbaes e, em geral, no
se tem um comportamento exatamente bem definido, como os obtidos com a soluo dos
modelos. Portanto, sugere-se, para trabalhos futuros, reavaliar a metodologia adotada com a
considerao desta caracterstica do sistema para, posteriormente, realizar o treinamento da
RNA e obter as simulaes de interesse.

112

Tambm possvel trabalhar uma metodologia hbrida, ou seja, baseada em um


modelo determinstico com consideraes empricas, simuladas por uma RNA, a exemplo do
que poderia ser a simulao da frao de vazios por RNA e utilizada como parmetro do
modelo determinstico de escoamento separado.
Por fim, trabalhar com o modelo de dois fluidos e avaliar a significncia comparativa
dos resultados obtidos em relao aos dois modelos aqui trabalhados.

113

REFERNCIAS BIBLIOGRFICAS

ALVES, G. E. Co-current liquid-gas flow in pipeline contactor, Chemical and Process


Engineering, 50, N 9, pp. 449-56, 1954.
ARIB, M. A. Brains, machines, and mathematics. 2 ed. Springer-Verlage, New York, 1987.
BAKER, O. Design pipe lines for simultaneous flow of oil and gas. Oil and Gas Journal, 53,
pp. 185-95, 1954.
BAROCZY, C. J. A systematic correlation for two-phase pressure drop. AIChE Journal.
Reprint n 64, pp 232-49, 1965.
BEGGS, H. D., BRILL, J. P. A study of two-phase flow in inclined pipes. Journal of
Petroleum Technology, 25:607617, 1973.
BRENNEM, C. E. Fundamentals of multiphase flow. California Institute of Tecnology. 2005.
BOLONHINI, E. H. Geometria de interface e gradiente de presso em escoamentos
horizontais estratificados e anulares com disperso. Dissertao. UNICAMP, 1995.
CICCHITTI, A. et al. Two-phase cooling experiments-pressure drop, heat transfer and
burnout measurements. Energiu Nuckare, 7 , N. 6, pp. 407-25, 1960.
CHISOLM, D. The influence of mass velocity on frictional pressure gradients during steamwater flow. Institute of Mechanical Engineer, Bristol, 1968.
CHISHOLM, D. Pressure gradient due to friction during the flow of evaporating two-phase
mixtures in smooth tubes and channels. International Journal of Heat and Mass Transfer, 16,
pp. 347-58, 1973.
COULSON, J. M.; RICHARDSON, J. F. Tecnologia qumica: fluxo de fluidos, transferncia
de calor e transferncia de massa. 4 ed. Ed. Fundao Calouste Gulbenkian, Lisboa
Portugal, 2004.
COLLIER, J. G. Convective boiling and condensation. London, Mc-Grow Hill Book
Company (UK), 1972.
DARBY, R. Chemical engineering fluid mechanics. Ed. Marcel Dekker Inc. New York, NY,
2001.
DUARTE, M. Influncia da viscosidade sobre o escoamento gs-lquido horizontal
intermitente. Dissertao. UNICAMP. So Paulo SP, 2007.
DUKLER, A. E., WICKS, M., CLEVELAND, R., Pressure drop and hold-up in two-phase
flow. AIChE Journal, 10, N 1, pp. 38-5 1, 1964.
FAGGIN, F., MEAD, C.. VLSI Implementation of neural networks. An introduction to neural
and eletronic networks. Seattle, 1991.

114

FILHO, J. S. C. Estudo experimental de escoamento bifsico em tubo circular inclinado


usando tcnicas ultrassnicas e de visualizao. Tese. COPPE/UFRJ, 2010.
HAYKIN, S. Redes Neurais Princpios e Prtica. Porto Alegre/RS. Editora Bookman, 2001.
HEWITT, G. F.; ROBERTS, D. N. Studies of two-phase flow patterns by simultaneous X-ray
and flash photography. Report AERE-M 2159. London, HMSO, 1969.
HOLLAND, F. A.; BRAGG, R. Fluid flow for chemical engineers. Ed. Arnold. London,
1995.
ISHII, M.; TAKASHI, H. Thermo-Fluid Dynamic Theory of Two-Phase Flow, 2 ed. Ed.
Spring, New York, 2011.
KOVCS, Z. L. Redes neurais artificiais: fundamentos e aplicaes. 4. ed. Livraria da Fsica.
So Paulo SP, 2006.
LOCKHART, R. W., MARTINELLI, R. C. Proposed correlation of data for isothermal twophase, two-component flow in pipes. Chemical Engineering Process, 45, pp. 39-46, 1949.
MARTINELLI, R.C., NELSON, D.B.. Prediction of pressure drop during forced circulation
boiling of water. Transactions of ASME, 70, N. 6, pp. 695-702, 1948.
MCCULLOCH, W. S., PITTS, W.. A logical calculus of the ideas inmmanent in nervous
activity. Bulletin of mathematical biophysics, vol.5 pp. 115-133, 1943.
MCADAMS, W. H. et al. Vaporization inside horizontal tubes-11-Benzene41 mixtures.
Transactions of ASME, 64, pp. 19S200, 1942.
OLIEMANS, R. V. A., POTS, B. F. M. Multhiphase Flow Handbook - Gas-Liquid Transport
in Ducts. Hemisphere Publishing, 2006.
PACHECO, F. et al. Identificao de padres de escoamento multifsico e determinao da
perda de carga com o auxlio de redes neurais. 4 PDPRTRO, Campinas SP, 2007.
PEDROSO, D. C. Estudo experimental e caracterizao estatstica da hidrodinmica do
escoamento bifsico vertical ascendente em padro pistonado. Dissertao. UNICAMP,
1997.
PETALAS, N., AZIZ, K. A mechanistic model for multiphase flow in pipes. Proc. of 49th
Annual Technical Meeting of the Petroleum Society of the Canadian Institute Canada, 1998.
PRIMO, A., COELHO, L. R.. Comunicao e inteligncia artificial: interagindo com a rob
de conversao Cybelle. Editora Universidade de Braslia, Braslia, 2002.
RAMN Y CAJL, S.. Histologie du systms nerveux de lhomme et des vertbrs. Maloine,
Paris, 1911.
SAGE, A. P. Concise encyclopedia of information processing in systems and organization.
Pergamon. New York, 1990.

