Prédiction intelligente des défaillances dans les réseaux de tuyauterie

Kanoun, Yassine (2023). Prédiction intelligente des défaillances dans les réseaux de tuyauterie. (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Repéré dans Depositum à https://depositum.uqat.ca/id/eprint/1544

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

Les systèmes de tuyauterie sont des composants essentiels dans diverses industries, notamment le pétrole et le gaz, le traitement de l'eau et l'industrie manufacturière. Cependant, ces systèmes sont souvent sujets à des défaillances dues à divers facteurs tels que la corrosion, la fatigue et les facteurs environnementaux. Ce qui peut entraîner des pertes financières considérables, des arrêts de production et des risques pour la sécurité.
La prédiction des défaillances dans les systèmes de tuyauterie est une tâche importante pour assurer la sécurité et la fiabilité des installations industrielles. Les approches traditionnelles de surveillance des systèmes de tuyauterie reposent sur des inspections périodiques et des analyses manuelles des données, ce qui peut prendre du temps et être sujet à des erreurs. Les algorithmes d'apprentissage automatique (AA) se sont révélés prometteurs pour la maintenance prédictive dans divers domaines, y compris les systèmes de tuyauterie. Ils exploitent les données historiques pour prédire les défaillances et permettre une maintenance préventive.
Dans cette étude, nous traitons les différents types de défaillances qui peuvent survenir dans les installations de tuyauterie et les défis associés à la détection et à la prévention de celles-ci. Nous examinons également les différentes techniques d’AA qui peuvent être utilisées pour prédire et prévenir les défaillances, tels que l'apprentissage supervisé et non supervisé. Les données historiques tels que les rapports d’inspection des systèmes de tuyauterie, y compris les conditions opératoires, les données de mesure d’épaisseur et d'autres caractéristiques pertinentes, ont été utilisés pour développer les modèles d'AA. Les modèles de régression et classification, tels que les arbres de décision, les forêts aléatoires et les machines à vecteur support, sont utilisées pour prédire le taux de corrosion, son niveau de sévérité et les sources de défaillances. Les techniques de clustering, tels que K-means et k-prototype, sont utilisées pour développer les boucles de corrosion. D’autres approches d’AA non-supervisé sont implémentées pour détecter les anomalies dans les systèmes de surveillance.
Nous évaluons les performances des différents algorithmes à l'aide de diverses mesures de performance, notamment la métrique R2 pour les problèmes de régression, et la précision ainsi que la courbe AUC-ROC pour les problèmes de classification. Les résultats montrent que les méthodes basées sur les arbres de décision ont une bonne performance en termes de précision pour réaliser la prédiction et répondre à nos objectifs.
Nous effectuons également une analyse de l'importance des prédicteurs afin d'identifier les paramètres les plus pertinents pour réaliser la prédiction de la sévérité de la corrosion et la source de défaillance. Les résultats montrent que les conditions opératoires, tels que la pression, la température, le débit et le type de fluide circulant, sont les caractéristiques les plus déterminantes pour cette étude.
Notre étude démontre le potentiel des algorithmes d'apprentissage automatique pour la prédiction des défaillances. Cependant, il est crucial d'aborder ce processus avec prudence et en comprenant bien ses limites et ses exigences.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur de mémoire/thèse:	Mirad, Hatem
Codirecteurs de mémoire/thèse:	Belem, Tikou et Zouari, Bassem
Mots-clés libres:	Maintenance, Prédiction, Défaillance, Données, Apprentissage automatique
Divisions:	Génie > Maîtrise en ingénierie
Date de dépôt:	14 mars 2024 14:34
Dernière modification:	14 mars 2024 14:34
URI:	https://depositum.uqat.ca/id/eprint/1544

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt