Resumen

QUINTERO BERNAL, Daniel Fernando; JARAMILLO BEDOYA, Miguel Ángel; QUINTERO VALLEJO, Hernán Alberto  y  PRADO MARTINEZ, William. Sistema de fusión de datos para la clasificación de gases licuados del petróleo a través de técnicas de aprendizaje de máquina. Ing. Desarro. [online]. 2023, vol.41, n.2, pp.1-.  Epub 08-Nov-2023. ISSN 0122-3461.  https://doi.org/10.14482/inde.41.02.720.891.

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 Aceite Combustible Para Motores (ACPM)1 o gasolina, en el proceso de abastecimiento vehicular. Estos gases están almacenados en el depósito de combustible de los automóviles y, a través de su identificación, es posible tomar las acciones requeridas para evitar la contaminación de un vehículo con un carburante diferente al que este 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. Gracias a 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.

Palabras clave : clasificación; fusión de datos; gases licuados del petróleo; nariz electrónica; técnicas de aprendizaje de máquina.

        · resumen en Inglés     · texto en Español     · Español ( pdf )