Vous êtes sur la page 1sur 39

Contexte Optimisation de la maintenance de la géométrie de

Géométrie de la voie la voie


Modélisation

Interventions Carolina MEIER-HIRMER


Modélisation

Coûts

Hypothèses

Optimisation
Premiers résultats
SNCF - Direction de l’Infrastructure
Améliorations
Délais d’intervention
Nombre de bourrages
FIMA - 30 avril 2009
Modèle mélange

Conclusion

Gamma bivarié

1/39
white
Schéma d’une voie ballasté

Contexte

Géométrie de la voie
Modélisation

Interventions
Modélisation
attache traverse rail
ballast
Coûts

Hypothèses

Optimisation plateforme
Premiers résultats

Améliorations sous couche


Délais d’intervention
Nombre de bourrages
Modèle mélange
couche de forme

Conclusion
sol
Gamma bivarié

2/39
white
Défauts de géométrie de la voie

Contexte

Géométrie de la voie
nivellement longitudinal NL
Modélisation

Interventions
Modélisation

Coûts nivellement transversal NT


Hypothèses

Optimisation
Premiers résultats
Pour cette étude, un
Améliorations
Délais d’intervention écartement EC tronçon homogène en
Nombre de bourrages
Modèle mélange terme d’age, de rails, de
Conclusion traverses et de vitesse
Gamma bivarié dressage D limite sur la ligne
Paris-Lyon a été choisi.

3/39
white
La voiture MAUZIN

Contexte

Géométrie de la voie
Modélisation

Interventions
Modélisation

Coûts

Hypothèses

Optimisation
Premiers résultats

Améliorations
Délais d’intervention
Nombre de bourrages
Modèle mélange

Conclusion

Gamma bivarié

4/39
white
La rame IRIS 320

Contexte

Géométrie de la voie
Modélisation

Interventions
Modélisation

Coûts

Hypothèses

Optimisation
Premiers résultats

Améliorations
Délais d’intervention
Nombre de bourrages
Modèle mélange

Conclusion

Gamma bivarié

5/39
white
Mesures de géométrie de la voie
Type de défauts Critères
Contexte

Géométrie de la voie MAUZIN classique ponctuels sécurité


Modélisation MAUZIN allongé 30 mètres sécurité / confort
Interventions
MAUZIN synthétique 200 / 1000 mètres qualité
Modélisation

Coûts

Hypothèses Seuils qui définissent les niveaux de qualité


Optimisation géométrique :
Premiers résultats

Améliorations
QO qualité objective ;
Délais d’intervention
Nombre de bourrages
II initiation d’une intervention ;
Modèle mélange DL dégradation limite.
Conclusion

Gamma bivarié
Dans l’étude, le DL est fixé à 1.3 et le niveau II
est optimisé.

6/39
white
Inspections

Contexte

Géométrie de la voie
La programmation annuelle est faite en fonction
Modélisation du groupe UIC1 .
Interventions
Modélisation Les inspections sur ligne classique sont effectuées
Coûts par la voiture MAUZIN.
Hypothèses
Sur ligne à grande vitesse une rame spéciale
Optimisation
Premiers résultats (IRIS320) a été développée :
Améliorations inspections à la vitesse de la ligne(entre 270 et 320
Délais d’intervention
Nombre de bourrages
km/h),
Modèle mélange
toutes des 2 semaines,
Conclusion en journée (pas d’impact sur la maintenance).
Gamma bivarié

1
Indicateur de l’importance d’une ligne, défini par l’Union
internationale des chemins de fer
7/39
white
Résultats des inspections
Graphique des mesures MAUZIN synthétiques
Contexte

Géométrie de la voie Géométrie de la voie


Modélisation

Interventions
Modélisation

1.1
Coûts
interventions

1
Hypothèses nivellement longitudinal

Optimisation 0.9 ●

Premiers résultats ●●●


0.8


Améliorations ●
0.7

Délais d’intervention ● ● ● ● ●

● ● ● ● ●
Nombre de bourrages ● ● ●
0.6


Modèle mélange ● ●
●●
●● ● ● ●
0.5

Conclusion ●

●● ●

0.4

Gamma bivarié ●


● ●
0.3

1989 1994 1999

temps

8/39
white
Modélisation
Un processus gamma modélise la dégradation décrite
Contexte par les indicateurs synthétiques.
Géométrie de la voie
Modélisation
Le processus
Interventions
Modélisation Processus Gamma dépend de deux
Coûts
processus gamma
processus lors des inspections

paramètres α et β estimés

Hypothèses
par maximum de
Optimisation
vraisemblance.
processus X t

Premiers résultats

Améliorations
Délais d’intervention

est à accroissements

Nombre de bourrages
Modèle mélange
indépendants.
Conclusion ● a une évolution moyenne
Gamma bivarié 0 50

temps t
100 150
linéaire (pente = αβ ).
dispose de formules
explicites pour les calculs.
9/39
white
Résultats

Contexte

Géométrie de la voie Résultats de la dégradation sur la ligne Paris-Lyon :


Modélisation

Interventions
Modélisation

Coûts avant TGV med après TGV med


α
Hypothèses β 0.0009 0.0021
Optimisation CI [0.0007, 0.0012] [0.0020, 0.0022]
Premiers résultats

Améliorations
Délais d’intervention
Nombre de bourrages
Modèle mélange La dégradation moyenne a doublé après
Conclusion
l’ouverture du TGV Méditerranée.
Gamma bivarié

10/39
white
Interventions
Le bourrage est
Contexte

Géométrie de la voie
l’intervention globale
Modélisation
la plus fréquente et la
Interventions
Modélisation
moins coûteuse ;
Coûts programmé en
Hypothèses
fonction des
Optimisation
Premiers résultats indicateurs MAUZIN
Améliorations synthétiques.
Délais d’intervention
Nombre de bourrages
Modèle mélange

Conclusion Le remplacement de ballast


Gamma bivarié est considéré comme une
intervention exceptionnelle.

11/39
white
Informations disponibles
Différence entre le gain absolu et le gain mesuré :
Contexte
y = ỹ + αβ · δ.
Géométrie de la voie
Modélisation
Ajustement du niveau de dégradation lors de
Interventions l’intervention.
Modélisation
dégradation
Coûts
niveau de dégradation réel
Hypothèses
n
Optimisation niveau de dégradation mesuré
Premiers résultats n~

Améliorations
Délais d’intervention
Nombre de bourrages
inspection gain absolu gain mesuré
Modèle mélange
y ~
y
Conclusion

Gamma bivarié

n’
n
δ temps

12/39
white
Distribution du gain
Le gain absolu suit une loi gaussienne :
Contexte
Estimation de la distribution de gain après bourrage
Géométrie de la voie
Modélisation

1.0
● ●

Interventions ● ●
●●
empirique ●●
Modélisation ● ●
0.8 gaussien N(0.26, 0.18) ●


Coûts ●●

●●

Hypothèses ●


0.6


Probabilité

Optimisation ●●

Premiers résultats


0.4

Améliorations ●


Délais d’intervention ●●

Nombre de bourrages ●●

0.2

Modèle mélange
●●
●●
Conclusion ● ●

●●
● ● ●

Gamma bivarié ● ●
0.0

−0.2 0.0 0.2 0.4 0.6 0.8

gain NL

13/39
white
Modélisation

Contexte

Géométrie de la voie
Modélisation
gain moyen = c + b · {dégradation avant l’intervention}
Interventions
Modélisation Estimation d'influence du niveau de NL sur le gain de bourrage

Coûts

1.0

● ●
données reelles
● ●
Hypothèses droite estimée ● ● ●●

● ●

µ = −0.25 ● ● ●● ● ●
● ● ● ●
● ●●● ● ● ● ●● ● ●
● ● ● ● ●
● ● ● ●
●● ●● ●●● ● ●●● ● ● ●
Optimisation ●● ●●● ●● ●● ●
0.5

