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 !
Exemple de maintenance prédictive_
Notre client dispose d’un patrimoine ancien d'environ 1 400 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 numériques issues des relevés d’inspection depuis 30 ans, l’objectif est de comprendre comment évolue le parc de tunnels de SNCF Réseau en calculant une vitesse de vieillissement associée à chaque ouvrage. Ce travail de recherche permettrait à terme de prédire l'évolution de la dégradation des tunnels et ainsi répondre à de forts enjeux sur des aspects techniques, financiers et opérationnels 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 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.
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.
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
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 et machine learning : le bénéfice de la solution OSE_
La solution développée par OSE valorise la base de données numériques issues des relevés d'inspection, en permettant au client d'avoir de nouveaux indicateurs intéressants pour la gestion du parc de tunnels.
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
