Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos
Las empresas de transporte de hidrocarburos, cuentan con una longitud de tubería considerable para transportar el material hasta su destino, debido a la gran distancia que se debe recorrer, es probable que el material de la tubería sufra un desgaste considerable, lo cual podría provocar una pérdida...
- Autores:
-
Barajas Aldana, Aldair
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2015
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/1588
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/1588
- Palabra clave:
- Mechatronic Engineering
Hydrocarbons
Pipeline industry
Transportation
Investigations
Analysis
Signals processing
Data mining
Artificial intelligence
Ingeniería mecatrónica
Hidrocarburos
Industria de tuberías
Transporte
Investigaciones
Análisis
Procesamiento de señales
Minería de datos
Inteligencia artificial
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_f03bc9c35c825406edb5576ee581adee |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/1588 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos |
| dc.title.translated.eng.fl_str_mv |
Detection of thickness losses in hydrocarbon transport pipelines using signal processing and data mining techniques |
| title |
Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos |
| spellingShingle |
Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos Mechatronic Engineering Hydrocarbons Pipeline industry Transportation Investigations Analysis Signals processing Data mining Artificial intelligence Ingeniería mecatrónica Hidrocarburos Industria de tuberías Transporte Investigaciones Análisis Procesamiento de señales Minería de datos Inteligencia artificial |
| title_short |
Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos |
| title_full |
Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos |
| title_fullStr |
Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos |
| title_full_unstemmed |
Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos |
| title_sort |
Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos |
| dc.creator.fl_str_mv |
Barajas Aldana, Aldair |
| dc.contributor.advisor.spa.fl_str_mv |
Arizmendi Pereira, Carlos Julio |
| dc.contributor.author.spa.fl_str_mv |
Barajas Aldana, Aldair |
| dc.contributor.cvlac.none.fl_str_mv |
Arizmendi Pereira, Carlos Julio [0001381550] |
| dc.contributor.googlescholar.none.fl_str_mv |
Arizmendi Pereira, Carlos Julio [JgT_je0AAAAJ&hl=es&oi=ao] |
| dc.contributor.orcid.none.fl_str_mv |
Arizmendi Pereira, Carlos Julio [0000-0002-5850-0775] |
| dc.contributor.researchgate.none.fl_str_mv |
Arizmendi Pereira, Carlos Julio [Carlos-Arizmendi] |
| dc.contributor.researchgroup.spa.fl_str_mv |
Grupo de Investigación Control y Mecatrónica - GICYM Grupo de Investigaciones Clínicas |
| dc.subject.keywords.eng.fl_str_mv |
Mechatronic Engineering Hydrocarbons Pipeline industry Transportation Investigations Analysis Signals processing Data mining Artificial intelligence |
| topic |
Mechatronic Engineering Hydrocarbons Pipeline industry Transportation Investigations Analysis Signals processing Data mining Artificial intelligence Ingeniería mecatrónica Hidrocarburos Industria de tuberías Transporte Investigaciones Análisis Procesamiento de señales Minería de datos Inteligencia artificial |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería mecatrónica Hidrocarburos Industria de tuberías Transporte Investigaciones Análisis |
| dc.subject.proposal.spa.fl_str_mv |
Procesamiento de señales Minería de datos Inteligencia artificial |
| description |
Las empresas de transporte de hidrocarburos, cuentan con una longitud de tubería considerable para transportar el material hasta su destino, debido a la gran distancia que se debe recorrer, es probable que el material de la tubería sufra un desgaste considerable, lo cual podría provocar una pérdida del material transportado. Realizar una inspección manual de la integridad de la tubería no es posible en algunos casos, debido a la ubicación geográfica de las mismas. |
| publishDate |
2015 |
| dc.date.issued.none.fl_str_mv |
2015 |
| dc.date.accessioned.none.fl_str_mv |
2020-06-26T19:45:22Z |
| dc.date.available.none.fl_str_mv |
