Faculté des Hydrocarbures et de la Chimie

Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/2340

Browse

Author: search.filters.author.Khebli, Abdelmalek (Promoteur)Subject: search.filters.subject.Apprentissage automatique

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    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.
  • No Thumbnail Available
    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).