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.