2020-06-26T19:45:22Z |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12749/1588 |
| 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/20.500.12749/1588 |
| 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 |
Barajas Aldana, Aldair (2015). Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minero de datos. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNAB [1] AFZAL, Muhammad. Advanced signal processing of magnetic flux leakage data obtained from seamless gas pipeline. Canadá: Ndt & E International, 2002, vol. 35, no 7, p. 449-457. [2] BUBENIK, T. A., Magnetic flux leakage (MFL) technology for natural gas pipeline inspection. Canadá: NDT and E International, 1997, vol. 30, no 1, p. 36-36. [3] MUKHOPADHYAY, S.; SRIVASTAVA, G. P. Characterisation of metal loss defects from magnetic flux leakage signals with discrete wavelet transform. Ndt & E International, 2000, vol. 33, no 1, p. 57-65. [4] CHUI, Charles K. Wavelets: a mathematical tool for signal analysis. Siam, 1997. [5] MALLAT, Stephane G. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation. Filadelfia. 1987 [6] ARIZMENDI-PEREIRA, Carlos Julio. Signal processing techniques for brain tumour diagnosis from magnetic resonance spectroscopy data. 2012. Tesis Doctoral. Universitat Politècnica de Catalunya [7] ZACCARO, Jorge A., et al. Clasificación de Señales Cerebrales Relacionadas con la Imaginación de Movimientos para Aplicaciones de BCI. [8] SUBASI, Abdulhamit; ISMAIL GURSOY, M. EEG signal classification using PCA, ICA, LDA and support vector machines. Expert Systems with Applications, 2010, vol. 37, no 12, p. 8659-8666. [9] BOHORQUEZ-REYES, J, C. Interpretación de señales para la detección de obstrucciones en inspecciones instrumentadas de tuberías, 2015. [10] BRODERSEN, Kay Henning, et al. The balanced accuracy and its posterior distribution. En Pattern Recognition (ICPR), 2010 20th International Conference on. IEEE, 2010. p. 3121-3124 [11] SCHOLKOPFT, Bernhard; MULLERT, Klaus-Robert. Fisher discriminant analysis with kernels. En Proceedings of the 1999 IEEE Signal Processing Society Workshop Neural Networks for Signal Processing IX, Madison, WI, USA. 1999. p. 23-25. [12] HEARST, Marti A. Support vector machines. Intelligent Systems and their Applications, IEEE, 1998, vol. 13, no 4, p. 18-2 [13] JOACHIMS, Thorsten. Making large scale SVM learning practical. Ithaca1999, p. 169-184 [14] HU, Mingqing; CHEN, Yiqiang; KWOK, JT-Y. Building sparse multiple-kernel SVM classifiers. Neural Networks, IEEE Transactions on, 2009, vol. 20, no 5, p. 827- 839. |
| 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 |
Pregrado Ingeniería Mecatrónica |
| institution |
Universidad Autónoma de Bucaramanga - UNAB |
| bitstream.url.fl_str_mv |
https://repository.unab.edu.co/bitstream/20.500.12749/1588/1/2015_Tesis_Aldair_Barajas_Aldana.pdf https://repository.unab.edu.co/bitstream/20.500.12749/1588/2/2015_Presentacion_Aldair_Barajas_Aldana.pdf https://repository.unab.edu.co/bitstream/20.500.12749/1588/3/2015_Tesis_Aldair_Barajas_Aldana.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/1588/4/2015_Presentacion_Aldair_Barajas_Aldana.pdf.jpg |
| bitstream.checksum.fl_str_mv |
9379e5173a1b23059bcb92154a259b39 60856bcb687fd38daf569996cdd1fb8d b4eeb59b991bf11b150b466e87518e0f def8e0ca3f4b882c46793fe140959b6e |
| bitstream.checksumAlgorithm.fl_str_mv |
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_ |
1814277675705958400 |
| spelling |
Arizmendi Pereira, Carlos Julio79e0125f-b191-4144-999b-281177ddaaf9-1Barajas Aldana, Aldair271a2a3a-d733-4e7a-af98-dc8fc5b5b3f1-1Arizmendi Pereira, Carlos Julio [0001381550]Arizmendi Pereira, Carlos Julio [JgT_je0AAAAJ&hl=es&oi=ao]Arizmendi Pereira, Carlos Julio [0000-0002-5850-0775]Arizmendi Pereira, Carlos Julio [Carlos-Arizmendi]Grupo de Investigación Control y Mecatrónica - GICYMGrupo de Investigaciones Clínicas2020-06-26T19:45:22Z2020-06-26T19:45:22Z2015http://hdl.handle.net/20.500.12749/1588instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABLas empresas de transporte de hidrocarburos, cuentan con una longitud de tubería considerable para transportar el material hasta su destino, debido a la gran distancia que se debe recorrer, es probable que el material de la tubería sufra un desgaste considerable, lo cual podría provocar una pérdida del material transportado. Realizar una inspección manual de la integridad de la tubería no es posible en algunos casos, debido a la ubicación geográfica de las mismas.1. OBJETIVO GENERAL ..................................................................................... 