115

SALGADO, C. M. Identificao de regimes de fluxo e predio de fraes de volume em


sistemas multifsicos usando tcnica nuclear e rede neural artificial. Tese. COPPE/UFRJ,
2010.
SIMES, M. G., SHAW, I. S. Controle e modelagem fuzzy. 2 ed. Blucher: FAPESP. So
Paulo, 2007.
SHEPHERED, G. G., KOCH, C. Introduction to synaptic circuits. in The Synaptic
Organization of the Brain, pp. 3-31. Oxford University Press, New York, 1990.
SMITH, J. M., VAN NESS, H. C., ABBOTT, M. M. Introduo termodinmica da
engenharia qumica. 7 Ed. LTC, Rio de Janeiro RJ, 2004.
SOUZA, A. D. Avaliao do fluxo multifsico de petrleo e equilbrio de fases no circuito
multifsico do NUEX PETROBRAS. Relatrio (Estgio) Departamento de Engenharia
Qumica, Universidade Federal de Sergipe, So Cristvo, 2009.
SOUZA, J. N. M. Modelagem e simulao de escoamento multifsico em dutos de produo
de leo e gs natural. TESE. Escola de Qumica UFRJ, 2010.
TREVISAN, F. E. Padres de fluxo e perda de carga em escoamento trifsico horizontal de
leo pesado, gua e ar. Dissertao. UNICAMP, 2003.
WERBOS, P.. Beyond regression: New tool for prediction and analysis in the behavioral
sciences. Ph.D. dissertation, Harvard Univ., Cambridge, MA, 1974.
WU, H. et al. Inteligent identification system of flow regime of oil-gas-water multiphase flow.
International Journal of Multiphase Flow 27, 459 475, 2001.

116

APNDICE A

DEDUO DA EQUAO DE CONSERVAO DE MOMENTUM

Por questes didticas, a deduo a seguir ser feita utilizando o padro escoamento
bifsico lquido-gs stratified flow (estratificado), mas as equaes resultantes no so
limitadas aplicao para este nico padro de escoamento. Nesta abordagem, uma equao
de conservao de quantidade de movimento pode ser escrita para cada fase, porm tambm
possvel tratar todo o escoamento.

Figura A.1 Volume de controle para o escoamento bifsico lquido-gs em stratified flow.
Fonte: Holland e Bragg (1995).

A fora total agindo na direo z

F A P FG FL AG G AL L g.sen . z

(A.1)

O primeiro termo do lado direito da Equao (A.1) representa o gradiente de presso


total, o segundo e o terceiro termos representam o componente de atrito das fases com a
parede do tubo e o quarto termo representa a presso esttica da mistura bifsica.

117

A taxa de variao de quantidade de movimento

mv m G m G vG vG m L m L vL vL m G vG m LvL
t

(A.2)

Para escoamento permanente, a fora total agindo sobre o fluido no volume de


controle igual taxa de variao de quantidade de movimento:

A P FG FL AG G AL L gsen x m G vG m LvL

(A.3)

Dividindo todos os termos por z e tomando o limite quando z 0 , tem-se:

dP dFG dFL
d
G vG m
L vL

AG G AL L gsen m
dz
dz
dz
dz

(A.4)

ou

dP 1 dF d


m G vG m L vL AG G AL L gsen
dz A dz dz

(A.5)

Observa-se que o gradiente de presso total compreende trs componentes, que so


devido ao atrito do fluido, taxa de variao de quantidade de movimento e presso
esttica. O termo de variao de quantidade de movimento geralmente chamado de
componente de acelerao. Ento,

dP dP dP dP

dz dz f dz a dz sh

(A.6)

118

onde f (friction) indica o termo de atrito, a (acceleration) indica o termo de acelerao e


sh (static head) indica o termo de presso esttica.

