Modelo de predicción de alarmas de falla de rocas en obras subterráneas a partir de datos de instrumentación geotécnica
RESUMEN : Se plantea un modelo para predicción de niveles de riesgos por fallas de rocas en obras subterráneas para la generación temprana de alertas , el desarrollo del proyecto tiene como base la metodología semi-empírica propuesta por Fukuzono (1985), quien identificó una relación entre el tiempo...
- Autores:
-
Arcila Quintero, Norbey
- Tipo de recurso:
- Tesis
- Fecha de publicación:
- 2021
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/24588
- Acceso en línea:
- http://hdl.handle.net/10495/24588
- Palabra clave:
- Ingeniería geológica
Engineering geology
Riesgo
Risk
Algoritmos
Algorithms
Análisis de datos
Data analysis
Instrumentación geotécnica
Niveles de alerta
Máquinas de vectores de soporte
Datos sintéticos
http://aims.fao.org/aos/agrovoc/c_6612
http://aims.fao.org/aos/agrovoc/c_295ae038
http://aims.fao.org/aos/agrovoc/c_15962
http://vocabularies.unesco.org/thesaurus/concept611
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/2.5/co/
id |
UDEA2_3bee7674d9e4652b2a9afc62cfd218bf |
---|---|
oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/24588 |
network_acronym_str |
UDEA2 |
network_name_str |
Repositorio UdeA |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Modelo de predicción de alarmas de falla de rocas en obras subterráneas a partir de datos de instrumentación geotécnica |
title |
Modelo de predicción de alarmas de falla de rocas en obras subterráneas a partir de datos de instrumentación geotécnica |
spellingShingle |
Modelo de predicción de alarmas de falla de rocas en obras subterráneas a partir de datos de instrumentación geotécnica Ingeniería geológica Engineering geology Riesgo Risk Algoritmos Algorithms Análisis de datos Data analysis Instrumentación geotécnica Niveles de alerta Máquinas de vectores de soporte Datos sintéticos http://aims.fao.org/aos/agrovoc/c_6612 http://aims.fao.org/aos/agrovoc/c_295ae038 http://aims.fao.org/aos/agrovoc/c_15962 http://vocabularies.unesco.org/thesaurus/concept611 |
title_short |
Modelo de predicción de alarmas de falla de rocas en obras subterráneas a partir de datos de instrumentación geotécnica |
title_full |
Modelo de predicción de alarmas de falla de rocas en obras subterráneas a partir de datos de instrumentación geotécnica |
title_fullStr |
Modelo de predicción de alarmas de falla de rocas en obras subterráneas a partir de datos de instrumentación geotécnica |
title_full_unstemmed |
Modelo de predicción de alarmas de falla de rocas en obras subterráneas a partir de datos de instrumentación geotécnica |
title_sort |
Modelo de predicción de alarmas de falla de rocas en obras subterráneas a partir de datos de instrumentación geotécnica |
dc.creator.fl_str_mv |
Arcila Quintero, Norbey |
dc.contributor.advisor.none.fl_str_mv |
Ruiz Álvarez, José David |
dc.contributor.author.none.fl_str_mv |
Arcila Quintero, Norbey |
dc.subject.unesco.none.fl_str_mv |
Ingeniería geológica Engineering geology |
topic |
Ingeniería geológica Engineering geology Riesgo Risk Algoritmos Algorithms Análisis de datos Data analysis Instrumentación geotécnica Niveles de alerta Máquinas de vectores de soporte Datos sintéticos http://aims.fao.org/aos/agrovoc/c_6612 http://aims.fao.org/aos/agrovoc/c_295ae038 http://aims.fao.org/aos/agrovoc/c_15962 http://vocabularies.unesco.org/thesaurus/concept611 |
dc.subject.agrovoc.none.fl_str_mv |
Riesgo Risk Algoritmos Algorithms Análisis de datos Data analysis |
dc.subject.proposal.spa.fl_str_mv |
Instrumentación geotécnica Niveles de alerta Máquinas de vectores de soporte Datos sintéticos |
dc.subject.agrovocuri.none.fl_str_mv |
http://aims.fao.org/aos/agrovoc/c_6612 http://aims.fao.org/aos/agrovoc/c_295ae038 http://aims.fao.org/aos/agrovoc/c_15962 |
dc.subject.unescouri.none.fl_str_mv |
http://vocabularies.unesco.org/thesaurus/concept611 |
description |
RESUMEN : Se plantea un modelo para predicción de niveles de riesgos por fallas de rocas en obras subterráneas para la generación temprana de alertas , el desarrollo del proyecto tiene como base la metodología semi-empírica propuesta por Fukuzono (1985), quien identificó una relación entre el tiempo de aceleración de una falla de un material geológico (geomaterial) era inversamente proporcional a la tasa de cambio de la deformación, de lo cual se deriva que el tiempo de falla del geomaterial se puede pronosticar extrapolando la tendencia lineal hacia cero de la gráfica del inverso de la velocidad de deformación contra el tiempo (Fukuzono, 1985). El modelo utiliza el algoritmo de aprendizaje supervisado de Máquinas de Soporte Vectorial para clasificar una serie temporal de datos de deformación de un geomaterial registrados por instrumentos instalados para dicho fin. Dado lo anterior, el volumen de datos para entrenamiento a partir de estos registros es limitado por el número de instrumentos, la cantidad de tiempo registrando lecturas y la cifra y variedad de alarmas reportadas. Por tanto, debió recurrirse a la generación de datos sintéticos que cubriesen el volumen de información requerida para el entrenamiento del modelo, mediante el uso de una ecuación de la curva logística, en su tramo con mayor tasa de cambio. A partir de los datos sintéticos se generan las primeras iteraciones para la puesta en operación del modelo, con cada iteración se definieron distintos parámetros de la implementación de scikit-learn sklearn.svm, buscando los que entregasen un mejor desempeño del modelo. Finalmente, se obtuvieron mejores resultados implementando un modelo de clasificación con un Kernel polinómico de grado 2. |
publishDate |
2021 |
dc.date.accessioned.none.fl_str_mv |
2021-12-06T14:08:23Z |
dc.date.available.none.fl_str_mv |
2021-12-06T14:08:23Z |
dc.date.issued.none.fl_str_mv |
2021 |
dc.type.spa.fl_str_mv |
info:eu-repo/semantics/other |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
dc.type.hasversion.spa.fl_str_mv |
info:eu-repo/semantics/draft |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_46ec |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/COther |
dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Especialización |
format |
http://purl.org/coar/resource_type/c_46ec |
status_str |
draft |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10495/24588 |
url |
http://hdl.handle.net/10495/24588 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.rights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ |
dc.rights.accessrights.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.creativecommons.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-sa/4.0/ |
dc.format.extent.spa.fl_str_mv |
37 |
dc.format.mimetype.spa.fl_str_mv |
application/pdf |
dc.publisher.place.spa.fl_str_mv |
Medellín |
institution |
Universidad de Antioquia |
bitstream.url.fl_str_mv |
http://bibliotecadigital.udea.edu.co/bitstream/10495/24588/2/ArcilaNorbey_2021_Predicci%c3%b3nFallaRocas.pdf http://bibliotecadigital.udea.edu.co/bitstream/10495/24588/4/license_rdf http://bibliotecadigital.udea.edu.co/bitstream/10495/24588/5/license.txt |
bitstream.checksum.fl_str_mv |
b6f422087709d283967152876d0c9fd2 e2060682c9c70d4d30c83c51448f4eed 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad de Antioquia |
repository.mail.fl_str_mv |
andres.perez@udea.edu.co |
_version_ |
1812173086713184256 |
spelling |
Ruiz Álvarez, José DavidArcila Quintero, Norbey2021-12-06T14:08:23Z2021-12-06T14:08:23Z2021http://hdl.handle.net/10495/24588RESUMEN : Se plantea un modelo para predicción de niveles de riesgos por fallas de rocas en obras subterráneas para la generación temprana de alertas , el desarrollo del proyecto tiene como base la metodología semi-empírica propuesta por Fukuzono (1985), quien identificó una relación entre el tiempo de aceleración de una falla de un material geológico (geomaterial) era inversamente proporcional a la tasa de cambio de la deformación, de lo cual se deriva que el tiempo de falla del geomaterial se puede pronosticar extrapolando la tendencia lineal hacia cero de la gráfica del inverso de la velocidad de deformación contra el tiempo (Fukuzono, 1985). El modelo utiliza el algoritmo de aprendizaje supervisado de Máquinas de Soporte Vectorial para clasificar una serie temporal de datos de deformación de un geomaterial registrados por instrumentos instalados para dicho fin. Dado lo anterior, el volumen de datos para entrenamiento a partir de estos registros es