Todos los operadores de redes enterradas conocen bien el problema de un golpe accidental de una excavadora que daña un bien enterrado. El tema es delicado en GRDF, debido a los riesgos de seguridad que estos errores necesariamente plantean para un operador especializado en el transporte de gas. De ahí el interés en el análisis de datos que permita, mediante la construcción de un modelo predictivo específico, reducir los riesgos. En Francia, todas las obras cerca de redes enterradas están sujetas a una declaración previa del director del proyecto, así como a una declaración de intención de iniciar las obras (DICT), por parte del ejecutor responsable de la obra. sitio de construcción. Este formulario Cerfa, que contiene aproximadamente 150 datos por sitio (naturaleza del trabajo, técnicas utilizadas, etc.), se transmite electrónicamente a los operadores de red que responden con los planos de sus instalaciones afectadas por la huella del sitio. así como con sus recomendaciones basadas en la naturaleza del trabajo.

Dirigir visitas de inspección a sitios de riesgo

“Pero esto no es suficiente para eliminar todos los riesgos, por ejemplo cuando no se respetan las zonas de incertidumbre relativas a la ubicación de los equipos”, observa Jean de la Fayolle, responsable de ciencia de datos de GRDF, que habló recientemente durante un evento organizado por la editorial. Dataiku. De ahí la idea de construir un modelo predictivo que permita orientar mejor las visitas al sitio realizadas por los inspectores de GRDF. Para ello, el operador responsable del transporte de gas en las redes de distribución comenzó en 2020 a entrenar modelos sobre diversos datos complementarios: datos no estructurados de las declaraciones de trabajo, datos espaciales basados ​​en las declaraciones de trabajo. huella, datos del mapeo de la red (que permiten especificar, por ejemplo, si una tubería está protegida, el año de su instalación, etc.) y el historial de daños.

Jean de la Fayolle, director de ciencia de datos de GRDF: “visitando sólo el 4 % de las obras de construcción, logramos abordar el 50 % de los daños futuros”. (Foto: RF)

Desde 2023, el metamodelo así construido - y que reúne diferentes modelos basados ​​en datos de diferentes tipos - analiza en vivo las 5.000 a 6.000 declaraciones que GRDF recibe cada día, para predecir los riesgos de daños, mediante la puntuación diaria de las obras. "Al visitar sólo el 4 % de las obras de construcción, conseguimos abordar el 50 % de los daños futuros", afirma Jean de la Fayolle.

Abordar los desequilibrios de clases

Desarrollado en Dataiku, una herramienta que GRDF ha utilizado desde mediados de la década de 2010, el modelo predictivo fue complejo de entrenar debido al bajo número de daños reales por año. “Era necesario abordar los desequilibrios de clases (esto aumenta significativamente la dificultad de aprendizaje mediante el algoritmo de clasificación, nota del editor) e integrar gradualmente los conocimientos empresariales, lo que resultó muy útil para mejorar el modelo”, especifica el responsable de Data Science. En 2021 y 2022, el operador trabajó en iteraciones de su modelo, antes de utilizar los resultados en un panel. GRDF planea integrar la puntuación directamente en su aplicación de visitas al sitio (Protys) a partir de 2024, con el fin de convertirla en una herramienta más cercana al campo y optimizar su valor.