Mostrar el registro sencillo del ítem
Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos
dc.contributor.advisor | Arizmendi Pereira, Carlos Julio | spa |
dc.contributor.author | Barajas Aldana, Aldair | spa |
dc.date.accessioned | 2020-06-26T19:45:22Z | |
dc.date.available | 2020-06-26T19:45:22Z | |
dc.date.issued | 2015 | |
dc.identifier.uri | http://hdl.handle.net/20.500.12749/1588 | |
dc.description.abstract | 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. | spa |
dc.description.tableofcontents | 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 .......................................................................................... 78 | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/co/ | * |
dc.title | Detección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datos | spa |
dc.title.translated | Detection of thickness losses in hydrocarbon transport pipelines using signal processing and data mining techniques | eng |
dc.degree.name | Ingeniero Mecatrónico | spa |
dc.coverage | Bucaramanga (Colombia) | spa |
dc.publisher.grantor | Universidad Autónoma de Bucaramanga UNAB | spa |
dc.rights.local | Abierto (Texto Completo) | spa |
dc.publisher.faculty | Facultad Ingeniería | spa |
dc.publisher.program | Pregrado Ingeniería Mecatrónica | spa |
dc.description.degreelevel | Pregrado | spa |
dc.type.driver | info:eu-repo/semantics/bachelorThesis | |
dc.type.local | Trabajo de Grado | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | |
dc.subject.keywords | Mechatronic Engineering | eng |
dc.subject.keywords | Hydrocarbons | eng |
dc.subject.keywords | Pipeline industry | eng |
dc.subject.keywords | Transportation | eng |
dc.subject.keywords | Investigations | eng |
dc.subject.keywords | Analysis | eng |
dc.subject.keywords | Signals processing | eng |
dc.subject.keywords | Data mining | eng |
dc.subject.keywords | Artificial intelligence | eng |
dc.identifier.instname | instname:Universidad Autónoma de Bucaramanga - UNAB | spa |
dc.identifier.reponame | reponame:Repositorio Institucional UNAB | spa |
dc.type.hasversion | info:eu-repo/semantics/acceptedVersion | |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.rights.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
dc.relation.references | 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 | spa |
dc.relation.references | [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. | spa |
dc.relation.references | [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. | spa |
dc.relation.references | [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. | spa |
dc.relation.references | [4] CHUI, Charles K. Wavelets: a mathematical tool for signal analysis. Siam, 1997. | spa |
dc.relation.references | [5] MALLAT, Stephane G. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation. Filadelfia. 1987 | spa |
dc.relation.references | [6] ARIZMENDI-PEREIRA, Carlos Julio. Signal processing techniques for brain tumour diagnosis from magnetic resonance spectroscopy data. 2012. Tesis Doctoral. Universitat Politècnica de Catalunya | spa |
dc.relation.references | [7] ZACCARO, Jorge A., et al. Clasificación de Señales Cerebrales Relacionadas con la Imaginación de Movimientos para Aplicaciones de BCI. | spa |
dc.relation.references | [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. | spa |
dc.relation.references | [9] BOHORQUEZ-REYES, J, C. Interpretación de señales para la detección de obstrucciones en inspecciones instrumentadas de tuberías, 2015. | spa |
dc.relation.references | [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 | spa |
dc.relation.references | [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. | spa |
dc.relation.references | [12] HEARST, Marti A. Support vector machines. Intelligent Systems and their Applications, IEEE, 1998, vol. 13, no 4, p. 18-2 | spa |
dc.relation.references | [13] JOACHIMS, Thorsten. Making large scale SVM learning practical. Ithaca1999, p. 169-184 | spa |
dc.relation.references | [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. | spa |
dc.contributor.cvlac | Arizmendi Pereira, Carlos Julio [0001381550] | |
dc.contributor.googlescholar | Arizmendi Pereira, Carlos Julio [JgT_je0AAAAJ&hl=es&oi=ao] | |
dc.contributor.orcid | Arizmendi Pereira, Carlos Julio [0000-0002-5850-0775] | |
dc.contributor.researchgate | Arizmendi Pereira, Carlos Julio [Carlos-Arizmendi] | |
dc.subject.lemb | Ingeniería mecatrónica | spa |
dc.subject.lemb | Hidrocarburos | spa |
dc.subject.lemb | Industria de tuberías | spa |
dc.subject.lemb | Transporte | spa |
dc.subject.lemb | Investigaciones | spa |
dc.subject.lemb | Análisis | spa |
dc.description.abstractenglish | Hydrocarbon 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. | eng |
dc.subject.proposal | Procesamiento de señales | spa |
dc.subject.proposal | Minería de datos | spa |
dc.subject.proposal | Inteligencia artificial | spa |
dc.type.redcol | http://purl.org/redcol/resource_type/TP | |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 2.5 Colombia | * |
dc.contributor.researchgroup | Grupo de Investigación Control y Mecatrónica - GICYM | spa |
dc.contributor.researchgroup | Grupo de Investigaciones Clínicas | spa |
dc.coverage.campus | UNAB Campus Bucaramanga | spa |
dc.description.learningmodality | Modalidad Presencial | spa |