9 2. OBJETIVOS ESPECÍFICOS .......................................................................... 10 3. INTRODUCCIÓN ........................................................................................... 11 4. FUGA DE FLUJO MAGNÉTICO ................................................................... 13 4.1. Señales de FFM ...................................................................................... 13 4.2. Base de datos suministradas por la CIC .............................................. 16 5. PREPROCESAMIENTO DE LOS DATOS .................................................... 18 5.1. Eliminación de puntos muertos ............................................................ 18 5.2. Transformada wavelet (TW) .................................................................. 20 5.2.1. Descomposición multinivel ............................................................ 20 5.3. Filtrado Shrinkage .................................................................................. 21 5.4. Corrección de Línea Base ..................................................................... 30 5.5. Eliminación de las soldaduras .............................................................. 34 5.6. Remuestreo de la señal ......................................................................... 35 6. PROCESAMIENTO DE LOS DATOS ............................................................ 40 6.1. Corrección de ruido con Wavelet Tree ................................................. 40 6.1.1. Selección del nodo y función Wavelet adecuada ......................... 43 6.2. Ventaneo con estadísticos .................................................................... 46 7. DISEÑO DE CLASIFICADORES ................................................................... 50 7.1. Metodología de Validación .................................................................... 51 7.2. Análisis Discriminante Lineal ............................................................... 53 7.2.1. ADL Balanceado .............................................................................. 53 7.2.2. ADL desbalanceado ........................................................................ 57 7.3. Máquinas de Soporte Vectorial ............................................................. 60 7.3.1. Funciones Kernel ............................................................................. 60 7.3.1.1. Función Polinomial ................................................................... 61 7.3.1.2. Función de base radial Gaussiana .......................................... 61 7.3.2. MSV con Kernel Gaussiano ............................................................ 62 7.3.3. MSV con Kernel Polinomial ............................................................ 64 7.3.4. MSV con Kernel Lineal .................................................................... 67 8. CORRECCIÓN DE FALSOS POSITIVOS ..................................................... 69 8.1. Ventaneo T del resultado de los clasificadores................................... 70 8.2. Ventaneo σ de los mejores T ................................................................ 72 8.3. Criterio de corrección ............................................................................ 74 9. COLCUSIONES ............................................................................................. 77 10. BIBLIOGRAFÍA .......................................................................................... 