Evaluation des risques de corrosion de l'oléoduc haoud el hamra Béjaïa par des méthodes d'apprentissage automatique

Abstract

La fiabilité des pipelines constitue un enjeu stratégique dans l'industrie énergétique, notamment pour le transport du pétrole et du gaz. Face aux nombreuses défaillances possibles - en particulier la corrosion, responsable de près de 75% des cas - il devient essentiel de développer des méthodes de surveillance avancées. Ce mémoire propose une approche innovante fondée sur l'apprentissage automatique (machine learning) pour prédire les défaillances des pipelines. ? partir de données issues d'une inspection MFL (Magnetic Flux Leakage) réalisée par ROSEN Group pour SONATRACH, plusieurs algorithmes de clustering non supervisé (K-Means, DBSCAN, GMM, et agglomératif) sont appliqués pour détecter automatiquement les zones critiques de corrosion. Le prétraitement des données, la sélection des métriques d'évaluation, ainsi que la cartographie des défauts permettent d'améliorer la compréhension et l'exploitation des données d'inspection. Les résultats démontrent l'efficacité de ces méthodes pour l'analyse prédictive des risques, contribuant ainsi à une meilleure planification de la maintenance et à la réduction des risques environnementaux et économiques.