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...

Full description

Autores:: García Rueda, William Leonardo

Tipo de recurso:

Fecha de publicación:: 2013

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_df53319d633db315b924456461bfbf60
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/3344
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburos
dc.title.translated.eng.fl_str_mv	Application of data mining techniques for the analysis and classification of information produced during inspection of hydrocarbon transport lines
title	Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburos
spellingShingle	Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburos 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
title_short	Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburos
title_full	Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburos
title_fullStr	Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburos
title_full_unstemmed	Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburos
title_sort	Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburos
dc.creator.fl_str_mv	García Rueda, William Leonardo
dc.contributor.advisor.spa.fl_str_mv	González Caro, Cristina N.
dc.contributor.author.spa.fl_str_mv	García Rueda, William Leonardo
dc.contributor.cvlac.*.fl_str_mv	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000068810
dc.contributor.scopus.*.fl_str_mv	https://www-scopus-com.aure.unab.edu.co/authid/detail.uri?authorId=15044422100
dc.contributor.researchgroup.spa.fl_str_mv	Grupo de Investigación Tecnologías de Información - GTI Grupo de Investigaciones Clínicas
dc.subject.keywords.eng.fl_str_mv	Analysis of data Smart inspection Transport line Pattern recognition Data mining Hydrocarbons Systems engineer Software management Software application Software development New technologies Research Teaching
topic	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
dc.subject.lemb.spa.fl_str_mv	Minería de datos Hidrocarburos Ingeniería de sistemas Gestión de software Aplicación de software Desarrollo de software Nuevas tecnologías Investigaciones Enseñanza
dc.subject.proposal.spa.fl_str_mv	Análisis de datos Inspección inteligente Línea de transporte Reconocimiento de patrones
description	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
publishDate	2013
dc.date.issued.none.fl_str_mv	2013
dc.date.accessioned.none.fl_str_mv	2020-06-26T21:33:11Z
dc.date.available.none.fl_str_mv	2020-06-26T21:33:11Z
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/masterThesis
dc.type.local.spa.fl_str_mv	Tesis
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TM
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/20.500.12749/3344
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UNAB
url	http://hdl.handle.net/20.500.12749/3344
identifier_str_mv	instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	García Rueda, William Leonardo (2014). Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspección de líneas de transporte de hidrocarburos. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNAB A. Carvalho, J. Rebello, L. Sagrilo, C. Camerini, and I. Miranda, “Mfl signals and artificial neural networks applied to detection and classification of pipe weld defects,” Ndt & E International, vol. 39, no. 8, pp. 661–667, 2006. A. G. Islas Garrido, “An´alisis experimental de esfuerzos en tubos con abolladuras sujetos a presi´on interna,” Ph.D. dissertation, 2010. A. Khodayari-Rostamabad, J. P. Reilly, N. K. Nikolova, J. R. Hare, and S. Pasha, “Machine learning techniques for the analysis of magnetic flux leakage images in pipeline inspection,” Magnetics, IEEE Transactions on, vol. 45, no. 8, pp. 3073–3084, 2009. C. A. Vaz Jr, O. de QF Arau´jo, and J. L. de Medeiros, “Failure diagnostics using data mining tools,” Computer Aided Chemical Engineering, vol. 27, pp. 1539–1544, 2009. D. Santana, N. Maruyama, and C. Furukawa, “Estimation of trajectories of pipeline pigs using inertial measurements and non linear sensor fusion,” in