Application des méthodes dintelligence artificielle à lanalyse des données concernant les canalisations de gaz

Institut de la francophonie pour l’informatique Rapport de stage de fin d’études Application des méthodes d'intelligence artificielle l'analyse des données concernant les canalisations de gaz CHU Thanh-Quang Lieu du stage: Gaz de France, Direction de la Recherche, 361 Av du Pdt Wilson - BP 33 93211 La Plaine Saint Denis Cedex Période du stage: du 01/03/2006 au 31/08/2006 Tutrice de stage: Marketa PICHLOVA Application des méthodes d'intelligence artificielle l'analyse des données de canalisation REMERCIEMENTS Je tiens tout d’abord remercier monsieur Yves MELQUIOND, chef du pôle Statistiques et Intelligence Artificielle la Direction de la Recherche de Gaz de France, pour m’avoir permis d’effectuer mon stage ici Je voudrais exprimer mes reconnaissances Marketa PICHLOVA, mon maître de stage, qui a dirigé mon travail de recherche et qui m'a donné de bons conseils et des aides précieuses tout au long de mon stage de fin d’études Je souhaite également remercier chaleureusement toute l’équipe du projet RPCI&IA: Emmanuel CHATEAU, chef de projet, Michel MEYER, expert corrosion et Mures ZAREA Leur cordialité et leur écoute m’ont permis de m’intégrer rapidement, et de travailler dans une ambiance agréable Je tiens également exprimer toute ma sympathie l’ensemble des collègues du pôle, pour leur accueil et leur attitude ouverte vis-à-vis des stagiaires, que l’ensemble du personnel de l’entreprise soit aussi remercié, pour permettre de faire perdurer cette politique d’ouverture enrichissante J’adresse mes reconnaissances aux professeurs de l’Institut de la Francophonie pour l’Informatique, pour m’avoir aidé effectuer ce stage Gaz de France Paris, juillet - 2006 Chu Thanh Quang CHU Thanh-Quang Page sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation Résumé Etudiant en deuxième année l'Institut de la Francophonie pour l'Informatique au Vietnam, je prépare le diplôme de master en informatique J’ai fait mon stage de fin d’études chez Gaz de France – Direction de la Recherche dans le Pôle Statistiques et Intelligence artificielle J’ai travaillé pendant mois sur le sujet « Application des méthodes d'intelligence artificielle l'analyse des données concernant les canalisations de gaz » L’objectif du stage est de l’explorer des informations intéressantes concernant le problème de corrosion des canalisations de gaz Il s’agit d’utiliser différentes méthodes d’Intelligence Artificielle pour analyser une base de données des défauts de revêtements sur les tubes transportant du gaz Il y a deux parties dans mon travail La première partie, consistait étudier la présence de la corrosion sur les défauts de revêtement en utilisant des méthodes qui peuvent faire la prédiction de la corrosion telles que les réseaux de neurones, les arbres de décision, les machines vecteur support, k-plus proches voisins, etc Ces méthodes non-explicatives ne sont pas capables d’expliquer les causes de la corrosion Et dans la deuxième partie, j’ai utilisé la méthode de réseaux bayésiens pour expliquer les causes de la corrosion sur les canalisations en analysant les relations découvertes entre les variables de la base de données Abstract In my second year at the Information Technology Institute of the Francophone in Vietnam, I’ve prepared the master program on IT I have an internship at Gaz de France - Research Direction, in the Pole Statistics and artificial Intelligence I’ve been working for months on the subject “Applying the artificial intelligence method on the data analysis of the gas pipelines” The internship objective is to indicate some interesting information concerning the corrosion problem on the gas pipelines It is a question of using various Artificial Intelligence methods to analyze a database of the coatings defects on the tubes transporting of gas There are two parts in my work The first part, I studied the presence of corrosion on the coatings defects by using the methods, which can predict corrosion problem such as Neural Network, Decision Tree, Support Vector Machine, and K-Nearest Neighbors etc However, these methods cannot be good explanations for the corrosion problem Therefore, in the second part, I use the Bayesian Network method to explain the causes of corrosion on the tubes by analyzing the found relationship among the variables of data CHU Thanh-Quang Page sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation TABLE DES MATIERES PRESENTATION DE L’ENTREPRISE 1.1 Présentation de Gaz de France 1.1.1 Organisation 1.1.2 Ambition 1.1.3 Activités 1.1.3.1 Acheter 1.1.3.2 Vendre 1.1.3.3 Produire 1.1.3.4 Etre leader du GNL en Europe 1.1.3.5 Gérer des infrastructures 1.1.4 Recherche et Développement 1.2 Présentation de la Direction de la Recherche 1.2.1 Organisation 1.2.1.1 Entités support 1.2.1.2 Matrice Recherche et Développement 1.2.2 Chiffres-clés 1.2.3 Accueil des stagiaires 10 CONTEXTE DU STAGE 11 2.1 Généralités 11 2.1.1 Corrosion électrochimique 11 2.1.2 Canalisations de transport de gaz et leur protection contre la corrosion 11 2.1.2.1 Protection par revêtement externe 11 2.1.2.2 Protection cathodique 12 2.1.3 Méthodes de détection de la corrosion 12 2.1.3.1 Piston instrumenté – inspection de la corrosion par voie interne 12 2.1.3.2 Excavation – inspection directe de la corrosion externe 12 2.1.3.3 Mesures de surface 12 2.1.4 Fiche de constat sur Fouille 12 2.2 Projet PRCI&IA 13 2.3 Base de données REX (Retour d’Expérience) 13 2.4 Objectifs du stage et déroulement des travaux 14 2.5 Logiciels utilisés 14 2.5.1 2.5.2 Statistica 14 BayesiaLab 14 ETUDES DES METHODES D’INTELLIGENCE ARTIFICIELLE 15 3.1 Réseaux de neurones 15 3.1.1 3.1.2 3.1.3 Introduction 15 Perceptron multicouche 16 Réseaux de fonction base radiale 16 3.2 Arbre de décision 17 3.2.1 3.2.2 Introduction 17 Exemple 18 CHU Thanh-Quang Page sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation 3.3 Machine vecteurs supports 19 3.3.1 3.3.2 Introduction 19 Notes techniques 20 3.4 K-plus proches voisins 20 3.4.1 3.4.2 Classification 20 Régression 20 3.5 Classifieurs Naïfs bayésiens 21 3.5.1 3.5.2 Introduction 21 Exemple 21 3.6 Réseaux bayésiens 23 3.6.1 3.6.2 3.6.3 Introduction 23 Exemple très simple dans la modélisation des risques 23 Construction et utilisation des réseaux bayésiens 24 3.7 Comparaison des méthodes d’intelligence artificielle 25 TRAVAIL EFFECTUE 26 4.1 Définition du problème d’analyse de données de canalisation 26 4.1.1 Définir le problème de détection de la corrosion 26 4.1.1.1 Essayer la prédiction de l’atteinte au métal 26 4.1.1.2 Essayer la prédiction de la corrosion 27 4.1.2 Réduire le nombre de variables analyser 27 4.2 Pré-traitement de données 28 4.2.1 Objectifs 28 4.2.2 Problèmes liés aux données 28 4.2.2.1 Taille de données 28 4.2.2.2 Valeurs manquantes 28 4.2.2.3 Incohérence de données 28 4.2.2.4 Déséquilibre de données 29 4.2.3 Solutions 29 4.2.3.1 Gestion des valeurs manquantes 29 4.2.3.2 Rectification des données incohérentes 29 4.2.3.3 Réplication des corrosions 29 4.3 Analyse des données par les méthodes de classification 30 4.3.1 Construction des modèles d’analyse de données 30 4.3.1.1 Echantillonnage de données avec différentes tailles de données 30 4.3.1.2 Apprentissage des modèles de classification 31 4.3.1.3 Choix des critères de comparaison entre les méthodes 31 4.3.2 Analyse des résultats 32 4.3.2.1 Influence de la taille d’échantillon sur le taux de classification 32 4.3.2.2 Taux de classification de l’ensemble de test et de l’ensemble global 33 4.3.2.3 Taux de classification des classes corrosion et non-corrosion 34 4.4 Analyse des données par Réseaux bayésiens 35 4.4.1 Discrétisation des variables continues 36 4.4.1.1 Discrétisation « égales distances » 36 4.4.1.2 Discrétisation « égales fréquences » 36 4.4.1.3 Discrétisation manuelle 37 4.4.1.4 Rectification de discrétisation 38 4.4.2 Apprentissage sans échantillonnage et comparaison des réseaux différents 39 CHU Thanh-Quang Page sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation 4.4.3 Analyse des résultats 40 4.4.3.1 Analyse des relations découvertes 40 4.4.3.2 Analyse des causes de la corrosion 41 4.4.3.3 Analyse des évidences et des contradictions dans les observations 44 4.4.3.4 Exécution des requêtes sur réseaux bayésiens 45 4.4.3.5 Echantillonnage de données, calcul de la performance des réseaux bayésiens 47 4.4.4 Conclusion sur les réseaux bayésiens 50 PERSPECTIVES POUR LA POURSUITE DES RECHERCHES 51 5.1 Amélioration des données d’entrées 51 5.2 Intégration des connaissances de l’expert dans le processus d’apprentissage du réseau bayésien 51 5.3 Simulation temporelle de la corrosion 51 BILAN DU STAGE 52 GLOSSAIRE 53 LISTE DES TABLEAUX 54 LISTE DES FIGURES 55 10 BIBLIOGRAPHIE 56 11 ANNEXE 57 11.1 Description de la base de Rex 57 11.2 Incohérences de données dans la base de Rex 62 11.3 Règles d’intégrité de la base de Rex 62 11.4 Sélection des variables pour le problème de classification 64 11.5 Rapport d’analyse des relations des variables 65 11.5.1 11.5.2 11.5.3 11.5.4 Discrétisation égales distances 65 Discrétisation égales fréquences 66 Discrétisation manuelle 67 Discrétisation manuelle rectifiée 68 11.6 Rapport d’analyse de la variable Corrosion 70 11.6.1 11.6.2 11.6.3 11.6.4 Discrétisation égales distances 70 Discrétisation égales fréquences 73 Discrétisation manuelle 76 Discrétisation manuelle rectifiée 80 CHU Thanh-Quang Page sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation PRESENTATION DE L’ENTREPRISE 1.1 Présentation de Gaz de France Gaz de France est un acteur majeur de l'énergie en Europe Le Groupe produit, transporte, distribue et commercialise du gaz, de l'électricité et des services auprès de 13,8 millions de clients (particuliers, entreprises, collectivités) 1.1.1 Organisation Le management de Gaz de France repose sur un Comité exécutif et Branches opérationnelles Quatre fonctions de pilotage sont également rattachées au Président Directeur Général: stratégie, communication, audit et risques et délégation aux cadres dirigeants Groupe L'organisation opérationnelle du Groupe s'articule aujourd'hui autour d'un Comité exécutif, organe de pilotage du groupe Gaz de France et de Branches opérationnelles: Approvisionnements et Production, Infrastructures, Clientèles, International 1.1.2 Ambition Gaz de France a pour ambition de fournir de l'énergie et des services ses clients au meilleur prix, de s'imposer comme un gestionnaire d'infrastructures de référence en Europe, d’être un acteur engagé du développement durable et de créer de la valeur pour ses actionnaires 1.1.3 Activités Le Groupe produit, transporte, distribue et vend du gaz, de l'électricité et des services auprès de 13,8 millions de clients (particuliers, entreprises, collectivités locales) en Europe Il intervient sur l'ensemble de la chaîne gazière 1.1.3.1 Acheter Gaz de France est le 4ème acheteur mondial de gaz naturel et dispose du portefeuille d'approvisionnement le plus diversifié en Europe C'est pourquoi Gaz de France peut garantir ses clients la fourniture d'une énergie compétitive 1.1.3.2 Vendre Gaz de France vend ses clients du gaz, de l'électricité et des services en France et en Europe Le Groupe est le 3ème opérateur de services énergétiques en France et le 2ème en Italie 1.1.3.3 Produire Etre producteur est le fruit d'une politique volontariste de diversification du portefeuille d'approvisionnements du Groupe Depuis 2005, Gaz de France produit également de l'électricité 1.1.3.4 Etre leader du GNL en Europe Gaz de France est le 2ème acteur du gaz naturel liquéfié (GNL), le 2ème opérateur de réception de GNL en Europe et le 5ème importateur mondial En 2005, le GNL a représenté 26 % des approvisionnements de long terme de Gaz de France CHU Thanh-Quang Page sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation 1.1.3.5 Gérer des infrastructures Gaz de France investit significativement sur son réseau en France et renforce ses positions en Europe, pour s'imposer comme un gestionnaire d'infrastructures de référence 1.1.4 Recherche et Développement La Direction de la recherche de Gaz de France joue un rôle décisif car elle prépare l'avenir du Groupe en anticipant les évolutions et en contribuant construire des avantages concurrentiels Les priorités de la Direction de la recherche de Gaz de France sont la sécurité, la performance économique (tant pour Gaz de France que pour ses clients), la construction d'avantages concurrentiels pour les activités commerciales du Groupe et la préparation de l'avenir énergétique dans une perspective de développement durable 1.2 Présentation de la Direction de la Recherche La Direction de la Recherche est le Centre de recherche de Gaz de France, modèle choisi d'une R&D intégrée au Groupe, dont la finalité est d'apporter son expertise sur tous les métiers du domaine gazier et de l'énergie, de façon favoriser le développement du Groupe comme la DR le fait depuis l'origine de Gaz de France Le centre de recherche est réparti sur sites, tous les dédiés la recherche appliquée : l'un situé Saint Denis et l'autre Alfortville (France) Des programmes de recherche fondamentale sont également menés en partenariat avec des organismes comme le CNRS, des grandes écoles et des universités, des fondations ou des pôles de compétitivité Gaz de France joue également un rôle majeur dans la recherche énergétique européenne et figure parmi les leaders mondiaux de la recherche gazière La Direction de la recherche de Gaz de France a environ de 590 collaborateurs et effectue 40 % des recrutements ingénieurs chez Gaz de France 1.2.1 Organisation La Direction de la Recherche est organisée selon une structure matricielle constituée d'un axe «programme de recherche» et d'un axe «compétences» Les programmes de recherche couvrent l'ensemble de la chaîne gazière : Gaz Naturel Liquéfié (GNL), Transport, Distribution, Clients Industriels, Clients Résidentiels et Tertiaires, Nouveaux Marchés, Etudes Economiques et Générales Ils incluent les 80 projets de recherche définis par le Contrat de Recherche triennal 1.2.1.1 Entités support Le Département DCG (Contrôle de Gestion), les Missions MICIV (Connaissance Information Veille), MiRIC (Mission Relations Institutionnelles et Communication), MQHSE (Qualité Sécurité Environnement et Normalisation), la Mission Valorisation et le pôle RH apportent leur support aux départements CHU Thanh-Quang Page sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation 1.2.1.2 Matrice Recherche et Développement Les compétences nécessaires la mise en oeuvre de ces projets sont regroupés dans départements, le département réseaux (DRX), le département utilisations (DU) et le département économie et traitement de l'information (DETI), constitués de 17 pôles de compétence Le fonctionnement de la matrice peut être illustré par le projet PRCI auquel j’ai contribué Ce projet s’inscrit dans le cadre du programme Transport La majorité des personnes qui y participent, font partie du Pôle Techniques de Transport au sein du Département Réseaux, qui rassemble les compétences dans le domaine des canalisations et de la corrosion, mais ma responsable de stage appartient au Pôle Statistiques Intelligence Artificielle du département Economie et Traitement de l’Information regroupant les personnes avec les compétences en analyse de données, apprentissage automatique etc Figure 1: Organisation matricielle de la Direction de Recherche 1.2.2 Chiffres-clés - 600 personnes dont 510 chercheurs et techniciens - thésards sur le site, une dizaine d'autres en laboratoires sous contrat avec le Centre de Recherche - 100 stagiaires des grandes écoles d'ingénieurs et des universités (DESS, DEA, doctorat) - 123 partenariats industriels - 97 contrats de recherche - 11 contrats-cadre de travail commun avec des institutionnels (Ademe, CNRS ) - 15 projets européens en cours financés par l'Europe dans le cadre du Programme Cadre de Recherche et Développement (PCRD) - 200 brevets en vigueur en France, 600 l'étranger CHU Thanh-Quang Page sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation 1.2.3 Accueil des stagiaires La Direction de la Recherche de Gaz de France accueille régulièrement de nombreux stagiaires L’habitude de travailler avec des stagiaires rend leur accueil chaleureux et facilite leur intégration au sein de leur équipe de travail Les stagiaires ont de nombreux avantages au sein de cette entreprise, comme le temps de travail de 35 heures par semaine, le restaurant du site prix correct, la possibilité d’accéder la bibliothèque, la vidéothèque etc… CHU Thanh-Quang Page 10 sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation Revêtement surface_du_défaut_de_revêtement 0,144441 0,0963 0,0345 protection_mécanique année_de_pose 0,136175 0,0908 0,2418 Classe_décollement surface_du_métal_à_nu 0,110876 0,0739 -0,0608 Classe_décollement Topographie 0,103446 0,0689 -0,0425 Revêtement DN 0,101536 0,0677 -0,1821 Ec_on_continu Ep_off_continu 0,097192 0,0648 0,1397 nature_du_site résistivité_du_sol 0,092779 0,0618 0,0289 présence_d'un_dépôt nature_du_sol 0,090218 0,0601 -0,0893 présence_d'un_dépôt Topographie 0,086772 0,0578 0,1180 présence_d'un_dépôt Ep_off_continu 0,076891 0,0512 0,0412 année_de_pose cote_de_charge 0,076236 0,0508 0,2233 présence_d'un_dépôt Classe_décollement 0,064877 0,0432 0,0183 année_de_pose Ec_on_continu 0,062551 0,0417 -0,0829 présence_d'un_dépôt surface_du_défaut_de_revêtement 0,051796 0,0345 0,0254 présence_d'un_dépôt atteinte_au_métal 0,040846 0,0272 0,1192 Revêtement Présence_d'eau 0,038259 0,0255 -0,0985 Revêtement atteinte_au_métal 0,025153 0,0168 0,1366 Tableau 11: Rapport des relations de la méthode discrétisation manuelle 11.5.4 Discrétisation manuelle rectifiée Parent Enfant Distance de Kullback-Leibler Poids relatif Corrélation de Pearson age_de_canalisation année_de_pose 1,957804 1,0000 -0,9590 Revêtement revêtement_au_droit_du_défaut 0,740855 0,3784 0,4319 année_de_pose Revêtement 0,554754 0,2834 0,2979 Surface_du_défaut_de_revêtement surface_du_métal_à_nu 0,387339 0,1978 0,4926 Atteinte_au_métal Corrosion 0,384465 0,1964 0,7880 année_de_pose DN 0,213739 0,1092 0,1777 CHU Thanh-Quang Page 68 sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation année_de_pose Ec_on_continu 0,203977 0,1042 -0,2085 Surface_du_défaut_de_revêtement Classe_décollement 0,190250 0,0972 0,1194 année_de_pose protection_mécanique 0,175266 0,0895 -0,2360 année_de_pose Origine 0,166843 0,0852 -0,1179 Revêtement_au_droit_du_défaut défaut_localisé_sur 0,157613 0,0805 0,1200 protection_mécanique nature_du_site 0,156735 0,0801 0,0709 nature_du_site nature_du_sol 0,154962 0,0792 0,0892 Revêtement surface_du_défaut_de_revêtement 0,142315 0,0727 -0,0861 année_de_pose cote_de_charge 0,118113 0,0603 0,3520 DN Revêtement 0,115721 0,0591 0,2116 Ep_off_continu DN 0,111796 0,0571 -0,1281 Classe_décollement surface_du_métal_à_nu 0,110863 0,0566 0,1878 Ec_on_continu Ep_off_continu 0,110428 0,0564 0,0343 Classe_décollement Topographie 0,103421 0,0528 -0,0425 nature_du_site résistivité_du_sol 0,102504 0,0524 0,1475 nature_du_sol Présence_d'un_dépôt 0,090218 0,0461 -0,0893 résistivité_du_sol Ec_on_continu 0,086796 0,0443 0,0293 présence_d'un_dépôt Topographie 0,086688 0,0443 0,1179 présence_d'un_dépôt Ep_off_continu 0,074463 0,0380 0,1007 présence_d'un_dépôt Classe_décollement 0,064902 0,0332 0,0183 présence_d'un_dépôt surface_du_défaut_de_revêtement 0,051589 0,0264 0,0570 présence_d'un_dépôt atteinte_au_métal 0,040247 0,0206 0,1181 Revêtement Présence_d'eau 0,037951 0,0194 -0,1029 Revêtement atteinte_au_métal 0,024240 0,0124 0,1376 Tableau 12: Rapport des relations de la méthode discrétisation manuelle rectifiée CHU Thanh-Quang Page 69 sur 82 Application des méthodes d'intelligence artificielle l'analyse des données de canalisation 11.6 Rapport d’analyse de la variable Corrosion 11.6.1 Discrétisation égales distances corrosion = NO (86,65%) Nœud Info Import mutuelle relative binaire binaire Valeur modale Valeur modale a priori Variation Variation positive maximale atteinte_au_mét al 0,3853 1,0000 NO 92,46% NO 80,11% 0,2068 NO présence_d'un_ dépôt 0,0198 0,0514 UNK 49,40% UNK 46,49% Revêtement 0,0099 0,0257 Coal Tar 78,14% Coal Tar revêtement_au_ droit_du_défaut 0,0070 0,0182 Coal Tar 73,40% Coal Tar surface_du_déf aut_de_revêtem ent 0,0058 0,0151 -2717 86,18% >-2717 85,68% nature_du_sol 0,0009 0,0024 Clay 32,61% Clay 33,06% DN 0,0006 0,0017 200 0,83% Topographie 0,0002 0,0006 Flat Land 59,41% Flat Land 59,92% Ep_off_continu 0,0001 0,0002 30 57,29% age>30 56,53% 0,0192 age>30 0,76% 10< Age 30 51,62% age>30 56,53% -0,1311 10< Age 30 4,91% année_de_pose 0,0031 0,0080 51,62% Annee1000mm2 27,68% >1000mm2 résistivité_du_s ol 0,0000 0,0000 [...]... des donnộes de canalisation 3 ETUDES DES METHODES DINTELLIGENCE ARTIFICIELLE Dans le domaine de data mining, les mộthodes dIntelligence Artificielle peuvent rộsoudre plusieurs types de problốmes comme la classification pour prộdire les valeurs catộgorielles des variables, la rộgression pour prộdire les valeurs numộriques des variables, etc En, gộnộral on les divise en deux groupes : mộthodes explicatives... Application des mộthodes d'intelligence artificielle l'analyse des donnộes de canalisation 4.3 Analyse des donnộes par les mộthodes de classification Dans cette partie, je prộsente les ộtapes danalyse de donnộes aprốs avoir prộtraitộ les donnộes Je me concentre sur le problốme de classification de corrosion en utilisant les mộthodes de classification classiques comme les rộseaux de neurones, les arbres de. .. sur lensemble de test ou mờme sur lensemble global de donnộes La Figure 19: Taux de classification de l'ensemble global est la comparaison des taux de classification entre les mộthodes sur lensemble global La Figure 20: Taux de classification de l'ensemble de test est la comparaison des taux de classification entre les mộthodes sur lensemble de test Le rộsultat des deux mộthodes darbre de dộcision et... Classification, des variables Rộgression Non catộgorielles Classifieurs Naùfs bayộsiens Catộgorielles Discrộtisation Classification des variables Non numộriques Rộseaux bayộsiens Catộgorielles Discrộtisation Classification des variables Oui numộriques Tableau 2: Bilan des mộthodes d'intelligence d 'artificielle CHU Thanh-Quang Page 25 sur 82 Application des mộthodes d'intelligence artificielle l'analyse des donnộes... par la mộthode des rộseaux bayộsiens CHU Thanh-Quang Page 35 sur 82 Application des mộthodes d'intelligence artificielle l'analyse des donnộes de canalisation 4.4.1 Discrộtisation des variables continues Comme je lai dộj expliquộ, les rộseaux bayộsiens peuvent manipuler seulement les donnộes catộgorielles Il faut donc faire une discrộtisation des variables continues Il existe trois mộthodes de discrộtisation... fonction des symptụmes d'un malade, on calcule la probabilitộ des diffộrentes pathologies compatibles avec ces symptụmes On peut aussi calculer la probabilitộ de symptụmes non observộs, et en dộduire les examens complộmentaires les plus intộressants CHU Thanh-Quang Page 24 sur 82 Application des mộthodes d'intelligence artificielle l'analyse des donnộes de canalisation 3.7 Comparaison des mộthodes dintelligence. .. sur 82 Application des mộthodes d'intelligence artificielle l'analyse des donnộes de canalisation 4.3.2.2 Taux de classification de lensemble de test et de lensemble global Avant le processus dapprentissage des mod les de classification, lensemble global de donnộes est lộchantillon total de donnộes Il est divisộ en deux parties: lensemble dapprentissage et lensemble de test Figure 19: Taux de classification... problốme dexplication des causes de la corrosion jai utilisộ la mộthode explicative des rộseaux bayộsiens Toutes ces mộthodes ont de nombreux paramốtres rộgler Le changement des paramốtres va influencer la taille de la mộmoire utilisộe, le temps dexộcution des algorithmes et le rộsultat obtenu Pour avoir de bons rộsultats avec des ressources matộrielles limitộes, il est nộcessaire de choisir les valeurs... 33 sur 82 Application des mộthodes d'intelligence artificielle l'analyse des donnộes de canalisation dans les deux cas Le rộsultat des deux mộthodes machine vecteurs supports et rộseaux de neurones sont diffộrents 4.3.2.3 Taux de classification des classes corrosion et non-corrosion A cause du dộsộquilibre du nombre dobservations entre deux classes corrosion et non-corrosion dans la base de donnộes... plus de fois dans ce cas CHU Thanh-Quang Page 34 sur 82 Application des mộthodes d'intelligence artificielle l'analyse des donnộes de canalisation 4.4 Analyse des donnộes par Rộseaux bayộsiens Les rộseaux bayộsiens sont une mộthode dintelligence artificielle explicative Cette mộthode est utilisộe dans ce stage pour expliquer les causes de la corrosion et pour analyser les relations entre les variables