| Sumario: | En esta tesis se quieren detectar pérdidas de material en las refinerías de petróleo. El proceso llevado a cabo en las refinerías es complejo ya que involucra una serie de procesos químicos para hacer decenas de productos finales diferentes. Actualmente, en México se tienen instalados medidores de flujo donde el más usado es el medidor de presión diferencial del tipo de placa y orificio. El mayor problema es la medida de incertidumbre asociada a estos instrumentos haciendo que esto produzca falsas alarmas. Se propone representar la refinería como una red de transporte basado en flujo de redes. Para poder simular una refinería real, se utilizan las siguientes herramientas: Generación de base datos de los flujos de masa en los tramos de tubería entre procesos para generar el flujo en ellos. Modificación al algoritmo de flujo máximo (Ford-Fulkerson). Ecuación característica de medidores de placa y orificio. Cálculo y simulación de propagación de errores en la red de transporte. Al generar la base de datos del comportamiento de la refinería, procedemos a clasificar los flujos de masa en todos los tramos de tubería en la refinería usando redes neuronales artificiales. Para validar el método propuesto utilizamos cuatro conjuntos de flujos de masa para cada tramo de tubería, generados en la red propuesta con su correspondiente detección de pérdidas. Cada conjunto consta de diecisiete arcos. El tamaño de cada conjunto va en aumento, esto quiere decir que el primer conjunto tiene menos datos que el último. Así, el primer conjunto tiene 100 datos, el segundo 232 datos, el tercer 332 datos y el cuarto 1000 datos. Cada conjunto se utiliza para entrenar la red neuronal artificial y clasificar posteriormente 1000 valores generados aleatoriamente.
|
|---|
