Show simple item record

dc.contributor.advisorGonzález Caro, Cristina N.
dc.contributor.authorGarcía Rueda, William Leonardo
dc.date.accessioned2020-06-26T21:33:11Z
dc.date.available2020-06-26T21:33:11Z
dc.date.issued2013
dc.identifier.urihttp://hdl.handle.net/20.500.12749/3344
dc.description.abstractEste 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 porcientospa
dc.description.tableofcontentsIntroduccion 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 63spa
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleAplicación de técnicas de minería de datos para el análisis y clasificación de información producida durante inspecciones de líneas de transporte de hidrocarburosspa
dc.title.translatedApplication of data mining techniques for the analysis and classification of information produced during inspection of hydrocarbon transport lineseng
dc.degree.nameMagíster en Gestión, aplicación y desarrollo de software
dc.coverageBucaramanga (Colombia)
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNAB
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingeniería
dc.publisher.programMaestría en Gestión, Aplicación y Desarrollo de Software
dc.description.degreelevelMaestría
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.localTesisspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.subject.keywordsAnalysis of data
dc.subject.keywordsSmart inspection
dc.subject.keywordsTransport line
dc.subject.keywordsPattern recognition
dc.subject.keywordsData miningeng
dc.subject.keywordsHydrocarbonseng
dc.subject.keywordsSystems engineereng
dc.subject.keywordsSoftware managementeng
dc.subject.keywordsSoftware applicationeng
dc.subject.keywordsSoftware developmenteng
dc.subject.keywordsNew technologieseng
dc.subject.keywordsResearcheng
dc.subject.keywordsTeachingeng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponamereponame:Repositorio Institucional UNAB
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2
dc.relation.referencesGarcía 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
dc.relation.referencesA. 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.
dc.relation.referencesA. G. Islas Garrido, “An´alisis experimental de esfuerzos en tubos con abolladuras sujetos a presi´on interna,” Ph.D. dissertation, 2010.
dc.relation.referencesA. 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.
dc.relation.referencesC. 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.
dc.relation.referencesD. 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.
dc.relation.referencesE. C. de Petr´oleos, Carta petrolera. Oficina de Divulgaci´on y Prensa, 2007, no. 72-82.
dc.relation.referencesG. A. London˜o V´elez et al., “Prototipo pig intelligent,” Ph.D. dissertation, Universidad Nacional de Colombia-Sede Manizales, 2003.
dc.relation.referencesG. 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.
dc.relation.referencesH. 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
dc.relation.referencesI. H. Witten and E. Frank, Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2005.
dc.relation.referencesJ. 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.
dc.relation.referencesJ. 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.
dc.relation.referencesJ. 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.
dc.relation.referencesJ. McCarthy, “What is artificial intelligence,” URL: http://www-formal. stanford.edu/jmc/whatisai. html, 2007.
dc.relation.referencesJ. 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.
dc.relation.referencesJ. Pitchford, “Specification and requirements for the intelligent pig inspection of pipelines,” Pipes & pipelines international, vol. 44, no. 1, pp. 17–27, 1999.
dc.relation.referencesJ. Tiratsoo, Pipeline pigging and integrity technology. Scientific Surveys Limited, 2003.
dc.relation.referencesJ. 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.
dc.relation.referencesM. 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.”
dc.relation.referencesM. Beller, “Applying ultrasound for in-line inspection: Facts and issues,” in PPSA Aberdeen Seminar, UK, 2006.
dc.relation.referencesM. 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.
dc.relation.referencesR. Carneval, M. G. MARINHO, and J. Santos, “Flexible line inspection,” in European Conference on Nondestructive Testing (ECNDT), 2006.
dc.relation.referencesR. 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.
dc.relation.referencesR. 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.
dc.relation.referencesS. J. Russell and P. Norvig, Inteligencia Artificial: un enfoque moderno, 1996.
dc.relation.referencesS. M. Weiss and N. Indurkhya, Predictive data mining: a practical guide. Morgan Kaufmann, 1998.
dc.relation.referencesU. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From data mining to knowledge discovery in databases,” AI magazine, vol. 17, no. 3, p. 37, 1996.
dc.relation.referencesW. K. Muhlbauer, Pipeline risk management manual: ideas, techniques, and resources. Gulf Professional Pub, 2004.
dc.relation.referencesW. Villarreal Tapia, “Determinaci´on del riesgo de falla por abolladuras en oleoducto usando m´etodo de elementos finitos,” 2012.
dc.relation.referencesX.-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.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000068810
dc.contributor.scopushttps://www-scopus-com.aure.unab.edu.co/authid/detail.uri?authorId=15044422100
dc.subject.lembMinería de datosspa
dc.subject.lembHidrocarburosspa
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembGestión de softwarespa
dc.subject.lembAplicación de softwarespa
dc.subject.lembDesarrollo de softwarespa
dc.subject.lembNuevas tecnologíasspa
dc.subject.lembInvestigacionesspa
dc.subject.lembEnseñanzaspa
dc.description.abstractenglishThis 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 percenteng
dc.subject.proposalAnálisis de datosspa
dc.subject.proposalInspección inteligentespa
dc.subject.proposalLínea de transportespa
dc.subject.proposalReconocimiento de patronesspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*


Files in this item

Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 2.5 Colombia