Congrès INFRA 2020
30 novembre au 2 décembre - Édition virtuelle
Biographie des conférenciers
Naysan Saran est la co-fondatrice de CANN Forecast (CANN), une entreprise qui met l'apprentissage automatique au service de la gestion proactive de l’eau. CANN collabore avec des partenaires tels que l'Université McGill, le MILA, et une dizaine de municipalités à travers le Canada.
Avant de fonder CANN, Naysan a travaillé comme programmeuse scientifique à Environnement Canada. Elle possède une formation en génie informatique de l’École Polytechnique de Montréal, ainsi qu’en mathématiques à l’université McGill.
Hermann Tchougourou est titulaire d'un Baccalauréat en Génie de la construction, de l’École de Technologie Supérieure de Montréal, puis d'une maîtrise en Génie civil et infrastructures urbaines, de l'Université de Cergy-Pontoise en France. Ingénieur en Génie-civil, il travaille au Service de l’eau de la Ville de Montréal depuis 2014, en planification des investissements et gestion d'actifs. Il cumule une quinzaine d’années d’expériences en construction, dont une dizaine dans le domaine municipal. En parallèle à ses activités professionnelles, M. Tchougourou effectue présentement un doctorat à l'ÉTS sur l'optimisation des indicateurs d’état et de la gestion intégrée des infrastructures urbaines d'eau et de voirie.
Résumé de conférence
Utiliser une approche par cohortes de conduites pour mieux prédire la dégradation du réseau d’eau potable
Naysan Saran, Hermann Tchougourou, Abdelghani Yousfi, Nestor Chacon, Driss Ellassraoui, Nicolas St-Gelais, Normand Hachey
La bonne gestion d’un réseau de distribution d’eau potable requiert d’anticiper comment le réseau va se dégrader à court et moyen termes. Cependant, prédire la dégradation du réseau de distribution d’eau potable est une tâche hautement complexe et incertaine. La raison principale est que les conduites se détériorent de manière différente, dépendamment à la fois de leurs caractéristiques physiques et structurelles, mais aussi de divers facteurs environnementaux et opérationnels.
Plusieurs études ont identifié que la modélisation par cohorte de tuyaux: ensembles de conduites partageant des caractéristiques physiques, environnementales et opérationnelles similaires, et donc des courbes de dégradations semblables, permet une meilleure prédiction de la dégradation.
Par contre, identifier les différentes cohortes présentes dans le réseau est une tâche presque impossible à réaliser manuellement à cause de la multitude de combinaisons de facteurs possibles. Les techniques d’apprentissage automatique non supervisé offrent l’avantage d’isoler les cohortes les plus à risque. Une fois celles-ci identifiées, il devient possible (a) de développer des meilleures courbes de dégradation pour celles-ci, (b) d’obtenir une meilleure estimation de la dégradation des actifs dans le temps et ainsi (c) de les prioriser lors des opérations de réhabilitation et de maintenance.
