IntelligentCorrosionPrediction andAssessmentUsingBiLSTM, XGBoost, and YOLOv8-Seg Models
| dc.contributor.author | Amraoui Sidahmed | |
| dc.contributor.author | Dr.Guessoum Belkis | |
| dc.date.accessioned | 2026-07-06T10:01:19Z | |
| dc.date.available | 2026-07-06T10:01:19Z | |
| dc.date.issued | 2026-07-06 | |
| dc.description | الكلمات المفتاحية : التنبؤ بالتآكل، العمر الافتراضي المتبقي، الذاكرة طويلة-قصيرة الأمد ثنائية الاتجاه , الصيانة التنبؤية، التعلم العميق XGBoost، YOLOv8-seg، Key words:Corrosion Prediction, Remaining Useful Life, Bidirectional LSTM, XGBoost, YOLOv8-seg, Predictive Maintenance, Deep Learning. | |
| dc.description.abstract | يمثل التآكل الصناعي أحد أكثر التحديات استمرارًا وتأثيرًا اقتصاديًا على البنية التحتية الحديثة. تقترح هذه الأطروحة نظامًا للتنبؤ بالتآكل قائمًا على الذكاء الاصطناعي، يُسمى CorroSense AI، ويتكون من ثلاثة مكونات متداخلة: نموذج ذاكرة طويلة المدى ثنائي الاتجاه للتنبؤ بالعمر المتبقي المفيد من سجلات فحص سُمك الجدار، ومُحسِّن انحدار تعزيز التدرج الشديد للتنبؤ بمعدل التآكل الجوي في الوقت الفعلي، ونموذج تجزئة ثماني الأجزاء Yolov8-seg للكشف البصري عن الأسطح المتآكلة وتصنيف شدتها. يُقدَّم النظام كواجهة رسومية موحدة تستهدف مهندسي الصيانة الصناعية في قطاعات مثل النفط والغاز وتوليد الطاقة. يُظهر التقييم التجريبي فعالية كل مكون: حيث حققت ذاكرة الوصول العشوائي ثنائية الاتجاه طويلة المدى BiLSTM معامل تحديد R² قدره 0.89 على سجلات الفحص المحجوزة، وحقق نموذج الانحدار المُعزز بالتدرج الشديد XGboost معامل تحديد R² قدره 0.848 مع تصنيفات أهمية الميزات القابلة للتفسير الفيزيائي، ونجح نموذج "أنت تنظر مرة واحدة فقط" Yolo ذو 8 أجزاء وهو كافٍ لدعم الفحص العملي. يمثل التآكل الصناعي أحد أكثر التحديات استمرارًا وتأثيرًا اقتصاديًا على البنية التحتية الحديثة. تقترح هذه الأطروحة نظامًا للتنبؤ بالتآكل قائمًا على الذكاء الاصطناعي، يُسمى CorroSense AI، ويتكون من ثلاثة مكونات متداخلة: نموذج ذاكرة طويلة المدى ثنائي الاتجاه للتنبؤ بالعمر المتبقي المفيد من سجلات فحص سُمك الجدار، ومُحسِّن انحدار تعزيز التدرج الشديد للتنبؤ بمعدل التآكل الجوي في الوقت الفعلي، ونموذج تجزئة ثماني الأجزاء Yolov8-seg للكشف البصري عن الأسطح المتآكلة وتصنيف شدتها. يُقدَّم النظام كواجهة رسومية موحدة تستهدف مهندسي الصيانة الصناعية في قطاعات مثل النفط والغاز وتوليد الطاقة. يُظهر التقييم التجريبي فعالية كل مكون: حيث حققت ذاكرة الوصول العشوائي ثنائية الاتجاه طويلة المدى BiLSTM معامل تحديد R² قدره 0.89 على سجلات الفحص المحجوزة، وحقق نموذج الانحدار المُعزز بالتدرج الشديد XGboost معامل تحديد R² قدره 0.848 مع تصنيفات أهمية الميزات القابلة للتفسير الفيزيائي، ونجح نموذج "أنت تنظر مرة واحدة فقط" Yolo ذو 8 أجزاء وهو كافٍ لدعم الفحص العملي. Industrial corrosion represents one of the most persistent and economically damaging challenges facing modern infrastructure.This thesis proposes an AI-based corrosion prediction system Cor-roSense AI composed of three Overlapping components:a Bidirectional Long Short-Term Memory modelforpredictingRemainingUsefulLifefromwall-thicknessinspectionrecords,aneXtremeGra-dient Boosting regressor for real-time atmospheric corrosion rate forecasting, and a You Only Look Oncev8-segsegmentationmodelforvisualdetectionandseverityclassificationofcorrodedsurfaces. The system is delivered as a unified graphical interface targeting industrial maintenance engineers in sectors such as oil and gas, and power generation.Experimental evaluation demonstrates the effec-tiveness of each component:the Bidirectional Long Short-Term Memory achieves an R² of 0.89 on held-outinspectionrecords,theeXtremeGradientBoostingregressorachievesatestR²of0.848with physically interpretable feature importance rankings, and the You Only Look Once 8-seg model suc-cessfully detects and segments corrosion instances across ten severity classes with mAP50 sufficient for practical inspection support. | |
| dc.identifier.uri | http://dspace.cuillizi.dz/handle/123456789/525 | |
| dc.publisher | المركز الجامعي إليزي - معهد العلوم، قسم الإعلام الآلي | |
| dc.title | IntelligentCorrosionPrediction andAssessmentUsingBiLSTM, XGBoost, and YOLOv8-Seg Models | |
| dc.type | Other |