{"title":"Méthodes automatisées de préparation des données pour la gestion patrimoniale des réseaux d’eau potable","authors":"N. Rodriguez, A. Husson, Y. LE GAT, Eddy Renaud","doi":"10.36904/tsm/202210071","DOIUrl":null,"url":null,"abstract":"La gestion patrimoniale des infrastructures en eau (GPI) et la compréhension des phénomènes de fuite et de casse des conduites demandent une grande quantité de données stockées dans un format interopérable. C’est particulièrement vrai lorsqu’il s’agit de planifier le renouvellement des conduites grâce aux modèles de prédiction de leurs défaillances tels que ceux implémentés dans le logiciel Casses. Différents systèmes d’information (SI) performants existent pourtant pour stocker ces données chez les gestionnaires de réseaux. Néanmoins, peu de méthodologies ont été pensées pour intégrer des données historiques et non géolocalisées concernant les conduites et leurs défaillances dans ces SI. Dans ce travail, nous présentons un ensemble de méthodes automatisées (scripts en langage R) s’adressant à cette problématique et développées grâce aux données de la Société wallonne des eaux (SWDE) sur le secteur de Mons, dans l’optique d’alimenter le logiciel Casses. Ces algorithmes règlent essentiellement le problème de trouver la conduite du système d’information géographique défaillante, ne connaissant que l’immeuble le plus proche de cette dernière ou seulement la rue où s’est déroulée sa réparation. Pour cela, il a été nécessaire de définir rigoureusement la notion d’appartenance à une rue pour une conduite, ainsi que la manière de sélectionner le tronçon le plus vraisemblablement défaillant parmi les candidats compatibles avec la localisation renseignée, voire avec les caractéristiques connues de la réparation (diamètre, matériau). Ces méthodes, dont les limites sont également discutées, pourraient être utiles pour d’autres gestionnaires de réseaux d’eau potable qui disposent de données historiques encore non exploitées pour la construction des stratégies de GPI ou qui souhaitent faire évoluer leur SI. Enfin, les masses de données pouvant être rendues opérationnelles pour les modèles de défaillance de façon automatique représentent un gain important dans l’optique d’amélioration de la connaissance des processus de fuite et de casse des canalisations.","PeriodicalId":52449,"journal":{"name":"Techniques - Sciences - Methodes","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2022-10-20","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Techniques - Sciences - Methodes","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.36904/tsm/202210071","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"Q4","JCRName":"Engineering","Score":null,"Total":0}
引用次数: 0
Abstract
La gestion patrimoniale des infrastructures en eau (GPI) et la compréhension des phénomènes de fuite et de casse des conduites demandent une grande quantité de données stockées dans un format interopérable. C’est particulièrement vrai lorsqu’il s’agit de planifier le renouvellement des conduites grâce aux modèles de prédiction de leurs défaillances tels que ceux implémentés dans le logiciel Casses. Différents systèmes d’information (SI) performants existent pourtant pour stocker ces données chez les gestionnaires de réseaux. Néanmoins, peu de méthodologies ont été pensées pour intégrer des données historiques et non géolocalisées concernant les conduites et leurs défaillances dans ces SI. Dans ce travail, nous présentons un ensemble de méthodes automatisées (scripts en langage R) s’adressant à cette problématique et développées grâce aux données de la Société wallonne des eaux (SWDE) sur le secteur de Mons, dans l’optique d’alimenter le logiciel Casses. Ces algorithmes règlent essentiellement le problème de trouver la conduite du système d’information géographique défaillante, ne connaissant que l’immeuble le plus proche de cette dernière ou seulement la rue où s’est déroulée sa réparation. Pour cela, il a été nécessaire de définir rigoureusement la notion d’appartenance à une rue pour une conduite, ainsi que la manière de sélectionner le tronçon le plus vraisemblablement défaillant parmi les candidats compatibles avec la localisation renseignée, voire avec les caractéristiques connues de la réparation (diamètre, matériau). Ces méthodes, dont les limites sont également discutées, pourraient être utiles pour d’autres gestionnaires de réseaux d’eau potable qui disposent de données historiques encore non exploitées pour la construction des stratégies de GPI ou qui souhaitent faire évoluer leur SI. Enfin, les masses de données pouvant être rendues opérationnelles pour les modèles de défaillance de façon automatique représentent un gain important dans l’optique d’amélioration de la connaissance des processus de fuite et de casse des canalisations.
水基础设施资产管理(GPI)和理解管道泄漏和破裂现象需要以可互操作的格式存储大量数据。在规划管道更新时尤其如此,这要归功于故障预测模型,如Casses软件中实现的模型。然而,不同的高性能信息系统(is)存在于网络管理器中存储这些数据。然而,很少有方法考虑将历史和非地理位置的管道及其故障数据整合到这些is中。在这项工作中,我们提出了一套解决这个问题的自动化方法(R语言脚本),并利用societe wallonne des eaux (SWDE)在蒙斯部门的数据开发,以提供Casses软件。这些算法基本上解决了定位故障地理信息系统路径的问题,只知道最近的建筑或只知道维修发生的街道。为此,有人需要严格界定概念的属性以及街道为驾驶路段,以及应该如何选择最可能查明违约行为符合定位的人选当中,甚至与修复的已知特征(直径)、物料。本文还讨论了这些方法的局限性,这些方法可能对其他拥有历史数据的饮用水系统运营商有用,这些数据尚未用于建立ipm策略,或希望改变其is。最后,大量的数据可以自动用于故障模型,这是提高管道泄漏和破裂过程知识的一个重要收获。