See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/311922886

Amélioration de la fiabilité d’un chantier de forage à l’aide des réseaux

Bayésiens

Conference Paper · March 2015

CITATIONS READS

0 340

4 authors, including:

Djamel Halimi Ahmed Hafaifa

7 PUBLICATIONS 56 CITATIONS
Ziane Achour University of Djelfa
288 PUBLICATIONS 1,174 CITATIONS
SEE PROFILE
SEE PROFILE

Guemana Mouloud
Dr. Yahia Fares University of Médéa
112 PUBLICATIONS 505 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Solar Fuels In Algeria View project

Modeling and Vibration Stability Analysis of a Gas Turbine Bifurcation Diagram View project

All content following this page was uploaded by Ahmed Hafaifa on 27 December 2016.

The user has requested enhancement of the downloaded file.

 Amélioration de la fiabilité d’un chantier de forage à l’aide des réseaux
Bayésiens

Djamel HALIMI 1,*, Ahmed HAFAIFA2, Elahmoune BOUALI 1 et Mouloud GUEMANA 2

1
Laboratoire de fiabilité des équipements pétroliers et matériaux, Faculté des Hydrocarbures et de la Chimie
(FHC), Université de Boumerdes 35000, Algérie

2
Laboratoire d’automatique Appliquée et Diagnostics Industriel, Université de Djelfa 17000, Algérie.

*
Email: halimi_fhc@yahoo.fr

Résumé:

La technologie de forage des puits de pétrole et de gaz demande l’emploi d’un matériel complexe. Avec
l’augmentation de la profondeur de forage le volume des travaux de forage et la consommation des pièces
d’équipement, d’outils et de matériaux croient considérablement. La gestion de la fiabilité des principaux
équipements utilisés dans le forage des puits ; est considérée comme un principal outil d’aide à la décision en
approvisionnement des matériels et à l’ordonnancement des tâches de maintenance, se qui se répercute
l’émancipation de la qualité de programme de forage. Pour le faire on a adopte une approche probabiliste
utilisant les réseaux Bayésiens. Un réseau Bayésien est un modèle probabiliste graphique permettant
d’acquérir, de capitaliser et d’exploiter des connaissances, né du besoin de créer des systèmes experts à base
de probabilités.

Mots clés: Fiabilité, Disponibilité, Réseaux Bayésiens, Maintenance, Chantier de forage

1. Introduction

L'un des enjeux principaux dans le domaine de la recherche en intelligence artificielle est d'être capable de
concevoir et de développer des systèmes dynamiques et évolutifs. De ce fait, ces derniers doivent être équipés
de comportements intelligents qui peuvent apprendre et raisonner. Mais dans la plupart des cas, la
connaissance acquise n'est pas toujours adéquate pour permettre au système de prendre la décision la plus
appropriée. Pour répondre à ce genre de questions, plusieurs méthodologies ont été proposées, mais seules
les approches probabilistes s'adaptent mieux non seulement au raisonnement avec la connaissance et la
croyance incertaine, mais aussi à la structure de la représentation de la connaissance. Ces approches
probabilistes sont appelées "Réseaux Bayésiens".

Un réseau Bayésien est un système représentant la connaissance et permettant de calculer des probabilités
conditionnelles apportant des solutions à différentes sortes de problématiques [1].

1
La structure de ce type de réseau est simple : un graphe dans lequel les nœuds représentent des variables
aléatoires, et les arcs (le graphe est donc orienté) reliant ces dernières sont rattachées à des probabilités
conditionnelles. Notons que le graphe est acyclique : il ne contient pas de boucle. Les arcs représentent des
relations entre variables qui sont soit déterministes, soit probabilistes. Ainsi, l'observation d'une ou plusieurs
causes n'entraîne pas systématiquement l'effet ou les effets qui en dépendent, mais modifie seulement la
probabilité des observations [3,4]. Le but de notre travail est d’améliorer la maintenance en envisageant la
priorité de l’action sur un treuil de forage en appliquant les réseaux bayésiens.

2. Les probabilités dans les réseaux bayésiens

2.1. Théorème de bayes

Théorème de Bayes. Etant donnés deux événement A et B qui sont conditionnellement dépendants, le
théorème de Bayes peut s’énoncer comme suite [10,6]:

P( A / B) =
P( B / A).P( A)
(1)
P( B)

Le terme P(A) est la probabilité a priori de A . Elle est «antérieure» au sens qu’elle précède toute information
sur B . P ( A) est aussi appelée la probabilité marginale de A .