A princpio, isto o mesmo que ocorre para o escoamento monofsico. Por exemplo,
em um escoamento em regime permanente, completamente desenvolvido, isotrmico e para
um fluido incompressvel numa tubulao retilnea de rea de seo transversal constante, a
fora de atrito deve ser superada da mesma maneira que a presso esttica (a menos que o
tubo seja horizontal), no entanto no h variao na quantidade de movimento e,
consequentemente, o termo de acelerao zero. No caso de um fluido compressvel, este se
expande medida que escoa de uma regio de maior presso para uma de menor presso e,
conforme descrio da equao da continuidade, deve acelerar.
Em escoamento bifsico lquido-gs sem mudana de fase, por exemplo ar e gua, a
fase vapor se expande e ocorre acelerao como no escoamento monofsico. Quando h
evaporao ou condensao, a fase lquida relativamente mais densa torna-se vapor com uma
densidade muito menor (maior volume especfico) e o gradiente de presso devido
acelerao ser exigido.
conveniente trabalhar em termos de frao de vazios , frao mssica do gs x e
fluxo mssico Gt :

i.

Frao de Vazios

AG
A

AL
1
A

ii.

(A.7)

(A.8)

Frao Mssica

m G
m
G
m G m L m t

(B.9)

119

m L
1 x
m t

iii.

(A.10)

Fluxo Mssico

Gt

t
m
A

(A.11)

Ento,

m G xGt A

(A.12)

m L 1 x Gt A

(A.13)

Usando os volumes especficos da fase gasosa VG e da fase lquida VL as velocidades


de cada fase podem ser escritas na forma:

vG

GVG xGtVG
m

(A.14)

vL

LVL
1 x GtVL
m

1 A
1

(A.15)

Ento, tem-se que o gradiente de presso devido ao atrito

1 dF
dP


dz f A dz

(A.16)

120

Assim como o gradiente de presso devido acelerao

m v
1 d
d m v
dP
m G vG m LvL G G L L

dz A
A
dz a A dz

(A.17)

Usando as relaes (A.11), (A.12), (A.13) e (A.14), tem-se que

d xGt A.xGVG 1 x Gt A. 1 x GtVL


dP


A
1 A
dz a dz

(A.18)

2
x 2V
1 x VL

dP
2 d
G

Gt
dz
1
dz a

(A.19)

Por ltimo, tem-se o gradiente de presso esttica como

AG G AL L
dP

gsen

A
dz sh A

(A.20)

Usando as relaes (A.7) e (A.8), tem-se

dP
G 1 L gsen
dz sh

(A.21)

Sabendo-se que a massa especfica o inverso do volume especfico, tem-se,


finalmente,
1
dP
gsen


VL
dz sh VG

(A.22)

121

APNDICE B

MODELO DE ESCOAMENTO HOMOGNEO

As consideraes adotadas no modelo de escoamento homogneo e no modelo de


escoamento separado so opostas: no primeiro, considerado que o escoamento bifsico pode
ser tratado como um escoamento monofsico hipottico, apresentando algum tipo de
propriedades mdias; no segundo, considerado que partes distintas da seo transversal do
escoamento podem ser atribudas s duas fases, refletindo o que ocorre numa larga extenso
do padro annular flow.

Equao de Conservao de Quantidade de Movimento para o Modelo de Escoamento


Homogneo

No modelo de escoamento homogneo, o escoamento bifsico tratado como um


escoamento monofsico hipottico, com velocidade uniforme ao longo de uma seo
transversal de tubulao. Considera-se que o componente de atrito do gradiente de presso
pode ser descrito pelo uso do fator de atrito de uma nica fase e o modelo tambm chamado
muitas vezes de Modelo do Fator de Atrito. esperado que este modelo seja representativo
para escoamentos nos quais uma fase bem dispersa na outra, o que ocorre nos padres spray
flow, bubbly flow e, possivelmente, wispy-annular flow.
A equao da continuidade pode ser escrita como

t vA
m

(B.1)

onde v a velocidade das duas fases e uma massa especfica mdia da mistura bifsica.
Por definio, a massa especfica mdia o inverso do volume especfico mdio da
mistura, ento,

122

V xVG 1 x VL

(B.2)

A equao de conservao de quantidade de movimento toma uma forma simples,


obtida da forma geral fazendo

vG vL v

(B.3)

AG G AL L A

(B.4)

Ento, a equao de conservao de quantidade de movimento torna-se

dP dF
dv
t

A gsen m
dz dz
dz

(B.5)

dP 1 dF
dv

Gt
A gsen
dz A dz
dz

(B.6)

Novamente, os trs componentes do gradiente de presso total esto claros: devido


ao atrito, devido acelerao e presso esttica.

i.

Componente de Atrito

dF
D 2 dP
D w

dz
4 dz f

(B.7)

123

onde D o dimetro da tubulao e w a tenso de cisalhamento na parede do tubo.

4
dP


D
dz f

(B.8)

Usando o fator de atrito de Fanning, a tenso de cisalhamento na parede dada por

1
2

w v2 f

(B.9)

e o componente de atrito do gradiente de presso , ento,

2 f v 2 2 fGt2V
dP

D
D
dz f

(B.10)

ou, se o fator de atrito de Darcy for usado, tem-se

f v 2 fGt2V
dP

2D
2D
dz f

(B.11)

A velocidade, que geralmente varia com a posio do fluido ao longo do tubo, foi
reescrita em termos do fluxo mssico constante e do volume especfico mdio da mistura.
evidente que V uma funo da presso e varia ao longo do tubo.

124

ii.

