Estado del arte de algoritmos de Machine Learning para la detección de rupturas súbitas
Palabras clave:
Aprendizaje automático, redes hidráulicas, redes neuronales, ruptura súbitaResumen
En este trabajo se realiza una revisión de los paradigmas existentes y las técnicas más usadas en la detección de rupturas súbitas, profundizando en las que emplean Machine Learning como herramienta principal para la interpretación de datos. Se comparan la relación entre la efectividad de la detección y los parámetros de cada algoritmo, así como el nivel de procesamiento requerido. Para la Máquina de Soporte Vectorial la efectividad en la detección de ruptura súbita está relacionada de forma exponencial. El árbol de decisión expuesto aumenta su precisión mientras más información del estado de la red tenga. La red neuronal analizada demuestra una efectividad en la detección al nivel del resto de algoritmos tratados manteniendo el compromiso con el nivel de procesamiento.
Descargas
Citas
Alves Coelho J., Glória A. and Sebastião P. (2020). "Precise Water Leak Detection Using Machine Learning and Real-Time Sensor Data". IoT, 1(2), Article 2. ISSN 474-493.
Arredondo D. J., Gil W. J. y Mora J. J. (2017). "Metodología para la selección de atributos y condiciones operativas para la localización de fallas basada en la máquina de soporte vectorial". Tecnura, 21(51), 15-26. ISSN 0123-921.
Bohorquez J., Simpson A. R., Lamber, M. F. and Alexander B. (2021). "Merging Fluid Transient Waves and Artificial Neural Networks for Burst Detection and Identification in Pipelines". Journal of Water Resources Planning and Management, 147(1), 04020097. ISSN 1943-5452.
Hernández G. (2014). "Implementación numérica de redes neuronales artificiales para el análisis de grietas en placas". Tesis de Maestría, Escuela Superior de Ingeniería Mecánica y Eléctrica, México D.F.
Huang P., Zhu N., Hou D., Chen J., Xiao Y., Yu J., Zhang G. and Zhang, H. (2018). "Real-Time Burst Detection in District Metering Areas in Water Distribution System Based on Patterns of Water Demand with Supervised Learning". Water, 10(12), Article 12. ISSN 2073-4441.
Liu Y., Ma X., Li Y., Tie Y., Zhang Y. and Gao J. (2019). "Water Pipeline Leakage Detection Based on Machine Learning and Wireless Sensor Networks". Sensors, 19(23), Article 23. ISSN 1424-8220.
Mounce S. R., Mounce R. B. and Boxall J. B. (2011). "Novelty detection for time series data analysis in water distribution systems using support vector machines". Journal of hydroinformatics, 13(4), 672-686. ISSN 1464-7141.
Rodríguez C. F., Montes E. M. y López R. R. (2021). "Generación de árboles de decisión usando un algoritmo inspirado en la Física". Tesis de Maestría en Computación Aplicada, Laboratorio Nacional de Informática Avanzada, México D.F.
Saravanan R. and Sujatha P. (2018). A State of Art Techniques on Machine Learning Algorithms: A Perspective of Supervised Learning Approaches in Data Classification. 2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS), 945-949. ISBN 978-1-5386-2843-0.
Srirangarajan S., Allen M., Preis A., Iqbal M., Lim H. B. and Whittle A. J. (2013). "Wavelet-based Burst Event Detection and Localization in Water Distribution Systems". Journal of Signal Processing Systems, 72(1), 1-16. ISSN 1939-8115
Trutié-Carrero E., Valdés-Santiago D., León-Mecías Á. y Ramírez-Beltrán J. (2018). "Detección y Localización de Ruptura Súbita mediante Transformada Wavelet Discreta y Correlación Cruzada". Revista Iberoamericana de Automática e Informática Industrial, 15(2), Article 2. ISSN 1697-7912
Van Jaarsveldt C., Peters G. W., Ames M. and Chantler M. (2023). "Tutorial on Empirical Mode Decomposition: Basis Decomposition and Frequency Adaptive Graduation in Non-Stationary Time Series". IEEE Access. ISSN 2169-3536
Zaman D., Tiwari M. K., Gupta A. K. and Sen D. (2020). "A review of leakage detection strategies for pressurised pipeline in steady-state". Engineering Failure Analysis, 109, 104264. ISSN 1350-6307. https://doi.org/10.1016/j.engfailanal.2019.104264
Descargas
Publicado
Cómo citar
Número
Sección
Licencia

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
a. Los autores conservan todos los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution-NonCommercial 4.0 Unported License que permite el uso no comercial de las obras con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.
b. Los autores pueden establecer por separado acuerdos adicionales con el Comité Editorial para la publicación de su trabajo o una versión del mismo en otra revista, con un reconocimiento de su publicación inicial en esta revista.