Comment anticiper le vieillissement des tunnels à partir de données telles que la nature géologique, les dimensions, les matériaux ou les cotations issues des inspections ?Ce projet illustre l’application de la maintenance prédictive à l’infrastructure souterraine.

enjeux

En exploitant les données numériques issues de 30 ans de relevés d’inspection, l’objectif est de comprendre comment évolue le parc de tunnels de SNCF Réseau en calculant une vitesse de vieillissement propre à chaque ouvrage.
Ce travail de recherche ouvre la voie à la prédiction de la dégradation des tunnels et répond à des enjeux techniques, financiers et opérationnels majeurs grâce à la maintenance prédictive.

patrimoine ancien

1 400 tunnels

parc vieillissant

coûts d’entretien élevés

inspection des tunnels

tous les 5 ans en moyenne

méthodologie

Pour inspecter l’état des tunnels, chaque ouvrage est découpé sur sa longueur en tranches de 5 m. Pour chacune, les avaries sont répertoriées (nature, taille, localisation, etc.) et numérisées. Un score global décrivant l’état de dégradation, appelé côte, est ensuite attribué à chaque tranche.

Cette côte évolue au fil des inspections, permettant d’évaluer et de quantifier la dégradation d’un tunnel. Sa variation dépend de plusieurs critères : nature géologique, dimensions et matériaux de l’ouvrage.

innovation

Analyse du vieillissement des tunnels par machine learning

Développement de modèles prédictifs basés sur des données géologiques et structurelles pour anticiper la dégradation des ouvrages dans le temps.

approche

La maintenance prédictive vise à anticiper les défaillances et les avaries en modélisant la dégradation des systèmes. L’objectif est de prédire l’évolution d’une grandeur — ici, la côte de dégradation — afin d’optimiser les interventions.
Cette approche permet de réduire les coûts d’entretien tout en améliorant la fiabilité et la planification des opérations.

Préparation et fiabilisation des données

Mise en forme et nettoyage d’une base issue de sources multiples, incluant des relevés manuels pouvant comporter des biais ou erreurs humaines.

Analyse des facteurs d’influence

Étude analytique visant à identifier et quantifier les paramètres qui impactent la vitesse de vieillissement des tunnels.

Modélisation prédictive

Développement de modèles de machine learning exploitant les facteurs les plus pertinents pour estimer la dégradation des infrastructures.

Projection et planification

Simulation de l’évolution des tunnels dans le temps pour anticiper les opérations de maintenance et planifier les travaux à venir.

une solution sur-mesure

La solution développée par OSE exploite les données issues des relevés d’inspection pour générer de nouveaux indicateurs utiles à la gestion et à la maintenance du parc de tunnels.

La maintenance prédictive ouvre la voie à une gestion plus intelligente des infrastructures : planification des budgets, hiérarchisation des interventions, optimisation des ressources. Vous souhaitez mettre en place ce type d’approche ? Nos experts vous accompagnent à chaque étape du projet.

discutons

Comment prédire le vieillissement des tunnels ?