Composition du jury

• Walid Larbi – Professeur des universités, LMSSC - CNAM (Rapporteur)
• Elke Deckers – Assistante Professeur, FET - KU Leuven (Rapporteur)
• Fabrice Meriaudeau – Professeur des universités, Université de Bourgogne (Examinateur)
• Fabien Neveu – Directeur du Numérique, Heverett Group (Examinateur)
• Mohsen Ardabilian – Maître de conférences, École Centrale Lyon - LIRIS (Co-encadrant)
• Olivier Bareille – Professeur des universités, INSA Rouen Normandie - LMN (Directeur de thèse)

Outil d’aide à la décision en maintenance prévisionnelle et contrôle non destructif sur des phénomènes d’encrassement et de bouchage d’installations industrielles en milieu contraint

RESUME

Les pipelines sont essentiels pour le transport de ressources telles que l’eau, le pétrole et le gaz, tout en soutenant les activités industrielles en permettant la fourniture d’énergie pour les processus de production, la création de produits et le chauffage. De plus, ils jouent un rôle crucial dans le transport sécurisé de matériaux dangereux, contribuant ainsi à la stabilité des  infrastructures critiques et à la fonctionnalité de divers secteurs. Cependant, ils sont sujets à divers problèmes, notamment l’encrassement, les fissures, les fuites, la corrosion, les déformations structurelles et la fatigue des matériaux, pouvant entrainer des perturbations opérationnelles significatives. Sur le site d’Orano/La Hague, une installation exploitée par une multinationale française spécialisée dans l’énergie nucléaire et le recyclage des combustibles nucléaires, ces défis sont exacerbés par des conditions environnementales difficiles et un accès limité, compliquant ainsi le suivi et la maintenance efficaces. L’encrassement fréquent des pipelines sur ce site entraîne plus de 3 400 heures de maintenance annuelles, perturbant les opérations industrielles essentielles, retardant les processus critiques et augmentant le risque de dommages aux équipements. Ces inefficacités conduisent à une consommation énergétique accrue et à des coûts opérationnels élevés, affectant finalement la productivité et la durabilité à long terme de l’installation. Pour optimiser l’efficacité de l’usine et minimiser le gaspillage des ressources, il est crucial de détecter et de caractériser rapidement et précisément les obstructions des pipelines, permettant ainsi une intervention en temps opportun. Dans ce contexte, le développement de solutions non destructives et non curatives, avec des capacités de maintenance prédictive et préventive, est essentiel pour garantir une fiabilité opérationnelle à long terme. Dans ce contexte, cette thèse propose une approche globale de la surveillance de l’état des pipelines en intégrant des méthodes vibro-acoustiques avec des techniques avancées d’apprentissage automatique. L’étude vise à améliorer la détection précoce et la prédiction des défauts dans les pipelines grâce au développement de modèles par éléments finis, d’expériences contrôlées, et de cadres pronostiques innovants. Ces solutions sont spécialement conçues pour des environnements industriels tels que le site d’Orano/La Hague, où la robustesse et la précision des systèmes de surveillance sont essentielles. Dans un premier temps, une approche numérique est développée pour simuler la propagation des ondes acoustiques et le comportement vibratoire dans des pipelines remplis d’air, soumis `a diverses conditions d’obstruction. Ces simulations utilisent des éléments 3D pour représenter l’air comme un milieu acoustique et la structure du pipeline comme un milieu de contrainte/déplacement. Cette approche de modélisation permet d’analyser l’évolution des paramètres vibroacoustiques lors de leur propagation à travers des pipelines soumis à divers scénarios d’obstruction, fournissant des informations cruciales sur les effets des blocages sur le comportement des signaux. En outre, la thèse propose une gamme de stratégies de pronostic et de surveillance de l’état des pipelines basées sur l’apprentissage automatique et le deep learning, permettant une évaluation efficace des conditions des pipelines. Pour valider ces méthodologies, des expériences contrôlées, utilisant à la fois des techniques actives et passives, ont été menées sur des bancs d’essai tels que ceux d’Orano et en laboratoire, conçus pour simuler des scénarios réels d’obstruction. Ces expériences ont fourni des jeux de données précieux qui ont été essentiels au développement et à la validation de modèles avancés d’apprentissage automatique, garantissant une détection précise et fiable des défauts. L’une de ces approches implique le développement d’une méthode hybride de pronostic qui combine des méthodologies centrées sur les modèles et centrées sur les données, tirant parti de leurs forces respectives pour améliorer la précision et la fiabilité de la détection et de la prédiction des obstructions dans les systèmes de pipelines. Cette approche met l’accent sur le maintien de l’intégrité des données et implique une sélection rigoureuse des modèles avec des hyperparamètres optimisés, ce qui conduit `a une meilleure précision diagnostique dans diverses  conditions de fonctionnement. Une autre approche exploite les émissions acoustiques générées par les bulles pour détecter les défauts dans les pipelines. Cette technique consiste `a analyser les signatures acoustiques distinctives produites lorsque des bulles se détachent d’une extrémité immergée et partiellement obstruée d’un tuyau métallique, tandis que l’autre extrémité est connectée à une source d’air. En identifiant ces motifs, la méthode proposée permet de détecter avec précision la présence d’obstructions et de déterminer leurs caractéristiques. Cette technique non invasive permet une détection précoce des problèmes potentiels, améliorant ainsi de manière significative la précision et l’efficacité des systèmes de surveillance et de pronostic de l’état des pipelines. Une contribution majeure de cette recherche est le développement d’un cadre d’apprentissage multitâche asymétrique, intégrant des transformers de vision, des réseaux de mémoire à long terme (LSTM) et des réseaux de neuronesconvolutifs (CNN). Ce modèle est conçu pour fonctionner de manière indépendante sur différents types de signaux, tels que les signaux acoustiques et les signaux d’accélération, offrant ainsi une flexibilité lorsque l’une des sources de signaux est indisponible ou compromise. Le cadre prend en charge l’apprentissage multitâche, permettant des évaluations simultanées de la sévérité des obstructions, de la forme des obstructions et des débits d’air. Ce modèle a été rigoureusement validé sur des données réalistes, bruitées et perturbées, simulant les conditions complexes souvent rencontrées dans les pipelines industriels, démontrant ainsi sa robustesse et son adaptabilité. En outre, la thèse explore l’intégration du chiffrement homomorphique total (FHE) pour garantir un traitement sécurisé des données au sein du cadre de surveillance de l’état des pipelines. Le FHE permet d’effectuer des calculs sur des données chiffrées, assurant ainsi que des informations sensibles, telles que les signaux acoustiques et vibratoires, puissent être analysées sans être exposées. Cette approche respectueuse de la confidentialité est cruciale pour maintenir la confidentialité des données, en particulier dans les environnements industriels où la sécurité est une priorité. Les résultats de cette thèse apportent une contribution significative au domaine de la surveillance de l’état des pipelines en offrant une solution évolutive, sécurisée et fiable pour la détection précoce des défauts. L’intégration de l’analyse vibroacoustique, des modèles avancés d’apprentissage automatique et des techniques de traitement sécurisé des données ouvre de nouvelles perspectives pour le déploiement de systèmes de surveillance efficaces dans diverses applications industrielles. Les méthodologies développées ici améliorent non seulement la précision et l’efficacité de la maintenance prédictive, mais elles posent également les bases de futures recherches visant à renforcer la résilience et la durabilité des opérations des pipelines. MOTS CLES : Surveillance et pronostics de santé, Approche hybride, Axé sur les données, Axé sur les modèles, Maintenance prédictive, Obstruction des tuyaux, Vibroacoustique, Chiffrement homomorphe complet, Modélisation par éléments finis, Apprentissage automatique, Apprentissage profond, Apprentissage multi-tâches.

Decision-support tool for predictive maintenance and non-destructive testing of clogging and fouling phenomena in industrial installations in constrained environments

ABSTRACT

Pipelines are essential for transporting resources like water, oil, and gas, while also supporting industrial manufacturing by enabling energy delivery for production processes, product creation, and heating. Additionally, pipelines play a crucial role in safely transporting hazardous materials, contributing to the stability of critical infrastructure and the functionality of diverse sectors. However, they are prone to various issues, including clogging, cracks, leaks, corrosion, structural deformation, and material fatigue, which can lead to significant operational disruptions. At the Orano/La Hague site, a facility operated by a French multinational company specializing in nuclear energy and nuclear fuel recycling, these challenges are exacerbated by harsh environmental conditions and limited accessibility, complicating effective monitoring and maintenance. Frequent pipeline clogging at the site results in over 3,400 hours of maintenance work annually, disrupting critical industrial operations, delaying essential processes, and increasing the risk of equipment damage. These inefficiencies lead to higher energy consumption and elevated operational costs, ultimately affecting the facility’s productivity and long-term sustainability. To optimize plant efficiency and minimize resource waste, it is crucial to rapidly and accurately detect and characterize pipeline clogs, enabling timely intervention. In this context, the development of non-destructive, non-curative solutions with predictive and preventive maintenance capabilities is essential for ensuring long-term operational reliability. In this context, this thesis introduces a comprehensive approach to pipeline health monitoring by integrating vibroacoustic methods with advanced machine learning techniques. The study aims to improve the early detection and prediction of pipeline faults through the development of finite element models, controlled experiments, and innovative prognostic frameworks. These solutions are tailored for industrial environments such as the Orano/La Hague site, where robustness and precision in monitoring systems are essential. At first, a numerical approach tends to simulate the propagation of acoustic waves and vibration behavior in air-filled pipelines under various clogging conditions. These simulations utilize 3D elements to represent the air as an acoustic medium and the pipeline structure as a stress/displacement medium. This modeling approach enables an analysis of how vibroacoustic parameters evolve as they travel through pipelines with different clogging scenarios, providing critical insights into the effects of blockages on signal behavior. Furthermore, the thesis proposes a range of prognostic and health monitoring strategies based on machine learning and deep learning, enabling effective assessment of pipeline conditions. To validate these methodologies, controlled experiments, incorporating both active and passive techniques, were conducted on test benches such as the Orano and laboratory setups, designed to simulate real-world clogging scenarios. These experiments provided valuable datasets that were material in the development and validation of advanced machine learning models, ensuring accurate and reliable fault detection. One such approach involves the development of a hybrid prognostics approach that combines model-centric and data-centric methodologies, combining their respective strengths to enhance the accuracy and reliability of clog detection and prediction in pipeline systems. This approach emphasizes the maintenance of data integrity and involves the careful selection of models with optimized hyperparameters, resulting in improved diagnostic precision across various operating conditions. Another approach leverages the acoustic emissions generated by bubbles to detect faults in pipelines. This technique involves analyzing the distinctive acoustic signatures produced as bubbles detach from a submerged, partially obstructed end of a metallic pipe, with the opposite end connected to an air source. By identifying these patterns, the proposed can accurately detect the presence of clogging and determine its characteristics. This non-invasive technique enables early detection of potential issues, significantly enhancing the accuracy and effectiveness of pipeline health monitoring and prognostic systems. A significant contribution of this research is the development of an asymmetric multi-task learning framework, incorporating vision transformers, long short-term memory networks, and convolutional neural networks. This model is designed to operate independently on different signal types, such as acoustic and acceleration signals, providing flexibility when one signal source is unavailable or compromised. The framework supports multitask learning, enabling simultaneous assessments of clogging severity, clogging shape, and airflow rates. This model was rigorously validated on realistic, noisy, and disturbed data, simulating the complex conditions often encountered in industrial pipelines, thus demonstrating its robustness and adaptability. Furthermore, the thesis explores the integration of fully homomorphic encryption to ensure secure data processing within the pipeline health monitoring framework. FHE allows computations to be performed on encrypted data, ensuring that sensitive information, such as acoustic and vibration signals, can be analyzed without exposure. This privacy-preserving approach is crucial for maintaining data confidentiality, especially in industrial environments where security is a priority. The findings of this thesis contribute significantly to the field of pipeline health monitoring by offering a scalable, secure, and reliable solution for early fault detection. The integration of vibroacoustic analysis, advanced machine learning models, and secure data processing techniques opens new avenues for the deployment of effective monitoring systems in diverse industrial applications. The methodologies developed here not only improve the accuracy and efficiency of predictive maintenance but also set a foundation for future research in enhancing the resilience and sustainability of pipeline operations. KEYWORDS: Prognostic and health monitoring, Hybrid approach, Data-centric, Model-centric, Predictive maintenance, Pipe clogging, Vibroacoustic, Fully homomorphic encryption, Finite element modeling, Machine & Deep learning, Multi-task learning.