Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburos
Este trabajo presenta un modelo que implementa técnicas de aprendizaje de máquina para reconocer juntas de soldaduras y válvulas en tuberías que transportan hidrocarburos a partir de señales obtenidas por medio de una herramienta de inspección inteligente. El modelo utiliza en principio una fase de...
- Autores:
-
García Rueda, William Leonardo
- Tipo de recurso:
- Fecha de publicación:
- 2013
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/3344
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/3344
- Palabra clave:
- Analysis of data
Smart inspection
Transport line
Pattern recognition
Data mining
Hydrocarbons
Systems engineer
Software management
Software application
Software development
New technologies
Research
Teaching
Minería de datos
Hidrocarburos
Ingeniería de sistemas
Gestión de software
Aplicación de software
Desarrollo de software
Nuevas tecnologías
Investigaciones
Enseñanza
Análisis de datos
Inspección inteligente
Línea de transporte
Reconocimiento de patrones
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| Summary: | Este trabajo presenta un modelo que implementa técnicas de aprendizaje de máquina para reconocer juntas de soldaduras y válvulas en tuberías que transportan hidrocarburos a partir de señales obtenidas por medio de una herramienta de inspección inteligente. El modelo utiliza en principio una fase de reducción de ruido de la señal por medio algoritmos de pre-procesamiento, técnicas de selección de atributos y análisis por componentes principales. Las técnicas de reducción de ruido fueron seleccionadas después de realizar una revisión bibliográfica y de algunas pruebas con los datos de estudio. Posteriormente, el modelo fue entrenado con datos de una inspección inteligente perteneciente a un gasoducto colombiano, usando algoritmos de reconocimiento y clasificación específicamente redes neuronales artificiales y máquinas de soporte vectorial. Luego, el modelo entrenado fue validado con conjuntos diferentes de datos y se determinó su rendimiento por medio de validación cruzada y curvas ROC. Los resultados obtenidos demuestran que es posible identificar de manera automática las soldaduras con una eficiencia entre el 90 al 95 por ciento y válvulas con una eficiencia entre el 82 y 93 porciento |
|---|