Upload README.md

README.md

@@ -0,0 +1,73 @@
+---
+license: mit
+tags:
+- pipeline-integrity
+- corrosion-prediction
+- thickness-prediction
+- predictive-maintenance
+- xgboost
+- tabular
+- oil-gas
+- industrial
+pipeline_tag: tabular-regression
+library_name: xgboost
+datasets:
+- MustaphaL/pipeline-thickness-dataset
+language:
+- en
+- fr
+---
+
+# 🔧 Pipeline Thickness Predictor
+
+Modèles de prédiction d'épaisseur de tuyauterie basés sur l'historique des mesures, pour le suivi d'intégrité et la prédiction de corrosion.
+
+## 🎯 4 Tâches de Prédiction
+
+| 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)
+
+1. `thickness_lag_1` - Dernière mesure d'épaisseur (4.13)
+2. `thickness_lag_2` - Avant-dernière mesure (0.74)
+3. `thickness_change` - Variation récente (0.10)
+4. `thickness_lag_3` - Mesure n-3 (0.05)
+5. `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