Contexte
L’infrastructure énergétique est essentielle pour maximiser les performances de production, toute fissure ou défaut peut au mieux réduire les performances ou conduire au pire à un danger important.
Besoin
Le client utilise des méthodes d’essais non destructifs (END) basées sur les courants de Foucault pour surveiller les surfaces des pipelines. L’analyse des mesures pour classer les sections de canalisations saines et non saines prend énormément de temps aux experts qui pourraient être mieux utilisés pour se concentrer sur l’analyse des défauts/fissures réelles.
Solution
DiagFit a été utilisé pour apprendre des mesures CND sur une partie saine de l’infrastructure (apprentissage non supervisé) pour construire un modèle prédictif, puis a pu exécuter le modèle pour classer des milliers d’autres mesures comme saines/défectueuses
Résultats
Un taux de vrais positifs de 100 % a été obtenu sur les données historiques avec seulement 17 % de taux de faux positifs. Le modèle prédictif s’est avéré encore plus utile pour corriger les étiquettes initiales des experts qui ont finalement été d’accord avec le diagnostic du modèle DiagFit après réanalyse de certaines évaluations conflictuelles.
