Aplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol

During the last decades, the problem of detecting leaks in pipes with the help of software has been much discussed. Timely leak detection prevents water loss and helps prevent economic and environmental catastrophes. It is evident that companies choose to have good leak control policies, detection s...

Full description

Autores:: Gámez De León, Adalberto

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2021

Institución:: Corporación Universidad de la Costa

Repositorio:: REDICUC - Repositorio CUC

Idioma:: spa

id	RCUC2_74e6483a3b0d8a8623f95b4f87fe8b2d
oai_identifier_str	oai:repositorio.cuc.edu.co:11323/8874
network_acronym_str	RCUC2
network_name_str	REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv	Aplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol
title	Aplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol
spellingShingle	Aplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol Machine learning Leak detection Decision trees Support Vector Machine SVM Artificial intelligence Detección de fugas Árboles de decisión Máquinas de Soporte Vectorial SVM Inteligencia artificial
title_short	Aplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol
title_full	Aplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol
title_fullStr	Aplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol
title_full_unstemmed	Aplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol
title_sort	Aplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol
dc.creator.fl_str_mv	Gámez De León, Adalberto
dc.contributor.advisor.spa.fl_str_mv	Díaz-Charris, Luis David Cárdenas Cabrera, Jorge Mario
dc.contributor.author.spa.fl_str_mv	Gámez De León, Adalberto
dc.subject.spa.fl_str_mv	Machine learning Leak detection Decision trees Support Vector Machine SVM Artificial intelligence Detección de fugas Árboles de decisión Máquinas de Soporte Vectorial SVM Inteligencia artificial
topic	Machine learning Leak detection Decision trees Support Vector Machine SVM Artificial intelligence Detección de fugas Árboles de decisión Máquinas de Soporte Vectorial SVM Inteligencia artificial
description	During the last decades, the problem of detecting leaks in pipes with the help of software has been much discussed. Timely leak detection prevents water loss and helps prevent economic and environmental catastrophes. It is evident that companies choose to have good leak control policies, detection systems in Control Centers and teams of operators who locate leaks directly on the ground. However, these strategies do not allow for real-time leak detection. This project implements techniques based on machine learning that, through the introduction of process data from the studied pipes, systematically determine the presence of leaks. With this project, it is hoped to improve the speed and accuracy of leak detection, using only process data, system knowledge and intelligent software.
publishDate	2021
dc.date.accessioned.none.fl_str_mv	2021-11-18T22:24:36Z
dc.date.available.none.fl_str_mv	2021-11-18T22:24:36Z
dc.date.issued.none.fl_str_mv	2021
dc.type.spa.fl_str_mv	Trabajo de grado - Pregrado
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/TP
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/acceptedVersion
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.uri.spa.fl_str_mv	https://hdl.handle.net/11323/8874
dc.identifier.instname.spa.fl_str_mv	Corporación Universidad de la Costa
dc.identifier.reponame.spa.fl_str_mv	REDICUC - Repositorio CUC
dc.identifier.repourl.spa.fl_str_mv	https://repositorio.cuc.edu.co/
url	https://hdl.handle.net/11323/8874 https://repositorio.cuc.edu.co/
identifier_str_mv	Corporación Universidad de la Costa REDICUC - Repositorio CUC
