Communication Dans Un Congrès Année : 2022

Analyse de facteurs de fiabilité d'actifs industriels de transport de gaz par apprentissage automatique supervisé

Amel Belounnas
  • Fonction : Auteur
Florent Brissaud
  • Fonction : Auteur
  • PersonId : 1120573
Jardon Gregory
  • Fonction : Auteur

Résumé

Ce travail vise à explorer deux algorithmes d'apprentissage automatique supervisé (XGBoost et Scikit-survival) avec la régression de survie de Cox pour modéliser la fiabilité d'actifs industriels. Ils sont tous les deux efficaces pour analyser les facteurs de fiabilité des actifs industriels de transport de gaz, mais n'ont pas la même performance.

Fichier principal
Vignette du fichier
1A - Analyse de facteurs de fiabilité d’actifs industriels de transport de gaz par apprentissage automatique supervisé.pdf (1.07 Mo) Télécharger le fichier
Origine Fichiers éditeurs autorisés sur une archive ouverte
Licence

Dates et versions

hal-03844053 , version 1 (08-11-2022)

Licence

Identifiants

  • HAL Id : hal-03844053 , version 1

Citer

Amel Belounnas, Florent Brissaud, Jardon Gregory. Analyse de facteurs de fiabilité d'actifs industriels de transport de gaz par apprentissage automatique supervisé. Congrès Lambda Mu 23 « Innovations et maîtrise des risques pour un avenir durable » - 23e Congrès de Maîtrise des Risques et de Sûreté de Fonctionnement, Institut pour la Maîtrise des Risques, Oct 2022, Paris Saclay, France. ⟨hal-03844053⟩

Collections

137 Consultations
148 Téléchargements

Partager

  • More