Vol. 30 (2020)
Artículos de investigación

Análisis aerodinámico de un vehículo aéreo no tripulado con cámara infrarroja para monitorear fugas de hidrocarburos en redes de oleoductos

PDF XML
  • Ernesto A. Elvira-Hernández ,
  • Francisco López-Huerta ,
  • Héctor Vázquez-Leal ,
  • Quetzalcoatl Hernández-Escobedo ,
  • Agustín Leobardo Herrera-May
Ernesto A. Elvira-Hernández
http://orcid.org/0000-0003-1407-3051 (no autenticado) Universidad Veracruzana

Biografía
Francisco López-Huerta
http://orcid.org/0000-0003-3332-846X (no autenticado) Universidad Veracruzana

Biografía
Héctor Vázquez-Leal
http://orcid.org/0000-0002-7785-5272 (no autenticado) Universidad Veracruzana

Biografía
Quetzalcoatl Hernández-Escobedo
http://orcid.org/0000-0002-2981-7036 (no autenticado) Universidad Nacional Autónoma de México

Biografía
Agustín Leobardo Herrera-May
http://orcid.org/0000-0002-7373-9258 (no autenticado) Universidad Veracruzana

Biografía

Publicado 2020-02-12

Aviso de derechos de autor/a

Cómo citar

Análisis aerodinámico de un vehículo aéreo no tripulado con cámara infrarroja para monitorear fugas de hidrocarburos en redes de oleoductos. (2020). Acta Universitaria, 30, 1-15. https://doi.org/10.15174/au.2020.2534

Resumen

Las redes de oleoductos requieren inspección periódica para detectar daños que pueden causar fugas de hidrocarburos en ambientes naturales y en poblaciones humanas. Estos daños pueden ser causados por fenómenos geológicos e interferencia de seres humanos. Para la detección de estos daños son necesarios técnicas de bajo costo que consideren las redes de oleoductos y su entorno natural. Este estudio presenta un análisis aerodinámico de un vehículo aéreo no tripulado (UAV) con perfil aerodinámico Eppler 748 (longitud del ala de 1.635 m). El UAV puede incluir una pequeña cámara infrarroja para monitorear fugas de hidrocarburos en redes de oleoductos usando la radiación infrarroja relacionada con el hidrocarburo derramado. Un modelo de dinámica de fluidos computacional (CFD) de el UAV es desarrollado para predecir sus coeficientes de sustentación y arrastre como una función del número de Reynolds y el ángulo de ataque (AoA). El perfil de velocidad del aire alrededor del UAV es estimado con simulaciones de CFD. Además, un modelo a escala (1:6.5) del UAV es fabricado usando una impresora 3D para realizar pruebas experimentales con un túnel de viento subsónico. Para el UAV con un AoA de 0, los coeficientes de sustentación y arrastre obtenidos con el modelo CFD tienen un comportamiento similar con los medidos a través del túnel de viento subsónico. El UAV diseñado podría utilizarse para inspecciones de bajo costo en redes de oleoductos en comparación con el empleo de helicópteros y aviones ligeros.

PDF XML

Referencias

  1. Bardina, J. E., Huang, P. G., & Coakley, T. J. (1997).
  2. Turbulence Modeling, Validation, Testing and Development, NASA Technical Memorandum 110446, 1997.
  3. Bouix, R., Viot, P., & Lataillade, J. L. (2009). Polypropylene foam behaviour under dynamic loadings: Strain rate, density and microstructure effects. Int. J. Impact Eng,, 36, 329-342. doi: 10.1016/j.ijimpeng.2007.11.007
  4. Bravo-Mosquera, P. D., Botero-Bolivar, L., Acevedo-Giraldo, D., & Cerón-Muñoz, H. D. (2017). Aerodynamic design analysis of a UAV for superficial research of volcanic environments. Aerosp. Sci. Technol., 70, 600-614. doi: 10.1016/j.ast.2017.09.005
  5. Da Cunha, S. B. (2016). A review of quantitative risk assessment of onshore pipelines. J. Loss Prev. Proc. Ind., 44, 282-298. doi: 10.1016/j.jlp.2016.09.016
  6. Du, X., Dori, A., Divo, E., Huayamave, V., & Zhu, F. (2018). Modeling the motion of small unmanned aerial system (sUAS) due to ground collision. Proc. IMechE Part G: J Aerosp. Eng., 232(10), 1961-1970.
  7. Frederick, G.; Kaepp, G. A.; Kudelko, C. M., & Schuster, P. J. (1995). Optimization of Expanded Polypropylene Foam Coring to Improve Bumper Foam Core Energy Absorbing Capability. SAE Int., 950549,1-9. doi: 10.4271/950549
  8. Gómez, C., & Green, D. R. (2017). Small unmanned airborne systems to support oil and gas pipeline monitoring and mapping. Arab. J. Geosci., 10, 202. doi: 10.1007/s12517-017-2989-x
  9. Guo, Y., Meng, X., Wang, D., Meng, T., & Liu, S. (2016). Comprehensive risk evaluation of long-distance oil and gas transportation pipelines using a fuzzy Petri net model. J. Nat. Gas Sci. Eng., 33, 18-29. doi: 10.1016/j.jngse.2016.04.052
  10. Iqbal, H., Tesfamariam, S., Haider, H., & Sadiq, R. (2016). Inspection and maintenance of oil & gas pipelines: a review of policies. Struct. Infrastruct. Eng., 13(6), 1-23. doi: 10.1080/15732479.2016.1187632.
  11. Jung-Ryul, L., Chang Min, C., Chan Yik, P., Chung Thanh, T., Hye Jin, S., Hyomi, J., & Eric, B. F. (2015). Spar disbond visualization in in-service composite UAV with ultrasonic propagation imager. Aerosp. Sci. Technol., 45, 180-185. doi: 10.1016/j.ast.2015.05.010.
  12. Liang, W., Hu, J., Zhang, L., Guo, C., & Lin, W. (2012). Assessing and classifying risk of pipeline third-party interference based on fault tree and SOM. Eng. Appl. Artif. Intel., 25(3), 594-608. doi: 10.1016/j.engappai.2011.08.010
  13. Lima, G. F., Freitas, V. C. G., Araújo, R. P., Maitelli, A. L., & Salazar, A. O. (2017). PIG’s speed estimated with pressure transducers and Hall effect sensor: an industrial application of sensors to validate a testing laboratory. Sensors, 17, 2119. Doi: 10.3390/s17092119
  14. Menter, F. R. (1993). Zonal two equation k–w turbulence models for aerodynamic flows. AIAA paper 93-2906.
  15. Menter, F., Ferreira, C. J., Esch, T., & Konno, B. (2003). The SST Turbulence Model with Improved Wall Treatment for Heat Transfer Predictions in Gas Turbines,' International Gas Turbine Congress 2003, Tokyo, IGTC2003-TS-059
  16. Menter, F. R., Kuntz, M., & Langtry, R. (2003). Ten Years of Industrial Experience with the SST Turbulence Model. Turbulence, Heat and Mass Transfer, vol 4, Begell House Inc, pp. 625-632.
  17. Mohamed, A., Hamdi, M. S., &Tahar, S. (2017). Using Computational Intelligence for the Safety Assessment of Oil and Gas Pipelines: A Survey. In Data Science and Big Data: An Environment of Computational Intelligence. Studies in Big Data, Pedrycz, W., Chen, S.M., Eds.; Springer International Publishing: Cham, pp. 189-207.
  18. Munson, B. R., Okiishi, T. H., Rothmayer, A. P., & Huebsch, W. W. (2009). Fundamentals of fluid mechanics. 6th ed. Danvers, MA: John Wiley & Sons.
  19. Panagiotou, P., Fotiadis-Karras, S., Yakinthos, K. (2018). Conceptual design of a Blended Wing Body MALE UAV. Aerosp. Sci. Technol., 73, 32-47. doi: 10.1016/j.ast.2017.11.032.
  20. Panagiotou, P., Kaparos, P., Salpingidou, C., & Yakinthos, K. (2016). Aerodynamic design of a MALE UAV. Aerosp. Sci. Technol., 50, 127-138. doi: 10.1016/j.ast.2015.12.033.
  21. Panagiotou, P., Loannidis, G., Tzivinikos, I., & Yakinthos, K. (2017). Experimental investigation of the wake and the wingtip vortices of a UAV model. Aerospace, 4, 53. doi: 10.3390/aerospace4040053
  22. Raeisi, B., & Alighanbari, H. (2018). Effects of tilting rate variations on the aerodynamics of the tilting ducted fans mounted at the wing tips of a vertical take-off and landing unmanned aerial vehicle. Proc. IMechE Part G: J. Aerosp. Eng., 232(10), 1803-1813. doi: 10.1177/0954410017703146
  23. Rifai, D., Abdalla, A. N., Razali, R., Ali, K., & Faraj, M. A. (2017). An Eddy current testing platform system for pipe defect inspection based on an optimized Eddy current technique probe design. Sensors, 17(3), 579. doi: 10.3390/s17030579
  24. Rodríguez-Olivares, N. A., Cruz-Cruz, J. V., Gómez-Hernández, A., Hernández-Alvarado, R., Nava-Balanzar, L., Salgado-Jiménez, T., & Soto-Cajiga, J. A. (2018). Improvement of ultrasonic pulse generator for automatic pipeline inspection. Sensors, 18, 2950. doi: 10.3390/s18092950
  25. Sahli, H., & El-Sheimy, N. (2016). A novel method to enhance pipeline trajectory determination using pipeline junctions. Sensors, 16, 567. doi: 10.3390/s16040567
  26. Schlichting, H., & Gersten, K. (2017). Boundary-Layer Theory. 9th ed. Berlin, Germany: Springer Nature.
  27. Shen, J., Su, Y., Liang, Q., & Zhu, X. (2018). Calculation and identification of the aerodynamic parameters for small-scaled fixed-wing UAVs. Sensors, 18, 206. doi: 10.3390/s18010206
  28. Shukla, D., & Komerath, N. (2018). Multirotor drone aerodynamic interaction investigation. Drones, 2, 43. Doi: 10.3390/drones2040043
  29. Shu-Jiao, T., Zong-Zhi, W., Ru-Jun, W., & Hao, W. (2016). Fire risk study of long-distance oil and gas pipeline based on QRA. Procedia Eng., 135, 369-375. doi: 10.1016/j.proeng.2016.01.144
  30. Sóbester, A., Keane, A. J., Scanlan, J., & Bressloff, N. W. (2005). Conceptual design of UAV airframes using a generic geometry service. In Proceedings of the Infotech@Aerospace Conferences, Arlington, VA, USA, 26–29 September 2005. doi: 10.2514/6.2005-7079
  31. Yang, F., Xue, X., Cai, C., Sun, Z., & Zhou, Q. (2018). Numerical simulation and analysis on spray drift movement of multirotor plant protection unmanned aerial vehicle. Energies, 11, 2399. doi: 10.3390/drones2040043
  32. Yuhua, D., & Datao, Y. (2005). Estimation of failure probability of oil and gas transmission pipelines by fuzzy fault tree analysis. J. Loss Prev. Proc. Ind., 18(2), 83-88. doi: 10.1016/j.jlp.2004.12.003
  33. Zhou, Q., Wu, W., Liu, D., Li, K., & Qiao, Q. (2016). Estimation of corrosion failure likelihood of oil and gas pipeline based on fuzzy logic approach. Eng. Fail. Anal., 70, 48-55. doi: 10.1016/j.engfailanal.2016.07.014