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Adedeji, K. B., Hamam, Y., Abe, B. T., & Abu-Mahfouz, A. M. (2017). Towards Achieving a Reliable Leakage Detection and Localization Algorithm for Application in Water Piping Networks: An Overview. IEEE Access, 5, 20272–20285. https://doi.org/10.1109/ACCESS.2017.2752802 Aldo, M. S., & Alvarado, V. (2011). Introduccion Al Machine Learning. January, 1–44. https://doi.org/10.13140/RG.2.2.28886.19527 Bobadilla, J. (2020). Machine Learning y Deep Learning: Usando Python, Scikit y Keras (p. 47 y 48). https://books.google.com.co/books?id=iAAyEAAAQBAJ&pg=PA54&dq=machine+l earning+Regresión+lineal&hl=es419&sa=X&ved=2ahUKEwizzPak2YPzAhXvRTABHfCRCdUQ6AF6BAgHEAI#v= onepage&q&f=false Bohorquez, J., Alexander, B., Simpson, A. R., & Lambert, M. F. (2020). Leak Detection and Topology Identification in Pipelines Using Fluid Transients and Artificial Neural Networks. Journal of Water Resources Planning and Management, 146(6), 4020040. https://doi.org/10.1061/(asce)wr.1943-5452.0001187 Cantos, W. P., Juran, I., & Tinelli, S. (2020). Machine-Learning–Based Risk Assessment Method for Leak Detection and Geolocation in a Water Distribution System. Journal of Infrastructure Systems, 26(1), 04019039. https://doi.org/10.1061/(asce)is.1943-555x.0000517 Cardelus, D., & Lorenzo, L. (2019). Localización de fugas en terreno con machine learning. XXXV Jornadas Técnicas de AEAS, 2019, Págs. 925-926, 925–926. https://dialnet.unirioja.es/servlet/articulo?codigo=7198476&info=resumen&idioma=SPA Castillo, J. I. B. (2009). Detección de fugas en tuberías usando redes neuronales artificiales - José Ignacio Barradas Castillo - Google Libros. https://books.google.com.co/books?id=hFSRnQAACAAJ&dq=la+deteccion+de+fugas&hl=es&sa=X&ved=2ahUKEwjPmuDpzLzsAhXPtVkKHYMgB9QQ6AEwAHoECAUQAQ Cruz, B., Martínez, S., Abed, R., Ábalo, G., Lorenzo, G., Matilde, M., Cruz, I. B., Martinez, S. S., Abed, A. R., Abalo, G., & Lorenzo, M. G. (2007). Redes neuronales recurrentes para el analisis de secuencias Recurrent neurales / network for sequences analysis. Rcci, 1, 11. https://www.redalyc.org/pdf/3783/378343634004.pdf Cutler, A., Cutler, D. R., & Stevens, J. R. (2012). Ensemble Machine Learning. Ensemble Machine Learning, February 2014. https://doi.org/10.1007/978-1-4419-9326-7 David Cournapeau. (2011). Support Vector Machines. https://scikitlearn.org/stable/modules/svm.html# Dertat, A. (2017). Applied Deep Learning - Part 3: Autoencoders. https://medium.com/@ardendertat Dr. Jorge A. Delgado 2018. (n.d.). Algoritmos computacionales permiten detectar y localizar fugas en tuberías que transportan líquidos a presión: Dr. Jorge A. Delgado, Profesor Investigador de UVM – Sala de Prensa UVM. Retrieved September 24, 2020, from https://laureate-comunicacion.com/prensa/algoritmos-computacionales-permitendetectar-y-localizar-fugas-en-tuberias-que-transportan-liquidos-a-presion-dr-jorge-a-delgado-profesor-investigador-de-uvm/#.X2zRNWhKjIV Escalera, N. M. De. (2007). Una herramienta computacional para el análisis de mapas autoorganizados. IEEE 5o Congreso Internacional En Innovación y Desarrollo Tecnológico, At Cuernavaca, Morelos, México, 8–13. F Marqués. (2020). Machine Learning. Técnicas de Análisis Supervisado: Regresión Dinámica - F Marqués - Google Libros. Independently Published. https://books.google.com.co/books?id=OnKIzQEACAAJ&hl=es&source=gbs_book_ other_versions Fazai, R., Mansouri, M., Abodayeh, K., Puig, V., Raouf, M. N., Nounou, H., & Nounou, M. (2019). Engineering Applications of Artificial Intelligence Multiscale Gaussian process regression-based generalized likelihood ratio test for fault detection in water distribution networks ✩. Engineering Applications of Artificial Intelligence, 85(May), 474–491. https://doi.org/10.1016/j.engappai.2019.07.007 Fereidooni, Z., Tahayori, H., & Bahadori-Jahromi, A. (2020a). A hybrid model-based method for leak detection in large scale water distribution networks. Journal of Ambient Intelligence and Humanized Computing, 1–17. https://doi.org/10.1007/s12652-020-02233-2 Fereidooni, Z., Tahayori, H., & Bahadori-Jahromi, A. (2020b). A hybrid model-based method for leak detection in large scale water distribution networks. Journal of Ambient Intelligence and Humanized Computing, 1–17. https://doi.org/10.1007/s12652-020-02233-2 Ferrandez-Gamot, L., Busson, P., Blesa, J., Tornil-Sin, S., Puig, V., Duviella, E., & Soldevila, A. (2015). Leak localization in water distribution networks using pressure residuals and classifiers. IFAC-PapersOnLine, 28(21), 220–225. https://doi.org/10.1016/j.ifacol.2015.09.531 Fuentes-Mariales O.A, Palma-Nava A, R.