dc.contributor.author |
Souici, Lydia |
|
dc.contributor.author |
Chergui, Sofia |
|
dc.contributor.author |
Amroun, Kamal;promoteur |
|
dc.date.accessioned |
2023-02-15T10:36:26Z |
|
dc.date.available |
2023-02-15T10:36:26Z |
|
dc.date.issued |
2022 |
|
dc.identifier.other |
004mas/1059 |
|
dc.identifier.uri |
http://univ-bejaia.dz/dspace/123456789/21263 |
|
dc.description |
Option : intelligence artificielle |
en_US |
dc.description.abstract |
Les oléoducs représentent le moyen le plus sûr de transport des hydrocarbures.
Cependant, des accidents peuvent se produire, la maintenance est ainsi nécessaire
pour parvenir à limiter les dégâts. La détection de défaillances est une tâche importante
dans la maintenance des oléoducs. En connaissant le type de panne à l'avance,
les ingénieurs pourraient prévoir le processus de réparation. Le modèle que nous proposons
pourrait servir d'aide à la décision. Plusieurs algorithmes ont été appliqués sur
le dataset issu du CONCAWE (CONservation of Clean Air and Water in Europe).
Deux métriques de performances ont été employées dans le réglage des paramètres ;
la moyenne géométrique et l'accuracy. La moyenne géométrique a été utilisée car
elle essaie de maximiser la précision des classes tout en gardant ces précisions équilibrées.
Le meilleur algorithme par rapport à l'accuracy est SVM qui a atteint 65% et
Random Forest qui a atteint 64%. Les résultats ont aussi montré une meilleure classification
pour la classe Third party qui est de 87% de Recall et de 69% de précision
pour l'algorithme SVM. |
en_US |
dc.language.iso |
fr |
en_US |
dc.publisher |
Université Abderahman Mira Bejaia |
en_US |
dc.subject |
Apprentissage automatique : MLOps : Panne d'oléoduc :Défaillances d'oléoducs |
en_US |
dc.title |
Méthodes d'apprentissage automatique pour la détection des défaillances d'oléoducs |
en_US |
dc.type |
Thesis |
en_US |