Mécanique des chantiers pétroliers
Permanent URI for this collectionhttps://dspace.univ-boumerdes.dz/handle/123456789/4058
Browse
7 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 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.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.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.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.Item Contrôle de l’état d’un équipement par l’intelligence artificielle : application à la butée d’un top drive(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2021) Kheloufi, Kheridine; Ghachi, Sami Riadh; Halimi, Djamel (Promoteur)Le forage est un processus très compliqué et onéreux, qui nécessite des équipements très performants pouvant travailler dans des conditions extrêmes, qui provoquer la détérioration et l’usure rapide. La maintenance préventive et corrective assure la surveillance de ces équipements pour limiter les arrêtes et donc augmenter la productivité et la fiabilité. Mais à cause du non-respect des instructions de la maintenance ou des mauvaises manipulations, la défaillance survienne, tandis que le coût d’arrête est très élevé. Alors, il faut créer une nouvelle stratégie de maintenance, pour un diagnostic bien précis. Ce mémoire explore l’utilisation d’intelligence artificiel dans la maintenance prédictive, au sein des chantiers pétroliers, ce dernier utilise des données des capteurs pour l’autodiagnostic de l’état des équipements critiques, Afin d’éliminer les erreurs humaines, et donc réduire le coût d’arrête.