Componente de Acelerao

dv
d
dV
dP
Gt GtV Gt2
Gt
dz
dz
dz
dz a

(B.12)

O volume especfico mdio uma funo do volume especfico da fase gasosa e da


fase lquida, bem como da frao mssica da fase gasosa. Tem-se, ento

dV
dV dx
VG G
dz dz
dz

dV
dV dx
x L VL L
dz
dz dz

dV dVG dVL
dx dV

x VG VL L

dz dz
dz
dz dz

(B.13)

(B.14)

A fase lquida pode ser tratada como sendo incompressvel, mas, em geral, o volume
especfico da fase gasosa e a sua frao mssica variaro ao longo do comprimento da
tubulao. Ento, pela incompressibilidade da fase lquida, tem-se

dV
dV
dx
x G VG VL
dz
dz
dz

(B.15)

com VLG VG VL .

O primeiro termo da Equao (B.15) origina-se da compressibilidade da fase gasosa


e representa o efeito da acelerao devido expanso do gs frao mssica constante. O
segundo termo, que no tem equivalente no escoamento monofsico, representa o efeito da
acelerao devido mudana de fase. Por exemplo, num escoamento bifsico onde ocorre
evaporao, parte do lquido com um volume especfico VL passa a vapor com um volume

125

especfico VG muito maior, ento a mdia do volume especfico aumenta e, pela equao da
continuidade, sabe-se que o escoamento deve acelerar.
Substituindo (B.15) em (B.12), e fazendo o volume especfico da fase gasosa variar
com a presso, tem-se

dx
dP
2 dVG dP
VLG
Gt x
dz
dz a
dP dz

iii.

Componente de Presso Esttica

gsen
dP
gsen
V
dz sh

iv.

(B.16)

(B.17)

Gradiente de Presso Total

dP fGt2V
dx gsen
dV dP

Gt2 x G
VLG
dz
2D
dz
V
dP dz

(B.18)

dV dP
dP fGt2V
dx gsen

Gt2 x G
Gt2VLG

dz
2D
dP dz
dz
V

(B.19)

2
dx gsen
fGt V

Gt2VLG

2D
dz
V

(B.20)

dV
dP
1 Gt2 x G

dz
dP

fGt2V
dx gsen
Gt2VLG

dz
V
dP 2 D

dz

2 dVG
1 Gt x

dP

(B.21)

126

Se as condies na entrada da tubulao so conhecidas, todos os termos do lado direito


da Equao (B.21) podem ser avaliados nessas condies e o gradiente de presso calculado
por um procedimento iterativo. Com o uso da considerao de que o gradiente de presso
constante ao longo de um comprimento de tubulao infinitesimal, a presso no final desse
comprimento calculada e usada para avaliar os termos do lado direito da Equao (B.21) no
passo seguinte de integrao.
Uma outra considerao possvel ocorre quando se trabalha com presses altas e
pequenas variaes. Nestes casos, a compressibilidade da fase gasosa tambm pode ser
desprezada, e o termo do denominador poder tambm ser desprezado.
Com essas simplificaes possvel integrar a Equao (B.21) analiticamente e obter

P FC AC EC

(B.22)

com

fGt2VL L x f xi x f xi VLG
1
FC

2D
2

VL

(B.23)

V
AC Gt2VL x f xi LG
VL

EC

Lgsen
ln x f xi VLG VL
VLG

(B.24)

(B.25)

onde FC , AC e EC representam, respectivamente, a integrao dos termos de atrito,


acelerao e elevao para os limites de comprimento 0 a L e frao mssica xi a x f .

127

Em alguns casos, a variao da frao mssica da fase gasosa com o comprimento


poder ser desprezado, ento o segundo termo do numerador poder ser tambm desprezado,
logo, tem-se

FC

fGt2VL Lx x VLG
1

2 D 2 VL

V
AC Gt2VL x LG
VL

EC

Lgsen
ln xVLG VL
VLG

(B.26)

(B.27)

(B.28)

a serem substitudos na Equao (B.22).

Todas as quantidades da Equao (B.21) podem ser facilmente avaliadas, com


exceo do fator de atrito. Existem alguns procedimentos para se estimar o fator de atrito no
escoamento bifsico lquido-gs, dentre eles:

i.

Usar um fator de atrito arbitrrio constante;

ii.

Calcular o fator de atrito da mesma maneira que feito para o escoamento monofsico,
porm avaliando o nmero de Reynolds com uma viscosidade mdia.

Re

Gt D

Nesta metodologia so usadas correlaes para a viscosidade mdia.

iii.

Usar um fator de atrito para um escoamento monofsico equivalente.

