Sistema supervisor inteligente para procesos de producción de petróleo

Maximizar la producción de pozos de crudo pesado y extra pesado es el principal beneficio que se desea obtener de los sistemas de control que están corrientemente operativos en empresas de petróleo. Dada la naturaleza compleja y cambiante con el tiempo de los métodos existentes de levantamiento artificial para extracción de crudo, se dificulta el cumplimiento de las especificaciones pre establecidas para el procesamiento del crudo por parte de los lazos de control regulatorios. Tomando esto en cuenta, en éste trabajo se propone un sistema de supervisión inteligente que permite detectar cambios en las condiciones de operación del proceso productivo y realizar ajustes automáticos de sus consignas. Además, el sistema supervisor propuesto tiene la capacidad de detectar fallas en los sensores involucrados en los lazos de control, garantizando de esta manera una operación confiable del proceso. La propuesta fue probada en un pozo de petróleo real obteniéndose resultados que superaron las expectativas iniciales.

Multi-class sentiment analysis using a hierarchical logistic model tree approach

En este trabajo se propone un nuevo sistema híbrido para el análisis de sentimientos en clase múltiple basado en el uso del diccionario General Inquirer (GI) y un enfoque jerárquico del clasificador Logistic Model Tree (LMT). Este nuevo sistema se compone de tres capas, la capa bipolar (BL) que consta de un LMT (LMT-1) para la clasificación de la polaridad de sentimientos, mientras que la segunda capa es la capa de la Intensidad (IL) y comprende dos LMTs (LMT-2 y LMT3) para detectar por separado tres intensidades de sentimientos positivos y tres intensidades de sentimientos negativos. Sólo en la fase de construcción, la capa de Agrupación (GL) se utiliza para agrupar las instancias positivas y negativas mediante el empleo de 2 k-means, respectivamente. En la fase de Pre-procesamiento, los textos son segmentados por palabras que son etiquetadas, reducidas a sus raíces y sometidas finalmente al diccionario GI con el objetivo de contar y etiquetar sólo los verbos, los sustantivos, los adjetivos y los adverbios con 24 marcadores que se utilizan luego para calcular los vectores de características. En la fase de Clasificación de Sentimientos, los vectores de características se introducen primero al LMT-1, a continuación, se agrupan en GL según la etiqueta de clase, después se etiquetan estos grupos de forma manual, y finalmente las instancias positivas son introducidas a LMT-2 y las instancias negativas a LMT-3. Los tres árboles están entrenados y evaluados usando las bases de datos Movie Review y SenTube con validación cruzada estratificada de 10-pliegues. LMT-1 produce un árbol de 48 hojas y 95 de tamaño, con 90,88% de exactitud, mientras que tanto LMT-2 y LMT-3 proporcionan dos árboles de una hoja y uno de tamaño, con 99,28% y 99,37% de exactitud,respectivamente. Los experimentos muestran que la metodología de clasificación jerárquica propuesta da un mejor rendimiento en comparación con otros enfoques prevalecientes.