Cas clients
05.

Machine Learning pour la Maintenance d’un réseau d’Energie

Améliorer la performance des inspections de GRT Gaz sur son réseau
Croisement par indexation spatiale des données de terrain
Algorithmes de Machine Learning basés sur des forêts aléatoires
Expertise
  • Data Management
  • Indexation spatiale
  • Machine learning
La mission

Le projet « Minority Report » vise l’amélioration de la performance des inspections que GRTGaz réalise sur les 32 000 km de son réseau.

Après une analyse métier fine réalisée avec les équipes de la Direction Technique de GRTGaz, DataStorm a récupéré 6 années d’historiques d’excavations.

A cet historique déjà riche, ont été ajoutées les caractéristiques physiques des conduites, comme leurs dimensions ou les matériaux qui les composent. L’ensemble des données issues des nombreux capteurs positionnés par GRTGAZ sur son réseau a été également pris en compte.

Mais la diversité des causes potentielles d’atteinte au métal, qu’il s’agisse de corrosion ou de déformation, a poussé l’équipe à enrichir ces éléments avec d’autres sources de données externes, comme les influences électriques des réseaux haute tension ou les caténaires des voies ferrées, l’environnement de surface (la couverture des sols, les routes, les habitations…) et les caractéristiques du sous-sol (géologie, nappes phréatiques…).

La solution

Le croisement par indexation spatiale de toutes ces données a généré une base très complète que nous avons soumise à différents algorithmes de Machine Learning, basés notamment sur des forêts aléatoires.

Le résultat

Ils ont permis de construire un indicateur de risque d’atteinte qui s’est avéré beaucoup plus sélectif que le regard d’experts sur les seules données internes.

L’application de ces algorithmes a ainsi permis de mieux sélectionner les portions de réseau à risque et le taux de découverte d’atteinte au métal a été multiplié par 2.

En savoir plus sur la collaboration GRTGaz-DataStorm (3 min) :