-V. K. (2011). Estimación y localización de fugas en una red de tuberías de agua potable usando algoritmos genéticos Estimation and Location of Leaks in a Pipe Water Network. XII, 235–242. Fugas de agua: cómo detectarlas en tuberías enterradas. (n.d.). Retrieved September 26, 2020, from https://www.hidrotec.com/blog/detectar-fugas-agua-tuberias-enterradassoluciones/ IBM Cloud Education. (2020). Supervised Learning. Paper Knowledge . Toward a Media History of Documents. https://www.ibm.com/cloud/learn/supervised-learning#tocwhat-is-su-d3nKa9tk Introduction to Support Vector Machines (SVM). (2016). https://www.geeksforgeeks.org/introduction-to-support-vector-machines-svm/ Jimenez-Cabas, J., Torres, L., Lopez-Estrada, F. R., & Sanjuan, M. (2018). Leak diagnosis in pipelines by only using flow measurements. 2017 IEEE 3rd Colombian Conference on Automatic Control, CCAC 2017 - Conference Proceedings, 2018-Janua, 1–6. https://doi.org/10.1109/CCAC.2017.8276416 Jose Martinez Heras. (2019). Máquinas de Vectores de Soporte (SVM). https://www.iartificial.net/maquinas-de-vectores-de-soporte-svm/ Julianna Delua, SME, IBM Analytics, D. S. L. (2021). Supervised vs. Unsupervised Learning: What’s the Difference? https://www.ibm.com/cloud/blog/supervised-vsunsupervised-learning Kothari, A., & Balamurugan, M. (2021). An Efficient scheme for Water Leakage Detection using Support Vector Machines ( SVM ) – Zig. May 2019. Kubat, M. (2017). An Introduction to Machine Learning. In An Introduction to Machine Learning. https://doi.org/10.1007/978-3-319-63913-0 Manzi, D., Brentan, B., Meirelles, G., & Jr, E. L. (2019). Pattern Recognition and Clustering of Transient Pressure Signals for Burst Location. 1–13. Máxima Formación. (2021). https://www.maximaformacion.es/blog-dat/que-son-losarboles-de-decision-y-para-que-sirven/ Noguera-Polania, J. F., Hernández-García, J., Galaviz-López, D. F., Torres, L., Guzmán, J. E. V., Sanjuán-Mejía, M. E., & Jiménez-Cabas, J. (2020). Dataset on water–glycerol flow in a horizontal pipeline with and without leaks. Data in Brief, 31, 5. https://doi.org/https://doi.org/10.1016/j.dib.2020.105950 This Pavan Vadapalli. (2020). Top 10 Deep Learning Techniques You Should Know About. https://www.upgrad.com/blog/top-deep-learning-techniques-you-should-know-about/ Peña, G., Leonel, M., Vivien, D., François, J., Luque, S., José, R., Leonel, M., Peña, G., François, J., Vivien, D., José, R., & Luque, S. (2016). Un enfoque para la detección y localización de fugas en tuberías utilizando observadores de estado. Ciencia e Ingeniería, 37(2), 71–80. Pramoditha, R. (2021). 11 Dimensionality reduction techniques you should know in 2021. https://towardsdatascience.com/11-dimensionality-reduction-techniques-you-shouldknow-in-2021-dcb9500d388b Pressure, U., Approach, D. C., Sun, C., Parellada, B., Puig, V., & Cembrano, G. (2020). Leak Localization in Water Distribution Networks. Raquel Flórez López, J. M. F. F. (2008). Las Redes Neuronales Artificiales. Fundamentos Teóricos y Aplicaciones Prácticas (Lorena Bello (Ed.); p. 16). netbiblo. https://books.google.com.co/books?id=X0uLwi1Ap4QC&printsec=frontcover&dq=Redes+neuronales+clásicas&hl=es419&sa=X&ved=2ahUKEwj817DG8ojzAhUWRjABHTw9AccQ6AF6BAgIEAI#v=o nepage&q&f=false Saade, M., & Mustapha, S. (2020). Assessment of the structural conditions in steel pipeline under various operational conditions – A