78PregradoHydrocarbon transport companies have a considerable length of pipe to transport the material to its destination, due to the great distance that must be traveled, it is likely that the pipe material suffers considerable wear, which could cause a loss of transported material. Performing a manual inspection of the integrity of the pipe is not possible in some cases, due to the geographical location of the pipes.Modalidad 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 ColombiaDetección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datosDetection of thickness losses in hydrocarbon transport pipelines using signal processing and data mining techniquesIngeniero MecatrónicoBucaramanga (Colombia)UNAB Campus BucaramangaUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería Mecatrónicainfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPMechatronic EngineeringHydrocarbonsPipeline industryTransportationInvestigationsAnalysisSignals processingData miningArtificial intelligenceIngeniería mecatrónicaHidrocarburosIndustria de tuberíasTransporteInvestigacionesAnálisisProcesamiento de señalesMinería de datosInteligencia artificialBarajas Aldana, Aldair (2015). Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minero de datos. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNAB[1] AFZAL, Muhammad. Advanced signal processing of magnetic flux leakage data obtained from seamless gas pipeline. Canadá: Ndt & E International, 2002, vol. 35, no 7, p. 449-457.[2] BUBENIK, T. A., Magnetic flux leakage (MFL) technology for natural gas pipeline inspection. Canadá: NDT and E International, 1997, vol. 30, no 1, p. 36-36.[3] MUKHOPADHYAY, S.; SRIVASTAVA, G. P. Characterisation of metal loss defects from magnetic flux leakage signals with discrete wavelet transform. Ndt & E International, 2000, vol. 33, no 1, p. 57-65.[4] CHUI, Charles K. Wavelets: a mathematical tool for signal analysis. Siam, 1997.[5] MALLAT, Stephane G. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation. Filadelfia. 1987[6] ARIZMENDI-PEREIRA, Carlos Julio. Signal processing techniques for brain tumour diagnosis from magnetic resonance spectroscopy data. 2012. Tesis Doctoral. Universitat Politècnica de Catalunya[7] ZACCARO, Jorge A., et al. Clasificación de Señales Cerebrales Relacionadas con la Imaginación de Movimientos para Aplicaciones de BCI.[8] SUBASI, Abdulhamit; ISMAIL GURSOY, M. EEG signal classification using PCA, ICA, LDA and support vector machines. Expert Systems with Applications, 2010, vol. 37, no 12, p. 8659-8666.[9] BOHORQUEZ-REYES, J, C. Interpretación de señales para la detección de obstrucciones en inspecciones instrumentadas de tuberías, 2015.[10] BRODERSEN, Kay Henning, et al. The balanced accuracy and its posterior distribution. En Pattern Recognition (ICPR), 2010 20th International Conference on. IEEE, 2010. p. 3121-3124[11] SCHOLKOPFT, Bernhard; MULLERT, Klaus-Robert. Fisher discriminant analysis with kernels. En Proceedings of the 1999 IEEE Signal Processing Society Workshop Neural Networks for Signal Processing IX, Madison, WI, USA. 1999. p. 23-25.[12] HEARST, Marti A. Support vector machines. Intelligent Systems and their Applications, IEEE, 1998, vol. 13, no 4, p. 18-2[13] JOACHIMS, Thorsten. Making large scale SVM learning practical. Ithaca1999, p. 169-184[14] HU, Mingqing; CHEN, Yiqiang; KWOK, JT-Y. Building sparse multiple-kernel SVM classifiers. Neural Networks, IEEE Transactions on, 2009, vol. 20, no 5, p. 827- 839.ORIGINAL2015_Tesis_Aldair_Barajas_Aldana.pdf2015_Tesis_Aldair_Barajas_Aldana.pdfTesisapplication/pdf1623579https://repository.unab.edu.co/bitstream/20.500.12749/1588/1/2015_Tesis_Aldair_Barajas_Aldana.pdf9379e5173a1b23059bcb92154a259b39MD51open access2015_Presentacion_Aldair_Barajas_Aldana.pdf2015_Presentacion_Aldair_Barajas_Aldana.pdfPresentaciónapplication/pdf1063837https://repository.unab.edu.co/bitstream/20.500.12749/1588/2/2015_Presentacion_Aldair_Barajas_Aldana.pdf60856bcb687fd38daf569996cdd1fb8dMD52open accessTHUMBNAIL2015_Tesis_Aldair_Barajas_Aldana.pdf.jpg2015_Tesis_Aldair_Barajas_Aldana.pdf.jpgIM Thumbnailimage/jpeg4860https://repository.unab.edu.co/bitstream/20.500.12749/1588/3/2015_Tesis_Aldair_Barajas_Aldana.pdf.jpgb4eeb59b991bf11b150b466e87518e0fMD53open access2015_Presentacion_Aldair_Barajas_Aldana.pdf.jpg2015_Presentacion_Aldair_Barajas_Aldana.pdf.jpgIM Thumbnailimage/jpeg6348https://repository.unab.edu.co/bitstream/20.500.12749/1588/4/2015_Presentacion_Aldair_Barajas_Aldana.pdf.jpgdef8e0ca3f4b882c46793fe140959b6eMD54open access20.500.12749/1588oai:repository.unab.edu.co:20.500.12749/15882024-01-21 10:39:30.62open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.co |