T-Net : um modelo de rede neural de aprendizado profundo para predição de perfis de sedimentos no interior de tubulação a partir de imagens térmicas
Autor: Jovania Menezes Dias (Currículo Lattes)
Resumo
A sedimentação em tubulações industriais representa um desafio crítico em diversos setores, impactando diretamente a eficiência operacional, a manutenção preditiva e a segurança dos processos industriais. Este estudo apresenta uma metodologia inovadora que integra imagens térmicas e redes neurais convolucionais para a previsão da sedimentação em tubulações industriais, combinando abordagens de aprendizado profundo e sensoriamento térmico. A principal contribuição desta pesquisa está no desenvolvimento de um modelo de CNN treinado a partir de um conjunto de dados híbrido, composto por dados experimentais e sintéticos. Com a utilização de técnicas de aumento de dados (data augmentation), o dataset inicial, contendo 22 amostras reais, foi expandido para 4.290 dados de entrada, possibilitando um treinamento mais robusto da rede neural. A metodologia proposta baseia-se na captura de imagens térmicas da superfície da tubulação para mapear a distribuição de temperatura e correlacioná-la com a formação de sedimentos internos. Paralelamente, a modelagem 3D dos perfis sedimentares foi realizada por meio de escaneamento 3D, permitindo a construção de um conjunto de dados detalhado para validação do modelo preditivo. Os experimentos demonstraram que o modelo baseado em imagens térmicas RGB superou aquele treinado com imagens em tons de cinza, evidenciando que a riqueza espectral das imagens térmicas coloridas melhora a precisão da predição da CNN. Essa abordagem possibilita a implementação de um sistema não invasivo e com precisão para monitoramento contínuo da sedimentação, reduzindo custos de manutenção e prevenindo falhas operacionais em tubulações industriais. Embora inicialmente aplicada à indústria de fertilizantes, a metodologia proposta apresenta potencial de aplicação em diversos setores, como indústrias petroquímicas, farmacêuticas e alimentícias, onde a detecção eficiente de sedimentos em tubulações é essencial para o controle de qualidade e otimização dos processos. Os resultados obtidos demonstram que a combinação de visão térmica e aprendizado profundo representa um avanço significativo na monitorização e predição de sedimentação, oferecendo uma solução robusta, escalável e de grande impacto para a indústria. Os resultados ressaltam o potencial desta metodologia para a gestão de tubulações industriais e outros domínios que enfrentam desafios semelhantes, oferecendo uma base para futuros avanços no monitoramento não invasivo de sedimentos e aplicações mais amplas em sistemas industriais.