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...

Full description

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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