Mécanique des chantiers pétroliers

Permanent URI for this collectionhttps://dspace.univ-boumerdes.dz/handle/123456789/4058

Browse

Now showing 1 - 6 of 6

Application des méthodes d’intelligence artificielle pour la maintenance prédictive de la turbine à gaz "MS5001D"
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2023) Boucherma, Abdeldjalil; Harhout, Riad (Promoteur)
L'objectif principal de cette étude vise à anticiper les défaillances et les pannes et détecter en temps préalable les éventuelles défaillances de cette turbine à gaz étudié, en offrant ainsi une opportunité d'intervention précoce pour éviter les pannes majeures et les coûts de maintenance élevés. Cependant une étude et une analyse comparative de différentes approches analytiques et de divers algorithmes d'apprentissage automatique sont appliquées, tels que XGB, Extra Trees et Bagging.., dans le but de sélectionner la méthode la plus efficace pour la détection de défaillances et d’anomalies qui peuvent être engendré au fur et à mesure de fonctionnement de cette turbine.
Contrôle de l’état d’un équipement par l’intelligence artificielle : application au roulement "NU313" de la pompe "06-P-531-B"
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2023) Hamici, Mohamed; Halimi, Djamel (Promoteur)
L’industrie pétrolière, en particulier dans les centres de traitement de gaz (CPF), est confrontée à des défis majeurs en termes de maintenance préventive et de gestion des défaillances. Les coûts élevés des arrêts de production et les conséquences potentiellement graves sur la sécurité et l’environnement nécessitent une approche efficace de la maintenance. Dans ce contexte, l’application de l’intelligence artificielle (IA) dans les systèmes de surveillance et de diagnostic joue un rôle crucial. Ce mémoire se concentre sur l’implémentation d’un modèle d’IA pour la détection des défauts de roulements "NU313ECM" dans la pompe 06-P-531-B du centre de traitement de gaz "CPF". En utilisant des données de vibration et des signaux d’enveloppe, le système de surveillance automatique basé sur l’IA vise à améliorer la détection précoce des défauts, à réduire le temps de diagnostic et à optimiser la maintenance préventive. L’adoption de ce système permettra de minimiser les temps d’arrêt, d’améliorer la sécurité des équipements et d’optimiser les performances de la pompe dans le centre de traitement de gaz "CPF".
Etat de l’art, prédiction et optimisation d’intégrité de surface et leur influence sur la fatigue des composants utilisent réseau de neurone et l’algorithme génétique
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2022) Benallou, Mohamed Zakaria; Benchikh, Madani; Harhout, Riad (Promoteur)
La rugosité de surface est un indice crucial qui est couramment utilisé dans le processus d'usinage pour évaluer la qualité ou l’intégrité de surface du produit et composants final et qui est influencé par les paramètres de coupe. Cette recherche étudie l'effet de différents paramètres d'usinage sur la rugosité de surface ; une approche d'intelligence artificielle consistant en un réseau neuronal artificiel (ANN) et un autre hybride (ANN) dont les poids sont réglés par un algorithme génétique (GA) sont introduits pour comparer l'estimation de la rugosité de surface. Pour construire une base de données pour l'ANN, les tests expérimentaux ont été adoptés à partir d'un article de recherche qui étudie la rugosité de surface moyenne Ra (valeur) pour l'aluminium après l'opération de fraisage en bout de bille dont la valeur de cette rugosité a été mesurée 84 cas en faisant varier l'angle d'inclinaison de l'axe de la fraise (φ degré), la vitesse de la broche (N tr/min), la vitesse d'avance (Vy mm/min), la profondeur de coupe radiale (avance Vx mm), la profondeur de coupe axiale (t mm). L'influence des paramètres de coupe tels que la profondeur de coupe, la vitesse d'avance et la vitesse de la broche sur la rugosité de surface a été étudiée dans la littérature et examinée en utilisant la corrélation de Pearson. Les analyses révèlent que la vitesse d'avance fy et fx sont les facteurs les plus influents sur la rugosité de surface. Le modèle ANN proposé fournit une bonne prédiction, l'erreur moyenne carrée (MSE) spécifiant la précision et l'adéquation du réseau a été trouvée égale à 0,1985 indiquant que les valeurs de rugosité de surface estimées et mesurées sont remarquablement proches les unes des autres, ce dernier modèle est plus précis en comparaison avec le modèle hybride ANN&GA avec un MSE égale à 0,3630. L'optimisation en utilisant l'algorithme génétique montre que les paramètres de coupe qui donnent la rugosité de surface optimale Ra=0.41μm dans notre cas sont les suivants : ɸ =0°, S=584(tr/min) Fy=22 (mm/min), Fx=0.4 (mm), t=0.4653 (mm).
Identification de la qualité des roues de pompes submergées en utilisant la méthode des réseaux de neurones convolutifs «CNN»
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Grine, Mohamed; Hamek, Badis; Sabri, Khier (Promoteur)
La présence de défauts dans les processus de fabrication des roues de pompes submergées en acier est inévitable, et pour y remédier, les usines ont toujours eu recours au contrôle humain, qui consiste à vérifier chaque roue produite à l'aide de méthodes manuelles qui ne sont pas toujours très précises. Ce constat nous a incités à rechercher de meilleurs moyens de diminuer les coûts de perte de production en faisant appel à l'IA et à l'apprentissage profond (Deep Learning). Ce travail de mémoire prévoit la construction d'un modèle de classification basé sur des techniques d'apprentissage profond (Deep Learning). Pour ce faire, nous appliquerons les modèles des réseaux de neurones convolutifs, notamment le modèle CNN simple, le modèle VGG16 et l'apprentissage par transfert, mais également la méthode Grad-Cam permettant de reconnaître et de classer correctement les roues en bon état et les roues présentant des défauts. Au cours de notre étude, nous démontrerons la capacité des modèles « CNN » à classifier les roues de pompes en se basant sur le contenu de leurs images crues, qui fait l'objet de la présente étude.
Prédiction et optimisation de l’état de surface des pièces mécaniques par la méthode de régression polynomiale en vue de l’amélioration de sa durée de vie
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2021) Sebbane, Zineddine; Berdi, Mohamed Taha; Harhout, Riad (Promoteur)
Notre projet de fin d’étude est réalisé pour encadrer l’influence des paramètres d’usinage sur la qualité de surface des pièces usinées, et pour cela on a développé un modèle mathématique par « machine learning », ce dernier est un modèle de régression polynomiale construit sous forme d’un algorithme codé par le langage « Python » pour le but de la prédiction et l’optimisation. Les données de cette étude sont inspirée d’une expérience précédente réalisé dans « la faculté des hydrocarbures et chimie – Université de M’hamed Bougara Boumerdès » de part de Mr « Harhout Riad », Les essais sont réalisés sur l'acier AISI 1050, en utilisant des outils de coupe en carbure métallique. L’analyse des résultats a montré que la vitesse de coupe et l’avancement ont l'effet le plus significatif sur la rugosité de surface. Le choix optimal de ces paramètres résulte un meilleur état de surface selon les besoins.
Utilisation des réseaux de neurone pour la prédiction et l’optimisation de l’intégrité de surface des pièces mécaniques soumises à la fatigue
(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2021) Boudjenouia, Mohamed; Guetout, Mohamed Ikbal; Harhout, Riad (Promoteur)
Cette étude expérimentale porte sur l'effet des paramètres de coupe en tournage sur l‟état de surface des pièces usinées. Les essais sont réalisés sur l'acier XC48, en utilisant des outils de coupe en carbure métallique. L'objectif est de modéliser et optimiser l'intégrité de surfaces en fonction des paramètres de coupe ainsi que l'analyse de la rugosité de surface Ra. On a utilisé pour cela l'outil d'intelligence artificielle, le Machine-learning et le Deep-learning « le réseau de neurone » dont le but de la prédiction, l'estimation et l'optimisation de l'état de surface après usinage « l'intégrité de surface ». On a utilisé des algorithmes de Polynomial features et SUPPORT VECTOR MACHINE…etc. ainsi que le réseau de neurone feed-forward et le réseau de neurone récurrent équipée par les cellules LSTM. Le traitement des données et basée sur une data obtenu après usinage des éprouvettes dans des ateliers mécanique, qui nous donnent la moyenne arithmétique de la rugosité de surface Ra, selon les paramètres de coupes choisis. Les résultats obtenus montrent que le réseau de neurone récurrent équipée par les cellules LSTM donne le meilleur résultat avec une valeur de corrélation R2 =0.9487 et l‟erreur moyen quadratique RMSE=0.066517 ensuite le réseau de neurone statique avec un R2= 0.9414, RMSE=0.066527 et à la fin le Machine learning avec un R2=0.865, RMSE=0.37.