Industry Applications (INDUSCON), 2010 9th IEEE/IAS International Conference on. IEEE, 2010, pp. 1–6. E. C. de Petr´oleos, Carta petrolera. Oficina de Divulgaci´on y Prensa, 2007, no. 72-82. G. A. London˜o V´elez et al., “Prototipo pig intelligent,” Ph.D. dissertation, Universidad Nacional de Colombia-Sede Manizales, 2003. G. LATORRE, R. MORA, F. MEJ´IA U, A. MART´INEZ, and R. SUAREZ, “An´alisis´ estructural de tuberias de oleoductos abolladas por carga explosiva,” CT&F-Ciencia, Tecnolog´ıa y Futuro, vol. 1, no. 4, pp. 101–110, 1998. H. Cordell, Jim; Vanzant, Pipeline Pigging Handbook., 3rd ed. Clarion Technical Publishers., 2003. [Online]. Available: Onlineversionavailableat:http://www.knovel.com/ web/portal/browse/display? EXT KNOVEL DISPLAY bookid=2934&VerticalID=0 I. H. Witten and E. Frank, Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2005. J. Cordell and H. Vanzant, All about pigging: the design of pipelines and facilities for conventional and intelligent pigging and a guide to pig selection, operation and maintenance and to pipeline pigging services. On-Stream Systems. Firm, 1996. J. D. Aldana Carvajal, A. A. Yepes Maldonado, D. Padilla, and N. Nabonazar, “An´alisis de la hidrodin´amica exterior de una herramienta multitareas mediante cfd.” Ph.D. dissertation, 2010. J. D. Hart, G. H. Powell, D. Hackney, and N. Zulfiqar, “Geometry monitoring of the trans-alaska pipeline,” in 11-th International Conference on Cold Region Engineering, Anchorage, 2002. J. McCarthy, “What is artificial intelligence,” URL: http://www-formal. stanford.edu/jmc/whatisai. html, 2007. J. Moreno and D. Ovalle, “Modelo de apoyo a la comercializaci´on de electricidad usando l´ogica difusa y aprendizaje de m´aquina.” Dyna-Medellin, vol. 76, no. 159, p. 67, 2009. J. Pitchford, “Specification and requirements for the intelligent pig inspection of pipelines,” Pipes & pipelines international, vol. 44, no. 1, pp. 17–27, 1999. J. Tiratsoo, Pipeline pigging and integrity technology. Scientific Surveys Limited, 2003. J. Y and U. R, “Diseno y construcci´on de un prototipo ”smart pig”que permita el monitoreo de tuber´ıas en oleoductos, basado en la estrategia magnetic flux leakage (mfl).” 2012. M. A. C. Ruiz, “An´alisis comparativo de evaluaci´on de defectos en ductos entre estudios realizados con equipos instrumentados inteligentes de segunda y tercera generaci´o.” M. Beller, “Applying ultrasound for in-line inspection: Facts and issues,” in PPSA Aberdeen Seminar, UK, 2006. M. Burguen˜o, J. Garc´ıa-Bastos, and J. Gonz´alez-Buitrago, “Las curvas roc en la evaluaci´on de las pruebas diagn´osticas,” Med Clin (Barc), vol. 104, no. 17, pp. 661–70, 1995. R. Carneval, M. G. MARINHO, and J. Santos, “Flexible line inspection,” in European Conference on Nondestructive Testing (ECNDT), 2006. R. D. Souza, “Avaliac¸˜ao estrutural de dutos com defeitos de corros˜ao reais,” P´osGradua¸c˜ao em Engenharia Mecˆanica, PUC-Rio, Rio de Janeiro, Disserta¸c˜ao de Mestrado, 112p, 2003. R. K. Amineh, N. K. Nikolova, J. P. Reilly, and J. R. Hare, “Characterization of surfacebreaking cracks using one tangential component of magnetic leakage field measurements,” Magnetics, IEEE Transactions on, vol. 44, no. 4, pp. 516–524, 2008. S. J. Russell and P. Norvig, Inteligencia Artificial: un enfoque moderno, 1996. S. M. Weiss and N. Indurkhya, Predictive data mining: a practical guide. Morgan Kaufmann, 1998. U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From data mining to knowledge discovery in databases,” AI magazine, vol. 17, no. 3, p. 37, 1996. W. K. Muhlbauer, Pipeline risk management manual: ideas, techniques, and resources. Gulf Professional Pub, 2004. W. Villarreal Tapia, “Determinaci´on del riesgo de falla por abolladuras en oleoducto usando m´etodo de elementos finitos,” 2012. X.-f. Wang, Y. Wang, C.-l. Jiang, and H.-w. Liang, “Natural gas pipeline leak detection based on data mining,” in Consumer Electronics, Communications and Networks (CECNet), 2011 International Conference on. IEEE, 2011, pp. 492–494.
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 2.5 Colombia
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.spa.fl_str_mv	Bucaramanga (Colombia)
dc.coverage.campus.spa.fl_str_mv	UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv	Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv	Facultad Ingeniería
dc.publisher.program.spa.fl_str_mv	Maestría en Gestión, Aplicación y Desarrollo de Software
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/3344/1/2013_Tesis_William_Leonardo_Garcia_Rueda.pdf https://repository.unab.edu.co/bitstream/20.500.12749/3344/2/2013_Articulo_William_Leonardo_Garcia_Rueda.pdf https://repository.unab.edu.co/bitstream/20.500.12749/3344/3/2013_Anexo_William_Leonardo_Garcia_Rueda.zip https://repository.unab.edu.co/bitstream/20.500.12749/3344/4/2013_Tesis_William_Leonardo_Garcia_Rueda.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/3344/5/2013_Articulo_William_Leonardo_Garcia_Rueda.pdf.jpg
bitstream.checksum.fl_str_mv	bf7cf3a64a8355e9ce0e2bb06addc199 15d51dde03e03f1d692160ceb8584447 5484d77e0f8d2c856da0103fc64a3434 6af6e722931405aa7c058a7c760964a2 50f8f92e96a177c86a09f51ff91aeb71
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional \| Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv	repositorio@unab.edu.co
_version_	1814278363150286848
spelling	González Caro, Cristina N.52848162-f199-4d60-8e33-db5f1a26e528-1García Rueda, William Leonardo4720a820-1562-4f36-b53e-29bca8e4a0a8-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000068810https://www-scopus-com.aure.unab.edu.co/authid/detail.uri?authorId=15044422100Grupo de Investigación Tecnologías de Información - GTIGrupo de Investigaciones Clínicas2020-06-26T21:33:11Z2020-06-26T21:33:11Z2013http://hdl.handle.net/20.500.12749/3344instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABEste 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 porcientoIntroduccion XV 1. Estado del arte 1 1.1. Antecendentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2. Trabajos relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2. Marco Teórico 7 2.1. Inspección de tuberías . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.2. Estudio de irregularidades en tuberías . . . . . . . . . . . . . . . . . . . . . . . 7 2.3. Reducción de la dimensionalidad . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.3.1. Análisis por componentes principales . . . . . . . . . . . . . . . . . . . . 10 2.4. Selección de atributos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.4.1. Algoritmo CfsSubsetEval . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.5. Técnicas de inteligencia artificial . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5.1. Minería de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.5.2. Aprendizaje de maquina . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.6. Técnicas de validación de modelos . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.6.1. Validación cruzada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.6.2. Análisis ROC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 3. Reconocimiento del Fenómeno: Soldaduras. 19 3.1. ¿Qué es una soldadura? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.2. Selección y preparación de los datos . . . . . . . . . . . . . . . . . . . . . . . . 23 3.3. Procesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.4. Modelado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.5. Pruebas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.5.1. Pruebas con redes neuronales . . . . . . . . . . . . . . . . . . . . . . . . 26 3.5.2. Pruebas con maquinas de vectores de soporte . . . . . . . . . . . . . . . 29 3.6. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4. Reconocimiento del Fenómeno: Válvulas 41 4.1. ¿Qué es una válvula? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.2. Selección y preparación de los datos . . . . . . . . . . . . . . . . . . . . . . . . 45 4.3. Procesamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 4.4. Modelado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 4.5. Pruebas y discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.5.1. Pruebas con redes neuronales . . . . . . . . . . . . . . . . . . . . . . . . 48 4.5.2. Pruebas con maquinas de vectores de soporte . . . . . . . . . . . . . . . 51 4.5.3. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 5. Conclusiones 61 6. Trabajos Futuros 63MaestríaThis work presents a model that implements machine learning techniques to recognize weld joints and valves in pipelines that transport hydrocarbons from signals obtained by means of an intelligent inspection tool. The model initially uses a signal noise reduction phase by means of pre-processing algorithms, attribute selection techniques and principal component analysis. The noise reduction techniques were selected after conducting a literature review and some tests with the study data. Subsequently, the model was trained with data from an intelligent inspection belonging to a Colombian gas pipeline, using recognition and classification algorithms specifically artificial neural networks and vector support machines. The trained model was then validated with different data sets and its performance determined by cross-validation and ROC curves. The results obtained show that it is possible to automatically identify welds with an efficiency between 90 to 95 percent and valves with an efficiency between 82 and 93 percentModalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 2.5 ColombiaAplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburosApplication of data mining techniques for the analysis and classification of information produced during inspection of hydrocarbon transport linesMagíster en Gestión, aplicación y desarrollo de softwareBucaramanga (Colombia)UNAB Campus BucaramangaUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaMaestría en Gestión, Aplicación y Desarrollo de Softwareinfo:eu-repo/semantics/masterThesisTesishttp://purl.org/redcol/resource_type/TMAnalysis of dataSmart inspectionTransport linePattern recognitionData miningHydrocarbonsSystems engineerSoftware managementSoftware applicationSoftware developmentNew technologiesResearchTeachingMinería de datosHidrocarburosIngeniería de sistemasGestión de softwareAplicación de softwareDesarrollo de softwareNuevas tecnologíasInvestigacionesEnseñanzaAnálisis de datosInspección inteligenteLínea de transporteReconocimiento de patronesGarcía Rueda, William Leonardo (2014). Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspección de líneas de transporte de hidrocarburos. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNABA. Carvalho, J. Rebello, L. Sagrilo, C. Camerini, and I. Miranda, “Mfl signals and artificial neural networks applied to detection and classification of pipe weld defects,” Ndt & E International, vol. 39, no. 8, pp. 661–667, 2006.A. G. Islas Garrido, “An´alisis experimental de esfuerzos en tubos con abolladuras sujetos a presi´on interna,” Ph.D. dissertation, 2010.A. Khodayari-Rostamabad, J. P. Reilly, N. K. Nikolova, J. R. Hare, and S. Pasha, “Machine learning techniques for the analysis of magnetic flux leakage images in pipeline inspection,” Magnetics, IEEE Transactions on, vol. 45, no. 8, pp. 3073–3084, 2009.C. A. Vaz Jr, O. de QF Arau´jo, and J. L. de Medeiros, “Failure diagnostics using data mining tools,” Computer Aided Chemical Engineering, vol. 27, pp. 1539–1544, 2009.D. Santana, N. Maruyama, and C. Furukawa, “Estimation of trajectories of pipeline pigs using inertial measurements and non linear sensor fusion,” in Industry Applications (INDUSCON), 2010 9th IEEE/IAS International Conference on. IEEE, 2010, pp. 1–6.E. C. de Petr´oleos, Carta petrolera. Oficina de Divulgaci´on y Prensa, 2007, no. 72-82.G. A. London˜o V´elez et al., “Prototipo pig intelligent,” Ph.D. dissertation, Universidad Nacional de Colombia-Sede Manizales, 2003.G. LATORRE, R. MORA, F. MEJ´IA U, A. MART´INEZ, and R. SUAREZ, “An´alisis´ estructural de tuberias de oleoductos abolladas por carga explosiva,” CT&F-Ciencia, Tecnolog´ıa y Futuro, vol. 1, no. 4, pp. 101–110, 1998.H. Cordell, Jim; Vanzant, Pipeline Pigging Handbook., 3rd ed. Clarion Technical Publishers., 2003. [Online]. Available: Onlineversionavailableat:http://www.knovel.com/ web/portal/browse/display? EXT KNOVEL DISPLAY bookid=2934&VerticalID=0I. H. Witten and E. Frank, Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2005.J. Cordell and H. Vanzant, All about pigging: the design of pipelines and facilities for conventional and intelligent pigging and a guide to pig selection, operation and maintenance and to pipeline pigging services. On-Stream Systems. Firm, 1996.J. D. Aldana Carvajal, A. A. Yepes Maldonado, D. Padilla, and N. Nabonazar, “An´alisis de la hidrodin´amica exterior de una