Método para el cálculo del porcentaje de agua en emulsiones agua-crudo usando aprendizaje de máquinas
ilustraciones, diagramas
- Autores:
-
Echeverri Parra, Sebastian
- Tipo de recurso:
- Fecha de publicación:
- 2023
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/84026
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación
540 - Química y ciencias afines
Aprendizaje automático (Inteligencia artificial)
Machine learning
Separadores de aceite
Oil separators
Emulsiones (W/O)
Aprendizaje de máquinas Supervisado
Visión por computador
%BSW
Emulsions (W/O)
Supervised Machine Learning
Computer Vision
%BSW (Basic Sediment and Water)
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| id |
UNACIONAL2_ccb23c713f292d2fe2dc1327b47c630f |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/84026 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Método para el cálculo del porcentaje de agua en emulsiones agua-crudo usando aprendizaje de máquinas |
| dc.title.translated.eng.fl_str_mv |
Method for calculating the percentage of water in crude-water emulsions using machine learning |
| title |
Método para el cálculo del porcentaje de agua en emulsiones agua-crudo usando aprendizaje de máquinas |
| spellingShingle |
Método para el cálculo del porcentaje de agua en emulsiones agua-crudo usando aprendizaje de máquinas 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 540 - Química y ciencias afines Aprendizaje automático (Inteligencia artificial) Machine learning Separadores de aceite Oil separators Emulsiones (W/O) Aprendizaje de máquinas Supervisado Visión por computador %BSW Emulsions (W/O) Supervised Machine Learning Computer Vision %BSW (Basic Sediment and Water) |
| title_short |
Método para el cálculo del porcentaje de agua en emulsiones agua-crudo usando aprendizaje de máquinas |
| title_full |
Método para el cálculo del porcentaje de agua en emulsiones agua-crudo usando aprendizaje de máquinas |
| title_fullStr |
Método para el cálculo del porcentaje de agua en emulsiones agua-crudo usando aprendizaje de máquinas |
| title_full_unstemmed |
Método para el cálculo del porcentaje de agua en emulsiones agua-crudo usando aprendizaje de máquinas |
| title_sort |
Método para el cálculo del porcentaje de agua en emulsiones agua-crudo usando aprendizaje de máquinas |
| dc.creator.fl_str_mv |
Echeverri Parra, Sebastian |
| dc.contributor.advisor.none.fl_str_mv |
Branch Bedoya, John Willian Franco Ariza, Camilo Cortés, Farid |
| dc.contributor.author.none.fl_str_mv |
Echeverri Parra, Sebastian |
| dc.contributor.researchgroup.spa.fl_str_mv |
Gidia: Grupo de Investigación YyDesarrollo en Inteligencia Artificial Fenómenos de Superficie Michael Polanyi Gidia: Grupo de Investigación y Desarrollo en Inteligencia Artificial |
| dc.contributor.orcid.spa.fl_str_mv |
Branch Bedoya, John Willian [0000-0002-0378-028X] Cortés, Farid [0000-0003-1207-3859] |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 540 - Química y ciencias afines |
| topic |
000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación 540 - Química y ciencias afines Aprendizaje automático (Inteligencia artificial) Machine learning Separadores de aceite Oil separators Emulsiones (W/O) Aprendizaje de máquinas Supervisado Visión por computador %BSW Emulsions (W/O) Supervised Machine Learning Computer Vision %BSW (Basic Sediment and Water) |
| dc.subject.lemb.none.fl_str_mv |
Aprendizaje automático (Inteligencia artificial) Machine learning Separadores de aceite Oil separators |
| dc.subject.proposal.spa.fl_str_mv |
Emulsiones (W/O) Aprendizaje de máquinas Supervisado Visión por computador %BSW |
| dc.subject.proposal.eng.fl_str_mv |
Emulsions (W/O) Supervised Machine Learning Computer Vision %BSW (Basic Sediment and Water) |
| description |
ilustraciones, diagramas |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-06-15T16:55:05Z |
| dc.date.available.none.fl_str_mv |
2023-06-15T16:55:05Z |
| dc.date.issued.none.fl_str_mv |
