3 questions à Florent Brissaud – NaTran

Florent Brissaud a rejoint NaTran en 2018, où il occupe aujourd’hui le poste de pilote d’activités R&D et référent d’expertise pour la sûreté de fonctionnement. Avant cela, il a été consultant dans une grande société, puis à son compte. Il utilise GRIF depuis ses années de consulting, notamment les modules Tree, Petri et Petro, et apprécie la rigueur scientifique de ces outils, leur puissance de modélisation et leur ergonomie. Aujourd’hui, GRIF lui permet de modéliser les événements redoutés sur des installations du réseau de transport de gaz et de tester différentes politiques de maintenance pour améliorer la fiabilité tout en maîtrisant les coûts.

NaTran est le principal opérateur de transport de gaz à haute pression en France. Anciennement appelé GRTgaz, il a changé de nom en 2025 pour affirmer son engagement dans la transition énergétique. NaTran transporte désormais les gaz au cœur des enjeux énergétiques de demain : gaz naturel, biométhane, hydrogène et CO₂.

Depuis que je suis à NaTran, j’utilise Petri pour la modélisation et l’optimisation de la maintenance, par exemple pour tester différentes stratégies de maintenance et de gestion de pièces de rechange. Petri nous sert aussi à valider des modèles théoriques que nous développons, en vérifiant que l’on obtient les mêmes résultats par simulation.

On utilise aussi beaucoup Tree pour la gestion de nos actifs industriels. On exploite les données de notre GMAO pour estimer la fiabilité des matériels, en tenant compte du vieillissement (lois de Weibull), et on développe des modèles de type « âge virtuel » pour évaluer l’effet de la maintenance sur ce vieillissement. Puis, on a intégré ces modèles dans Tree et le module Booléen, en co-développement, pour pouvoir généraliser notre approche à diverses installations.

On s’en sert notamment pour modéliser les événements redoutés sur nos 4500 postes de livraison de gaz. Ces postes assurent la détente du gaz, le comptage, la prévention de la surpression et la garantie de fourniture. On doit éviter les interruptions de fourniture et les surpressions, pour des questions de disponibilité et de sécurité.

Nous avons développé des outils pour évaluer la fiabilité des matériels, en fonction de leur âge et de leurs caractéristiques. Nous construisons ensuite des arbres de défaillance pour chacun des événements redoutés (interruption de fourniture, surpression) en fonction de l’architecture du poste (simple ou double ligne, nombre de régulateurs, soupapes, clapets de sécurité, etc.). Sachant qu’on a 2 événements redoutés et 4500 postes, on a 9000 arbres de défaillance à faire. Nous avons donc développé un outil pour générer ces arbres de défaillance en fonction de l’architecture du poste, de ses matériels et de leurs caractéristiques. Des lignes de code ont été développées afin d’appeler Tree pour calculer en masse tous les arbres de défaillance qu’on a générés, puis assemble tous les résultats dans un fichier CSV. Ce système nous permet d’identifier les postes les plus à risque, de tester différentes politiques de maintenance (actuelles ou alternatives), et de faire une optimisation à l’échelle du parc.

Jusqu’à récemment, on appliquait une politique de maintenance uniforme. Grâce à cette approche, on peut justifier une maintenance différenciée, en adaptant les périodes de maintenance préventive selon les risques propres à chaque installation.
 

Qu’est-ce qui fait selon vous de GRIF un outil à part ?

C’est un outil qu’on utilise depuis longtemps et que l’on maîtrise bien. En tant que chef de projet R&D, ce qui m’importe, c’est la rigueur scientifique : j’ai confiance en la qualité des calculs, sans approximations douteuses. C’est pour moi le premier argument.

Ensuite, il y a la puissance de modélisation : on a tout ce qu’il faut, notamment avec les packages Booléen et Simulation. On a souvent commencé par des simulations avec Petri (par exemple les modèles d’âge virtuel), ce qui nous a permis de valider nos modèles théoriques.

Une fois ces modèles validés, ils ont été intégrés dans Tree, pour améliorer les temps de calcul et profiter d’un outil qu’on utilisait déjà. Nous avons aussi apprécié la collaboration avec le club utilisateur et Satodev, qui ont permis d’intégrer les fonctionnalités dont on avait besoin. En tant que centre de R&D, nous allons souvent au-delà de ce que propose l’outil, donc on apprécie de pouvoir y intégrer nos propres modèles.

Enfin, un point important : l’ergonomie. Je trouve l’outil très bien conçu, notamment pour vérifier ou modifier les paramètres au global, et pour simuler ou valider les modèles assez facilement.