Maintenance préventive basée sur l'analyse des séries temporelles et l'apprentissage profond: étude de cas à Sonatrach
| dc.contributor.author | Alliche Faiza | |
| dc.contributor.author | BOUACHA Ismail (Encadrant) | |
| dc.date.accessioned | 2024-10-16T12:16:05Z | |
| dc.date.available | 2024-10-16T12:16:05Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Le présent mémoire porte sur la prédiction de l'état futur du cycle de réfrigération au propane dans les industries pétrolières et gazières. L'objectif principal de cette étude est d'améliorer la gestion de la maintenance en prévenant les pannes non planifiées et en optimisant les opérations de maintenance. Pour atteindre cet objectif, une approche basée sur l'utilisation d'un réseau de neurones à séquences LSTM a été adoptée. Les LSTM sont des réseaux de neurones récurrents spécifiquement conçus pour traiter des données séquentielles ou temporelles en capturant les dépendances à long terme. La méthodologie de l'étude a impliqué l'utilisation de la plateforme Kaggle et des bibliothèques Python telles que TensorFlow, Keras et scikit-learn. Les données historiques du cycle de réfrigération ont été collectées et utilisées pour entraîner le modèle LSTM, qui a ensuite été en mesure de prédire l'état futur du système. Les résultats obtenus ont démontré l'efficacité du modèle de prédiction. Les métriques d'évaluation telles que la perte (loss), l'exactitude (accuracy), la précision (precision) et le rappel (recall) ont été utilisées pour évaluer les performances du modèle, qui ont été jugées satisfaisantes. | |
| dc.identifier.uri | http://172.16.16.5:4000/handle/123456789/152 | |
| dc.language.iso | fr | |
| dc.publisher | ECOLE NATIONALE SUPERIEURE DE TECHNOLOGIE ET D’INGENIERIE. ANNABA. (Ex ESTI) | |
| dc.title | Maintenance préventive basée sur l'analyse des séries temporelles et l'apprentissage profond: étude de cas à Sonatrach |