Diseño de un sensor virtual basado en redes neuronales para la medición de la viscosidad de combustóleo a partir de propiedades de la planta viscorreductora II de la Refinería de Ecopetrol en Barrancabermeja

Vista sencilla de ítem
dc.contributor.advisorMuñoz Moner, Antonio Faustino
dc.contributor.apolounabMuñoz Moner, Antonio Faustino [antonio-faustino-muñoz-moner]spa
dc.contributor.authorArdila Peña, Javier Orlando
dc.contributor.authorVelasco Orozco, Oswaldo
dc.contributor.cvlacMuñoz Moner, Antonio Faustino [0000068799]spa
dc.contributor.googlescholarMuñoz Moner, Antonio Faustino [es&oi=ao]spa
dc.contributor.orcidMuñoz Moner, Antonio Faustino [0009-0006-0134-9943]spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialBarrancabermeja (Santander, Colombia)spa
dc.date.accessioned2024-08-29T21:25:14Z
dc.date.available2024-08-29T21:25:14Z
dc.date.issued2002
dc.degree.nameIngeniero de Sistemasspa
dc.description.abstractEl proceso elegido es el control de la viscosidad de combustóleo en la planta Viscorreductora ll en la refinería de ECOPETROL de Barrancabermeja, donde se procesa y almacena el combustóleo (fuel-oail), un subproducto de la refinación de petróleo crudo. Cuenta con un analizador en línea y toda la instrumentación asociada al monitoreo y control centralizado del proceso. Para lograr la calidad ideal en la viscosidad del combustóleo se requiere controlar el proceso en línea, pero a veces no se dispone de ello o se presentan retrasos que lo interrumpen. Las técnicas computacionales de inteligencia artificial, como los sensores inteligentes son métodos atractivos y eficientes para inferir medidas en procesos dinámicos como este, donde entran en juego gran cantidad de variables y se debe identificar las de mayor influencia en los resultados del proceso para calcular acertadamente.spa
dc.description.abstractenglishThe chosen process is the control of fuel oil viscosity in the Viscoreductora II plant at the ECOPETROL refinery in Barrancabermeja, where fuel oil, a byproduct of crude oil refining, is processed and stored. It has an online analyzer and all the instrumentation associated with centralized monitoring and control of the process. To achieve the ideal quality in fuel oil viscosity, it is necessary to control the process online, but sometimes this is not available or there are delays that interrupt it. Computational artificial intelligence techniques, such as smart sensors, are attractive and efficient methods to infer measurements in dynamic processes such as this one, where a large number of variables come into play and those with the greatest influence on the results of the process must be identified in order to calculate correctly.spa
dc.description.degreelevelPregradospa
dc.description.learningmodalityModalidad Presencialspa
dc.description.tableofcontentsINTRODUCCIÓN 1. PLANTEAMIENTO DEL PROBLEMA 1.1 DESCRIPCIÓN DEL PROCESO ELEGIDO 1.1.1 El Combustóleo 1.1.2 La Planta Viscorreductora 11. 1.2 PROBLEMA EN LA MEDIDA DE LA VISCOSIDAD 1.2.1 El control de la Viscosidad 1.2.2 Viscosidad del Combustóleo 1.3 JUSTIFICACIÓN 1.4 OBJETIVO GENERAL DEL PROYECTO 2. MARCO TEÓRICO 2.1 LA VISCOSIDAD 2.1.1 Concepto 2.1.2 Cómo se mide la Viscosidad 2.1.3 Indice de viscosidad 2.2 IDENTIFICACIÓN DE SISTEMAS 2.2.1 Sistemas Dinámicos 2.2.2 Procedimiento para la Identificación de Sistemas 2.2.3 Simulación de Sistemas 2.2.4 Predicción de Sistemas 2.2.5 Control de Sistemas 2.3 ANALISIS DE COMPONENTES PRINCIPALES 2.3.1 Cómo se procede 2.3.2 Representación en el espacio de los sujetos 2.3.3 Representación en el espacio de las variables 2.4 REDES NEURONALES ARTIFICIALES (ANN) 2.4.1 La Inteligencia Artificial 2.4.2 Introducción a las redes neuronales 2.4.3 Concepto de red neuronal 2.4.4 Modelo de una neurona simple 2.4.5 Funciones discriminantes 2.4.6 Proceso de aprendizaje de la red neuronal 2.4.7 Taxonomía de las redes neuronales 2.4.8 Entrenamiento de una red neuronal 2.4.9 El algoritmo RAWN 2.4.10 Apartes en la historia de redes neuronales 2.4.11 Aplicaciones de las redes neuronales 2.5 ALGORITMOS GENETICOS 2.2.1 Definiciones de Algoritmos Genéticos 2.5.2 Características de los Algoritmos Genéticos 2.2.3 Funcionamiento de los Algoritmos Genéticos 2.5.4 Principios básicos de los Algoritmos Genéticos 3. METODOLOGÍA PARA EL DISEÑO DEL SENSOR VIRTUAL 3.1 ANALISIS DEL PROBLEMA 3.1.1 Tomar datos del proceso 3.1.2 Seleccionar variables principales del proceso 3.1.3 Identificar el sistema del proceso 3.2 DISEÑO DEL SENSOR VIRTUAL 3.2.1 Crear modelo matemático del sistema 3.2.2 Definir arquitectura de la red neuronal 3.2.3 Establecer algoritmo de entrenamiento 3.2.4 Validar modelo del sensor 3.3 ACTIVIDADES COMPLEMENTARIAS 3.3.1 Implementación del sensor virtual 3.3.2 Implantación del sensor virtual 3.3.3 La clonación artificial 4. CONCLUSIONES Y RECOMENDACIONES BIBLIOGRAFÍA ANEXOSspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/26299
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programPregrado Ingeniería de Sistemasspa
dc.relation.references[1] J. L. GROSSO, J. E. FORERO, C. E. CUADRADO, F. FORERO. Sistema de homogenización y control de viscosidad del combustóleo. IGP. 1.998spa
dc.relation.references[2] H. DEUTH, M. BEALE. Neural Network Toolbox For Use With Matlab. Version 3. The MathWorks Inc. USA. 1998.spa
dc.relation.references[3] L. LIUNG, LENNART. System identification, McGraw Hill. Segunda edición. Cap 1, ll.spa
dc.relation.references[4] H. PABA, E. NUÑEZ. Implementación de sensores inteligentes utilizando redes neuronales aplicados en procesos de refinación del petróleo. Maestría en ciencias computacionales. UNAB. 2.000.spa
dc.relation.references[5] A. F. MUÑOZ. Tecnologías de control avanzado y de Clonación artificial aplicada a sistemas Mecatrónicos de alta precisión. Congreso Internacional de Mecatrónica. Bucaramanga. Octubre 2.001.spa
dc.relation.references[G] M. NORGAARD, O. RAVN, N. K. POULSEN, L. K. HANSEN. Neural Networks for Modelling and Control of Dynamic Systems. Springer. London. 2000.spa
dc.relation.references[7] XIN Y. A Review of Evolutionary Artificial Neural Networks. Commonwealth Scientific and Industrial Research Organization, Division of Building , Construction and Engineering. Australia. (pdf)spa
dc.relation.references[8] Texaco Inc., http://mwnw.ursa-texaco.com/Spanish/glossary_v.htmlitop, 20/05/2002spa
dc.relation.references[10] Solartron Mobrey Ltd, http://wmnnw.solartronmobrey.comiviscosity/fueloilblending/fuel.htmil, 17/04/2002spa
dc.relation.references[11] Solartron Mobrey Ltd, http:/Ammnn.golartronmobrey.comi/density/liquiddens.htmi#Anchor-Solartron's- 35326, 17/04/2002spa
dc.relation.references[12] Instituto Nacional de Estadística Geográfica e Informática de México, http:/Amnmw.inegi.gob.mxidifusion/espanol/nivelesfily/nivbien/acp.html, 21/05/2002spa
dc.relation.references[13] Biopsychology.org, http:/Ammnw.biopsychology.orgitesis_esteve/apendices/acp/tacp.htm, 21105/2002spa
dc.relation.references[14] Instituto Tecnológico de Informática de España, http://wmnnn. iti.upv.es/-fcn/studentsfirn/T raspas.1.1.pdf, 5/06/2000spa
dc.relation.references[15] Universidad Rey Juan Carlos, http://bayes.escet.urjc.es/-¡muruzabalimain.htm, 22/08/2002spa
dc.relation.uriapolohttps://apolo.unab.edu.co/en/persons/antonio-faustino-mu%C3%B1oz-monerspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsSystems engineerspa
dc.subject.keywordsTechnological innovationsspa
dc.subject.keywordsVirtual sensorspa
dc.subject.keywordsNeural networksspa
dc.subject.keywordsIndustrial processspa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsNeural networks (Computer science)spa
dc.subject.keywordsGenetic algorithmsspa
dc.subject.keywordsGenetic programming (Computers)spa
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembInnovaciones tecnológicasspa
dc.subject.lembInteligencia artificialspa
dc.subject.lembRedes neuronales (Computadores)spa
dc.subject.lembAlgoritmos genéticosspa
dc.subject.lembProgramación genética (Computadores)spa
dc.subject.proposalSensor virtualspa
dc.subject.proposalRedes neuronalesspa
dc.subject.proposalProceso industrialspa
dc.titleDiseño de un sensor virtual basado en redes neuronales para la medición de la viscosidad de combustóleo a partir de propiedades de la planta viscorreductora II de la Refinería de Ecopetrol en Barrancabermejaspa
dc.title.translatedDesign of a virtual sensor based on neural networks for measuring fuel oil viscosity from the properties of the viscoreduction plant II of the Ecopetrol refinery in Barrancabermejaspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTrabajo de Gradospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
2002_Tesis_Javier_Ardila (1) (1).pdf
Tamaño:
29.69 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
829 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Pregrado Ingeniería de Sistemas