Etablissement d'enseignement supérieur, forme des ingénieur dans le domaine de l'eau et de  l'environnement, le satge se fera dans le cadre de la chaire REFONDRRE. 

Stage de recherche M2

Analyse des modes de défaillance des r´eseaux d’eau potable à l’aide des méthodes d’apprentissage sur graphes

Description du sujet

Les r´eseaux de distribution d’eau potable constituent des infrastructures critiques dont la fiabilit´e est essentielle pour assurer la continuit´e du service et la s´ecurit´e sanitaire. Les conduites de ces r´eseaux peuvent ˆetre affect´ees par diff´erents modes de d´efaillance, tels que les ruptures circulaires, longitudinale, probl`emes li´es aux joints ou encore la corrosion. Ces d´efaillances r´esultent g´en´eralement d’une combinaison de facteurs li´es aux caract´eristiques des conduites (mat´eriau, diam`etre, ˆage), aux conditions environnementales ainsi qu’aux propri´et´es structurelles du r´eseau.

Dans la litt´erature, l’analyse des d´efaillances des r´eseaux d’eau potable repose majoritairement sur des approches statistiques ou d’apprentissage automatique mod´elisant les r´eseaux via les conduites de mani`ere ind´ependante sous forme tabulaire [2, 3]. De fait, ces approches prennent rarement en compte la dimension structurelle et spatiale du r´eseau. Or, un r´eseau d’eau potable peut naturellement ˆetre repr´esent´e sous la forme d’un graphe dans lequel les conduites correspondent aux arˆetes et les jonctions aux nœuds. Cette repr´esentation permet d’exploiter des m´ethodes issues de l’apprentissage sur graphes afin de mod´eliser simultan´ement les caract´eristiques des conduites et la structure topologique du r´eseau [1, 4].

L’objectif de ce stage est d’explorer l’apport des m´ethodes d’apprentissage sur graphes pour l’analyse des modes de d´efaillance dans les r´eseaux de distribution d’eau potable. Il s’agira en particulier d’´etudier dans quelle mesure les propri´et´es topologiques et spatiales du r´eseau peuvent contribuer `a expliquer la distribution et la nature des d´efaillances observ´ees.

Le travail se d´eroulera en plusieurs ´etapes. Dans un premier temps, une revue de la litt´erature sera r´ealis´ee afin d’identifier les approches existantes utilisant les graphes et l’apprentissage sur graphes pour l’analyse des infrastructures de r´eseaux. Dans un second temps, une analyse exploratoire des donn´ees de d´efaillance sera conduite afin de caract´eriser les relations entre les propri´et´es des conduites et les modes de d´efaillance observ´es. Enfin, le r´eseau sera mod´elis´e sous forme de graphe enrichi, int´egrant `a la fois les attributs des conduites et des informations spatiales ou structurelles. Cette repr´esentation permettra d’explorer diff´erentes m´ethodes d’apprentissage sur graphes pour analyser ou pr´edire les modes de d´efaillance.

Les r´esultats attendus devraient contribuer `a une meilleure compr´ehension des m´ecanismes spatiaux et structurels associ´es aux d´efaillances des conduites et ouvrir des perspectives pour le d´eveloppement d’outils d’aide `a la d´ecision dans le cadre de la gestion patrimoniale des r´eseaux d’eau potable.

Mots-cl´es : r´eseaux d’eau potable, d´efaillance de conduites, analyse spatiale, graphes, apprentissage sur graphes, Graph Neural Networks, gestion patrimoniale

Environement

Le stage prend place dans le cadre de la chaire Refondrre port´ee par l’ENGEES et Saint Gobain PAM. Les donn´ees disponibles sont fournies par les collectivit´es participant `a la chaire. Le stage aura lieu `a l’ENGEES `a Strasbourg. Le stagiaire sera encadr´e par Leatitia Ntsamo et Florence Le Ber.

Candidat

Formation : master ou ing´enieur en informatique, sp´ecialit´e IA ou science des donn´ees.

Connaissannces sp´ecifiques : M´ethodes d’analyse de graphes, approches neuronales. Languages: Python.

1

Pour postuler

• un CV,
• une lettre de motivation (max. 1 page)
• Une transcription des notes pour l’année courante (M2) et le relevé de notes du M1

References

1. William L. Hamilton. Graph Representation Learning. Morgan and Claypool, 2020.
2. Yakov Kleiner and Balvant Rajani. Comprehensive review of structural deterioration of water mains: statistical models. Urban Water, 3(3):131–150, 2001.
3. Balvant Rajani and Yakov Kleiner. Comprehensive review of structural deterioration of water mains: physically based models. Urban Water, 3(3):151–164, 2001.
4. Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang, and Philip S. Yu. A comprehensive survey on graph neural networks. IEEE Transactions on Neural Networks and Learning Systems, 32(1):4–24, 2020.

• Étudiant(e) en Master 2 (Bac +5) en Informatique, sciences des données ou recherche opérationnelle
• Maîtrise d'outils comme Python, R, ou des logiciels SIG (QGIS, ArcGIS).
• Intérêt pour les infrastructures urbaines.
• Qualités : Autonomie, rigueur analytique, capacité de synthèse, et bon relationnel pour interagir avec des partenaires externes. Disponibilité pour des déplacements occasionnels.
• Niveau d'anglais : B1