(B.29)

128

Como exemplo do mtodo (iii), para o padro de escoamento bubbly flow com uma
frao mssica da fase gasosa baixa, seria apropriado calcular o fator de atrito baseando-se
nas propriedades fsicas da fase lquida. Ento, o componente de atrito do gradiente de
presso para esta situao seria

fGt2V
dP

2D
dz f

(B.30)

Se todo o escoamento bifsico for considerado como sendo exclusivamente da fase


lquida, o componente de atrito do gradiente de presso

f LOGt2VL
dP

2D
dz LO

(B.31)

Aqui, o subscrito LO foi usado para denotar o escoamento monofsico hipottico


que corresponde a todo o escoamento bifsico como sendo lquido.
Dividindo a Equao (B.30) pela Equao (B.31), tem-se

dP

dz f
fV

f LOVL
dP

dz LO

(B.32)

Se a aproximao feita de tal forma que o fator de atrito para o escoamento bifsico
f seja igual quele para o escoamento monofsico lquido hipottico f LO , uma relao

muito simples obtida para o componente de atrito do gradiente de presso entre os dois tipos
de escoamento:

129

VG dP
V dP
dP
1 x 1
dz f VL dz LO
VL dz LO

(B.33)

O gradiente de presso para LO pode ser calculado pela Equao (B.31), na qual o
fator de atrito avaliado com o nmero de Reynolds dado por

Re

Gt D

(B.33)

Para um escoamento bifsico com uma frao mssica da fase gasosa muito alta, por
exemplo o padro de escoamento spray flow, seria mais apropriado usar as propriedades
fsicas da fase gasosa como referncia.
Reescrevendo as Equaes (B.30), (B.31) e (B.32) para esta situao, tem-se

VL dP
V dP
dP

x 1 x

VG dz GO
dz f VG dz GO

(B.34)

Ento, o gradiente de presso para GO pode ser calculado pela equao

fGOGt2VG
dP

2D
dz GO

(B.35)

com

Re

Gt D

(B.36)

130

O conceito envolvido nesse mtodo substituir o atual escoamento bifsico por um


escoamento monofsico correspondente, para o qual o componente de atrito do gradiente de
presso facilmente calculado.
Os termos entre colchetes nas Equaes (B.30) e (B.32) so chamados de
multiplicador bifsico.
Em geral,

dP
2 dP

dz f
dz R

(B.36)

2
onde R o multiplicador bifsico, cujo valor depende da escolha da fase de referncia R

131

APNDICE C

MODELO DE ESCOAMENTO SEPARADO

Neste modelo, as fases so tratadas como se elas estivessem escoando separadamente


em partes de seo transversal do tubo bem definidas, mas no especificadas. Considera-se a
seguir o caso mais simples, ou seja, as fases apresentam velocidades diferentes, mas
uniformes, e formam um sistema isotrmico. Um balano de conservao de quantidade de
movimento realizado para a obteno do gradiente de presso total, e ser visto que
trabalhar com as velocidades das fases possivelmente diferentes gera um considervel
acrscimo de complexidade.

Equao de Conservao da Quantidade de Movimento

Em contraste ao caso do modelo de escoamento homogneo, o termo de acelerao


no pode ser posto numa forma simples, pois as velocidades das fases podem ser diferentes.
necessrio, ento, realizar a diferenciao do termo de acelerao da equao do gradiente de
presso.

2
x 2V
1 x VL 1

dP dP
2 d
G

gsen

Gt
dz dz f
dz
1 x VG VL

(C.1)

2
2
d x 2VG 1 x VL d x 2VG d 1 x VL

dz
1 dz dz 1

(C.2)

Com o uso das variveis auxiliares

132

x 2VG

(C.3)

1 x VL

1
2

(C.4)

tem-se,

d
d d

dz
dz dz

(C.5)

Faz-se, ento, a diferenciao de cada termo separadamente.

d 2
d
x VG x 2VG
d dz
dz

2
dz

dV
dx
d

2 xVG
x 2 G x 2VG

d
dz
dz
dz

2
dz

d 2 xVG dx x 2 dVG x 2VG d

dz dz dz 2 dz

(C.6)

(C.7)

(C.8)

Sabe-se que VG f P e f x, P , logo, fazendo a mudana de varivel, temse:

133

d 2 xVG dx x 2 dVG dP x 2VG

dz dz dP dz 2

dx dP

x P dz P x dz

(C.9)

Colocando a frao mssica da fase gasosa e a presso em evidncia, obtm-se

d dx 2 xVG x 2VG dP x 2 dVG x 2VG

dz dz
x P dz dP


P x

(C.10)

Ento, fazendo a diferenciao do segundo termo da Equao (C.5), tem-se

d
2
2
d

1 x VL 1 1 x VL 1
d dz
dz

2
dz
1

dx
d
2 dVL
2

2 1 x VL 1 x
1 1 x VL

dz
dz
dz
d

2
dz
1

2
2

d
2 1 x dx 1 x dVL
1 x VL d


VL

2
dz 1 dz 1 dz
dz

(C.11)

(C.12)

(C.13)

Sabe-se que VL f P e f x, P , logo, fazendo a mudana de varivel, temse:

2
d 2 1 x dx 1 x dVL dP

VL

dz 1 dz 1 dP dz

134

1 x VL dP dx

1 P x dz x P dz

(C.14)

Porm, a variao do volume especfico da fase lquida s seria significativa para


grandes variaes de presso, portanto, neste caso, a fase lquida pode ser considerada como
incompressvel. Ento,

1 x 2 VL dP 1 x 2 VL dx


d
2 1 x dx

VL

2
2
dz
1 x P dz

1 P x dz
1 dz

(C.15)

Colocando a frao mssica da fase gasosa e a presso em evidncia, obtm-se

2
2
2 1 x VL dP 1 x VL
d dx 1 x VL


dz dz 1 2 x P
1 dz 1 2 P x

(C.16)

