Monitoramento inteligente não invasivo de bloqueio em dutos de produção de fertilizantes

Resumo

Este trabalho propõe uma abordagem inteligente para a previsão da sedimentação de fertilizantes em tubulações
industriais, utilizando aprendizado profundo e imagens térmicas. O acúmulo de sedimentos nas tubulações de fertilizantes, resultante da interação entre vapores e partículas, pode comprometer a eficiência operacional e gerar riscos à saúde dos trabalhadores envolvidos na limpeza desses dutos. Para mitigar esse problema, este trabalho apresenta uma solução não invasiva, composta pela combinação das técnicas de termografia infravermelha e redes neurais convolucionais para a previsão do nível de sedimentação e a reconstrução tridimensional nas tubulações afetadas. A metodologia utiliza um conjunto de dados sintéticos de imagens térmicas, obtidos através de simulações avançadas e um scanner 3D, para fornecer uma base diversificada de dados para treinamento do modelo. O modelo foi treinado em 100 épocas com imagens em tons de cinza, que demonstraram melhores resultados que as imagens RGB, devido a simplificação dos dados de entrada. Os resultados mostraram que o modelo foi capaz de prever o perfil geométrico da sedimentação nas tubulações, com maior acuracidade nas regiões centrais das tubulações, onde a variabilidade dos dados é menor. A reconstrução 3D das superf´ıcies a partir das imagens térmicas possibilitou uma análise detalhada da relação entre as variações térmicas e o acúmulo de sedimentos. Os testes demonstraram a eficácia da abordagem proposta, destacando seu potencial para aplicações industriais em sistemas de monitoramento e manutenção preditiva. Este estudo contribui para a implementação de soluções não invasivas, com baixo custo e alto desempenho, para a manuteção de sistemas industriais críticos.