Récompense 9 lauréats
Dans le cadre de son appel à projets 2020
« Intelligence Artificielle (IA) appliquée aux Infrastructures en service »

En raison des conditions sanitaires liées à la Covid19, la cérémonie organisée pour la déclaration officielle
des candidats de l’appel à projets 2020 n’aura pas lieu.

L’appel à projets 2020 en chiffres

  • 28 projets soumis
  • 13 projets auditionnés
  • 7 membres du jury
  • 9 projets retenus
  • Entre 30 et 40 k € accordés par projets

9 LAURÉATS 2020 RÉCOMPENSÉS POUR FAVORISER L’INNOVATION DANS LE DOMAINE
DES INFRASTRUCTURES DE MOBILITÉ ET DES RÉSEAUX

FOUCHER Philippe (CEREMA)

Nom du projet : ADOUCIR – Aide au Diagnostic d’OUvrages par Couplage d’Images et Radar

Porteur du projet : FOUCHER Philippe (CEREMA)

Résumé du projet :

Le projet vise à explorer l’utilisation de l’intelligence artificielle pour détecter la présence de fissures sur ouvrages en béton tout en analysant la structure interne afin d’identifier et classifier les causes de ces désordres. La faisabilité d’une telle approche sera étudiée à la fois en termes d’acquisition avec l’utilisation conjointe d’images visibles et radar à partir de capteurs montés sur drone et en termes de traitement avec l’emploi de techniques d’apprentissage automatique. La mise en place des outils sera dans un premier temps réalisé sur des données simulées ou réelles sur des zones connues. L’ensemble de la chaine de traitement pourra ensuite être évalué sur tout un ouvrage.

BETH Martin (Sixense Monitoring)

Nom du projet : CORRELTEMP – Modèle de réaction à la température pour les infrastructures

Porteur du projet : BETH Martin (Sixense Monitoring)

Résumé du projet :

Le monitoring de l’état de santé des infrastructures est utilisé pour en assurer la sécurité, en prolonger la durée de vie et en maîtriser les coûts d’exploitation en les anticipant.
On recherche dans les mesures d’éventuelles anomalies de comportement ou signes de vieillissement, qu’il convient de dissocier des variations réversibles et souvent non significatives liées à la température.
Le réchauffement climatique, avec la forte variabilité des températures qu’il entraîne, renforce ce besoin.
L’objet de CORRELTEMP est de tester les fonctionnalités modernes d’intelligence artificielle pour isoler de manière quantifiée et systématique l’effet de la température dans les mesures.

GUILBERT David (CEREMA)

Nom du projet : DEGRE – Détection Et Géoréférencement Réseaux Enterrés

Porteur du projet : GUILBERT David (CEREMA)

Résumé du projet :

Le géoradar est l’une des techniques les plus utilisées pour la détection des réseaux enterrés. Lors de l’appel à projet FEREC 2018, une chaîne d’instrumentation innovante basée sur une technique radar à saut de fréquence multi-antennes a été développée permettant d’obtenir une information 3D. Cette chaîne d’acquisition permet d’acquérir rapidement des volumes de données importants. Il devient difficile de traiter d’aussi grand jeux de données manuellement. Le but de ce projet consiste donc à développer des outils automatiques de détection et de géoréférencement pour mieux cartographier les réseaux enterrés. Des modèles basés sur l’apprentissage seront développés et évalués.

BROUTIN Michael (STAC Service Technique de l’Aviation Civile)

Nom du projet : EASY-DD(AI)2 – Economical and Automated SurveY for Distresses Detection on AIrfield pavement with Artificial Intelligence

Porteur du projet : GUILBERT David (CEREMA)

Résumé du projet :

Le géoradar est l’une des techniques les plus utilisées pour la détection des réseaux enterrés. Lors de l’appel à projet FEREC 2018, une chaîne d’instrumentation innovante basée sur une technique radar à saut de fréquence multi-antennes a été développée permettant d’obtenir une information 3D. Cette chaîne d’acquisition permet d’acquérir rapidement des volumes de données importants. Il devient difficile de traiter d’aussi grand jeux de données manuellement. Le but de ce projet consiste donc à développer des outils automatiques de détection et de géoréférencement pour mieux cartographier les réseaux enterrés. Des modèles basés sur l’apprentissage seront développés et évalués.

