| DC Field | Value | Language |
|---|
| dc.contributor.author | BOUMAGOUDA, WAil | - |
| dc.contributor.author | NEDJAH, MOhammed NAzih | - |
| dc.date.accessioned | 2024-09-23T09:06:51Z | - |
| dc.date.available | 2024-09-23T09:06:51Z | - |
| dc.date.issued | 2024 | - |
| dc.identifier.uri | https://repository.esi-sba.dz/jspui/handle/123456789/623 | - |
| dc.description | Supervisor : Mr. Khaldi Belkacem Co-Supervisor : Mr. Nafaai Mohammed | en_US |
| dc.description.sponsorship | Predictive maintenance Predictive Maintenance (PdM) has emerged as a pivotal strategy
in the oil and gas industry, aiming to enhance operational efficiency and minimize unplanned
downtime. This thesis investigates the implementation of PdM using Machine
Learning techniques at the Hassi Messaoud oil wells. By analyzing current maintenance
practices, collecting relevant data, and developing predictive models, this study evaluates
the effectiveness of PdM in predicting equipment failures and optimizing maintenance
schedules. The findings demonstrate significant improvements in cost savings, operational
efficiency, and reliability compared to traditional maintenance methods. Furthermore, the
study explores the integration of Internet of Things (IoT) sensors for real-time data acquisition,
enhancing the accuracy and responsiveness of PdM systems. Practical recommendations
for the implementation of PdM in the oil industry are also provided, emphasizing
the importance of data quality and security. ***
La maintenance prédictive (PdM) est devenue une stratégie essentielle dans l’industrie pétrolière
et gazière, visant à améliorer l’efficacité opérationnelle et à minimiser les temps d’arrêt imprévus.
Cette thèse examine la mise en oeuvre les techniques d’Apprentissage Automatique de
PdM dans les puits de pétrole de Hassi Messaoud. En analysant les pratiques de maintenance
actuelles, en collectant des données pertinentes et en développant des modèles prédictifs, cette
étude évalue l’efficacité de la PdM dans la prédiction des défaillances des équipements et l’optimisation
des calendriers de maintenance. Les résultats montrent des améliorations significatives
en termes d’économies de coûts, d’efficacité opérationnelle et de fiabilité par rapport aux méthodes
de maintenance traditionnelles. Des recommandations pratiques pour la mise en oeuvre de
la PdM dans l’industrie pétrolière sont également fournies. | en_US |
| dc.language.iso | en | en_US |
| dc.subject | PdM | en_US |
| dc.subject | Machine Learning | en_US |
| dc.subject | Oil And Gas | en_US |
| dc.title | Predictive Maintenance in oil & gas Industry | en_US |
| dc.type | Thesis | en_US |
| Appears in Collections: | Ingenieur
|
