Créé le : 13/03/2020
Les machines, les structures, et de nombreux équipements industriels sont soumis aux effets de la corrosion, qui peut entraîner des pertes financières et des accidents. Ces conséquences peuvent être considérablement réduites grâce à l'utilisation de méthodes de détection, d'analyse et de surveillance de la corrosion dans les zones dangereuses, qui peuvent fournir des informations utiles pour la planification de la maintenance.
Dans le secteur pétrolier en particulier, la corrosion des pipelines fait l’objet d’une surveillance constante. Une problématique particulière est due à la corrosion sous isolation, responsable de plus de 20 % des incidents pétroliers et gaziers majeurs signalés dans l'Union européenne depuis 1984.
Cette note présente des travaux de recherche récents (2016-2019) exploitant l’intelligence artificielle pour la prédiction du taux de croissance de la corrosion, généralement appliqués à des pipelines ou des coques de navires. Différentes techniques sont utilisées pour construire des modèles de machine-learning (apprentissage machine) et deap-learning (apprentissage profond) : régression linéaire, réseaux de neurones, réseaux bayésiens, vecteurs support, méthodes des plus proches voisins, forêts d’arbres décisionnels, …