Substituindo as Equaes (C.10) e (C.16) na Equao (C.5), obtm-se

dx 2 xV
x 2V dP x 2 dVG x 2VG
d
2
G 2G

dz
x P dz dP
P x
dz
2

dx 1 x VL

2
dz

2
2 1 x VL dP 1 x VL


1 dz 1 2
x P


P x

(C.17)

Colocando a frao mssica da fase gasosa e a presso em evidncia, obtm-se

2
2
2 1 x VL
d
dx
2 xVG x VG 1 x VL

2
dz
dz
x P 1 x P
1

135

2
2
dP
x dVG x VG

dz

dP

1 x VL



2
P x
1 P x

2
2
d
dx
2 xVG 2 1 x VL 1 x VL x VG


dz
dz
2
1 x P 1 2

2
2
dP
x 2 dVG 1 x VL x VG

dz dP P x 1 2
2

(C.18)

(C.19)

E, com a definio de

2
2

2 xVG 2 1 x VL 1 x VL x VG

A , x


1 x P 1

(C.20)

e substituindo a Equao (C.19) na Equao (C.1), obtm-se

dP dP
dP x 2 dVG 1 x VL x 2VG
2 dx

2
Gt A , x

dz dz f
dz dP P x 1 2

dz

gsen
VL
VG

2
2
2
dP
1 x VL x VG
2 x dVG

1 Gt

2
dz
2
dP P x 1

Gt2

1
dx
A , x

gsen
dz
VL
VG

(C.21)

dP

dz f

(C.22)

136

1
dP
2 dx
A , x
gsen

Gt
dz
VL
dz f
VG

dP

2
dz
2
2

1 x VL x VG
2 x dVG

t
2
2
dP P x 1

(C.23)

Comparando a Equao (C.23) com a equivalente para o modelo de escoamento


homogneo, fica claro que apenas com a incorporao da diferena de velocidade das fases, a
complexidade do modelo aumenta significativamente. Em ambas as equaes, o segundo
termo do numerador origina-se do termo de acelerao do gradiente de presso e representa a
acelerao devido mudana de fase. Tambm, em ambas as equaes, o termo do
denominador origina-se do componente de acelerao. No modelo de escoamento
homogneo, ambas as fases devem acelerar igualmente, ento existe apenas um termo
incluindo a variao do volume especfico do gs em relao presso. No modelo de
escoamento separado existe um termo adicional, que est multiplicado pela variao da frao
de vazios em relao presso, e resulta do fato das fases no estarem limitadas a apresentar a
mesma velocidade de escoamento.

137

APNDICE D

CORRELAES PARA O FATOR DE ATRITO

Correlaes para Clculo do Fator de Atrito

i.

Correlao de Colebrook-White

1
/D
2 log
3, 7 2,51
f

Re f

(D.1)

onde ,

f : fator de atrito;

D : dimetro interno da tubulao;


: rugosidade da tubulao;
Re : nmero de Reynolds.

ii.

Correlao de Blasius

vD
f a.Reb a

onde,

a 0,3164

(D.2)

138

b 0, 25

f : fator de atrito;
v : velocidade do escoamento;

: viscosidade cinemtica.

iii.

Correlao de Churchill

8 12 1 1/12
f 8


A B
Re

(D.3)

onde,

f : fator de atrito;
16

7 0,9 0, 27

A 2, 457 log


e / D
Re

(D.4)

16

37530
B

Re

iv.

(D.5)

Correlao de Haaland

6,9 e 1,11
f 1,8log


Re 3, 7 D

onde ,

f : fator de atrito;

D : dimetro interno da tubulao;

(D.6)

139

: rugosidade da tubulao;
Re : nmero de Reynolds.

v.

Correlao de Swame e Jain

0,125

6 16
64 8
e
5, 74 2500

f
0,9
9,5 log

Re
3, 7 D Re Re

(D.7)

onde

f : fator de atrito;

D : dimetro interno da tubulao;


: rugosidade da tubulao;
Re : nmero de Reynolds.

Correlaes para a Viscosidade Mdia da Mistura Bifsica

i.

Correlao de Cicchitti

xG 1 x L

onde,

: viscosidade mdia da mistura bifsica;

G : viscosidade da fase gasosa;

(D.8)

140

L : viscosidade da fase lquida;


x : frao mssica da fase gasosa.

ii.

Correlao de McAdams

1 x

(D.9)

onde,

: viscosidade mdia da mistura bifsica;

G : viscosidade da fase gasosa;


L : viscosidade da fase lquida;
x : frao mssica da fase gasosa.

iii.

Correlao de Dukler

xVG G 1 x VL L

J G G J L L
J

(D.10)

onde

G 1 L

(D.11)

141

: viscosidade mdia da mistura bifsica;


: massa especfica mdia;

G : massa especfica da fase gasosa;


L : massa especfica da fase lquida;
: frao volumtrica da fase gasosa;
x : frao mssica da fase gasosa;

VG : volume especfico da fase gasosa;

VL : volume especfico da fase lquida;

G : viscosidade da fase gasosa;


L : viscosidade da fase lquida;
J G : fluxo volumtrico da fase gasosa;
J L : fluxo volumtrico da fase lquida;
J : fluxo volumtrico total.