●●●● ●● ●●●● ● ●●
● ●● ● ●● ●● ●
● ●● ●● ● ● ● ●

● ●●
● ●●●
● ●● ●

●● ● ●
●● ●●

●●●
● ●●●●●● ●●●●● ●●

● ●● ●●● ● ●
●●●● ● ●● ●●●
● ● ●●●● ●● ●●● ●● ● ● ●
● ● ● ● ●●●●●●●
● ●● ●
●● ● ●● ● ●● ●● ● ● ● ●●
● ● ●●●● ● ●● ●
●● ●●● ● ●●●●●●●●
●●●●●●
●●●
● ●●● ●●●● ● ●● ● ●
● ●
●● ●●
● ● ● ●

● ●
●●● ● ● ● ●●● ●●●● ● ●
Premiers résultats ●● ●

●●●●●
●●
●●
● ●
●● ●

●●
●●


●●


●●●
●●


●●
●●●
●●●
●●● ●●●


●●●

●● ●

●●
●●
●●
● ●●●
●●
●●

● ●●
●●●

●●
●●
●●
●● ●
●●●
● ●●



●● ●
●●●●
●●
●● ● ● ●



● ●
●●●
●●
● ●●●●●
●● ●

●●●●●●● ●● ● ●● ● ● ● ●
● ●
●●
●● ●● ●● ●● ●●● ● ● ●●●

● ● ● ●
●●●●
● ● ● ●●● ●●● ●●●●●●● ● ●● ●

●● ● ● ●

● ● ●●● ●
●● ● ●●●●
● ● ● ●●●●
●● ● ● ●
● ● ●●●●
●●● ●●● ●●●●
●● ●●●●● ● ●●● ● ● ●●● ● ●

●●
●●

●●●●● ●
● ●
●●●●●●● ●●●●● ● ● ● ● ●● ●
●● ● ● ● ● ● ● ●
● ●●●●
● ● ●●● ● ●● ● ● ● ● ●● ● ● ● ●
● ● ● ●●● ●●● ●
●● ●
Améliorations ●

● ● ●●●
● ● ●
● ●● ●●● ●● ● ●● ● ● ●

gain

● ●
0.0

●● ● ●● ●●
● ●● ● ● ● ●●●● ● ●● ●● ●● ● ● ● ●
●● ● ● ●● ● ●● ● ●
● ● ● ●● ● ● ●● ●● ●
● ● ●
● ●
● ●

● ● ● ●● ● ● ● ●●
● ● ●

Délais d’intervention ●





●●

Nombre de bourrages
−0.5

Modèle mélange

Conclusion
−1.0

Gamma bivarié ●

0.4 0.6 0.8 1.0 1.2 1.4 1.6

niveau de dégradation

14/39
white
Résultats

Contexte

Géométrie de la voie
Modélisation
c b σ
Interventions
Modélisation
avant TGV med -0.41 0.96 0.20
Coûts après TGV med -0.55 0.98 0.26
Hypothèses

Optimisation
Premiers résultats

Améliorations
Délais d’intervention
Nombre de bourrages
Modèle mélange

Conclusion
Ces modèles possèdent un R 2 de 0,77 et de 0,63.
Gamma bivarié

15/39
white
Coûts

Contexte

Géométrie de la voie
Modélisation
Nous proposons une optimisation de la stratégie
Interventions de maintenance par rapport aux coûts.
Modélisation

Coûts

Hypothèses
Les coûts suivants sont utilisés dans l’étude :
Optimisation coût d’inspection : 21 ¤/km ;
Premiers résultats

Améliorations coût de bourrage : 9500 ¤/km ;


Délais d’intervention
Nombre de bourrages coûts exceptionnels après le passage du niveau
Modèle mélange
DL : 710 000 ¤/km, (coûts de remplacement
Conclusion
de ballast).
Gamma bivarié

16/39
white
Hypothèses I

Contexte
Les hypothèses faites sur l’évolution du système de
Géométrie de la voie maintenance :
Modélisation

Interventions
Modélisation

Coûts
L’état du système est décrit par une variable Xt .
Hypothèses
Surveillance lors des inspections – l’état exact du
Optimisation
Premiers résultats système est connu.
Améliorations
Délais d’intervention
Nombre de bourrages
Lors d’une inspection :
Modèle mélange
Xt > II : planification d’un bourrage avec un
Conclusion
délai td (plus petit que le pas d’inspection) ;
Gamma bivarié
Xt > DL : dégradation limite – planification
d’une grande opération.

