Maintenance prédictive en centrale nucléaire : l’enjeu de la crédibilité des données lors de l’apprentissage du système prédictif - Université Polytechnique des Hauts-de-France
Communication Dans Un Congrès Année : 2023

Maintenance prédictive en centrale nucléaire : l’enjeu de la crédibilité des données lors de l’apprentissage du système prédictif

Résumé

présentation : http://gt-s3.cran.univ-lorraine.fr/doc/2023_06_Ascone.pdf résumé : https://sagip2023.sciencesconf.org/454072/document

Domaines

Automatique / Robotique
Fichier principal
Vignette du fichier
Ascone_Maintenance_predictive_en_centrale_nucleaire_SAGIP2023.pdf (376.85 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence
Paternité - Pas d'utilisation commerciale - Pas de modification

Corentin ASCONE  : Connectez-vous pour contacter le contributeur

https://uphf.hal.science/hal-04243637

Soumis le : lundi 16 octobre 2023-09:56:02

Dernière modification le : vendredi 26 avril 2024-03:30:29

Archivage à long terme le : mercredi 17 janvier 2024-19:25:20

Télécharger pour visualiser

Dates et versions

hal-04243637 , version 1 (16-10-2023)

Licence

Paternité - Pas d'utilisation commerciale - Pas de modification

Identifiants

  • HAL Id : hal-04243637 , version 1

Citer

Corentin Ascone, Benjamin Verhaeghe, Frédéric Vanderhaegen. Maintenance prédictive en centrale nucléaire : l’enjeu de la crédibilité des données lors de l’apprentissage du système prédictif. 1er Congrès Annuel de la SAGIP, SAGIP, Jun 2023, Marseille, France. ⟨hal-04243637⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

CNRS UNIV-VALENCIENNES TDS-MACS INSA-GROUPE LAMIH INSA-HAUTS-DE-FRANCE
37 Consultations
63 Téléchargements

Partager

More