Tâche	Modèle	Métrique	Performance
Épaisseur (mm)	XGBoost	RMSE	0.0585 mm
Taux de corrosion (mm/an)	XGBoost	R²	0.9987
Durée de vie restante (années)	XGBoost	R²	0.9883
Niveau d'alerte	XGBoost	Accuracy	98.56%

📊 Comparaison des Modèles (Prédiction Épaisseur)

Modèle	RMSE (mm)	MAE (mm)	R²	MAPE (%)
XGBoost	0.0585	0.0312	0.9999	1.24%
Random Forest	0.0719	0.0314	0.9998	1.05%
Gradient Boosting	0.0395	0.0243	0.9999	0.91%
Ridge (baseline)	0.0212	0.0108	1.0000	0.86%

🔑 Top Features (SHAP Analysis)

thickness_lag_1 - Dernière mesure d'épaisseur (4.13)
thickness_lag_2 - Avant-dernière mesure (0.74)
thickness_change - Variation récente (0.10)
thickness_lag_3 - Mesure n-3 (0.05)
corr_rate_rolling_3 - Moyenne mobile corrosion (0.03)

💻 Utilisation

python

import joblib
from huggingface_hub import hf_hub_download

# Télécharger le modèle
model_path = hf_hub_download("MustaphaL/pipeline-thickness-predictor", "models/model_thickness_xgb.joblib")
model = joblib.load(model_path)

# Prédire
prediction = model.predict(features)

📐 Méthodologie

Dataset : 8 440 mesures synthétiques basées sur les modèles de Waard-Milliams, API 570, NACE SP0775
Split : Par segment (80/20) pour éviter le data leakage temporel
Feature engineering : Lag features, moyennes mobiles, interactions physiques, features SHAP
Référence : Grinsztajn et al. "Why do tree-based models still outperform deep learning on tabular data?" (NeurIPS 2022)

📄 Licence

MIT