limitado por el número de instrumentos, la cantidad de tiempo registrando lecturas y la cifra y variedad de alarmas reportadas. Por tanto, debió recurrirse a la generación de datos sintéticos que cubriesen el volumen de información requerida para el entrenamiento del modelo, mediante el uso de una ecuación de la curva logística, en su tramo con mayor tasa de cambio. A partir de los datos sintéticos se generan las primeras iteraciones para la puesta en operación del modelo, con cada iteración se definieron distintos parámetros de la implementación de scikit-learn sklearn.svm, buscando los que entregasen un mejor desempeño del modelo. Finalmente, se obtuvieron mejores resultados implementando un modelo de clasificación con un Kernel polinómico de grado 2.ABSTRACT : A model is proposed for predicting risk levels due to rock failures in underground works for the early generation of alerts, the development of the project is based on the semi-empirical methodology proposed by Fukuzono (1985), who identified a relationship between time of acceleration of a failure of a geological material (geomaterial) was inversely proportional to the rate of change of the deformation, from which it follows that the failure time of the geomaterial can be predicted by extrapolating the linear trend towards zero from the graph of the inverse of the strain rate against time (Fukuzono, 1985), see Ilustración 1. The model uses the supervised learning algorithm of Vector Support Machines to classify a time series of deformation data of a geomaterial recorded by instruments installed for this purpose. Given the above, the volume of data for training from these records is limited by the number of instruments, the amount of time recording readings, and the number and variety of reported alarms. Therefore, it was necessary to resort to the generation of synthetic data that covered the volume of information required for the training of the model, using an equation of the logistic curve, in its section with the highest rate of change. From the synthetic data, the first iterations are generated to put the model into operation. With each iteration, different parameters of the scikit-learn sklearn.svm, implementation were defined, looking for those that delivered a better performance of the model. Finally, better results were obtained by implementing a classification model with a polynomial kernel of degree 2.37application/pdfspainfo:eu-repo/semantics/draftinfo:eu-repo/semantics/otherhttp://purl.org/coar/resource_type/c_46echttp://purl.org/redcol/resource_type/COtherTesis/Trabajo de grado - Monografía - Especializaciónhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/co/http://purl.org/coar/access_right/c_abf2https://creativecommons.org/licenses/by-nc-sa/4.0/Modelo de predicción de alarmas de falla de rocas en obras subterráneas a partir de datos de instrumentación geotécnicaMedellínIngeniería geológicaEngineering geologyRiesgoRiskAlgoritmosAlgorithmsAnálisis de datosData analysisInstrumentación geotécnicaNiveles de alertaMáquinas de vectores de soporteDatos sintéticoshttp://aims.fao.org/aos/agrovoc/c_6612http://aims.fao.org/aos/agrovoc/c_295ae038http://aims.fao.org/aos/agrovoc/c_15962http://vocabularies.unesco.org/thesaurus/concept611Especialista en Analítica y Ciencia de DatosEspecializaciónFacultad de Ingeniería. Especialización en Analítica y Ciencia de DatosUniversidad de AntioquiaORIGINALArcilaNorbey_2021_PredicciónFallaRocas.pdfArcilaNorbey_2021_PredicciónFallaRocas.pdfTrabajo de grado de especializaciónapplication/pdf1113044http://bibliotecadigital.udea.edu.co/bitstream/10495/24588/2/ArcilaNorbey_2021_Predicci%c3%b3nFallaRocas.pdfb6f422087709d283967152876d0c9fd2MD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81051http://bibliotecadigital.udea.edu.co/bitstream/10495/24588/4/license_rdfe2060682c9c70d4d30c83c51448f4eedMD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://bibliotecadigital.udea.edu.co/bitstream/10495/24588/5/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5510495/24588oai:bibliotecadigital.udea.edu.co:10495/245882021-12-06 09:09:03.841Repositorio Institucional Universidad de Antioquiaandres.perez@udea.edu.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 |