2023-05-26 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/84026 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/84026 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.indexed.spa.fl_str_mv |
RedCol LaReferencia |
| dc.relation.references.spa.fl_str_mv |
Albert, A., & Méndes, E. (2014). Evaluación de una Emulsión de Aceite en Agua (O/W) con Surfactantes no Iónicos: Efecto del Coque de Petróleo. Universidad de Carabobo Facultad de Ingeniería Escuela de Ingeniería Química Trabajo Especial de Grado. Allan, D., Caswell, T., Keim, N., Van der Wel, C., & Verweij, R. (2021). Zenodo. Obtenido de https://zenodo.org/record/4682814#.Y9fZW3bMLIV Ametek Spectro Scientific. (s.f.). Obtenido de https://www.spectrosci.com/knowledge-center/testparameters/measuring-water-inoil#:~:text=Pure%20water%20absorbs%20infrared%20light,environment%20around%20t hat%20water%20molecule. Aranberri, I., Binks, B., Clint, J., & Fletcher, P. (2006). Elaboracion y Caracterización de Emulsiones Estabilizadas por Polimeros y Agentes Tensioactivos. Revista Iberoamericana de Polímeros Volumen 7(3). Araujo, A. M., Santos, M., L., Fortuny, & Montserrat. (2008). Evaluation of Water Content and Average Droplet Size in Water-in-Crude Oil Emulsions by Means of Near-Infrared Spectroscopy. Energy & Fuels, 3450–3458. Bagnato, J. (24 de Diciembre de 2020). Aprendemachinelearning. Obtenido de Aprendemachinelearning: https://www.aprendemachinelearning.com/aprendizaje-porrefuerzo/ Bagui, S., & Mink, D. (2022). Detecting Reconnaissance and Discovery Tactics from the MITRE ATT&CK Framework in Zeek Conn Logs Using Spark’s Machine Learning in the Big Data Framework. mdpi. Obtenido de https://en.wikipedia.org/wiki/Precision_and_recall#cite_note-OlsonDelen-24 Balabin, R., Lomakina, E., & Safieva, R. (2011). Neural Network (ANN) Approach to Biodiesel Analysis: Analysis of Biodiesel Density, Kinematic Viscosity, Methanol and Water Contents Using Near Infrared (NIR) Spectroscopy. Fuel, 2007-2015. Bampi, M., P. Scheer, A., & Castilhos, F. (2013). Application of Near Infrared Spectroscopy to Predict the Average Droplet Size and Water Content in Biodiesel Emulsions. Fuel, 546- 552. Blanco, M., & Peguero, A. (2008). An Expeditious Method for Determining Particle Size Distribution by Near Infrared Spectroscopy: Comparison of PLS2 and ANN Models. Talanta, 647-651. Brownlee, J. (2016). Machine Learning Mastery. Obtenido de A Gentle Introduction to the Gradient Boosting Algorithm for Machine Learning: https://machinelearningmastery.com/gentle-introduction-gradient-boosting-algorithmmachine-learning/ Cañadas, R. (2021). Abdatum. Obtenido de https://abdatum.com/tecnologia/redes-neuronalesrecurrentes Cardellino, F. (2021). freecodecamp.org. Obtenido de https://www.freecodecamp.org/espanol/news/random-forest-classifier-tutorial-how-touse-tree-based-algorithms-for-machine-learning/ Colucci, D., Morra, L., Zhang, X., Fissore, D., & Lamberti, F. (2020). An Automatic Computer Vision Pipeline for the in-Line Monitoring of Freeze-Drying Processes. Computers in Industry. Crocker, J., & Grier, D. (1995). Methods of Digital Video Microscopy for Colloidal Studies. Journal of Colloid and Interface Science. Ocampo, M. (2018). Inteligencia Artificial. INCyTU. Olalekan S, A., Mahmoud, M., Al Shehri, D., & Sultan, A. (2021). Rapid Determination of Emulsion Stability Using Turbidity Measurement Incorporating Artificial Neural Network (ANN): Experimental Validation Using Video/Optical Microscopy and Kinetic Modeling. American Chemical Society. Omer, A., & Pal, R. (2010). Pipeline Flow Behavior of Water-in-Oil Emulsions with and without a Polymeric Additive in the Aqueous Phase. Chemical Engineering & Technology, 983- 992. Pájaro, M., & Álvarez, O. (2014). Análisis y Evaluación de la Deshidratación de Emulsiones Concentradas de Agua en Crudo Pesado Mediante Tratamiento Químico. Pando Fernández, V., & San Martín Fernández, R. (2004). Regresión Logística Multinomial. Sociedad Española de Ciencias Forestales. Pettersen, B., & Sjöblom, J. (2012). Flow Properties of Water-in-North