MANZINI Nicolas (SITES SAS)

Nom du projet : MAADISON – Modèles par Apprentissage Automatisés pour la Détection des Irrégularités lors de la Surveillance des Ouvrages Névralgiques

Porteur du projet : MANZINI Nicolas (SITES SAS)

Résumé du projet :

Le projet proposé s’inscrit dans la démarche des méthodes dites data-driven pour l’analyse des données d’instrumentation des infrastructures, qui ont pour objectif de permettre la surveillance d’un ouvrage sans avoir recours à un modèle mécanique de celui-ci, optimisant les coûts d’intervention et de surveillance.
Ce sujet porte sur l’utilisation de modèles prédictifs réalisés par apprentissage entre les différents capteurs d’une instrumentation pour la détection de comportements inconnus et potentiellement anormaux, et propose une approche basée sur le croisement de différents modèles générés automatiquement pour la localisation des anomalies parmi les capteurs en place.

MILHIET Anaïs (Morphosense)

Nom du projet : MorphoIA – IA et Digital Twin au service de la Maintenance Predictive

Porteur du projet : MILHIET Anaïs (Morphosense)

Résumé du projet :

Afin de réduire les coûts de maintenance et de maintenir l’accès aux structures qui voient leur durée de vie prolongée, nous proposons de combiner l’IA et le Digital Twin pour détecter de manière automatique toute anomalie et prédire le comportement de la structure face à tout changement structurel ou contextuel. L’approche est de fusionner des données hétérogènes via le système NEURON de Morphosense mesurant la réponse mécanique de la structure interopéré avec une station météo, une caméra et un drone. L’objectif est de cataloguer toutes les sources de sollicitation puis de les classifier et de détecter de façon automatique les anomalies et de prédire leurs effets sur la structure.

MOULHERAT Sylvain (TerrOïko)

Nom du projet : OCAPI – Observations de la biodiversité par des CAméras Plus Intelligentes

Porteur du projet : MOULHERAT Sylvain (TerrOïko)

Résumé du projet :

A l’heure du développement des infrastructures connectées, le projet OCAPI ambitionne d’étendre les usages des caméras déployées sur les infrastructures existantes à la gestion de la biodiversité aux abords des infrastructures dans le cadre de la gestion des risques associés aux collisions et au suivi d’efficacité des mesures environnementales. Pour ce faire, le projet OCAPI développera des algorithmes de reconnaissance automatique des moyens et grands Mammifères. Dans un second temps, les données de reconnaissance seront exploitées pour en dériver des indices d’abondances supports de la gestion adaptative des risques de collisions et des mesures environnementales.

CHANUT Marie-Aurélie (CEREMA)

Nom du projet : RINA – Démonstrateur de l’utilisation de l’Intelligence Artificielle pour une gestion opérationnelle des Risques Naturels d’origine géologique

Porteur du projet : CHANUT Marie-Aurélie (CEREMA)

Résumé du projet :

Le projet RINA propose d’étudier la faisabilité de l’utilisation de l’intelligence artificielle (IA) dans le contexte des risques géologiques. Sur des sites tests instables, des données de natures différentes (données ponctuelles de déplacements, mesures de bruit sismique, nuages de point de surface, données de température et de précipitation) seront analysées à l’aide des outils mis à disposition par l’intelligence artificielle. L’objectif est de proposer une puissante aide à la décision aux exploitants des réseaux routiers et ferroviaires afin de maintenir la qualité de service sur les infrastructures de transport menacées par des aléas rocheux lors d’événements météorologiques intenses.

IHAMOUTONEN Amine (Université Gustave Eiffel)

Nom du projet : Smart TCscan – Évaluation intelligente, à grand rendement et non destructive des caractéristiques de collage dans les chaussées

Porteur du projet : IHAMOUTEN Amine (Université Gustave Eiffel)

Résumé du projet :

Le projet proposé porte sur l’évaluation in situ et la classification des couches d’accrochage dans les chaussées par imagerie électromagnétique (EM), basées sur un traitement hybride par intelligence artificielle/inversion de formes d’ondes. Les 3 partenaires se proposent de valider un nouveau processus de traitement intelligent et à grand rendement pour évaluer les défauts de collage aux interfaces.
Les résultats de détection et de classification des algorithmes seront traduits en termes de probabilité d’existence et de localisation d’anomalie à partir d’une gamme très étendue de données contrôlées en laboratoire et sur sites tests.