02387nmc a2200217 4500 20260520010459.0 260224s xxu esp Español Machine learning aplicado a la gestión de corrosión y predicción de la velocidad de corrosión 27/09/2024 ; 27/09/2024 14 p. En los últimos años, se han producido avances significativos en el campo de la ciencia de datos y Machine Learning. Estos avances han venido acompañados de nuevas aplicaciones en diversas industrias como lo es la industria del Oil & Gas. En lo que respecta a la gestión de integridad de ductos estos desarrollos son de vital importancia, ya que ofrecen una serie de ventajas clave: · Análisis de Grandes Volúmenes de Datos en Tiempo Reducido: La capacidad para analizar grandes cantidades de información en un período de tiempo más breve es fundamental. Esto permite tomar decisiones más rápidas y eficientes. · Detección de Patrones y Comportamientos Anómalos · Identificación de Parámetros Clave en la Generación de Amenazas: El aprendizaje automático puede ayudar a identificar los factores más influyentes en la generación de amenaza y focalizar las medidas de mitigación de manera precisa. · Capacidad de Predicción y Alerta Temprana: Los modelos de aprendizaje automático pueden utilizarse para realizar predicciones y estimar valores futuros, como ser velocidad de crecimiento de corrosión. El objetivo del presente trabajo es presentar un proceso de implementación de Machine Learning en el estudio de la amenaza de corrosión externa. A través de diversos modelos se estudian las zonas activas de corrosión y se predicen velocidades de crecimiento en función de diversas fuentes de datos. Además. se compartirá un caso de aplicación con el propósito de compartir los hallazgos encontrados, las conclusiones adquiridas y los pasos a seguir. CONGTP Cornejo, Alan 61881 Melucci, Martín 61956 Gomez, Marianela 805 Congreso de Integridad y Corrosión en la Industria del Petróleo y del Gas (5to. : 2024 sept. 3-5 : Buenos Aires) 61844 196788 196788 https://biblioteca.iapg.org.ar/ArchivosAdjuntos/CongresoIntegridadyCorrosion2024/Machine.pdf 0 0 0 0 264507 CDIAPG CDIAPG 2026-03-06 200069223 0 200069223 2026-03-06 00:42:12 2026-03-06 ARCHIVO