Sea Heavy Crude Oil Emulsions. Journal of Petroleum Science and Engineering, 14-23. Riaza, S., Cortés, F. B., & Otalvaro, J. (2014). Emulsiones con Crudo Pesado en Presencia de Nanopartículas. Boletín de Ciencias de la Tierra. Ribeiro, M., Guimarães, M., Madureira, C., & Cruz Pinto, J. (2004). Non-Invasive System and Procedures for the Characterization. Chemical Engineering Journal, 173-182. Rouhiainen, L. (2018). Inteligencia Artificial 101 Cosas que Debes Saber hoy Sobre Nuestro Futuro. Alienta Editorial. Savin, T., & Doyle, P. (2005). Static and Dynamic Errors in Particle Tracking Microrheology. Biophysical Journal. Schindelin, J. (2012). Fiji: An Open Source Platform for Biological Image Analysis. Focus on Bioimage Informat. Seos-project.eu. (s.f.). Obtenido de https://seos-project.eu/marinepollution/marinepollution-c02- s14-p01.html. Servicios Científicos Técnicos, Universidad de Oviedo. (s.f.). Obtenido de sct.uniovi: https://www.sct.uniovi.es/unidades/analisis-biologico/microscopia/equipos. SPE INTERNATIONAL. (2015). Petrowiki Spe Org. Obtenido de https://petrowiki.spe.org/Oil_emulsions. Statistics, S. (22 de 03 de 2021). IBM. Obtenido de https://www.ibm.com/docs/es/spssstatistics/25.0.0?topic=regression-multinomial-logistic. TIBCO. (s.f.). Obtenido de https://www.tibco.com/reference-center/what-is-a-random-forest. Tolosa, L. (2016). Emulsiones Estabilizadas con Particulas (Emulsiones de Pickering). FIRP. Toquica Cáceres, H. (2020). Estado de Arte: Visión de Máquina y Técnicas de Inteligencia Artificial para la Detección de Infracciones de Tránsito por Alta Velocidad. ResearchGate. Trackpy Contributors. (2015). Trackpy Documentation Trackpy Contributors. (2021). Obtenido de http://softmatter.github.io/trackpy/dev/tutorial/walkthrough.html. Tsaregorodtseva, A., & Belagiannis, V. (2021). ParticleAugment: Sampling-based Data Augmentation. Elsevier. Unnikrishnan, S., Donovan, J., Macpherson, R., & Tormey, D. (2020). An Integrated HistogramBased Vision and Machine-Learning Classification Model for Industrial Emulsion Processing. IEEE Transactions on Industrial Informatics, 5948-5955. Utria Robinson, L. (2017). Caracterización Fisicoquímica y Evaluación de un Rompedor de Emulsiones Agua/Aceite para el Tratamiento Químico de Aplicación en Campo Petrolero. Vinuesa, P. (2016). CCG-UNAM. Obtenido de Tema 8 - Correlación: Teoría y Práctica: https://www.ccg.unam.mx/~vinuesa/R4biosciences/docs/Tema8_correlacion.pdf. Wikipedia. (s.f.). Obtenido de Wikipedia: https://en.wikipedia.org/wiki/Multinomial_logistic_regression. Wong, S., Lim, J., & Dol, S. (2015). Crude Oil Emulsion: A Review on Formation, Classification and Stability of Water-in-Oil Emulsions. Journal of Petroleum Science and Engineering, Pages 498-504. Yudo Wardhono, E., Permana Pinem, M., Wahyudi, H., & Agustina, S. (2019). Calorimetry Technique for Observing the Evolution of Dispersed Droplets of Concentrated Water-inOil (W/O) Emulsion during Preparation, Storage and Destabilization. mdpi. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
106 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.country.none.fl_str_mv |
Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Minas - Maestría en Ingeniería - Ingeniería de Sistemas |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Minas |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/84026/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/84026/2/1035867628.2023.pdf https://repositorio.unal.edu.co/bitstream/unal/84026/3/1035867628.2023.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a 254427edf879b382e3238f4e3f8e5a3a e7380151b3d23e78302968dc15f57072 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089287904264192 |
| spelling |
Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Branch Bedoya, John Willian112eaa0bbeeaeb0d3d14dfe15d672a15Franco Ariza, Camilod2f0e311670091b5dac1becc19221063Cortés, Farid570e8c6f8138781309ea97a584c2d740Echeverri Parra, Sebastiand377569a942a1fad2216320b975b3c01Gidia: Grupo de Investigación YyDesarrollo en Inteligencia ArtificialFenómenos de Superficie Michael PolanyiGidia: Grupo de Investigación y Desarrollo en Inteligencia ArtificialBranch Bedoya, John Willian [0000-0002-0378-028X]Cortés, Farid [0000-0003-1207-3859]2023-06-15T16:55:05Z2023-06-15T16:55:05Z2023-05-26https://repositorio.unal.edu.co/handle/unal/84026Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, diagramasSe realizó un estudio sobre las emulsiones de agua en aceite (W/O) en crudos pesados provenientes de las imágenes adquiridas del laboratorio de Fenómenos de Superficie Michael Polanyi, mediante el uso de herramientas de microscopia óptica. El interés por el estudio de estas imágenes se crea con el fin de determinar el porcentaje de agua contenido en una emulsión llamado por las siglas %BSW (Basic Sediment and Water) sin hacer uso de técnicas químicas que requieren inversión de recursos. Para abordar la solución se emplea un análisis de características, determinando las principales variables que pueden ser extraídas de las imágenes obtenidas del laboratorio, como lo es la cantidad de partículas, el tamaño, la masa, la señal, la excentricidad, el épsilon, la ubicación de las partículas, todo realizado por medio de un método de visión por computador que permite identificar estos atributos en las emulsiones con un algoritmo basado en el seguimiento de partículas. Una vez son extraídas las variables se emplean técnicas estadísticas para identificar tendencias, correlaciones y selección de variables para un posterior uso de técnicas de aprendizaje de máquina supervisado como lo son los Bosques Aleatorios, Regresión Logística Multinomial, Redes Neuronales y de la Potenciación del Gradiente, evaluando en cada modelo el rendimiento de acuerdo a la capacidad de predicción del contenido de agua %BSW con varias medidas de validación y también por medio de imágenes encontradas en la literatura se comprueba el rendimiento del método seleccionado, con respecto a los resultados indicados por el autor del artículo. Al final se presenta una interfaz de consulta con las soluciones previamente mencionadas. (Texto tomado de la fuente)A study was carried out on the water-in-oil (W/O) emulsions in heavy crudes from the images acquired from the Michael Polanyi Surface Phenomena laboratory, through the use of optical microscopy tools. Interest in the study of these images is created in order to determine the percentage of water contained in an emulsion called %BSW (Basic Sediment and Water) without using chemical techniques that require investment of resources. To approach the solution, an analysis of characteristics is used, determining the main variables that can be extracted from the images obtained from the laboratory, such as the number of particles, the size, the mass, the signal, the eccentricity, the epsilon, the location of the particles, all carried out by means of a computer vision method that allows the identification of these attributes in the emulsions with an algorithm based on particle tracking. Once the variables are extracted, statistical techniques are used to identify trends, correlations and selection of variables for a later use of supervised machine learning techniques such as Random Forests, Multinomial Logistic Regression, Neural Networks and Gradient Boosting, evaluating the performance of each model according to the predictive capacity of the %BSW water content with several validation measures and also through images found in the literature, the performance of the selected method is verified, with respect to the results indicated by the article author. At the end, a consultation interface is presented with the previously mentioned solutions.MaestríaMagíster en Ingeniería - Ingeniería de SistemasÁrea Curricular de Ingeniería de Sistemas e Informática106 páginasapplication/pdfspa000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación540 - Química y ciencias afinesAprendizaje automático (Inteligencia artificial)Machine learningSeparadores de