Mécanique des chantiers pétroliers
Permanent URI for this collectionhttps://dspace.univ-boumerdes.dz/handle/123456789/4058
Browse
3 results
Search Results
Item Jumeau numérique prédictif : une nouvelle perspective sur les gaz de refoulement des compresseurs centrifuges(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2025) Tahar, Mohamed; Sehab, Mohamed; Sabri, Khier (Promoteur)Ce Mémoire est dédié au développement d'un jumeau numérique intelligent pour la prédiction et l'optimisation précise de la température et de la pression de refoulement d'un compresseur centrifuge critique au Centre de Traitement de Hassi Bahamou. Face aux défis d'efficacité et de fiabilité dans l'industrie pétrolière et gazière, nous avons mis en oeuvre des modèles d'apprentissage supervisé, en comparant la performance de la régression linéaire à celle de l'algorithme XGBoost. Les résultats obtenus mettent en évidence la supériorité de l'approche IA pour améliorer la performance, réduire les coûts d'exploitation et optimiser la production dans un contexte industriel exigeant. Cette étude ouvre de nouvelles perspectives pour l'usine du futur, caractérisée par une connectivité accrue et une efficacité optimisée.Item 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.Item Application de l'intelligence artificielle au contrôle de la qualité des surfaces métalliques(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Boulaghleme, Abdenour; Rezaimia, Oussama; Sabri, Khier (Promoteur)Dans l'industrie de fabrication, la qualité de la surface des pièces à produire est d'une grande importance et il est essentiel de la contrôler au cours des processus de production. Malgré les défis posés par l'inspection visuelle, notamment avec l'augmentation de la vitesse de production, il est difficile d'identifier les défauts dans les produits même après leur fabrication, ce qui entraîne une réduction de la qualité et une augmentation des dépenses. Le travail que nous avons réalisé dans ce mémoire consiste à appliquer des algorithmes d'intelligence artificielle (IA) pour identifier et repérer automatiquement les défauts de surface des tôles et pour optimiser les résultats de la classification. Pour ce faire, ces algorithmes sont entraînés sur une base de données d'images des différents défauts qui peuvent apparaître sur la tôle. Nous contribuons ainsi à fournir un véritable outil de contrôle de qualité des tôles, d'optimisation de la maintenance et du contrôle des procédés.