142

APNDICE E

EQUAES DE ESTADO

As equaes de estado cbicas EoS (Equation of State) so equaes


polinomiais consideradas as mais simples e capazes de representar tanto o comportamento de
gases quanto de lquidos. Abrange uma larga faixa de temperatura e presso, bem como no
so complexas de modo a levar a instabilidades numricas. Em resumo, apresentam uma
relao aceitvel entre generalidade e simplicidade.
A seguir, podem ser vistas as formas mais utilizadas para o clculo do fator de
compressibilidade para as fases vapor e lquido, respectivamente Equao (E.1) e Equao
(E.2).

Z 1 q

Z
Z Z

1 Z
Z Z Z

(E.1)

(E.2)

sabendo-se o fator de compressibilidade definido por

PV
RT

(E.3)

onde T a temperatura, P a presso e V o volume, ou seja, as variveis de estado do


sistema, e R a Constante Universal dos Gases Perfeitos. Logo,

ZRT
P

(E.4)

143

onde

Pr
Tr

(E.5)

Tr
Tr

(E.6)

com Tr e Pr temperatura reduzida e presso reduzida, respectivamente, definidas como

Tr

T
Tc

(E.7)

Pr

P
Pc

(E.8)

e Tc e Pc so temperatura crtica e presso crtica, respectivamente, bem como T e P so


temperatura e a presso de operao.
Os demais parmetros das Equaes (E.1) e (E.2) so calculados segundo cada
Equao de Estado Cbica resumidas no Quadro F.1.

144

Tabela F.1 Equaes de Estado.


EoS

vdW (1873)

RK (1949)

SRK (1972)

Tr

Tr1/2

SRK Tr ;

1 2

1 2

1/8

0,08664

0,08664

0,07780

27/64

0, 42748

0, 42748

0, 45724

Zc

3/8

1/3

1/3

0,30740

PR (1976)

PR Tr ;

**

Fonte: Smith et al. (2007)

SRK Tr ; 1 0, 480 1,574 0,176 2 (1 Tr1/2 )


*

PR Tr ; 1 0,37464 1,54226 0, 26992 2 (1 Tr1/2 )


**

(E.9)

(E.10)

145

APNDICE F

ALGORITMO DE LEVENBERG-MARQUARDT

O mtodo de Levenberg-Marquardt aplica-se resoluo de problemas de mnimos


quadrados no-lineares e o mais usado no treinamento de RNAs. Consiste em um
aperfeioamento do mtodo de Gauss-Newton, o qual, por sua vez, uma variante do mtodo
de Newton.
Problemas de mnimos quadrados apresentam como objetivo encontrar o melhor
ajuste para um conjunto de dados, de tal modo que a soma dos quadrados das distncias
(tomadas na vertical) entre o modelo (curva ajustada) e cada um dos pontos dados seja a
menor possvel. Essas diferenas entre a curva ajustada e cada um dos dados so denominadas
resduos.
Matematicamente, tem-se:

Seja

x x1 x2

x3 xn , deseja-se minimizar

f x

para encontrar

x mnimo local para F x , onde

F x

2
2
1 m
1
1
T
fi x f x f x f x

2 i 1
2
2

(F.1)

Um bom motivo para se minimizar a soma dos quadrados dos resduos, ao invs de
se minimizar a soma dos resduos, o fato de que a funo mdulo, no diferencivel na
origem e sero usadas derivadas para resolver os problemas de mnimos quadrados nolineares.
Pode-se perceber que o modelo depende dos parmetros x x1

x2

x3 xn .
T

O objetivo do problema seria, ento, encontrar onde x1 , x2 , x3 , xn so os valores que

146

minimizam a soma dos quadrados dos resduos, o que significa encontrar a melhor curva que
se ajusta aos pontos fornecidos.
Assim como os mtodos de Newton e Gauss-Newton, o mtodo de LevenbergMarquardt iterativo. Isto significa que, dado um ponto inicial x0 , o mtodo produz uma
srie de vetores x1 , x 2 , ..., x n que se espera que v convergir para x , um mnimo local para a
funo de entrada a ser ajustada.
O mtodo de Newton baseia-se no fato de que se x um ponto crtico da funo F ,
e tem-se ento que F ' x 0 . Expandindo-se F em uma srie de Taylor, obtm-se:

F x h F x F ' x h O h

(F.2)

F ' x h F ' x F '' x h , para valores pequenos de h .

Desta forma, pode-se escrever:

F ' x h F ' x F '' x h

(F.3)

Sabendo-se que F ' x 0 e F ' x h F ' x F '' x h , pode-se encontrar o


valor de hn , isto , a direo de busca no mtodo de Newton, resolvendo-se o seguinte
sistema de equaes:

Hhn F ' x

(F.4)

147

2 f

2
x1
2 f

onde H F '' x H x x2 x1

2 f

xn x1

2 f
x1x2
2 f
x22

f
xn x2
2

2 f

x1xn
2 f

x2xn conhecida como a matriz

2 f

xn2

Hessiana.
Calculada a direo do passo n, a prxima iterao do mtodo de Newton dada por:

x x hn

(F.5)

No entanto, a avaliao da matriz Hessiana pode ser extremamente complexa para


alguns problemas. Para contornar esse problema, foram propostos mtodos que utilizam
aproximaes para essa matriz, denotados Quasi-Newton, dentre os quais se encontram o
mtodo de Gauss-Newton e Levenberg-Marquardt.
O mtodo de Gauss-Newton se baseia na aproximao para os valores das
componentes de f na vizinhana de x . Da expanso em srie de Taylor, pode-se perceber
que:

f x h l h f x J x h

(F.6)

onde J a matriz Jacobiana, isto , a matriz que contm as derivadas parciais de primeira
ordem de cada componente da funo vetorial f .

148

f1
x
1
f 2

J x x1

f m
x
1

f1
x2
f 2
x2

f m
x2

f1
xn

f 2

xn

f m

xn m X n

Substituindo-se f x h l h f x J x h em F x

(F.7)

1
T
f x f x obtm2

se:

1
T
F x h L h l h l h
2

(F.8)

1 T
1
f f hT J T f hT J T Jh
2
2

(F.9)

1
F x h F x hT J T f hT J T Jh
2

(F.10)

F x h

fcil perceber que o gradiente e a matriz Hessiana de L so dados respectivamente


por:

L ' h J T f J T Jh

(F.11)

L '' h J T J

(F.12)

149

Portanto, a direo do passo, calculada por meio do mtodo de Gauss-Newton, dada


pela seguinte equao:

J J h
T

gn

J T f

(F.13)

Encontrado o valor de hgn , tem-se que a prxima iterao do mtodo de GaussNewton dada por:

x x hgn

(F.14)

Apesar de o mtodo de Gauss-Newton resolver de maneira mais fcil a matriz


Hessiana, pode-se perceber que, da mesma forma que acontecia no mtodo de Newton, no
garantido que exista a inversa dessa matriz, necessria para o clculo de hgn .
O mtodo de Levenberg-Marquardt, para contornar essa situao, prope somar uma
parcela I matriz Hessiana, aproximada pelo mtodo de Gauss-Newton, onde um
escalar denominado parmetro de damping e I a matriz identidade.
Com essa modificao, a direo do passo do mtodo de Levenberg-Marquardt pode
ser calculada da seguinte maneira:

J I hlm g

(F.15)

onde g J f e 0 .
T

O parmetro de damping promove diferentes comportamentos do mtodo, ou


seja:

150

1. Para todo 0 , a matriz de coeficientes

J I

positiva definida, o que

implica que hlm uma direo de descida;


2. Para valores grandes de tem-se:

hlm

1
1
F ' x , que um pequeno passo na direo mxima de descida;
g

3. Se muito pequeno, tem-se que hlm hgn , o que bom nos estgios finais da

iterao quando x est prximo de x , pois, quando isso ocorre, o mtodo de


Levenberg-Marquardt consegue convergncia quadrtica.

possvel perceber que o parmetro influencia tanto na direo quanto no


tamanho do passo, permitindo assim que o mtodo de Levenberg-Marquardt no necessite de
uma busca linear para descobrir o tamanho timo do passo a ser dado em cada iterao.
O valor inicial de pode ser relacionado ao tamanho dos elementos da matriz
Hessiana aproximada, que calculada no mtodo de Levenberg-Marquardt, isto , ao tamanho
dos elementos de A0 J x0 J x0 .
T

0 max i aii0

(F.16)

onde escolhido pelo usurio. Para determinados problemas, em que o valor de x0 uma
boa aproximao para x , pode-se adotar 106 . Caso contrrio, recomenda-se 103 ou
at mesmo 1 .
O valor de pode ser modificado durante as iteraes e isso feito em funo de
um outro parmetro , denominado de gain ratio, ou seja:

F x F x hlm
L 0 L hlm

(F.17)

151

onde L 0 L hlm o ganho obtido atravs do modelo linear.

1 T T
T T
L 0 L hlm hlm
J f hlm
J Jhlm
2

(F.18)

T
2 g J T J I I hlm
L 0 L hlm hlm

L 0 L hlm

1 T
hlm hlm g
2

(F.19)

(F.20)

T
T
Pode-se garantir que como hlm hlm e hlm g so positivos, ento L 0 L hlm

tambm positivo.
Se o valor de for grande, isso indica que L hlm uma boa aproximao para

F x hlm e pode-se diminuir o valor de de modo que o prximo passo do LevenbergMarquardt esteja prximo do passo de Gauss-Newton. Se for pequeno, isso significa que

L hlm uma aproximao ruim e torna-se necessrio aumentar para buscar a direo
mxima de descida e reduzir o tamanho do passo.
O valor de alterado de acordo com a seguinte regra:
se 0 ,

2.

caso contrrio,

e 2 .

152

onde inicializado com valor igual a 2.

Os critrios de convergncia ou critrios de parada mais usuais so:

1. Norma do gradiente menor do que um determinado valor pr-determinado, isto ,

1 , onde 1 um nmero positivo pequeno, escolhido pelo usurio, de modo a

refletir que F ' x g x 0 ;


2. Variao no valor de x muito pequena, isto , xnovo x 2 x 2 ;
3. Nmero mximo de iteraes determinado pelo usurio. Isto importante para evitar
que o algoritmo entre em loop infinito: k kmax , onde k o nmero de iteraes.