CorrelTemp - Correction des températures | FEREC 2020

10/23 Figure représentant une seule unité d’un réseau LSTM. Image tirée de https://fr.wikipedia.org/wiki/R%C3%A9seau_de_neurones_r%C3%A9currents#Long_short-term_memory Dans notre étude, nous proposons d’utiliser ce type de modèle pour représenter le signal d’auscultation étudié, et le prédire à partir de la courbe de température. Pour prédire la valeur du signal au temps , le modèle LSTM utilise en entrée les deux vecteurs de valeurs suivants : - Un vecteur correspondant au temps des 100 derniers pas de temps avant . - Un vecteur correspondant aux valeurs de la température à tous les 100 derniers pas de temps avant . Nous utilisons un réseau avec les couches suivantes : 1) Une couche de 5 unités LSTM 2) Une couche de 5 unités LSTM 3) Une couche de MLP (recombinaison linéaire) de 5 neurones 4) Une sortie, correspondant au signal au temps Notre implémentation en Python utilise les librairies PyTorch [9] et sklearn [10]. L’apprentissage se fait en utilisant l’algorithme ADAM et les hyper-paramètres listés dans la Table 2. 1.2 Résultats Nous testons les modèles présentés précédemment d’abord au niveau de leur capacité prédictive sur une panoplie variée de jeux de données d’auscultation, et ensuite sur leur capacité à servir de base pour corriger les effets dus à la température. Les jeux de données considérés comportent des données issues de théodolites (“Cyclops”), des fissuromètres, tiltmètres, et extensomètres, placés sur différents types de structures ou ouvrages (ponts, immeubles, barrages, gares, etc.) à différentes périodes de leur cycle de vie (pendant le chantier, ou après construction). Les méthodes HST-MLP , RF et LSTM sont stochastiques (c'est-à-dire qu’elles donnent des résultats différents à chaque fois qu’elles sont entraînées sur le même jeu de données), alors que les méthodes HST et HSTT sont déterministes. Pour étudier les résultats des méthodes stochastiques, nous considérons des résultats moyennés sur 20 instances (apprentissage et application) différentes de chaque méthode pour chaque jeu de données. Dans un premier temps, nous nous concentrerons sur les résultats des modèles analytiques basés sur HST , et comparerons leur capacité prédictive, par rapport aux coefficients de détermination ( ) obtenus sur différents jeux de données. Ces résultats sont listés dans la Figure 3. Nous séparons les résultats des