aceiteOil separatorsEmulsiones (W/O)Aprendizaje de máquinas SupervisadoVisión por computador%BSWEmulsions (W/O)Supervised Machine LearningComputer Vision%BSW (Basic Sediment and Water)Método para el cálculo del porcentaje de agua en emulsiones agua-crudo usando aprendizaje de máquinasMethod for calculating the percentage of water in crude-water emulsions using machine learningTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMMedellín - Minas - Maestría en Ingeniería - Ingeniería de SistemasFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede MedellínColombiaRedColLaReferenciaAlbert, A., & Méndes, E. (2014). Evaluación de una Emulsión de Aceite en Agua (O/W) con Surfactantes no Iónicos: Efecto del Coque de Petróleo. Universidad de Carabobo Facultad de Ingeniería Escuela de Ingeniería Química Trabajo Especial de Grado.Allan, D., Caswell, T., Keim, N., Van der Wel, C., & Verweij, R. (2021). Zenodo. Obtenido de https://zenodo.org/record/4682814#.Y9fZW3bMLIVAmetek Spectro Scientific. (s.f.). Obtenido de https://www.spectrosci.com/knowledge-center/testparameters/measuring-water-inoil#:~:text=Pure%20water%20absorbs%20infrared%20light,environment%20around%20t hat%20water%20molecule.Aranberri, I., Binks, B., Clint, J., & Fletcher, P. (2006). Elaboracion y Caracterización de Emulsiones Estabilizadas por Polimeros y Agentes Tensioactivos. Revista Iberoamericana de Polímeros Volumen 7(3).Araujo, A. M., Santos, M., L., Fortuny, & Montserrat. (2008). Evaluation of Water Content and Average Droplet Size in Water-in-Crude Oil Emulsions by Means of Near-Infrared Spectroscopy. Energy & Fuels, 3450–3458.Bagnato, J. (24 de Diciembre de 2020). Aprendemachinelearning. Obtenido de Aprendemachinelearning: https://www.aprendemachinelearning.com/aprendizaje-porrefuerzo/Bagui, S., & Mink, D. (2022). Detecting Reconnaissance and Discovery Tactics from the MITRE ATT&CK Framework in Zeek Conn Logs Using Spark’s Machine Learning in the Big Data Framework. mdpi. Obtenido de https://en.wikipedia.org/wiki/Precision_and_recall#cite_note-OlsonDelen-24Balabin, R., Lomakina, E., & Safieva, R. (2011). Neural Network (ANN) Approach to Biodiesel Analysis: Analysis of Biodiesel Density, Kinematic Viscosity, Methanol and Water Contents Using Near Infrared (NIR) Spectroscopy. Fuel, 2007-2015.Bampi, M., P. Scheer, A., & Castilhos, F. (2013). Application of Near Infrared Spectroscopy to Predict the Average Droplet Size and Water Content in Biodiesel Emulsions. Fuel, 546- 552.Blanco, M., & Peguero, A. (2008). An Expeditious Method for Determining Particle Size Distribution by Near Infrared Spectroscopy: Comparison of PLS2 and ANN Models. Talanta, 647-651.Brownlee, J. (2016). Machine Learning Mastery. Obtenido de A Gentle Introduction to the Gradient Boosting Algorithm for Machine Learning: https://machinelearningmastery.com/gentle-introduction-gradient-boosting-algorithmmachine-learning/Cañadas, R. (2021). Abdatum. Obtenido de https://abdatum.com/tecnologia/redes-neuronalesrecurrentesCardellino, F. (2021). freecodecamp.org. Obtenido de https://www.freecodecamp.org/espanol/news/random-forest-classifier-tutorial-how-touse-tree-based-algorithms-for-machine-learning/Colucci, D., Morra, L., Zhang, X., Fissore, D., & Lamberti, F. (2020). An Automatic Computer Vision Pipeline for the in-Line Monitoring of Freeze-Drying Processes. Computers in Industry.Crocker, J., & Grier, D. (1995). Methods of Digital Video Microscopy for Colloidal Studies. Journal of Colloid and Interface Science.Ocampo, M. (2018). Inteligencia Artificial. INCyTU.Olalekan S, A., Mahmoud, M., Al Shehri, D., & Sultan, A. (2021). Rapid Determination of Emulsion Stability Using Turbidity Measurement Incorporating Artificial Neural Network (ANN): Experimental Validation Using Video/Optical Microscopy and Kinetic Modeling. American Chemical Society.Omer, A., & Pal, R. (2010). Pipeline Flow Behavior of Water-in-Oil Emulsions with and without a Polymeric Additive in the Aqueous Phase. Chemical Engineering & Technology, 983- 