Sistema de fusión de datos para la clasificación de gases licuados del petróleo a través de técnicas de aprendizaje de máquina

Daniel Fernando Quintero Bernal; Miguel Ángel  Jaramillo Bedoya; Hernán Alberto Quintero Vallejo; William  Prado Martínez

doi:10.14482/inde.41.02.720.891

Autores/as

Daniel Fernando Quintero Bernal Universidad Tecnológica de Pereira https://orcid.org/0000-0002-0745-6452
Miguel Ángel Jaramillo Bedoya Universidad Tecnológica de Pereira https://orcid.org/0000-0002-5333-0391
Hernán Alberto Quintero Vallejo Universidad Tecnológica de Pereira https://orcid.org/0000-0001-9016-9747
William Prado Martínez Universidad Tecnológica de Pereira https://orcid.org/0000-0003-2764-0166

DOI:

https://doi.org/10.14482/inde.41.02.720.891

Palabras clave:

Clasificación, fusión de datos, gases licuados del petróleo, nariz electrónica, técnicas de aprendizaje de máquina

Resumen

La fusión de datos (FD) es un proceso que permite la combinación de información de diversas fuentes con un propósito determinado. En este documento se presenta el diseño y construcción de un sistema FD, particularmente una nariz electrónica (NE), para un dispositivo como el descrito en la patente “Equipo portátil para evitar la contaminación vehicular en las estaciones de servicio” con resolución número 23016. Dicho equipo es un instrumento para clasificación de gases licuados derivados del petróleo (GLP), cuya aplicación se encuentra dirigida a reconocer ACPM (Aceite Combustible Para Motores) o gasolina, en el proceso de abastecimiento vehicular. Estos gases están almacenados en el depósito de combustible de los automóviles, y mediante su identificación es posible tomar las acciones requeridas para evitar la contaminación de un vehículo con un carburante diferente al que éste utiliza. Se implementó un experimento que evaluó el funcionamiento de la NE mediante técnicas de clasificación. En el procesamiento de la información entregada por los sensores del prototipo fueron utilizadas dos metodologías de aprendizaje de máquina supervisadas, K-Nearest Neighbor (KNN) y Naive Bayes, para diferenciación de GLP. A través de una prueba de validez, se determinó que la exactitud de las técnicas implementadas fue de 1, por lo tanto, el equipo está en capacidad de discriminar adecuadamente los gases de gasolina y ACPM en condiciones ambientales dinámicas.

Citas

Universidad Tecnológica de Pereira, “Vicerrectoría de Investigaciones, Innovación y Extensión: Proyectos,” Desarrollo del prototipo que aplica sobre la patente titulada: equipo portátil para evitar la contaminación vehicular en las estaciones de servicio, 2018. https://www2.utp.edu.co/vicerrectoria/investigaciones/investigaciones/DetallesProyecto/2222 (accessed Mar. 19, 2023).

T. Meng, X. Jing, Z. Yan, and W. Pedrycz, “A survey on machine learning for data fusion,” Inf. Fusion, vol. 57, pp. 115–129, 2020, doi: https://doi.org/10.1016/j.inffus.2019.12.001.

R. Bokade et al., “A cross-disciplinary comparison of multimodal data fusion approaches and applications: Accelerating learning through trans-disciplinary information sharing,” Expert Syst. Appl., vol. 165, p. 113885, 2021, doi: https://doi.org/10.1016/j.eswa.2020.113885.

H. Kaur, D. Koundal, and V. Kadyan, “Image Fusion Techniques: A Survey,” Arch. Comput. Methods Eng., vol. 28, no. 7, pp. 4425–4447, 2021, doi: 10.1007/s11831-021-09540-7.

J. Ma, Y. Ma, and C. Li, “Infrared and visible image fusion methods and applications: A survey,” Inf. Fusion, vol. 45, pp. 153–178, 2019, doi: https://doi.org/10.1016/j.inffus.2018.02.004.

I. Moreno, R. Caballero, R. Galán, F. Matía, and A. Jiménez, “La Nariz Electrónica: Estado del Arte,” Rev. Iberoam. Automática e Informática Ind. RIAI, vol. 6, no. 3, pp. 76–91, Jul. 2009, doi: 10.1016/S1697-7912(09)70267-5.

Z. Wang, P. Chen, and X. Yang, “Application of electronic nose technology in detection of combustible gas,” Proc. World Congr. Intell. Control Autom., pp. 6848–6852, 2010, doi: 10.1109/WCICA.2010.5554209.

J. Palacín, E. Rubies, E. Clotet, and D. Martínez, “Classification of Two Volatiles Using an eNose Composed by an Array of 16 Single-Type Miniature Micro-Machined Metal-Oxide Gas Sensors,” Sensors 2022, Vol. 22, Page 1120, vol. 22, no. 3, p. 1120, 2022, doi: 10.3390/S22031120.