machine learning approach. Measurement: Journal of the International Measurement Confederation, 166, 108262. https://doi.org/10.1016/j.measurement.2020.108262 scikit-learn. (2021). https://scikit-learn.org/stable/index.html Subdirección General de Agua Potable Drenaje y Saneamiento. (2015). Volumen 42 Mantenimiento y Reparación de Tuberías y Piezas Especiales. In Manual de Agua Potable, Alcantarillado y Saneamiento. Taghlabi, F., Sour, L., & Agoumi, A. (2020). Prelocalization and Leak detection in water drinking distribution network using modeling-based algorithms : Case study : The city of. March, 1–19. Theobald Oliver. (2017). Machine Learning For Absolute Beginners. 148, 148–162. https://bmansoori.ir/book/Machine Learning For Absolute Beginners.pdf UNIR. (2021). Árboles de decisión: en qué consisten y aplicación en Big Data. https://www.unir.net/ingenieria/revista/arboles-de-decision/ Virk, M. A., Mysorewala, M. F., Cheded, L., Member, L. S., & Ali, I. M. (2020). Leak Detection Using Flow-Induced Vibrations in Pressurized Wall-Mounted Water Pipelines. 8, 188673–188687. https://doi.org/10.1109/ACCESS.2020.3032319 Walt, J. C. Van Der, Heyns, P. S., & Wilke, D. N. (2019). Pipe network leak detection : comparison between statistical and machine learning techniques. Urban Water Journal, 00(00), 1–8. https://doi.org/10.1080/1573062X.2019.1597375
dc.rights.spa.fl_str_mv	Attribution-NonCommercial-ShareAlike 4.0 International
dc.rights.uri.spa.fl_str_mv	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Corporación Universidad de la Costa
dc.publisher.program.spa.fl_str_mv	Ingeniería Electrónica
institution	Corporación Universidad de la Costa
bitstream.url.fl_str_mv	https://repositorio.cuc.edu.co/bitstreams/02c0c2ae-2b69-4aa8-9ad8-87782043c209/download https://repositorio.cuc.edu.co/bitstreams/5d482817-e9f4-404f-a84c-6525e44a4e9a/download https://repositorio.cuc.edu.co/bitstreams/ceeb0a8b-f776-4415-bc43-8da5e91f13ba/download https://repositorio.cuc.edu.co/bitstreams/dc6eee43-b8b6-47ab-bf18-f9cb8ea2d472/download https://repositorio.cuc.edu.co/bitstreams/d84a65e5-1585-4448-aa5c-63fbdfcc07f5/download
bitstream.checksum.fl_str_mv	c5eca682f3b561203768f8656fb27993 934f4ca17e109e0a05eaeaba504d7ce4 e30e9215131d99561d40d6b0abbe9bad a38cf7febeb3e9f4b8d5a1b4dfb5531d 1ddb06c6b102e5b2146deca678ccf8a7
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv	repdigital@cuc.edu.co
_version_	1811760786547146752
spelling	Díaz-Charris, Luis DavidCárdenas Cabrera, Jorge MarioGámez De León, Adalberto2021-11-18T22:24:36Z2021-11-18T22:24:36Z2021https://hdl.handle.net/11323/8874Corporación Universidad de la CostaREDICUC - Repositorio CUChttps://repositorio.cuc.edu.co/During the last decades, the problem of detecting leaks in pipes with the help of software has been much discussed. Timely leak detection prevents water loss and helps prevent economic and environmental catastrophes. It is evident that companies choose to have good leak control policies, detection systems in Control Centers and teams of operators who locate leaks directly on the ground. However, these strategies do not allow for real-time leak detection. This project implements techniques based on machine learning that, through the introduction of process data from the studied pipes, systematically determine the presence of leaks. With this project, it is hoped to improve the speed and accuracy of leak detection, using only process data, system knowledge and intelligent software.Durante las últimas décadas, el problema de detectar fugas en tuberías con la ayuda de software ha sido muy discutido. La detección oportuna de fugas previene la pérdida de agua y ayuda a evitar catástrofes económicas y medioambientales. Es evidente que las empresas optan por tener buenas políticas de control de fugas,sistemas de detección en los Centros de Control y brigadas de operarios que localizan las fugas directamente en terreno. Sin embargo, estas estrategias no permiten una detección de fugas en tiempo real. En el presente proyecto se implementan técnicas basadas en el machine learning que, por medio de la introducción de datos del proceso de las tuberías estudiadas, determinan sistemáticamente la presencia de fugas. Con este proyecto, se espera mejorar la rapidez y la exactitud en la detección fugas, usando sólo datos del proceso, conocimiento del sistema y software inteligente.application/pdfspaCorporación Universidad de la CostaIngeniería ElectrónicaAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Machine learningLeak detectionDecision treesSupport Vector Machine SVMArtificial intelligenceDetección de fugasÁrboles de decisiónMáquinas de Soporte Vectorial SVMInteligencia artificialAplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerolTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionAdedeji, K. B., Hamam, Y., Abe, B. T., & Abu-Mahfouz, A. M. (2017). Towards Achieving a Reliable Leakage Detection and Localization Algorithm for Application in Water Piping Networks: An Overview. IEEE Access, 5, 20272–20285. https://doi.org/10.1109/ACCESS.2017.2752802Aldo, M. S., & Alvarado, V. (2011). Introduccion Al Machine Learning. January, 1–44. https://doi.org/10.13140/RG.2.2.28886.19527Bobadilla, J. (2020). Machine Learning y Deep Learning: Usando Python, Scikit y Keras (p. 47 y 48). https://books.google.com.co/books?id=iAAyEAAAQBAJ&pg=PA54&dq=machine+l earning+Regresión+lineal&hl=es419&sa=X&ved=2ahUKEwizzPak2YPzAhXvRTABHfCRCdUQ6AF6BAgHEAI#v= onepage&q&f=falseBohorquez, J., Alexander, B., Simpson, A. R., & Lambert, M. F. (2020). Leak Detection and Topology Identification in Pipelines Using Fluid Transients and Artificial Neural Networks. Journal of Water Resources Planning and Management, 146(6), 4020040. https://doi.org/10.1061/(asce)wr.1943-5452.0001187Cantos, W. P., Juran, I., & Tinelli, S. (2020). Machine-Learning–Based Risk Assessment Method for Leak Detection and Geolocation in a Water Distribution System. Journal of Infrastructure Systems, 26(1), 04019039. https://doi.org/10.1061/(asce)is.1943-555x.0000517Cardelus, D., & Lorenzo, L. (2019). Localización de fugas en terreno con machine learning. XXXV Jornadas Técnicas de AEAS, 2019, Págs. 925-926, 925–926. https://dialnet.unirioja.es/servlet/articulo?codigo=7198476&info=resumen&idioma=SPACastillo, J. I. B. (2009). Detección de fugas en tuberías usando redes neuronales artificiales - José Ignacio Barradas Castillo - Google Libros. https://books.google.com.co/books?id=hFSRnQAACAAJ&dq=la+deteccion+de+fugas&hl=es&sa=X&ved=2ahUKEwjPmuDpzLzsAhXPtVkKHYMgB9QQ6AEwAHoECAUQAQCruz, B., Martínez, S., Abed, R., Ábalo, G., Lorenzo, G., Matilde, M., Cruz, I. B., Martinez, S. S., Abed, A. R., Abalo, G., & Lorenzo, M. G. (2007). Redes neuronales recurrentes para el analisis de secuencias Recurrent neurales / network for sequences analysis. Rcci, 1, 11. https://www.redalyc.org/pdf/3783/378343634004.pdfCutler, A., Cutler, D. R., & Stevens, J. R. (2012). Ensemble Machine Learning. Ensemble Machine Learning, February 2014. https://doi.org/10.1007/978-1-4419-9326-7David Cournapeau. (2011). Support Vector Machines. https://scikitlearn.org/stable/modules/svm.html#Dertat, A. (2017). Applied Deep Learning - Part 3: Autoencoders. https://medium.com/@ardendertatDr. Jorge A. Delgado 2018. (n.d.). Algoritmos computacionales permiten detectar y localizar fugas en tuberías que transportan líquidos a presión: Dr. Jorge A. Delgado, Profesor Investigador de UVM – Sala de Prensa UVM. Retrieved September 24, 2020, from https://laureate-comunicacion.com/prensa/algoritmos-computacionales-permitendetectar-y-localizar-fugas-en-tuberias-que-transportan-liquidos-a-presion-dr-jorge-a-delgado-profesor-investigador-de-uvm/#.X2zRNWhKjIVEscalera, N. M. De. (2007). Una herramienta computacional para el análisis de mapas autoorganizados. IEEE 5o Congreso Internacional En Innovación y