Implementación de machine learning para modelado y caracterización de muestras complejas de hidrocarburos a partir de técnicas de espectroscopia

Cárdenas Acevedo, Sebastián

Implementación de machine learning para modelado y caracterización de muestras complejas de hidrocarburos a partir de técnicas de espectroscopia

dc.contributor.advisor	Mejía Ospino, Enrique
dc.contributor.advisor	Goyes Peñafiel, Yesid Paul
dc.contributor.author	Cárdenas Acevedo, Sebastián
dc.contributor.evaluator	Martínez Carrillo, Fabio
dc.contributor.evaluator	Arguello Fuentes, Henry
dc.date.accessioned	2024-11-13T20:24:37Z
dc.date.available	2024-11-13T20:24:37Z
dc.date.created	2024-11-12
dc.date.issued	2024-11-12
dc.description.abstract	Una correcta caracterización fisicoquímica del petróleo es crucial para optimizar procesos como la producción, el transporte y la refinación en la industria de los hidrocarburos. Entre las pruebas de caracterización de crudos pesados destacan el análisis SARA, el porcentaje de carbono Conradson residual (%CCR) y el índice de clase de estabilidad de asfáltenos (ASCI). Aunque efectivos, estos métodos presentan limitaciones como altos costos, largos tiempos de respuesta y el uso de solventes peligrosos. Para superar estas dificultades, este estudio explora el uso de modelos de machine learning (ML) aplicados a datos de espectrometría de masas de alta resolución (HR-MS) y espectroscopía infrarroja por transformada de Fourier (MIR-FTIR). El objetivo principal es desarrollar modelos predictivos que estimen estas propiedades del petróleo a partir de datos espectrales. La metodología desarrollada incluye la construcción de una base de datos robusta, procesada y normalizada, utilizando técnicas como el análisis de componentes principales (PCA) para mejorar la exactitud y reducir la dimensionalidad de los datos. Se evaluaron diferentes algoritmos de ML para clasificación y regresión, tales como SVC, LDA, SVR, PLS y redes neuronales, con el fin de identificar los modelos más adecuados. Los resultados muestran que los modelos basados en ML, en particular SVC y LDA, mejoran significativamente la exactitud y eficiencia en la predicción de propiedades fisicoquímicas del petróleo, superando los métodos tradicionales. Se concluye que la integración de machine learning con técnicas espectroscópicas ofrece una alternativa más rápida y de menor impacto ambiental para caracterizar grandes volúmenes de muestras complejas, reduciendo riesgos y mejorando la reproducibilidad en comparación con las pruebas convencionales.
dc.description.abstractenglish	A proper physicochemical characterization of crude oil is crucial for optimizing processes such as production, transportation, and refining in the hydrocarbon industry. Among the characterization tests for heavy crudes, the SARA analysis, the Conradson Carbon Residue percentage (%CCR), and the Asphaltene Stability Class Index (ASCI) stand out. Although effective, these methods present limitations such as high costs, long response times, and the use of hazardous solvents. To overcome these challenges, this study explores the use of machine learning (ML) models applied to high-resolution mass spectrometry (HR-MS) and mid-infrared Fourier-transform infrared spectroscopy (MIR-FTIR) data. The main objective is to develop predictive models to estimate these crude oil properties from spectral data. The developed methodology includes building a robust, processed, and normalized database using techniques such as Principal Component Analysis (PCA) to improve accuracy and reduce data dimensionality. Various ML algorithms for classification and regression, such as SVC, LDA, SVR, PLS, and neural networks, were evaluated to identify the most suitable models. The results show that ML-based models, particularly SVC and LDA, significantly improve accuracy and efficiency in predicting the physicochemical properties of crude oil, surpassing traditional methods. It is concluded that integrating machine learning with spectroscopic techniques offers a faster and more environmentally friendly alternative to characterize large volumes of complex samples, reducing risks and improving reproducibility compared to conventional tests.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero de Sistemas
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/44663
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería de Sistemas
dc.publisher.school	Escuela de Ingeniería de Sistemas e Informática
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Aprendizaje automatizado
dc.subject	Carbono Conradson Residual
dc.subject	Espectroscopia
dc.subject	Fraccionamiento S.A.R.A
dc.subject	Índice de estabilidad de asfáltenos
dc.subject	Muestras complejas
dc.subject.keyword	Complex Samples
dc.subject.keyword	Conradson Carbon Residue
dc.subject.keyword	Index of Asphaltene Stability
dc.subject.keyword	Machine Learning
dc.subject.keyword	SARA Analysis
dc.subject.keyword	Spectroscopy
dc.title	Implementación de machine learning para modelado y caracterización de muestras complejas de hidrocarburos a partir de técnicas de espectroscopia
dc.title.english	Implementation of Machine Learning for Modeling and Characterization of Complex Hydrocarbon Samples Using Spectroscopic Techniques
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado