Cas client

Leader mondial du transport

Optimisation de la maintenance de la plateforme ferroviaire

Secteur d'activité

Transport

Expertise(s)

Data Science & AI

Contexte

Acteur clé du développement de l’offre ferroviaire d’un lead mondial du transport, le client est le gestionnaire d’infrastructure d’un réseau ferré composé de près de 28 000 km de lignes. Ses missions consistent à entretenir, moderniser, développer et exploiter le réseau ferré.

 

Dans le cadre de sa mission d’entretien du réseau, le client établit régulièrement un diagnostic de l’état géomécanique de la plateforme ferroviaire, c’est-à-dire le terrain aménagé sur lequel repose la voie ferrée (composée du ballast, des rails et des traverses).

Enjeux

Une plateforme ferroviaire est découpée en tronçons de 200 mètres. Pour que le client puisse obtenir un diagnostic précis de la plateforme, un carottage du terrain de chaque tronçon est en théorie nécessaire.

 

Pour des questions de coût et de temps de réalisation, le client ne peut pas procéder au carottage de tous les tronçons. De ce fait, en fonction des actions menées sur le terrain, un tronçon peut donc se voir affecter un statut parmi les trois statuts possibles :

  • P1 : Tronçon à absence de désordre constaté ;
  • P2 : Tronçon avec insuffisance d’information pour statuer sur l’état de la plateforme ;
  • P3 : Tronçon à désordre(s) constaté(s).

 

A noter que dans la majorité des cas, le statut P2 est affecté aux tronçons n’ayant pas fait l’objet d’un carottage du terrain.

 

L’enjeu principal du client est donc de déterminer si les tronçons possédant un statut P2 font ou pas l’objet de désordres et cela à partir des informations disponibles et en limitant le plus possible le recours au carottage des terrains.

#WeHelpDataPeople

DES BESOINS ET DES
ENJEUX SIMILAIRES ?

Démarche et réalisations

Aubay Data & AI a réalisé un accompagnement Data Science & AI auprès de l’équipe (composée de 40 personnes liées aux métiers de la géoscience) en charge de l’aide à la décision pour la maintenance des voies ferroviaires afin de proposer une solution sur base des données disponibles au sein du système d’information (SI).

 

  • Identification et analyse des données disponibles sur les tronçons au sein du SI du client : géométrie de la voie, données environnementales, description et état de la voie, historique des maintenances, …
  • Entraînement de plusieurs modèles de Machine Learning (classification) pour identifier des relations « cachées » entre les variables additionnelles disponibles et l’état géomécanique des tronçons ayant fait l’objet de carottages ;
  • Sélection du modèle le plus performant (Support Vector Classifier) grâce un choix de métriques adaptées au problème ;
  • Application du meilleur modèle aux tronçons n’ayant pas fait l’objet de carottage afin de prédire leur état géomécanique.

 

Bénéfices

  • Prédiction de l’état des tronçons non diagnostiqués physiquement avec une précision supérieure à 90%
  • Mise en œuvre d’une solution sans coût supplémentaire significatif grâce l’exploitation maximale des données déjà disponibles au sein du SI

Découvrez nos autres cas clients