Desarrollo Tecnológico, At Cuernavaca, Morelos, México, 8–13.F Marqués. (2020). Machine Learning. Técnicas de Análisis Supervisado: Regresión Dinámica - F Marqués - Google Libros. Independently Published. https://books.google.com.co/books?id=OnKIzQEACAAJ&hl=es&source=gbs_book_ other_versionsFazai, R., Mansouri, M., Abodayeh, K., Puig, V., Raouf, M. N., Nounou, H., & Nounou, M. (2019). Engineering Applications of Artificial Intelligence Multiscale Gaussian process regression-based generalized likelihood ratio test for fault detection in water distribution networks ✩. Engineering Applications of Artificial Intelligence, 85(May), 474–491. https://doi.org/10.1016/j.engappai.2019.07.007Fereidooni, Z., Tahayori, H., & Bahadori-Jahromi, A. (2020a). A hybrid model-based method for leak detection in large scale water distribution networks. Journal of Ambient Intelligence and Humanized Computing, 1–17. https://doi.org/10.1007/s12652-020-02233-2Fereidooni, Z., Tahayori, H., & Bahadori-Jahromi, A. (2020b). A hybrid model-based method for leak detection in large scale water distribution networks. Journal of Ambient Intelligence and Humanized Computing, 1–17. https://doi.org/10.1007/s12652-020-02233-2Ferrandez-Gamot, L., Busson, P., Blesa, J., Tornil-Sin, S., Puig, V., Duviella, E., & Soldevila, A. (2015). Leak localization in water distribution networks using pressure residuals and classifiers. IFAC-PapersOnLine, 28(21), 220–225. https://doi.org/10.1016/j.ifacol.2015.09.531Fuentes-Mariales O.A, Palma-Nava A, R.-V. K. (2011). Estimación y localización de fugas en una red de tuberías de agua potable usando algoritmos genéticos Estimation and Location of Leaks in a Pipe Water Network. XII, 235–242.Fugas de agua: cómo detectarlas en tuberías enterradas. (n.d.). Retrieved September 26, 2020, from https://www.hidrotec.com/blog/detectar-fugas-agua-tuberias-enterradassoluciones/IBM Cloud Education. (2020). Supervised Learning. Paper Knowledge . Toward a Media History of Documents. https://www.ibm.com/cloud/learn/supervised-learning#tocwhat-is-su-d3nKa9tkIntroduction to Support Vector Machines (SVM). (2016). https://www.geeksforgeeks.org/introduction-to-support-vector-machines-svm/Jimenez-Cabas, J., Torres, L., Lopez-Estrada, F. R., & Sanjuan, M. (2018). Leak diagnosis in pipelines by only using flow measurements. 2017 IEEE 3rd Colombian Conference on Automatic Control, CCAC 2017 - Conference Proceedings, 2018-Janua, 1–6. https://doi.org/10.1109/CCAC.2017.8276416Jose Martinez Heras. (2019). Máquinas de Vectores de Soporte (SVM). https://www.iartificial.net/maquinas-de-vectores-de-soporte-svm/Julianna Delua, SME, IBM Analytics, D. S. L. (2021). Supervised vs. Unsupervised Learning: What’s the Difference? https://www.ibm.com/cloud/blog/supervised-vsunsupervised-learningKothari, A., & Balamurugan, M. (2021). An Efficient scheme for Water Leakage Detection using Support Vector Machines ( SVM ) – Zig. May 2019.Kubat, M. (2017). An Introduction to Machine Learning. In An Introduction to Machine Learning. https://doi.org/10.1007/978-3-319-63913-0Manzi, D., Brentan, B., Meirelles, G., & Jr, E. L. (2019). Pattern Recognition and Clustering of Transient Pressure Signals for Burst Location. 1–13.Máxima Formación. (2021). https://www.maximaformacion.es/blog-dat/que-son-losarboles-de-decision-y-para-que-sirven/Noguera-Polania, J. F., Hernández-García, J., Galaviz-López, D. F., Torres, L., Guzmán, J. E. V., Sanjuán-Mejía, M. E., & Jiménez-Cabas, J. (2020). Dataset on water–glycerol flow in a horizontal pipeline with and without leaks. Data in Brief, 31, 5. https://doi.org/https://doi.org/10.1016/j.dib.2020.105950 ThisPavan Vadapalli. (2020). Top 10 Deep Learning Techniques You Should Know About. https://www.upgrad.com/blog/top-deep-learning-techniques-you-should-know-about/Peña, G., Leonel, M., Vivien, D., François, J., Luque, S., José, R., Leonel, M., Peña, G., François, J., Vivien, D., José, R., & Luque, S. (2016). Un enfoque para la detección y localización de fugas en tuberías utilizando observadores de estado. Ciencia e Ingeniería, 37(2), 71–80.Pramoditha, R. (2021). 11 Dimensionality reduction techniques you should know in 2021. https://towardsdatascience.com/11-dimensionality-reduction-techniques-you-shouldknow-in-2021-dcb9500d388bPressure, U., Approach, D. C., Sun, C., Parellada, B., Puig, V., & Cembrano, G. (2020). Leak Localization in Water Distribution Networks.Raquel Flórez López, J. M. F. F. (2008). Las Redes Neuronales Artificiales. Fundamentos Teóricos y Aplicaciones Prácticas (Lorena Bello (Ed.); p. 16). netbiblo. https://books.google.com.co/books?id=X0uLwi1Ap4QC&printsec=frontcover&dq=Redes+neuronales+clásicas&hl=es419&sa=X&ved=2ahUKEwj817DG8ojzAhUWRjABHTw9AccQ6AF6BAgIEAI#v=o nepage&q&f=falseSaade, M., & Mustapha, S. (2020). Assessment of the structural conditions in steel pipeline under various operational conditions – A machine learning approach. Measurement: Journal of the International Measurement Confederation, 166, 108262. https://doi.org/10.1016/j.measurement.2020.108262scikit-learn. (2021). https://scikit-learn.org/stable/index.htmlSubdirección General de Agua Potable Drenaje y Saneamiento. (2015). Volumen 42 Mantenimiento y Reparación de Tuberías y Piezas Especiales. In Manual de Agua Potable, Alcantarillado y Saneamiento.Taghlabi, F., Sour, L., & Agoumi, A. (2020). Prelocalization and Leak detection in water drinking distribution network using modeling-based algorithms : Case study : The city of. March, 1–19.Theobald Oliver. (2017). Machine Learning For Absolute Beginners. 148, 148–162. https://bmansoori.ir/book/Machine Learning For Absolute Beginners.pdfUNIR. (2021). Árboles de decisión: en qué consisten y aplicación en Big Data. https://www.unir.net/ingenieria/revista/arboles-de-decision/Virk, M. A., Mysorewala, M. F., Cheded, L., Member, L. S., & Ali, I. M. (2020). Leak Detection Using Flow-Induced Vibrations in Pressurized Wall-Mounted Water Pipelines. 8, 188673–188687. https://doi.org/10.1109/ACCESS.2020.3032319Walt, J. C. Van Der, Heyns, P. S., & Wilke, D. N. (2019). Pipe network leak detection : comparison between statistical and machine learning techniques. Urban Water Journal, 00(00), 1–8. https://doi.org/10.1080/1573062X.2019.1597375PublicationORIGINALAplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol.pdfAplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol.pdfapplication/pdf1375339https://repositorio.cuc.edu.co/bitstreams/02c0c2ae-2b69-4aa8-9ad8-87782043c209/downloadc5eca682f3b561203768f8656fb27993MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81031https://repositorio.cuc.edu.co/bitstreams/5d482817-e9f4-404f-a84c-6525e44a4e9a/download934f4ca17e109e0a05eaeaba504d7ce4MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-83196https://repositorio.cuc.edu.co/bitstreams/ceeb0a8b-f776-4415-bc43-8da5e91f13ba/downloade30e9215131d99561d40d6b0abbe9badMD53THUMBNAILAplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol.pdf.jpgAplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol.pdf.jpgimage/jpeg30759https://repositorio.cuc.edu.co/bitstreams/dc6eee43-b8b6-47ab-bf18-f9cb8ea2d472/downloada38cf7febeb3e9f4b8d5a1b4dfb5531dMD54TEXTAplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol.pdf.txtAplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol.pdf.txttext/plain123586https://repositorio.cuc.edu.co/bitstreams/d84a65e5-1585-4448-aa5c-63fbdfcc07f5/download1ddb06c6b102e5b2146deca678ccf8a7MD5511323/8874oai:repositorio.cuc.edu.co:11323/88742024-09-17 11:09:08.799http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalopen.accesshttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.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

Aplicación de técnicas de machine Learning para la detección de fugas en una tubería horizontal que transporta una mezcla de agua y glicerol

Publicaciones similares