herramienta multitareas mediante cfd.” Ph.D. dissertation, 2010.J. D. Hart, G. H. Powell, D. Hackney, and N. Zulfiqar, “Geometry monitoring of the trans-alaska pipeline,” in 11-th International Conference on Cold Region Engineering, Anchorage, 2002.J. McCarthy, “What is artificial intelligence,” URL: http://www-formal. stanford.edu/jmc/whatisai. html, 2007.J. Moreno and D. Ovalle, “Modelo de apoyo a la comercializaci´on de electricidad usando l´ogica difusa y aprendizaje de m´aquina.” Dyna-Medellin, vol. 76, no. 159, p. 67, 2009.J. Pitchford, “Specification and requirements for the intelligent pig inspection of pipelines,” Pipes & pipelines international, vol. 44, no. 1, pp. 17–27, 1999.J. Tiratsoo, Pipeline pigging and integrity technology. Scientific Surveys Limited, 2003.J. Y and U. R, “Diseno y construcci´on de un prototipo ”smart pig”que permita el monitoreo de tuber´ıas en oleoductos, basado en la estrategia magnetic flux leakage (mfl).” 2012.M. A. C. Ruiz, “An´alisis comparativo de evaluaci´on de defectos en ductos entre estudios realizados con equipos instrumentados inteligentes de segunda y tercera generaci´o.”M. Beller, “Applying ultrasound for in-line inspection: Facts and issues,” in PPSA Aberdeen Seminar, UK, 2006.M. Burguen˜o, J. Garc´ıa-Bastos, and J. Gonz´alez-Buitrago, “Las curvas roc en la evaluaci´on de las pruebas diagn´osticas,” Med Clin (Barc), vol. 104, no. 17, pp. 661–70, 1995.R. Carneval, M. G. MARINHO, and J. Santos, “Flexible line inspection,” in European Conference on Nondestructive Testing (ECNDT), 2006.R. D. Souza, “Avaliac¸˜ao estrutural de dutos com defeitos de corros˜ao reais,” P´osGradua¸c˜ao em Engenharia Mecˆanica, PUC-Rio, Rio de Janeiro, Disserta¸c˜ao de Mestrado, 112p, 2003.R. K. Amineh, N. K. Nikolova, J. P. Reilly, and J. R. Hare, “Characterization of surfacebreaking cracks using one tangential component of magnetic leakage field measurements,” Magnetics, IEEE Transactions on, vol. 44, no. 4, pp. 516–524, 2008.S. J. Russell and P. Norvig, Inteligencia Artificial: un enfoque moderno, 1996.S. M. Weiss and N. Indurkhya, Predictive data mining: a practical guide. Morgan Kaufmann, 1998.U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From data mining to knowledge discovery in databases,” AI magazine, vol. 17, no. 3, p. 37, 1996.W. K. Muhlbauer, Pipeline risk management manual: ideas, techniques, and resources. Gulf Professional Pub, 2004.W. Villarreal Tapia, “Determinaci´on del riesgo de falla por abolladuras en oleoducto usando m´etodo de elementos finitos,” 2012.X.-f. Wang, Y. Wang, C.-l. Jiang, and H.-w. Liang, “Natural gas pipeline leak detection based on data mining,” in Consumer Electronics, Communications and Networks (CECNet), 2011 International Conference on. IEEE, 2011, pp. 492–494.ORIGINAL2013_Tesis_William_Leonardo_Garcia_Rueda.pdf2013_Tesis_William_Leonardo_Garcia_Rueda.pdfTesisapplication/pdf3203978https://repository.unab.edu.co/bitstream/20.500.12749/3344/1/2013_Tesis_William_Leonardo_Garcia_Rueda.pdfbf7cf3a64a8355e9ce0e2bb06addc199MD51open access2013_Articulo_William_Leonardo_Garcia_Rueda.pdf2013_Articulo_William_Leonardo_Garcia_Rueda.pdfArticuloapplication/pdf476954https://repository.unab.edu.co/bitstream/20.500.12749/3344/2/2013_Articulo_William_Leonardo_Garcia_Rueda.pdf15d51dde03e03f1d692160ceb8584447MD52open access2013_Anexo_William_Leonardo_Garcia_Rueda.zip2013_Anexo_William_Leonardo_Garcia_Rueda.zipAnexoapplication/octet-stream41128294https://repository.unab.edu.co/bitstream/20.500.12749/3344/3/2013_Anexo_William_Leonardo_Garcia_Rueda.zip5484d77e0f8d2c856da0103fc64a3434MD53open accessTHUMBNAIL2013_Tesis_William_Leonardo_Garcia_Rueda.pdf.jpg2013_Tesis_William_Leonardo_Garcia_Rueda.pdf.jpgIM Thumbnailimage/jpeg4820https://repository.unab.edu.co/bitstream/20.500.12749/3344/4/2013_Tesis_William_Leonardo_Garcia_Rueda.pdf.jpg6af6e722931405aa7c058a7c760964a2MD54open access2013_Articulo_William_Leonardo_Garcia_Rueda.pdf.jpg2013_Articulo_William_Leonardo_Garcia_Rueda.pdf.jpgIM Thumbnailimage/jpeg12092https://repository.unab.edu.co/bitstream/20.500.12749/3344/5/2013_Articulo_William_Leonardo_Garcia_Rueda.pdf.jpg50f8f92e96a177c86a09f51ff91aeb71MD55open access20.500.12749/3344oai:repository.unab.edu.co:20.500.12749/33442024-01-20 09:35:48.819open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.co

Aplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburos

Publicaciones similares