In questa tesi è stata trattata una piccola parte del mondo del machine learning, l’anomaly detection. Inizialmente è stata fatta una breve introduzione sul machine learning, sulle tipologie di apprendimento automatico che possiamo trovare e sono inoltre stati esposti gli step di una attività di machine learning. Successivamente si è passati alla spiegazione dell'identificazione delle anomalie ed è stata fatta una breve trattazione delle tipologie di anomaly detection. È stato successivamente descritto il caso studio, un impianto multifase collocato nel Dipartimento di Ingegneria Industriale e Scienze Matematiche (DIISM) dell'Università Politecnica delle Marche e le problematiche che si intendeva affrontare. Gli algoritmi utilizzati sono stati Angle Based Outlier Detection, Isolation Forest, k-Nearest Neighbors Detector, Local Outlier Factor, Class Outlier Factor, One-class SVM, Minimum Covariance Determinant, Stochastic Outlier Selection, DBSCAN. Sono stati valutati i risultati ottenuti e infine sono stati presentati sotto forma di grafici e tabelle.

Algoritmi di machine learning per l'anomaly detection di impianti multifase nel settore oil&gas

CICCOTOSTO, FEDERICO
2021/2022

Abstract

In questa tesi è stata trattata una piccola parte del mondo del machine learning, l’anomaly detection. Inizialmente è stata fatta una breve introduzione sul machine learning, sulle tipologie di apprendimento automatico che possiamo trovare e sono inoltre stati esposti gli step di una attività di machine learning. Successivamente si è passati alla spiegazione dell'identificazione delle anomalie ed è stata fatta una breve trattazione delle tipologie di anomaly detection. È stato successivamente descritto il caso studio, un impianto multifase collocato nel Dipartimento di Ingegneria Industriale e Scienze Matematiche (DIISM) dell'Università Politecnica delle Marche e le problematiche che si intendeva affrontare. Gli algoritmi utilizzati sono stati Angle Based Outlier Detection, Isolation Forest, k-Nearest Neighbors Detector, Local Outlier Factor, Class Outlier Factor, One-class SVM, Minimum Covariance Determinant, Stochastic Outlier Selection, DBSCAN. Sono stati valutati i risultati ottenuti e infine sono stati presentati sotto forma di grafici e tabelle.
2021
2022-12-07
Machine learning algorithms for multiphase plant anomaly detection in the oil&gas sector
File in questo prodotto:
File Dimensione Formato  
tesiFedericoCiccotosto.pdf

Open Access dal 10/06/2024

Descrizione: Tesi Federico Ciccotosto
Dimensione 2.13 MB
Formato Adobe PDF
2.13 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/11428