Commande automatique
Permanent URI for this collectionhttps://dspace.univ-boumerdes.dz/handle/123456789/4094
Browse
5 results
Search Results
Item Control of liquid level in coupled tanks «CT-100» using reinforcement learning(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2025) Belouanas, Mohamed Hani; Beddek, Karim (Promoteur)This Document proposes an application where Reinforcement Learning (RL) could be applied to maintain the liquid on a desired level in a system with a known non-linear dynamics. In Artificial Intelligence (AI), Reinforcement Learning (RL) is one of the most important technics of Machine Learning (ML), an initial introduction to these fundamental technics is given in Chapter 1, which serves as an introduction before exploring deeper reinforcement learning techniques. In Chapter 2, an exploration of (RL) methods including Model-Based (MB) and Model-Free (MF) learning is introduced, then digging into two important algorithms; Policy Iteration (PI) and Q learning. Since this document contains a simulation, it is essential to develop a comprehensive coupled tanks system model using physical and mathematical laws such us the principle of mass conservation. This model will outline the key components and dynamics of the system, providing a foundation for accurate simulations. Chapter 3 details the construction and parameters of the system model. Finally, Chapter 4 introduces the application of reinforcement learning (RL) algorithms to control the liquid level in our coupled tank system. It includes a description of the MATLAB implementation results, followed by an overview of the results.Item Automated detection and classification of defects in the outer surface of transportation pipelines(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Hadidi, Anfel; Khebli, Abdelmalek (Promoteur)This Dissertation explores the critical importance of defect detection in pipelines and advocates for the integration of artificial intelligence (AI) to enhance inspection capabilities. Traditional methods of pipeline inspection are prone to human error and lack scalability. By employing machine learning models, this study proposes a novel approach to pipeline inspection. The integration of AI offers numerous advantages, including increased efficiency, accuracy, and scalability in defect detection. Through rigorous experimentation and evaluation, this research demonstrates the effectiveness of AI-driven approaches in enhancing pipeline integrity management. Furthermore, the study emphasizes the sensitivity of AI-based defect detection systems and underscores the significance of feature engineering using deep learning techniques. By extracting rich features from pipeline images, the VGG architecture combined with machine learning models facilitates more robust and discriminative representations, enhancing the model's ability to detect subtle defects with high precision and recall. This dissertation contributes to the advancement of pipeline inspection practices, highlighting the potential of integrating advanced technologies to ensure safer, more reliable, and cost-effective maintenance strategies in the industrial sector.Item Deep Q-Learning and Double Deep Q-Learning for optimizing transitions within deterministic environments(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Gherbia, Oussama; Kohil, Yasser; Lachekhab (Kahoul), Fadhila (Promoteur)The Development of intelligent decision-making algorithms has become important for technological growth in the era of artificial intelligence (AI), machine learning, and deep learning. These sectors have not only transformed whole businesses, but they have also completely changed the way we use technology every day. Reinforcement learning, a subfield of machine learning that focuses on teaching agents to make logical choices in dynamic environments. This document offers a deep review of reinforcement learning, with special attention paid to three essential algorithms: Q-learning , deep Q-learning, and double deep Q-learning. Each of these algorithms offers ever more advanced methods for handling challenging issues in a variety of fields, matting an important turning point in the pursuit of intelligent decision-making.Item Surveillance d’un turbocompresseur Propane industriel basée sur le Deep Learning(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2024) Bennabi, Merina; Mammasse, Melissa; Habbi, Hacene (Promoteur)Les Processus industriels sont sujets à de multiples défaillances, ce qui rend la détection et le diagnostic de défauts un domaine de recherche d’une importance majeure. De nombreuses méthodes ont été développées à cet effet dans le contexte de l'apprentissage de la machine (Machine Learning ou ML), et plus précisément le Deep Learning qui est une branche du ML ayant suscité un intérêt particulier ces dernières années. Dans cette thèse, nous nous sommes intéressés au problème particulier de la surveillance du turbocompresseur propane de la boucle de réfrigération au propane entrant dans le cycle de liquéfaction du gaz naturel dans le Complexe GL2Z de la zone industrielle d’Arzew. Notre approche de surveillance est typiquement orientée vers la conception d’un système de classification de défauts basée sur les réseaux de neurones à convolution (CNN), dont le développement engage l’emploi d’une quantité importante de mesures prélevée sur le système réel dans différentes périodes de fonctionnement par les opérateurs sur site. Cette base de données regroupe des situations de fonctionnement normal et défaillant présentant des caractéristiques très variées et complexes. Les modèles de diagnostic développés ont été validés sur les données expérimentales du processus à surveiller, montrant des performances supérieures en termes de training, testing et prédiction des défauts. Nos résultats constituent une preuve de faisabilité de l’approche de surveillance par Deep Learning en milieu industriel, offrant par conséquent des solutions de monitoring très prometteuses en matière d’exploitation de l’historique des mesures à des fins de surveillance industrielle.Item Application des algorithmes d'apprentissage automatique pour la détection des défauts de roulement sur les machines tournantes dans le cadre de l'industrie "4.0"(Université M’Hamed Bougara Boumerdès : Faculté des Hydrocarbures et de la Chimie, 2021) Kacimi, Yasmine; Talbi, Nihad; Khebli, Abdelmalek (Promoteur)Notre objectif principal est de réaliser un système permettant d’assurer l’analyser des signaux vibratoires d’une machine tournante dans le domaine temps/fréquence. Il sera ensuite aisé de le comparer avec un système d’apprentissage automatique capable de détecter et clas-ser les défauts grâce à des algorithmes d’intelligence artificielle. Durant cette étude, nous avons implémenté dans un premier temps des algorithmes qui nous ont permis d’extraire des caractéristiques des signaux d’une machine tournante. Ensuite, nous avons mis en place un système de surveillance de l’état de cette machine en fixant un seuil pour le bon fonctionnement et un autre pour déclencher une alarme quand ce dernier est atteint. Dans un second temps, nous avons utilisé des algorithmes d’apprentissage automatique (ou machine learning) pour classer les différents niveaux de défaillance. Après extraction des caractéristiques des signaux dans le domaine temporel et fréquentiel nous avons visualisé le défaillance de notre système par la méthode PCA (en anglais principal component analysis) puis nous avons obtenu une fiabilité de 97.5% avec la classification par l’algorithme de Foret Aléatoire(en anglais Random Forest).