Fiabilité en fatigue des turbines hydrauliques en présence de données incertaines et dans un contexte imprecise

Le vieillissement, le mode d’exploitation et la fréquence des maintenances des équipements ont un impact sur les centrales hydroélectriques et affecte l’estimation de leur fiabilité et de leur durée de vie. Cette fiabilité dépend de plusieurs types de paramètres : les données de conception, le nombre des démarrages, les propriétés du matériel, les données estimées (prédiction taille fissures, …) et les données subjectives, telles que les hypothèses, les résultats des inspections périodiques, la qualité des réparations, les opinions des experts, leur crédibilité et les essais en laboratoire. Certaines de ces données proviennent de l’historique d’exploitation des parcs hydrauliques et sont concernées par l’obsolescence et par les incertitudes (systématiques et épistémiques). Dans d’autres cas les données sont disponibles pour certains types de turbines et ne le sont pas pour d’autres, ce qui complique d’avantage l’évaluation de la fiabilité en fatigue des turbines. Ce projet vise l’amélioration de la capacité de prédiction des fissures dans les turbines hydrauliques en améliorant la détermination de ses intrants et en développant des stratégies appropriées à chaque type de données, pour les adapter aux conditions d’exploitation actuelles puis les rendre modélisables et faciles à interpréter et à fusionner avec d’autres types de données, tenant compte des incertitudes qui leurs sont associées. En dernier lieu une stratégie permettant la projection des estimations de fiabilité obtenues pour les turbines ayant un maximum de données, sur des turbines avec moins de données disponibles, sera proposée. L’ensemble de ces stratégies et guides, permettra d’optimiser le mode d’exploitation et les plans de maintenance dans les centrales hydrauliques en prenant des mesures correctives anticipatoires avant l’atteinte des seuils critiques. D’un autre côté les stratégies proposées pour le traitement des données d’entrée du modèle de fiabilité peuvent être adoptées dans d’autres modules du projet PréDDIT.

Intern: 
Mounia Betrdaï
Superviseur universitaire: 
Souheil–Antoine Tahan
Province: 
Quebec
Secteur: 
Discipline: 
Programme: