Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen: http://bibdigital.epn.edu.ec/handle/15000/23032
Titel: Aplicación de técnicas de machine learning en la predicción de la corrosión en las operaciones petroleras de Ecuador.
Autor(en): Mera Shuguli, Kléver Alejandro
Stichwörter: CORROSIÓN
INTELIGENCIA ARTIFICIAL
NEGOCIOS
PETRÓLEO
Erscheinungsdatum: Sep-2022
Herausgeber: Quito : EPN, 2022.
Zitierform: Mera Shuguli, K.A.(2022). Aplicación de técnicas de machine learning en la predicción de la corrosión en las operaciones petroleras de Ecuador. 42 páginas. Quito : EPN.
Zusammenfassung: The presence of corrosion in oil extraction pipes not only generates economic losses for Ecuador, but also has harmful effects on both people's health and the environment. This Master's thesis proposes the use of Machine Learning algorithms to estimate the level of corrosion based on data collected regarding production and the chemical processes present in the extraction lines. In this work, the Support Vector Machine, Random Forest and XGBoost classification models are implemented, the same ones that are evaluated based on a set of metrics, that is, the comparison of the results of the accuracy, precision, sensitivity, specificity and f1-measure, and according to these results, a model is selected so that later a hyperparameter tuning is made to improve the performance of this model. In addition, a feature engineering stage is considered, which includes the normalization of the data, the elimination of variables with high correlation and the balancing of the data set. Also, a dashboard-type web application is included so that the end user can make the prediction in a friendly way. It is worth mentioning that this entire project was developed using the R programming language.
Beschreibung: La presencia de la corrosión en las tuberías de extracción de petróleo no solo genera pérdidas económicas para el Ecuador sino que también tiene efectos nocivos tanto para la salud de las personas como para el medio ambiente. Esta tesis de Maestría propone el uso de algorítmos de Machine Learning para estimar el nivel de corrosión en función de datos recabados respecto a la producción y a los procesos químicos presentes en las líneas de extracción. En este trabajo se implementan los modelos de clasificación Support Vector Machine, Random Forest y XGBoost, los mismos que son evaluados en función de un conjunto de métricas, es decir, se realiza la comparación de los resultados del accuracy, precision, sensitivity, specificity y f1-measure, y según dichos resultados se selecciona un modelo para que posteriormente se realice un ajuste de hiperparámetros para mejorar el performance de este modelo. Además, se considera una etapa de ingeniería de características en la que se incluye la normalización de los datos, la eliminación de las variables con alta correlación y el balanceo del conjunto de datos. También, se incluye una aplicación web tipo dashboard para que el usuario final pueda realizar la predicción de manera amigable. Cabe mencionar que todo este proyecto fue desarrollado utilizado el lenguaje de programación R.
URI: http://bibdigital.epn.edu.ec/handle/15000/23032
Art: bachelorThesis
Enthalten in den Sammlungen:Tesis MAESTRÍA EN SISTEMAS DE INFORMACIÓN MENCIÓN INTELIGENCIA DE NEGOCIOS Y ANALÍTICA DE DATOS MASIVOS (FIS)

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
CD 12446.pdf1,09 MBAdobe PDFÖffnen/Anzeigen


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt.