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.advisorArizmendi Pereira, Carlos Juliospa
dc.contributor.authorBarajas Aldana, Aldairspa
dc.date.accessioned2020-06-26T19:45:22Z
dc.date.available2020-06-26T19:45:22Z
dc.date.issued2015
dc.identifier.urihttp://hdl.handle.net/20.500.12749/1588
dc.description.abstractLas 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.tableofcontents1. 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 .......................................................................................... 78spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleDetección de perdidas de espesor en tuberías de transporte de hidrocarburos utilizando técnicas de procesamiento de señales y minería de datosspa
dc.title.translatedDetection of thickness losses in hydrocarbon transport pipelines using signal processing and data mining techniqueseng
dc.degree.nameIngeniero Mecatrónicospa
dc.coverageBucaramanga (Colombia)spa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería Mecatrónicaspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsMechatronic Engineeringeng
dc.subject.keywordsHydrocarbonseng
dc.subject.keywordsPipeline industryeng
dc.subject.keywordsTransportationeng
dc.subject.keywordsInvestigationseng
dc.subject.keywordsAnalysiseng
dc.subject.keywordsSignals processingeng
dc.subject.keywordsData miningeng
dc.subject.keywordsArtificial intelligenceeng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.referencesBarajas 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 UNABspa
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. 1987spa
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 Catalunyaspa
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. 3121-3124spa
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. 18-2spa
dc.relation.references[13] JOACHIMS, Thorsten. Making large scale SVM learning practical. Ithaca1999, p. 169-184spa
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.cvlacArizmendi Pereira, Carlos Julio [0001381550]
dc.contributor.googlescholarArizmendi Pereira, Carlos Julio [JgT_je0AAAAJ&hl=es&oi=ao]
dc.contributor.orcidArizmendi Pereira, Carlos Julio [0000-0002-5850-0775]
dc.contributor.researchgateArizmendi Pereira, Carlos Julio [Carlos-Arizmendi]
dc.subject.lembIngeniería mecatrónicaspa
dc.subject.lembHidrocarburosspa
dc.subject.lembIndustria de tuberíasspa
dc.subject.lembTransportespa
dc.subject.lembInvestigacionesspa
dc.subject.lembAnálisisspa
dc.description.abstractenglishHydrocarbon 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.proposalProcesamiento de señalesspa
dc.subject.proposalMinería de datosspa
dc.subject.proposalInteligencia artificialspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.contributor.researchgroupGrupo de Investigación Control y Mecatrónica - GICYMspa
dc.contributor.researchgroupGrupo de Investigaciones Clínicasspa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

Thumbnail
Nombre:
2015_Tesis_Aldair_Barajas_Alda ...
Tamaño:
1.548Mb
Formato:
PDF
Descripción:
Tesis
Ver/
Thumbnail
Nombre:
2015_Presentacion_Aldair_Baraj ...
Tamaño:
1.014Mb
Formato:
PDF
Descripción:
Presentación
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia