Stage master 2 recherche

Analyse des modes de défaillance des réseaux d’eau potable `a l’aide des méthodes d’apprentissage sur graphes

Les réseaux de distribution d’eau potable constituent des infrastructures critiques dont la fiabilité est essentielle pour assurer la continuité du service et la sécurité sanitaire. Les conduites de ces réseaux peuvent être affectés par différents modes de défaillance, tels que les ruptures circulaires, longitudinale, problèmes liés aux joints ou encore la corrosion. Ces défaillances résultent généralement d’une combinaison de facteurs liés aux caractéristiques des conduites (matériau, diamètre, âge), aux conditions environnementales ainsi qu’aux propriétés structurelles du réseau.


Dans la littérature, l’analyse des d´défaillances des réseaux d’eau potable repose majoritairement sur des approches statistiques ou d’apprentissage automatique modélisant les réseaux via les conduites de manière indépendante sous forme tabulaire [2, 3]. De fait, ces approches prennent rarement en compte la dimension structurelle et spatiale du réseau. Or, un réseau d’eau potable peut naturellement être représenté sous la forme d’un graphe dans lequel les conduites correspondent aux arrêtes et les jonctions aux nœuds. Cette représentation permet d’exploiter des m´méthodes issues de l’apprentissage sur graphes afin de modéliser simultanément les caractéristiques des conduites et la structure topologique du réseau [1, 4].


L’objectif de ce stage est d’explorer l’apport des m´méthodes d’apprentissage sur graphes pour l’analyse des modes de d´défaillance dans les réseaux de distribution d’eau potable. Il s’agira en particulier d’´étudier dans quelle mesure les propriétés topologiques et spatiales du réseau peuvent contribuer `a expliquer la distribution et la nature des d´défaillances observées.

Le travail se déroulera en plusieurs étapes. Dans un premier temps, une revue de la littérature sera réalisée afin d’identifier les approches existantes utilisant les graphes et l’apprentissage sur graphes pour l’analyse des infrastructures de réseaux. Dans un second temps, une analyse exploratoire des données de d´défaillances sera conduite afin de caractériser les relations entre les propriétés des conduites et les modes de d´défaillance observées. Enfin, le réseau sera modélisé sous forme de graphe enrichi, intégrant `a la fois les attributs des conduites et des informations spatiales ou structurelles. Cette représentation permettra d’explorer différentes m´méthodes d’apprentissage sur graphes pour analyser ou prédire les modes de d´défaillance.


Les résultats attendus devraient contribuer `a une meilleure compréhension des m´mécanismes spatiaux et structurels associes aux d´défaillances des conduites et ouvrir des perspectives pour le d´développement d’outils d’aide à la décision dans le cadre de la gestion patrimoniale des réseaux d’eau potable.

Mots-clés : réseaux d’eau potable, d´défaillance de conduites, analyse spatiale, graphes, apprentissage sur graphes, Graph Neural Networks, gestion patrimoniale

Environement

Le stage prend place dans le cadre de la chaire REFONDRRE portée par l’ENGEES et Saint Gobain PAM Canalisation. Les données disponibles sont fournies par les collectivités participant `a la chaire. Le stage aura lieu `a l’ENGEES `a Strasbourg. Le/la stagiaire sera encadré.e par Mme Leatitia Ntsamo et Mme Florence Le Ber.

Candidat

Formation : master ou ingénieur en informatique, spécialité IA ou science des données.

Connaissances spécifiques : méthodes d’analyse de graphes, approches neuronales. Langages: Python.


Pour postuler


• un CV,

• une lettre de motivation (max. 1 page)

• Une transcription des notes pour l’année courante (M2) et l’année précédente

Références


[1] William L. Hamilton. Graph Representation Learning. Morgan and Claypool, 2020.

[2] Yakov Kleiner and Balvant Rajani. Comprehensive review of structural deterioration of water mains: statistical models. Urban Water, 3(3):131–150, 2001.

[3] Balvant Rajani and Yakov Kleiner. Comprehensive review of structural deterioration of water mains: physically based models. Urban Water, 3(3):151–164, 2001.

[4] Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang, and Philip S. Yu. A comprehensive survey on graph neural networks. IEEE Transactions on Neural Networks and Learning Systems, 32(1):4–24, 2020.