992.Pájaro, M., & Álvarez, O. (2014). Análisis y Evaluación de la Deshidratación de Emulsiones Concentradas de Agua en Crudo Pesado Mediante Tratamiento Químico.Pando Fernández, V., & San Martín Fernández, R. (2004). Regresión Logística Multinomial. Sociedad Española de Ciencias Forestales.Pettersen, B., & Sjöblom, J. (2012). Flow Properties of Water-in-North Sea Heavy Crude Oil Emulsions. Journal of Petroleum Science and Engineering, 14-23.Riaza, S., Cortés, F. B., & Otalvaro, J. (2014). Emulsiones con Crudo Pesado en Presencia de Nanopartículas. Boletín de Ciencias de la Tierra.Ribeiro, M., Guimarães, M., Madureira, C., & Cruz Pinto, J. (2004). Non-Invasive System and Procedures for the Characterization. Chemical Engineering Journal, 173-182.Rouhiainen, L. (2018). Inteligencia Artificial 101 Cosas que Debes Saber hoy Sobre Nuestro Futuro. Alienta Editorial.Savin, T., & Doyle, P. (2005). Static and Dynamic Errors in Particle Tracking Microrheology. Biophysical Journal.Schindelin, J. (2012). Fiji: An Open Source Platform for Biological Image Analysis. Focus on Bioimage Informat.Seos-project.eu. (s.f.). Obtenido de https://seos-project.eu/marinepollution/marinepollution-c02- s14-p01.html.Servicios Científicos Técnicos, Universidad de Oviedo. (s.f.). Obtenido de sct.uniovi: https://www.sct.uniovi.es/unidades/analisis-biologico/microscopia/equipos.SPE INTERNATIONAL. (2015). Petrowiki Spe Org. Obtenido de https://petrowiki.spe.org/Oil_emulsions.Statistics, S. (22 de 03 de 2021). IBM. Obtenido de https://www.ibm.com/docs/es/spssstatistics/25.0.0?topic=regression-multinomial-logistic.TIBCO. (s.f.). Obtenido de https://www.tibco.com/reference-center/what-is-a-random-forest.Tolosa, L. (2016). Emulsiones Estabilizadas con Particulas (Emulsiones de Pickering). FIRP.Toquica Cáceres, H. (2020). Estado de Arte: Visión de Máquina y Técnicas de Inteligencia Artificial para la Detección de Infracciones de Tránsito por Alta Velocidad. ResearchGate.Trackpy Contributors. (2015). Trackpy DocumentationTrackpy Contributors. (2021). Obtenido de http://softmatter.github.io/trackpy/dev/tutorial/walkthrough.html.Tsaregorodtseva, A., & Belagiannis, V. (2021). ParticleAugment: Sampling-based Data Augmentation. Elsevier.Unnikrishnan, S., Donovan, J., Macpherson, R., & Tormey, D. (2020). An Integrated HistogramBased Vision and Machine-Learning Classification Model for Industrial Emulsion Processing. IEEE Transactions on Industrial Informatics, 5948-5955.Utria Robinson, L. (2017). Caracterización Fisicoquímica y Evaluación de un Rompedor de Emulsiones Agua/Aceite para el Tratamiento Químico de Aplicación en Campo Petrolero.Vinuesa, P. (2016). CCG-UNAM. Obtenido de Tema 8 - Correlación: Teoría y Práctica: https://www.ccg.unam.mx/~vinuesa/R4biosciences/docs/Tema8_correlacion.pdf.Wikipedia. (s.f.). Obtenido de Wikipedia: https://en.wikipedia.org/wiki/Multinomial_logistic_regression.Wong, S., Lim, J., & Dol, S. (2015). Crude Oil Emulsion: A Review on Formation, Classification and Stability of Water-in-Oil Emulsions. Journal of Petroleum Science and Engineering, Pages 498-504.Yudo Wardhono, E., Permana Pinem, M., Wahyudi, H., & Agustina, S. (2019). Calorimetry Technique for Observing the Evolution of Dispersed Droplets of Concentrated Water-inOil (W/O) Emulsion during Preparation, Storage and Destabilization. mdpi.Público generalLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/84026/1/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD51ORIGINAL1035867628.2023.pdf1035867628.2023.pdfTesis de Maestría en Ingeniería de Sistemasapplication/pdf3043462https://repositorio.unal.edu.co/bitstream/unal/84026/2/1035867628.2023.pdf254427edf879b382e3238f4e3f8e5a3aMD52THUMBNAIL1035867628.2023.pdf.jpg1035867628.2023.pdf.jpgGenerated Thumbnailimage/jpeg3894https://repositorio.unal.edu.co/bitstream/unal/84026/3/1035867628.2023.pdf.jpge7380151b3d23e78302968dc15f57072MD53unal/84026oai:repositorio.unal.edu.co:unal/840262024-08-12 01:58:53.083Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |