Mécanique des chantiers pétroliers

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

Browse

Author: search.filters.author.Harhout, Riad (Promoteur)Subject: search.filters.subject.Intelligence artificielle

Search Results

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Performance optimization and prediction of "ESP" Pump using artificial intelligence
    (Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2025) Sadli, Hadjer; Harhout, Riad (Promoteur)
    Predictive maintenance aims to anticipate potential equipment failures before they occur, allowing for the implementation of well-planned preventive measures that reduce unplanned downtime and high maintenance costs. Among the most effective and widely used methods in this field is the analysis of vibration data, which enables early detection of mechanical anomalies in industrial systems.In this context, the present study focuses on the application of artificial intelligence techniques, particularly the Random Forest and Artificial Neural Networks (ANNs) algorithms, to develop an intelligent model for monitoring and diagnosing faults in an Electric Submersible Pump (ESP) system. The integration of machine learning algorithms into vibration signal analysis has proven effective in enhancing diagnostic accuracy compared to traditional methods based on time-domain and frequency domain analysis. The models were trained on real operational data to recognize abnormal vibration patterns and to identify the main factors contributing to system shutdowns. The primary objective of this work is to improve fault prediction accuracy and to provide early alerts that enable the implementation of efficient predictive maintenance strategies. A comparative analysis between the two models was conducted to evaluate their performance and determine the most accurate and reliable approach for real-time fault classification.
  • No Thumbnail Available
    Item
    Prédiction et classification des défauts des aubes d’une turbine à gaz en se basant sur l’intelligence artificielle : apprentissage profond
    (Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Nezar, Mohamed Dhia Eddine; Harhout, Riad (Promoteur)
    L'objectif de cette étude est de construire un modèle d'apprentissage profond à l'aide de données expérimental pour prédire les défauts réels des aubes de turbine à gaz. Nous avons créé un ensemble de données d'images synthétiques en utilisant Blender, un logiciel 3D, pour simuler différents types de défauts rencontrés dans des scénarios réels, et pour cela nous avons mis en œuvre un modèle d'apprentissage profond basé sur l'architecture VGG16 pour classifier les défauts. La méthode proposée a aussi le potentiel d'être mise en œuvre dans l'Inspection par Boroscope c.à.d. s’intégration dans l’instrument Boroscope, ce qui peut améliorer l’interprétation, la précision et l'efficacité de l'inspection des aubes de turbine à gaz. Nos résultats montrent que le modèle d'apprentissage profond formé sur des données synthétiques peut prédire avec précision les défauts avec des images réelles dans les aubes de la turbine, atteignant une haute précision de classification. Cette approche présente plusieurs avantages par rapport aux méthodes traditionnelles, notamment une réduction des coûts et du temps, une précision accrue, et la capacité à détecter des défauts qui peuvent ne pas être visibles à l'œil nu.
  • No Thumbnail Available
    Item
    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.