Le terme P( A / B) est appelée la probabilité a posteriori de A sachant B (ou encore de A sachant B ). Elle
est «postérieure», au sens qu’elle dépend directement de B . Le terme P ( B / A) , pour un B connu, est

appelée la fonction de vraisemblance de A . De même, le terme P (B ) est appelé la probabilité marginale ou a

priori de B .

2.2. Types de probabilités dans le modèle Bayésien

a) Les probabilités a priori :

Pour les variables d’entrée du modèle, on associe des probabilités a priori. Ces probabilités sont renseignées
[2]:

ƒ Soit par avis d’experts.

ƒ Soit à l’aide du retour d’expérience.

b) Les probabilités conditionnelles :

À chaque variable intermédiaire est attachée une table de probabilités conditionnelles. Ces derniers peuvent
être renseignés [11] :

2
ƒ Soit par avis d’experts.
ƒ Soit à l’aide du retour d’expérience.

c) Les probabilités a posteriori :

Les probabilités a posteriori sont calculées selon le théorème de Bayes (1) [5].

Ce théorème est une conséquence de la définition des probabilités conditionnelles, donnée par la formule (2).
Soient A et B deux variables aléatoires, on a :

P( A ∩ B) = P( A / B).P( B) = P( B / A).P( A) (2)

Pour calculer les probabilités a posteriori, les réseaux Bayésiens utilisent un algorithme d’inférence. Celle-ci
peut être de deux formes:

ƒ L’inférence exacte : Conditionnement globale, arbre de jonction, méthode approchée.

ƒ L’inférence approximative : Les méthodes du type Monte-Carlo.

3. Logiciels Bayésiens

Tout comme pour les langages de programmation, comparer les outils est toujours délicat. Il est difficile de faire
la part des choses entre objectif et subjectif et les préférences ne sont pas forcément aisées à expliciter. Les
outils représentés ci-dessous sont les plus commercialisés et les plus utilisé sur le marché international [9].

3. 1. Netica

Développé depuis 1992, et commercialisé depuis 1995 par la société Canadienne Norsys [9] basée à
Vancouver, le logiciel des réseaux bayésiens Netica est l’un des plus diffusés à l’échelle mondiale. Netica est
utilisé pour le diagnostic, la prévision, ou la simulation dans les domaines de la finance, de l’environnement,
de la médecine, de l’industrie, et dans un grand nombre d’applications nécessitant de raisonner en univers
incertain. L’éduction d’un réseau Bayésien, ou d’un diagramme d’influence sous Netica s’effectue comme avec
la majorité des logiciels, à l’aide de l’interface graphique. L’utilisateur crée et positionne les nœuds
correspondant au variable aléatoire, de décision, ou d’utilité du modèle, puis spécifie la structure de réseau en
traçant des liens entre les variables.

Dans deuxième temps, les relations entre variables saisissant numériquement les tables de probabilités
conditionnelles, en utilisant des équations ou encore en spécifiant des paramètres de lois de probabilités
prédéfinies [8,9].

Netica permet l’apprentissage de tables de probabilités à partir de données, au moyen d’un algorithme
d’apprentissage Bayésien. L’ensemble des tables d’un réseau Bayésien peuvent donc être spécifiées en
introduisant une base de données ou un échantillon de cas. Si le nombre de données manquantes est
3
important, Netica utilise soit l’algorithme de maximisation de l’espérance, soit la méthode de décente de
gradient. Netica dispose de nombreuses fonctionnalités qui ne sont offertes que par ce logiciel [8].
ƒ Étude de sensibilité permettant de mesurer l’influence d’une variable sur une autre.
ƒ Utilisation d’un fichier de cas pour évaluer les performances d’un réseau Bayésien, possibilité d’introduire
plusieurs variables de décision et d’utilité dans un diagramme d’influence, etc.

3. 2. Bayesialab

Bayesialab est le produit de Bayesia, entreprise dédiée à l’utilisation des méthodes d’aide à la décision et à
l’apprentissage issue de l’intelligence artificielle ainsi qu’a leur application opérationnelle [8] (industrie,
finances, service, etc…). Bayesialab se présente comme un laboratoire complet manipulation et d’étude de
réseaux Bayésiens. Il est développé en java, et est disponible en version anglaise ou française. Bayesia
permet de traiter l’ensemble de la chaîne d’étude de la modélisation d’un système par réseau Bayésien :
modélisation, apprentissage automatique, analyse et utilisation.
L’apprentissage est l’un des points fort des Bayesialab. Il utilise des méthodes et des algorithmes qui sont au
point de la recherche dans le domaine.
En tant que laboratoire d’étude de réseau Bayésien, Bayesialab offre un large choix dans les algorithmes a
utilisé. Ainsi, il met en œuvre trois méthodes d’apprentissage non supervisé pour la découverte des
associations, cinq méthodes d’apprentissage supervisé pour la caractérisation d’un nœud ciblent.
Le logiciel gère deux types d’inférences : exacte (basé sur l’arbre de jonction) et une inférence approchée [8].
L’exploitation nécessite la possibilité d’insérer des observations dans le réseau Bayesialab permet d’insérer
des évidences certaines, des évidences négative et, plus généralement, des vraisemblances.

4. Application sur un chantier de forage

4.1. Construction de l'arbre de défaillances

Après la modélisation de l’arbre de défaillance (fig.1) et à partir de la démarche fiabiliste [7], on fait le calcul de
pourcentages des taux de défaillance (fig.2) comme suit [12]:

4
Figure 1 : Modélisation de l’arbre de défaillance détaillé du chantier pétrolier

5
Figure 2 : répartition des défaillances sur les différents équipements existants dans un chantier de forage

6
4.2. Résultats et interprétations

L’utilisation du Logiciel Netica nous a permet la construction du réseau et l’évaluation de la fiabilité du chantier
pétrolier dans le cas actuel, ainsi que le cas proposé ; ce qui nous aide à visualiser le coût du temps de forage
à gagner par rapport à l’investissement en pompe à boue.

Figure 3 : Le réseau Bayésien du chantier à l’état actuel (deux pompes à boues)

7
Figure 4 : Inférence bayésienne avec une redondance passive d’une troisieme pompe à boue

8
 La simulation du chantier pétrolier par un reseau bayésien détaillé sans intégrer la solution propose (fig.3),
nous a permis de découvrir que notre forage possède une probabilité de défaillance égale à 51% ; par
contre, avec l’ajout d’une redondance passive de pompe à boue(fig.4), cette meme probabilité chutte à
40% ; ce qui permet au chantier étudié un raffraichissement par une amelioration de fiabilité de 11%.

Cette augmentation considerable de la probabilité de survie du chantier pétrolier jugée intéressante permet
d’améliorer la productivité et la disponilité du systeme de forage, ainsi que le temps de forage gagné participe
sensiblement à l’amortissement de l’investissement proposé.

5. Conclusion

A travers ce travail nous avons essayé de rechercher, d'expliquer et d'analyser la fiabilité d’un Chantier
pétrolier de forage .

Dans cette étude, nous avons vu l’application des réseaux bayésiens pour l’estimation et l’amélioration de la
fiabilité de chantier de forage, le but était de trouver une solution rentable pour rendre notre chantier plus en
plus valorisable de point de vue fiabilité.

La conversion des arbres de défaillance à des réseaux bayésiens nous a permet d’évaluer la fiabilité du
système étudié et de voir l’apport du point de vue fiabilité que peut apporter une solution constructive, ainsi
elle peut nous aidr à proposer une politique de maintenance qui va dans le même sens des objectifs tracés.

References

[1] A. Becher and P. Naïm « les réseaux Bayésiens », Eyrolles, 1999.

[2] A.P. Dawid «Conditional independence in statistical theory (with discussion)», Journal of the Royal
Statistical Society, Series B, 41 : pp. 1-31, 1979.

[3] B. Yidiz and M. W. Golay «Development of expert system with Bayesian networks for application in
nuclear power plants», In EPRI International Maintenance Conference, Maintaining Reliable Electric
Generation, August 2001.

[4] C. Chatelain and A. Lannoy «Une application de la technique du réseau Bayésien à l’évolution des
coûts de maintenance», Tachnical Report HP-20/00/020/A. EDF, Juillet 2000.

[5] D. Geiger and J. Pearl «Logical and algorithmic properties of independence and their application to in
Bayesian networks», Annals of Mathematics and Artificial Intelligence, 2: 165-178, 1990.

[6] F.V. Jensen «Bayesian Networks and Decision Graphs», Statistics for Engineering and Information
Science. Springer, 2001.

View publication stats