Comment prédire le vieillissement des tunnels ?

Comment pouvons-nous prédire le vieillissement des tunnels à partir des données suivantes : nature géologique, dimensions du tunnel, matériaux du tunnel ainsi que la cotation attribuée lors de chaque inspection ? Présentation d'un exemple de maintenance prédictive !

Maintenance prédictive

Exemple de maintenance prédictive

  • Notre client dispose d’un patrimoine de 1 500 tunnels
  • Le parc est vieillissant et les coûts d’entretien sont élevés
  • Les tunnels sont inspectés et évalués tous les 5 ans en moyenne

En exploitant les données issues des relevés d’inspection effectués depuis 30 ans, l’objectif est de comprendre comment évolue ce parc de tunnels afin de calculer une vitesse de vieillissement associée à chaque type de tunnel. Cela permet de prédire au mieux les prochains moments d’intervention, juste à temps et à moindre coût, pour éviter les accidents et planifier le budget d’entretien, grâce à la maintenance prédictive.

 

Comment sont effectuées les inspections ?

Un tunnel est découpé sur sa longueur en tranches successives de 5 mètres chacune. Dans chaque tranche, les avaries sont répertoriées (nature, taille, localisation, etc.) et numérisées. Un score global décrivant l’état de dégradation, appelé dans la suite côte, est attribué à chaque tranche. Cette côte varie dans le temps lors des différentes inspections et permet d’évaluer et quantifier la dégradation d’un tunnel.

L’hypothèse émise par notre client est que cette côte évolue à une vitesse dépendant de différents critères répertoriés : nature géologique du terrain, dimensions et matériaux du tunnel, etc.

 

Qu’est-ce que la maintenance prédictive ?

C’est une méthode qui consiste à anticiper les défaillances, avaries, pannes en effectuant des modèles de dégradation des systèmes dans le but de prédire l’évolution d’une grandeur, en l’occurrence ici une côte. La maintenance prédictive permet donc de réduire les coûts et d’anticiper des pannes ou bien des avaries.

 

Vous avez un projet ? Contactez-nous !

 

Utilisation de modèles de machine learning pour prédire la vitesse de vieillissement d’un tunnel en fonction de ses caractéristiques de construction et d’environnement.

Maintenance prédictive : de la donnée au conseil d'entretien

  • Mise en forme et nettoyage de la base de données : les données utilisées pour l’analyse proviennent de plusieurs sources et ont été pour certaines collectées manuellement (potentiels biais ou erreurs humaines)
  • Etude analytique : comprendre quels sont les facteurs qui peuvent influer la vitesse de vieillissement des tunnels et quantifier cette influence
  • Modèles de prédiction de vitesse de vieillissement : modèles de machine learning s’appuyant sur les facteurs d’influence les plus pertinents
  • Projection de la côte des différents tunnels dans le futur pour anticiper les travaux à effectuer

 

logistique

Maintenance prédictive et machine learning : le bénéficie de la solution OSE

La solution développée par OSE permet de valoriser la base de données de rapports d’inspection, en projetant l’état de dégradation des tunnels dans le futur.

Dans cet exemple de maintenance prédictive, les applications d’un tel outil sont multiples : planification de budget d’entretien du parc sur les années à venir, priorisation des travaux, etc.

2 développeurs OSE mobilisés pendant 6 mois

Co-développement avec le client