17/39
white
Hypothèses II
Xt
Contexte
dégradation td fixe (delai)
Géométrie de la voie
Modélisation seuil DL fixe
Interventions
Modélisation intervention
Coûts
gain seuil II
Hypothèses à optimiser
Optimisation
Premiers résultats
appel d’intervention
Améliorations
Délais d’intervention
Nombre de bourrages intervention
Modèle mélange

Conclusion

Gamma bivarié t [jours]


45 90 135 180 225 270 315 360

δ pas d’inspection, à optimiser

18/39
white
Probabilité de transition
Probabilités de transition pour Yn = Xn·δ :
Contexte
Départ en dessous du seuil II (x < II ) ; arrivée
Géométrie de la voie
Modélisation
dans l’intervalle [a, b] :
Interventions Z b−x
Modélisation
P(x, [a, b]) = fαδ, β (y )dy ,
Coûts
a−x
Hypothèses

Optimisation
f·,· (y ) : densité de la loi gamma avec paramètres
Premiers résultats
αδ et β.
Améliorations
Délais d’intervention
Départ en dessus de II (x ≥ II ) :
Nombre de bourrages
Modèle mélange
Z b−x− α ·δ
β
Conclusion P(x, [a, b]) = g−(µ+η(x+ αβ ·∆),σ (y ) dy ,
Gamma bivarié a−x− α
β
·δ

g·,· (y ) : densité de la loi gaussienne avec


paramètres −(µ + η(x + αβ · ∆)) et σ.
19/39
white
Fonction objectif
Ni (t) nombre d’inspections sur [0, t] ;
Contexte

Géométrie de la voie Nr (t) nombre d’interventions sur [0, t] ;


Modélisation

Interventions
Ndl (t) nombre de passages en DL sur [0, t] ;
Modélisation

Coûts
C· les coûts correspondants.
Hypothèses

Optimisation
C (t), fonction de coût global :
Premiers résultats

Améliorations C (t) = Ci Ni (t) + Cr Nr (t) + Cdl Ndl (t).


Délais d’intervention
Nombre de bourrages
Modèle mélange
Fonction objectif :
Conclusion

Gamma bivarié
IIE0 (C (t))
IIEC∞ = lim .
t→∞ t

20/39
white
Calculs
(Yn )n∈ IIN est une chaı̂ne de MARKOV ;
Contexte
Calcul numérique de la loi stationnaire par
Géométrie de la voie
Modélisation discrétisation ;
Interventions
Modélisation
Utilisation de la formule :
Coûts IIEπ (C (δ))
Hypothèses IIEC∞ = ,
δ
Optimisation
Premiers résultats
où π est la loi stationnaire de (Yn )n∈ IIN ;
Améliorations
Délais d’intervention Calcul de IIEπ (C (δ)) :
Nombre de bourrages
Modèle mélange IIE(Ni (δ)) = 1,
Conclusion IIE(Nr (δ)) = Pπ (II ≤ Y0 < DL) = π((II, DL[),
Gamma bivarié IIE(Ndl (δ)) = Pπ (Y0 ≥ DL) = π((DL, ∞[).
IIEπ (C (δ)) dépend toujours du seuil II et du pas
d’inspection δ, qui sont à optimiser.
21/39
white
Résultats 3D
avant TGV med après TGV med
Contexte

Géométrie de la voie
1.2 1.2
Modélisation
122 493
Interventions
1.1 90 1.1 ●
365
Modélisation ● optimale
optimale
67 270
Coûts
1 1
49 200
seuil II

seuil II
Hypothèses
37 148
Optimisation 0.9 ●
0.9 ●

actuelle actuelle
Premiers résultats 27 110

20 81
Améliorations 0.8 0.8
Délais d’intervention 15 60
Nombre de bourrages
Modèle mélange 0.7 11 0.7 45
2 21 40 59 78 97 0 10 20 30 40 50
Conclusion
pas d'inspection δ [jours] pas d'inspection δ [jours]

Gamma bivarié
La stratégie optimale est loin de la maintenance
actuelle, mais les coûts sont proches.

22/39
white
Résultats 2D
Le pas d’inspection est fixé (il est déterminé en fonction de la
Contexte
disponibilité de la voiture de mesure) : ces résultats sont
Géométrie de la voie
privilégiés par les experts maintenance.
Modélisation

Interventions
Modélisation

Coûts

Hypothèses

Optimisation
Premiers résultats

Améliorations
Délais d’intervention
Nombre de bourrages
Modèle mélange

Conclusion

Gamma bivarié

le niveau II optimisé est proche de la maintenance actuelle,


le niveau 1,05 ne doit pas être dépassé.

23/39
white
Problèmes avec ce premier modèle

Contexte

Géométrie de la voie
Modélisation
En réalité, le délai d’intervention td peut être
Interventions plus grand que l’intervalle d’inspection δ ⇒ le
Modélisation
processus n’est plus markovien,
Coûts

Hypothèses
En réalité, la régénération de la voie ne dépend
Optimisation
Premiers résultats
pas que de la limite DI. Il y a d’autres indicateurs
Améliorations pour la décision comme par exemple le nombre
Délais d’intervention
Nombre de bourrages de bourrages déjà effectués ⇒ le processus n’est
Modèle mélange

Conclusion
plus markovien,
Gamma bivarié ⇒ amélioration du premier modèle.

24/39
white
Améliorations du modèle

Contexte

Géométrie de la voie
Modélisation

Interventions
Modèle bourrage : planification d’une grande
Modélisation
opération après environ 25 bourrages ;
Coûts

Hypothèses
Modèle délai intervention : plus grand délai entre
Optimisation
Premiers résultats détection et intervention ;
Améliorations
Délais d’intervention
Nombre de bourrages
Modèle mélange : Combinaison des deux
Modèle mélange
modèles.
Conclusion

Gamma bivarié

25/39
white
Délais d’intervention :
modélisation
Contexte

Géométrie de la voie Définition d’un nouveau processus (Yi , ki ), i ∈ IIN.


Modélisation

Interventions
Modélisation
matrice de transition pour kmax = 2 :
Coûts
k=0
k=0 k=1
k=1 k=2
k=2

Hypothèses Yi : qualité de la
Optimisation voie, 3
3
5
5
6
6
7
7

Premiers résultats
ki < kmax compte k=0
k=0
1
1

Améliorations
Délais d’intervention le nombre
Nombre de bourrages
Modèle mélange
d’inspections entre
le dépassement du k=1

k=1
Conclusion 2
2

Gamma bivarié
seuil II et l’instant
i · δ.
k=2
k=2

4
4

26/39
white
Délais d’intervention : résultats

Probabilité stationnaire pour kmax = 2


Contexte

Géométrie de la voie
Modélisation

Interventions
Modélisation

Coûts

Hypothèses

Optimisation
Premiers résultats

Améliorations
Délais d’intervention
Nombre de bourrages
Modèle mélange

Conclusion

Gamma bivarié
k=1 k=2

initiation
intervention dégradation
limite

27/39
white
Nombre de bourrages :
modélisation
Contexte

Géométrie de la voie
Modélisation
Définition d’un nouveau processus (Yi , nbi ), i ∈ IIN.
Interventions
Modélisation Yi : qualité de la matrice de transition pour nbmax = 5 :
Coûts voie,
nb=0 nb=1 nb=2 nb=3 nb=4 nb=5
Hypothèses nbi < nbmax nb=0
Optimisation compte le nombre
Premiers résultats
de bourrages depuis nb=1
Améliorations
Délais d’intervention
la construction de nb=2
Nombre de bourrages la ligne.
Modèle mélange
nb=3
Conclusion nbmax se situe
Gamma bivarié
autour de 25. nb=4

Si nbi = nbmax la nb=5


voie est régénérée.

28/39
white
Nombre de bourrages : résultats
Probabilité stationnaire pour nbmax = 25 :
Contexte

Géométrie de la voie
Modélisation −4
x 10
7

Interventions
Modélisation
6

Coûts

Hypothèses 5

Optimisation
Premiers résultats 4

Améliorations
Délais d’intervention 3
Nombre de bourrages
Modèle mélange
2
Conclusion

Gamma bivarié
1

0
| | | | | | | | | | | | | | | | | | | | | | | | |

29/39
white
Modèle mélange : modélisation
Ce modèle (Yi , ki , nbi ), i ∈ IIN combine les deux
Contexte modèles précédents.
Géométrie de la voie
Modélisation
Probabilité stationnaire pour kmax = 5 et nbmax = 25 :
Interventions
Modélisation
−3
x 10

Coûts
1
Hypothèses

Optimisation
Premiers résultats 0.8

Améliorations
Délais d’intervention
Nombre de bourrages 0.6

Modèle mélange

Conclusion
0.4
Gamma bivarié

0.2

0
| | | | | | | | | | | | | | | | | | | | | | | | |

30/39
white
Modèle mélange : résultats
Comparaison des coûts des stratégies de maintenance
Contexte

Géométrie de la voie

coût asymptotique de la stratégie de maintenance

400
Modélisation

Interventions
Modélisation

350
Coûts actuelle

Hypothèses optimale

300
fonction de coût
Optimisation
Premiers résultats
250

Améliorations
Délais d’intervention
Nombre de bourrages
200

Modèle mélange

Conclusion
150

Gamma bivarié

0.70 0.75 0.80 0.85 0.90 0.95 1.00 1.05

seuil d'intervention (II)

31/39
white
Conclusion

Contexte
Adaptation et amélioration d’un modèle
Géométrie de la voie d’optimisation de maintenance existant basé sur
Modélisation
le processus Gamma ;
Interventions
Modélisation

Coûts Utilisation pour l’évaluation et l’ajustement des


Hypothèses stratégies de maintenance ;
Optimisation
Premiers résultats
Intérêt d’une utilisation systématique du REX
Améliorations
Délais d’intervention
pour définir des politiques de maintenance.
Nombre de bourrages
Modèle mélange
Réduction pertinente du pas d’inspection après
Conclusion
l’ouverture du TGV Méditerranée ;
Gamma bivarié

Possibilité d’appliquer le modèle à l’optimisation


de la maintenance pour IRIS320.

32/39
white
Perspectives

Contexte

Géométrie de la voie
Application sur d’autres lignes à grande vitesse ;
Modélisation

Interventions Étude de l’influence


Modélisation

Coûts
du TGV Duplex
Hypothèses
de la vitesse (V300 / V320 / V350)
Optimisation sur les coûts de la maintenance ;
Premiers résultats

Améliorations
Délais d’intervention
Utilisation d’un processus non-stationnaire pour
Nombre de bourrages
Modèle mélange
la dégradation des lignes classiques ;
Conclusion

Gamma bivarié
Utilisation de plusieurs indicateurs de la
géométrie de la voie simultanément.

33/39
white
Définition et proposition (TR)
 
(i)
Contexte Soient Yt avec i ∈ {1, 2, 3} trois processus Gamma
t≥0
Géométrie de la voie (i)
Modélisation univariés indépendants avec Yt ∼ Γ (αi t, 1) , t ≥ 0.
Interventions Pour b1 > 0 et b2 > 0, nous définissons :
Modélisation
 
Coûts (1) (1) (3)
Xt := Yt + Yt /b1 ,
Hypothèses  
(2) (2) (3)
Optimisation Xt := Yt + Yt /b2 ,
Premiers résultats

Améliorations  
(1) (2)
Délais d’intervention Le processus (Xt )t≥0 = Xt , Xt est alors un processus
Nombre de bourrages t≥0
Modèle mélange
(i)
Conclusion
Gamma-Lévy bivarié avec Xt ∼ Γ (ai t, bi ) où
Gamma bivarié
ai = αi + α3 .

34/39
white
Comparaison

Contexte Deux autres processus ont été construits :


Géométrie de la voie
Modélisation
1 par une combinaison linéaire d’une mesure d’un
Interventions processus Lévy bivarié avec des composants
Modélisation

Coûts
complètement dépendants et un deuxième avec
Hypothèses
des composants indépendants (TDI)
Optimisation 2 par la copule de Lévy-Clayton (CGL).
Premiers résultats

Améliorations
Délais d’intervention
Nombre de bourrages
Avantages par rapport aux processus TR : la
Modèle mélange
corrélation peut atteindre toutes les valeurs
Conclusion

Gamma bivarié
∈ [0, 1].
mais : pas de formules explicites pour la densité.

35/39
white
Estimations

Contexte

Géométrie de la voie
Modélisation Utilisation des données NL et NT
Interventions
Modélisation
Période 2001-2006, tronçon homogène
Coûts Résultats Méthode des Méthode des Max de Algorithme
SNCF moments 1 moments 2 vraisemblance EM
Hypothèses
a1 0.0622 0.0593 0.0703 0.0645 0.0691
Optimisation b1 28.78 27.29 30.60 29.27 −
a1
Premiers résultats b1
2.20 × 10−3 2.17 × 10−3 2.30 × 10−3 2.20 × 10−3 −
a2 0.0350 0.0454 0.0449 0.0482
Améliorations b2 23.24 27.09 28.17 −
a2
Délais d’intervention
b2
1.51 × 10−3 1.68 × 10−3 1.59 × 10−3 −
Nombre de bourrages
Modèle mélange
ρ 0.7982 0.7882 0.8791 0.5684

Conclusion

Gamma bivarié

36/39
white
Étude du seuil préventif
On maintient la géométrie lorsque le NL est trop élevé pour
Contexte
pouvoir attendre la prochaine plage d’intervention (on
Géométrie de la voie
Modélisation
intervient de préférence au printemps et en automne).
Interventions Est-ce que les résultats changent si l’on tient compte du NL et
Modélisation du NT ?
Coûts

Hypothèses Soit T (i) le temps d’atteinte du seuil de sécurité si


Optimisation pour la composante i, xi est l’état actuel.
Premiers résultats
(i)
Améliorations
On note yi := si − xi et le réel τyi tels que
Délais d’intervention

τy(i) (i)
Nombre de bourrages
 
Modèle mélange
i
= max τ ≥ 0 tel que P xi
T > τ ≥ 1 − ε .
Conclusion

Gamma bivarié

Idem pour τ(yB1 ,y2 ) .

37/39
white
Résultats
(1)
s1 = 0, 9 et s2 = 0, 75, x1 = 0, 4 ⇒ τx1 = 150

Contexte 400
(2)
τ
B
Géométrie de la voie 350 τ
(1)
Modélisation τ
300
Interventions
Modélisation
250
Coûts
200
Hypothèses

Optimisation 150
Premiers résultats
100
Améliorations
Délais d’intervention 50
Nombre de bourrages
Modèle mélange
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Conclusion x
2

Gamma bivarié (2) B


x2 = 0.4 ⇒ τx2 = 152.9 et τ(x = 134.7 : on se trompe de 15 jours.
1 ,x2 )
(2) B
x2 = 0.5 ⇒ τx2 = 97.5 et τ(x = 95.9 : on se trompe de 54 jours.
1 ,x2 )
(2) B
x2 = 0.6 ⇒ τx2 = 47.2 et τ(x = 47.1 : on se trompe de 103 jours.
1 ,x2 )

38/39
white
Conclusion

Contexte

Géométrie de la voie
Modélisation

Interventions
Lorsque x1 n’est pas trop proche de x2 , la valeur
Modélisation donnée par τ U = min τ (1) , τ (2) est raisonnable,
Coûts
se contenter de τ (1) est risqué.
Hypothèses

Optimisation
Premiers résultats Lorsque x1 est proche de x2 , le modèle bivarié
Améliorations affine les résultats : τ U > τ B et l’on prévoit la
Délais d’intervention
Nombre de bourrages maintenance préventive trop tard avec τ U au lieu
Modèle mélange

Conclusion
de τ B .
Gamma bivarié

39/39