Estado del arte de algoritmos de Machine Learning para la detección de rupturas súbitas
Palavras-chave:
Aprendizaje automático, redes hidráulicas, redes neuronales, ruptura súbitaResumo
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.
Downloads
Referências
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
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os autores que publicam nesta revista concordam com os seguintes termos:
a. Os autores mantêm todos os direitos autorais e concedem à revista o direito de publicar primeiro o trabalho licenciado sob uma Licença Creative Commons Atribuição-NãoComercial 4.0 Não Adaptada que permite que outros compartilhem o trabalho com reconhecimento de autoria e publicação inicial nesta revista.
b. Os autores podem estabelecer, separadamente, acordos adicionais com o Comitê Editorial para a publicação de seu trabalho ou de uma versão dele em outro periódico, com reconhecimento de sua publicação inicial neste periódico.