S. Kiani, S. Minaei, and M. Ghasemi-Varnamkhasti, “Application of electronic nose systems for assessing quality of medicinal and aromatic plant products: A review,” J. Appl. Res. Med. Aromat. Plants, vol. 3, no. 1, pp. 1–9, 2016, doi: 10.1016/J.JARMAP.2015.12.002.

M. Ferreiro-González, G. F. Barbero, M. Palma, J. Ayuso, J. A. Álvarez, and C. G. Barroso, “Characterization and Differentiation of Petroleum-Derived Products by E-Nose Fingerprints.,” Sensors (Basel)., vol. 17, no. 11, 2017, doi: 10.3390/s17112544.

A. Oseev, M. Zubtsov, and R. Lucklum, “Gasoline properties determination with phononic crystal cavity sensor,” Sensors Actuators, B Chem., vol. 189, pp. 208–212, 2013, doi: 10.1016/j.snb.2013.03.072.

H. A. Q. Vallejo, “Diseño y construcción de un sistema prototipo para la supervisión del suministro vehicular de gasolina o ACPM, en las estaciones de servicio,” Universidad Tecnológica de Pereira, 2014.

H. A. Q. Vallejo, “Equipo Portátil para Evitar la Contaminación Vehicular en las Estaciones de Servicio,” 2017.

X.-D. W. X.-D. Wang, H.-R. Z. H.-R. Zhang, and C.-J. Z. C.-J. Zhang, “Signals recognition of electronic nose based on support vector machines,” Int. Conf. Mach. Learn. Cybern., vol. 6, no. August, pp. 18–21, 2005, doi: 10.1109/IPCon.2016.7831065.

S. Bedoui, H. Samet, M. Samet, and A. Kachouri, “Gases identification with Support Vector Machines technique (SVMs),” in 2014 1st International Conference on Advanced Technologies for Signal and Image Processing, ATSIP 2014, 2014, pp. 271–276, doi: 10.1109/ATSIP.2014.6834620.

V. A. Zarate, “Diseño de un manual de procedimientos y medidas de seguridad para una estación de servicio de combustible en zona rural colombiana,” Universidad Católica de Colombia, 2021.

ELMOTOR, “Qué debes hacer si en la gasolinera te ponen el combustible equivocado,” 25 de noviembre de 2017, 2017. https://motor.elpais.com/conducir/que-pasa-combustible-equivocado/ (accessed Jun. 14, 2022).

M. de C. S. A. . E.S.P, “Manual de uso GLP.” p. 15, 2020, [Online]. Available: http://multigasdecolombia.com.co/archivos/manejo_seguro.pdf.

N. A. Pérez, “Aplicabilidad del Procesamiento de Lenguaje Natural al análisis de errores en logs de aplicativos utilizados en el área de BSS (Business Support System),” Universidad de Valladolid, 2019.

T. C. Pearce, S. S. Schiffman, H. T. Nagle, and J. W. Gardner, Handbook of machine olfaction: electronic nose technology. John Wiley & Sons, 2006.

N. I. Corporation, “Módulo LabVIEW,” 2019. http://www.ni.com/es-co/support/downloads/software-products/download.labview-mathscript-module.html#305903 (accessed Jun. 14, 2022).

A. Industries, “BMP085 Library,” 2014. https://github.com/adafruit/Adafruit-BMP085-Library (accessed Jun. 14, 2022).

A. Industries, “DHT sensor library,” 2015. https://github.com/adafruit/DHT-sensor-library (accessed Jun. 14, 2022).

A. Industries, “Common sensor library,” 2017. https://github.com/adafruit/Adafruit_Sensor (accessed Jun. 14, 2022).

Arduino.cc, “Arduino - Wire.” https://www.arduino.cc/en/Reference/Wire (accessed Jun. 14, 2022).

A. D. Wilson and M. Baietto, “Advances in electronic-nose technologies developed for biomedical applications,” Sensors, vol. 11, no. 1, pp. 1105–1176, 2011, doi: 10.3390/s110101105.

F. An ISO9001 company, “TGS 2610 - for the detection of Combustible Gases.” p. 13, 2000, [Online]. Available: http://www.meditronik.com.pl/doc/b0-b9999/tgs2610.pdf.

S. R. Bosch, “Diseño y realización de una nariz electrónica para la discriminación de aceites,” Universitat Rovira i Virgili, 2001.

M. Ferreiro-González, J. Ayuso, J. A. Álvarez, M. Palma, and C. G. Barroso, “Application of an HS-MS for the detection of ignitable liquids from fire debris.,” Talanta, vol. 142, pp. 150–156, 2015, doi: 10.1016/j.talanta.2015.04.030.

T. Soba?ski, A. Szczurek, K. Nitsch, B. W. Licznerski, and W. Radwan, “Electronic nose applied to automotive fuel qualification,” Sensors Actuators, B Chem., vol. 116, no. 1–2, pp. 207–212, 2006, doi: 10.1016/j.snb.2005.11.087.