Table des Matières
La détection de fuites par modèle physique compare les mesures du pipeline à la physique : un bilan matière ou un modèle transitoire en temps réel (RTTM) prédit les débits et pressions attendus, et une fuite apparaît comme un écart. Les méthodes data-driven apprennent le comportement normal dans l'historique SCADA et signalent les écarts. Les deux sont souvent combinées, la statistique ou le machine learning s'appliquant aux résidus du modèle.
Points clés
- La détection de fuites par calcul sur les pipelines de liquides est décrite dans l'API RP 1130. Elle couvre le bilan volumique et le bilan matière, les modèles transitoires, les ondes de pression, les méthodes statistiques et la reconnaissance de formes (Shaw et al., 2012).
- Toute méthode interne est limitée par ses instruments : avec des débitmètres précis à 1 %, aucun système interne ne peut détecter une fuite inférieure à 1 % du débit.
- Un modèle transitoire gère les démarrages et autres transitoires, mais mal configuré et mal calé, sa fiabilité est très faible.
- Les détecteurs data-driven disposent rarement de fuites réelles pour apprendre : les études ajoutent des fuites calculées à des données réelles ou s'entraînent sur des sorties de simulateur.
- Dans les rapports d'incidents américains de 2010 à mi-2012, un système de détection par calcul a été le premier à identifier 17 des 86 rejets de liquides dangereux sur des conduites où un tel système fonctionnait.
Que doit faire un système de détection de fuites ?
Une étude de 2012 réalisée par Kiefner and Associates pour la Pipeline and Hazardous Materials Safety Administration (PHMSA) américaine retient les quatre critères de performance de l'API 1155 (Shaw et al., 2012) :
- Sensibilité : la plus petite fuite détectée et le temps nécessaire pour déclencher l'alarme.
- Fiabilité : manquer le moins possible de fuites réelles et déclencher le moins possible de fausses alarmes.
- Précision : estimer correctement le débit de fuite et sa position.
- Robustesse : continuer à fonctionner quand un instrument ou une liaison de communication tombe en panne.
Ces objectifs s'opposent. Plus de sensibilité signifie plus de fausses alarmes, et l'étude avertit que trop de fausses alarmes constituent un danger en soi : les opérateurs perdent confiance et peuvent ignorer une vraie alarme. Elle recommande de combiner des méthodes internes, externes et d'inspection qui se complètent.
Quelles méthodes de détection de fuites existe-t-il ?
Les méthodes internes déduisent une fuite des mesures dont le pipeline dispose déjà : débit, pression, température et densité issues du SCADA. L'API RP 1130 couvre ces outils algorithmiques, qui aident l'opérateur à reconnaître les anomalies hydrauliques pouvant signaler une fuite. L'étude de la PHMSA les classe en trois groupes (Shaw et al., 2012) :
- Surveillance des données d'exploitation par les opérateurs : bilan volumique, vitesse de variation de la pression ou du débit, analyse de pression ponctuelle (pressure point analysis) et méthode de l'onde de pression négative.
- Surveillance de pipeline par calcul (CPM) : bilan matière avec correction du stock en conduite, modélisation transitoire en temps réel, reconnaissance statistique de formes, reconnaissance de formes pression/débit et modélisation de l'onde de pression négative.
- Méthodes d'analyse de données : méthodes statistiques et analyse numérique du signal.
Les méthodes externes ajoutent des capteurs dédiés le long de la conduite, comme des capteurs acoustiques, des câbles à fibre optique ou la thermographie infrarouge, et les méthodes visuelles comprennent les patrouilles, les chiens dressés et le passage de racleurs (Adegboye et al., 2019). Cet article traite des méthodes internes, car ce sont elles qui reposent sur les données SCADA.
Comment fonctionne la détection de fuites par modèle physique ?
Bilan volumique et bilan matière
Dans un pipeline sans fuite, la masse entrante moins la masse sortante est égale à la variation de la masse stockée dans la conduite, appelée stock en conduite (line pack). Tout déséquilibre supplémentaire indique une fuite. Un bilan volumique simple n'utilise que les compteurs de réception et de livraison ; il doit donc moyenner sur une longue période pour masquer les variations du stock en conduite. L'étude note que cette période devient très longue lors des démarrages, des changements de pression ou de produit, et sur la plupart des gazoducs.
Un bilan matière compensé calcule le stock en conduite à partir des profils de pression et de température et d'une équation d'état. Un modèle transitoire de toute la conduite donne les profils les plus précis.
Modèles transitoires en temps réel
Un RTTM résout en temps réel les équations complètes de l'écoulement, à partir des conditions aux limites fournies par le SCADA, pour tenir compte de la compressibilité du fluide, de l'élasticité de la paroi et de l'effet de la température sur la densité. Il détecte les fuites de deux façons principales : en comparant valeurs mesurées et valeurs simulées (analyse des écarts), ou en calculant le stock en conduite pour un bilan matière compensé par le modèle (Shaw et al., 2012).
Il continue de fonctionner pendant les transitoires, comme un démarrage. Mais l'étude indique que sa mise en œuvre tend à être complexe et qu'un RTTM mal configuré et mal calé aura inévitablement une fiabilité très faible. Une revue publiée dans Sensors qualifie l'approche transitoire de technique de détection de fuites la plus sensible, mais aussi la plus complexe, en usage (Adegboye et al., 2019).
Ondes de pression négatives
Une fuite soudaine envoie une chute de pression qui se propage vers l'amont et vers l'aval à la vitesse du son dans le fluide, et ses temps d'arrivée aux transmetteurs permettent de localiser la fuite. La première onde est brève : on la voit le mieux quand la pression est échantillonnée des dizaines ou des centaines de fois par seconde, alors que les cadences de scrutation SCADA habituelles ne captent que l'onde plus faible qui suit. Les ondes s'atténuent vite dans le gaz, la méthode convient donc aux conduites de liquides (Shaw et al., 2012). La revue de Sensors ajoute qu'elle est efficace surtout pour les fuites importantes et soudaines, et que les ondes de pression normales sont facilement confondues avec des fuites (Adegboye et al., 2019).
La limite commune : la précision des instruments
Toutes les méthodes internes dépendent du comptage, du SCADA et des télécommunications. L'étude de la PHMSA en donne le calcul : aucun système interne utilisant des compteurs précis à 1 % ne peut détecter une fuite inférieure à 1 % du débit, si bien qu'un pipeline de 100 000 barils par jour est aveugle aux fuites d'environ 1 000 barils par jour (Shaw et al., 2012). Un meilleur algorithme ne lève pas cette limite ; de meilleurs instruments, oui.
Comment fonctionne la détection de fuites data-driven ?
Les méthodes data-driven apprennent à quoi ressemble le fonctionnement normal et testent si les nouvelles données s'en écartent. Deux familles figurent déjà dans la classification de l'API RP 1130 :
- Les méthodes statistiques appliquent un test d'hypothèse, comme le test séquentiel du rapport de probabilité (SPRT), au déséquilibre volumique. Elles sont réglées en faisant tourner le système pendant deux à trois semaines d'exploitation sans fuite et en ajustant les seuils de confiance jusqu'à ce qu'aucune alarme ne soit déclenchée. L'alarme n'est alors pas liée à un pourcentage fixe du débit (Shaw et al., 2012).
- La reconnaissance de formes applique des classifieurs, dont le Bayes naïf, les classifieurs à maximum d'entropie et les réseaux de neurones, aux mesures ou aux déséquilibres calculés.
Des travaux récents appliquent le machine learning aux données SCADA. Un projet de licence de l'université d'Ibadan, publié ensuite sur arXiv, a utilisé quatre semaines de données SCADA d'un gazoduc d'environ 11 km au Nigeria, avec des fuites de 0,1 % à 10 % du débit ajoutées par calcul (Oshingbesan, 2022). Les modèles random forest et arbre de décision ont détecté une fuite de 0,1 % en deux heures environ, sans fausse alarme pendant les tests. Un modèle transitoire tiré de la littérature localisait les fuites plus précisément, et l'auteur propose d'utiliser ces modèles en complément d'un RTTM. Un article de conférence de 2026 entraîne des classifieurs random forest et XGBoost sur un écoulement diphasique huile-gaz simulé avec OLGA (Naanouh, 2026).
Les deux illustrent le problème central : les fuites réelles sont rares, donc l'entraînement et les tests reposent sur des fuites simulées. Nos guides sur les méthodes de détection d'anomalies et sur l'étiquetage des défaillances dans les séries temporelles expliquent comment construire et tester des détecteurs avec peu d'événements étiquetés.
Modèle physique ou data-driven : comment se comparent-ils ?
| Bilans et modèles transitoires | Méthodes statistiques et machine learning | |
|---|---|---|
| Construits à partir de | Lois de conservation, données de la conduite et du fluide, équation d'état | Historique SCADA du fonctionnement normal, parfois avec des fuites simulées |
| Point fort principal | Sens physique ; un RTTM fonctionne pendant les transitoires et aide à localiser les fuites | Pas besoin d'un modèle complet de la conduite ; seuils d'alarme adaptés au bruit normal |
| Point faible principal | Exige un bon comptage et une configuration et un calage soignés | Ne connaît que les conditions de ses données d'entraînement ; peu ou pas de fuites réelles pour apprendre |
| Localisation des fuites | Le RTTM et les méthodes à onde de pression peuvent localiser les fuites | Généralement plus faible ; s'appuie souvent sur un modèle ou sur le temps de propagation des ondes de pression |
| Entretien | Recalage, mises à jour du modèle, formation du personnel | Réentraînement après des changements d'exploitation ; suivi des fausses alarmes |
| Rôle habituel | Couche de détection principale | Couche ajoutée sur les résidus du bilan ou du modèle pour réduire les fausses alarmes |
L'étude met aussi en garde sur le coût : un RTTM est moins cher à mettre en place qu'un réseau acoustique complet sur un long pipeline, mais sur cinq ans, le personnel, la formation et les essais qu'il exige le rendent généralement bien plus coûteux (Shaw et al., 2012). Une couche data-driven demande le même suivi dans la durée. Notre article sur le comptage virtuel montre le même choix entre physique, données et hybride, appliqué aux débits de puits.
Quelle est l'efficacité réelle de la détection de fuites ?
L'étude de la PHMSA a analysé les rapports d'incidents déposés entre janvier 2010 et juillet 2012 (Shaw et al., 2012). Pour les pipelines de liquides dangereux :
- L'opérateur de conduite ou la salle de contrôle a identifié le rejet dans environ 17 % des cas.
- Un système CPM a été le premier à identifier 17 des 86 rejets (20 %) survenus alors qu'un tel système fonctionnait.
- Le SCADA a été le premier à identifier 43 des 152 rejets (28 %) survenus alors qu'il fonctionnait.
- Les services de secours et le public avaient plus de chances d'identifier un rejet que les patrouilles aériennes ou les équipes de l'exploitant.
Les auteurs ont aussi constaté que les procédures ont pu permettre aux opérateurs d'ignorer des alarmes, de redémarrer des pompes ou d'ouvrir des vannes lors de plusieurs des rejets les plus importants. La détection est autant une question d'hommes et de procédures que d'algorithmes.
Comment tester un système de détection de fuites ?
L'étude privilégie le retrait de produit de la conduite (essai de soutirage), qui nécessite des raccordements spéciaux et peut être inopiné afin de tester aussi les opérateurs. Les essais simulés, qui modifient des valeurs SCADA ou des facteurs de compteurs ou utilisent un modèle hydraulique transitoire, sont bien moins chers mais moins fiables (Shaw et al., 2012).
Aux États-Unis, le 49 CFR 195.444 impose aux pipelines de liquides dangereux un système de détection de fuites efficace. L'évaluation de l'exploitant doit prendre en compte la longueur et le diamètre de la conduite, le produit transporté, la rapidité de détection des fuites, l'emplacement du personnel d'intervention le plus proche et l'historique des fuites. Les systèmes CPM doivent suivre l'API RP 1130 pour l'exploitation, la maintenance, les essais, la tenue des enregistrements et la formation des dispatcheurs. L'API RP 1175 ajoute un cadre de gestion de l'ensemble du programme de détection de fuites.
Il s'agit de règles américaines et de normes industrielles, pas du droit algérien. En Algérie, le ministère du Commerce présente l'Autorité de Régulation des Hydrocarbures (ARH) comme chargée de l'encadrement technique des activités de transport par canalisation. Confirmez les exigences applicables à votre conduite auprès de l'ARH et d'un conseiller juridique.
Comment choisir et démarrer, étape par étape ?
- Recenser les instruments : compteurs et transmetteurs, leur précision, leurs cadences de scrutation et leurs défauts connus. Cela fixe la meilleure sensibilité qu'une méthode puisse atteindre.
- Fixer les objectifs avec la salle de contrôle : la taille de fuite et le délai de détection qui comptent, et le taux de fausses alarmes que les opérateurs accepteront.
- Partir de l'existant. Utiliser un modèle hydraulique calé s'il existe ; sinon, un bilan matière compensé avec alarmes statistiques est une bonne base.
- Collecter l'historique normal : des mois de données SCADA avec le journal des événements (démarrages, changements de batch, arrêts conduite pleine, défauts d'instruments). Voir notre guide sur l'intégration de l'IA aux systèmes SCADA et OT.
- Ajouter une couche data-driven sur les résidus, entraînée sur l'exploitation sans fuite, pour réduire les fausses alarmes lors des transitoires connus.
- Tester avec des fuites simulées, puis un essai de soutirage, en enregistrant le temps de détection, la position estimée et chaque fausse alarme.
- Rédiger la procédure de réponse aux alarmes et former les opérateurs avant la mise en service.
