<?xml version="1.0" encoding="UTF-8"?>
<record
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    xsi:schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd"
    xmlns="http://www.loc.gov/MARC21/slim">

  <leader>02280nmc a2200205   4500</leader>
  <controlfield tag="005">20260520010430.0</controlfield>
  <controlfield tag="008">260224s2022                             </controlfield>
  <datafield tag="245" ind1="0" ind2="0">
    <subfield code="a">PREDICCI&#xD3;N DE ENSUCIAMIENTO DE UN INTERCAMBIADOR DE PLACAS (PACKINOX) USANDO REDES NEURONALES LSTM</subfield>
  </datafield>
  <datafield tag="260" ind1=" " ind2=" ">
    <subfield code="a">Buenos Aires</subfield>
    <subfield code="b">Instituto Argentino del Petr&#xF3;leo y del Gas, IAPG</subfield>
    <subfield code="c">2022</subfield>
  </datafield>
  <datafield tag="270" ind1=" " ind2=" ">
    <subfield code="a">23/06/2022 ; 23/06/2022</subfield>
  </datafield>
  <datafield tag="300" ind1=" " ind2=" ">
    <subfield code="a">9 p.</subfield>
  </datafield>
  <datafield tag="520" ind1=" " ind2=" ">
    <subfield code="a">En este trabajo se presenta un modelo de mantenimiento predictivo, para el intercambiador de placas E-4701 (Packinox) de la planta de hidrotratamiento de combustible de la Refiner&#xED;a de Barrancabermeja, el cual evidencia un ensuciamiento recurrente desde finales el a&#xF1;o 2019, limitando la carga de la U4700. Debido a la complejidad del fen&#xF3;meno f&#xED;sico qu&#xED;mico y las m&#xFA;ltiples variables que intervienen en la operaci&#xF3;n, se desarroll&#xF3; un modelo basado en redes neuronales para identificar la variable problema y predecir el tiempo de ensuciamiento seg&#xFA;n las condiciones operacionales del equipo. En principio, se recopil&#xF3; una base de datos de 21 variables de contexto operacional, desde enero 2013 a diciembre 2021, las cuales fueron correlacionadas y depuradas. Luego, se utiliz&#xF3; la librer&#xED;a de redes neuronales del programa Matlab, para construir el modelo de predicci&#xF3;n de aumento de diferencial de presi&#xF3;n en E-4701, utilizando una arquitectura de red tipo LSTM. Finalmente se logr&#xF3; un modelo que permite predecir el diferencial de presi&#xF3;n teniendo en cuenta el hist&#xF3;rico de los datos de entrenamiento, adem&#xE1;s se identific&#xF3; el valor l&#xED;mite de la variable problema en la operaci&#xF3;n para evitar el ensuciamiento acelerado y el valor a partir del cual se revierte la reacci&#xF3;n y se presenta la descomposici&#xF3;n t&#xE9;rmica de las sales disminuyendo el ensuciamiento del equipo. Palabras clave: Predicci&#xF3;n, Sublimaci&#xF3;n de sales, Ensuciamiento, Redes neuronales LSTM</subfield>
  </datafield>
  <datafield tag="773" ind1=" " ind2=" ">
    <subfield code="g"></subfield>
  </datafield>
  <datafield tag="942" ind1=" " ind2=" ">
    <subfield code="c">CONGTP</subfield>
  </datafield>
  <datafield tag="100" ind1="1" ind2=" ">
    <subfield code="a">Vargas Silva, Willian</subfield>
    <subfield code="9">60707</subfield>
  </datafield>
  <datafield tag="100" ind1="1" ind2=" ">
    <subfield code="a">Escalante Salazar, Domingo A.</subfield>
    <subfield code="9">60708</subfield>
  </datafield>
  <datafield tag="111" ind1="2" ind2=" ">
    <subfield code="a">Congreso Latinoamericano y del Caribe de Refinaci&#xF3;n (6to. : 2022 jun. 1-3 : Buenos Aires)</subfield>
    <subfield code="9">60649</subfield>
  </datafield>
  <datafield tag="999" ind1=" " ind2=" ">
    <subfield code="c">194922</subfield>
    <subfield code="d">194922</subfield>
  </datafield>
  <datafield tag="856" ind1=" " ind2=" ">
    <subfield code="u">https://biblioteca.iapg.org.ar/ArchivosAdjuntos/CongresoRefinacion2022/100.pdf</subfield>
  </datafield>
  <datafield tag="952" ind1=" " ind2=" ">
    <subfield code="0">0</subfield>
    <subfield code="1">0</subfield>
    <subfield code="4">0</subfield>
    <subfield code="7">0</subfield>
    <subfield code="9">262641</subfield>
    <subfield code="a">CBAAB</subfield>
    <subfield code="b">CBAAB</subfield>
    <subfield code="d">2026-03-06</subfield>
    <subfield code="j">200067309</subfield>
    <subfield code="l">0</subfield>
    <subfield code="p">200067309</subfield>
    <subfield code="r">2026-03-06 00:39:50</subfield>
    <subfield code="w">2026-03-06</subfield>
    <subfield code="y">ARCHIVO</subfield>
  </datafield>
</record>
