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

Description

du sujet

Les r´eseaux de distribution d’eau potable constituent des infrastructures critiques dont la fiabilit´e est essentielle pour assurer la continuit´e du service et la s´ecurit´e sanitaire. Les conduites de ces r´eseaux peuvent ˆetre affect´ees par diff´erents modes de d´efaillance, tels que les ruptures circulaires, longitudinale, probl`emes li´es aux joints ou encore la corrosion. Ces d´efaillances r´esultent g´en´eralement d’une combinaison de facteurs li´es aux caract´eristiques des conduites (mat´eriau, diam`etre, ˆage), aux conditions environnementales ainsi qu’aux propri´et´es structurelles du r´eseau.

Dans la litt´erature, l’analyse des d´efaillances des r´eseaux d’eau potable repose majoritairement sur des approches statistiques ou d’apprentissage automatique mod´elisant les r´eseaux via les conduites de mani`ere ind´ependante sous forme tabulaire [2, 3]. De fait, ces approches prennent rarement en compte la dimension structurelle et spatiale du r´eseau. Or, un r´eseau d’eau potable peut naturellement ˆetre repr´esent´e sous la forme d’un graphe dans lequel les conduites correspondent aux arˆetes et les jonctions aux nœuds. Cette repr´esentation permet d’exploiter des m´ethodes issues de l’apprentissage sur graphes afin de mod´eliser simultan´ement les caract´eristiques des conduites et la structure topologique du r´eseau [1, 4].

L’objectif de ce stage est d’explorer l’apport des m´ethodes d’apprentissage sur graphes pour l’analyse des modes de d´efaillance dans les r´eseaux de distribution d’eau potable. Il s’agira en particulier d’´etudier dans quelle mesure les propri´et´es topologiques et spatiales du r´eseau peuvent contribuer `a expliquer la distribution et la nature des d´efaillances observ´ees.

Le travail se d´eroulera en plusieurs ´etapes. Dans un premier temps, une revue de la litt´erature sera r´ealis´ee afin d’identifier les approches existantes utilisant les graphes et l’apprentissage sur graphes pour l’analyse des infrastructures de r´eseaux. Dans un second temps, une analyse exploratoire des donn´ees de d´efaillance sera conduite afin de caract´eriser les relations entre les propri´et´es des conduites et les modes de d´efaillance observ´es. Enfin, le r´eseau sera mod´elis´e sous forme de graphe enrichi, int´egrant `a la fois les attributs des conduites et des informations spatiales ou structurelles. Cette repr´esentation permettra d’explorer diff´erentes m´ethodes d’apprentissage sur graphes pour analyser ou pr´edire les modes de d´efaillance.

Les r´esultats attendus devraient contribuer `a une meilleure compr´ehension des m´ecanismes spatiaux et structurels associ´es aux d´efaillances des conduites et ouvrir des perspectives pour le d´eveloppement d’outils d’aide `a la d´ecision dans le cadre de la gestion patrimoniale des r´eseaux d’eau potable.

Mots-cl´es : r´eseaux d’eau potable, d´efaillance 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 port´ee par l’ENGEES et Saint Gobain PAM. Les donn´ees disponibles sont fournies par les collectivit´es participant `a la chaire. Le stage aura lieu `a l’ENGEES `a Strasbourg. Le stagiaire sera encadr´e par Leatitia Ntsamo et Florence Le Ber.

Candidat

Formation : master ou ing´enieur en informatique, sp´ecialit´e IA ou science des donn´ees.

Connaissannces sp´ecifiques : M´ethodes d’analyse de graphes, approches neuronales. Languages: Python.

1

Pour postuler

1. un CV,
2. une lettre de motivation (max. 1 page)
3. Une transcription des notes pour l’année courante (M2) et le relevé de notes du M1

References

4. William L. Hamilton. Graph Representation Learning. Morgan and Claypool, .
5. Yakov Kleiner and Balvant Rajani. Comprehensive review of structural deterioration of water mains: statistical models. Urban Water, 3:–, .
6. Balvant Rajani and Yakov Kleiner. Comprehensive review of structural deterioration of water mains: physically based models. Urban Water, 3:–, .
7. 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, 32:4–24, .

Profile

8. Étudiant(e) en Master 2 (Bac ) en Informatique, sciences des données ou recherche opérationnelle
9. Maîtrise d'outils comme Python, R, ou des logiciels SIG (QGIS, ArcGIS).
10. Intérêt pour les infrastructures urbaines.
11. Qualités : Autonomie, rigueur analytique, capacité de synthèse, et bon relationnel pour interagir avec des partenaires externes. Disponibilité pour des déplacements occasionnels.
12. Niveau d'anglais : B1

Starting date

-04-20