Ce que nous avons constaté chez KABAS AI
Nous n'avons pas publié de projet de détection de fuites sur pipeline. Nos travaux publiés dans le pétrole et le gaz concernent ADFC (groupe Sonatrach), sur la formulation des fluides de forage avec Virtual Lab, un problème différent. Nos conseils pratiques découlent des éléments ci-dessus :
- L'essentiel du travail porte sur les données : étalonnage des compteurs, alignement temporel des tags SCADA et journal des événements qui explique les transitoires.
- Un résidu inspire plus confiance qu'une boîte noire. Une couche data-driven posée sur un bilan ou un modèle transitoire donne aux opérateurs une grandeur physique à vérifier quand une alarme se déclenche, comme le fait un capteur logiciel.
- Garder le détecteur en mode conseil et à l'intérieur de votre réseau, avec un accès en lecture seule au SCADA.
Notre équipe data science prépare les données industrielles, construit des modèles prédictifs et les déploie avec un suivi sur votre propre infrastructure. Voir nos solutions pour le pétrole et le gaz et la liste plus large des cas d'usage de l'IA dans le pétrole et le gaz en Afrique du Nord.
Sources
- Shaw et al. (Kiefner and Associates), Leak Detection Study, Final Report No. 12-173 pour la PHMSA, décembre 2012 (copie déposée auprès de la North Dakota Public Service Commission, dossier PU-19-204)
- American Petroleum Institute, API RP 1130, Computational Pipeline Monitoring for Liquids
- American Petroleum Institute, API RP 1175, Pipeline Leak Detection: Program Management
- 49 CFR 195.444, Leak detection (Cornell Legal Information Institute)
- Adegboye, Fung et Karnik, Recent Advances in Pipeline Monitoring and Oil Leakage Detection Technologies: Principles and Approaches, Sensors 19(11), 2019
- Oshingbesan, Leak Detection in Natural Gas Pipeline Using Machine Learning Models, arXiv 2209.10121, 2022
- Naanouh, Pipeline Leakage Detection Using Machine Learning Techniques in Multiphase Flow Systems, Pipeline Technology Conference, 2026
- Ministère du Commerce, Listing des autorités de régulation
Questions fréquentes
Le machine learning peut-il remplacer un modèle transitoire en temps réel pour la détection de fuites ?
Pas en l'état des connaissances. Les travaux publiés présentent les modèles data-driven comme un complément : une étude a trouvé les modèles de machine learning plus robustes et plus fiables, tandis que le modèle transitoire était plus sensible et localisait les fuites avec plus de précision. Certains systèmes commerciaux combinent déjà un modèle transitoire et une analyse statistique de ses écarts.
Quelle est la plus petite fuite qu'un système de détection par calcul peut trouver ?
Cela dépend des instruments, de la méthode et des conditions d'exploitation. Une étude commandée par la PHMSA indique qu'un système interne utilisant des débitmètres précis à 1 % ne peut pas détecter une fuite inférieure à 1 % du débit : une conduite de 100 000 barils par jour est donc aveugle aux fuites d'environ 1 000 barils par jour. Allonger la période de bilan réduit les fausses alarmes dues aux variations du stock en conduite, mais ralentit la détection.
Faut-il des données de fuites réelles pour entraîner un détecteur data-driven ?
En général non, car les fuites réelles sont rares. Les détecteurs sont entraînés sur le fonctionnement normal et signalent ce qui s'en écarte. Pour les tester, les études ajoutent des fuites calculées à des données SCADA réelles ou génèrent des cas de fuite avec un simulateur transitoire, et les exploitants réalisent des essais de soutirage qui retirent du produit de la conduite dans des conditions maîtrisées.
Les mêmes méthodes fonctionnent-elles sur les gazoducs ?
En principe beaucoup le font, mais la compressibilité du gaz complique leur mise en œuvre. Les variations du stock en conduite provoquent de forts déséquilibres pendant les transitoires, les ondes de pression s'atténuent vite dans le gaz et une fuite en aval peut à peine modifier le débit mesuré. Les modèles transitoires gèrent le mieux ces effets, mais ils sont complexes à configurer et à caler.
Les règles américaines de détection de fuites s'appliquent-elles aux pipelines en Algérie ?
Non. Le 49 CFR 195.444 et les pratiques recommandées de l'API qu'il cite sont des règles américaines et des normes industrielles ; de nombreux exploitants les utilisent comme référence. En Algérie, l'Autorité de Régulation des Hydrocarbures veille à l'encadrement technique des activités de transport par canalisation. Confirmez les exigences applicables à votre conduite auprès du régulateur et d'un conseiller juridique.



