CorrelTemp - Correction des températures | FEREC 2020

20/23 Figure 13. Exemple de la méthode sécuriscore sur le jeu de données Pont 3 (extensomètre) Il serait possible d'adapter cette méthode aussi au modèle HSTT : pour cela, il faudrait calculer analytiquement l’incertitude (et donc changer les équations pour la prendre en compte). Cependant, il serait difficile d'obtenir des intervalles de confiance avec des méthodes basées sur des réseaux de neurones (comme HST-MLP , ou LSTM ). 3.3 Discussions et conclusion Notre étude se place dans le contexte de la surveillance de structures et d’ouvrages, et nous abordons le problème de la correction des biais issus de la température ambiante sur les mesures d’auscultation. Notre approche se base sur une méthodologie établie de suppression des biais [2,14], et l’étend en proposant de nouvelles façons de modéliser les effets de températures. Ces nouveaux modèles sont de plusieurs natures différentes. Tout d’abord, nous considérons le modèle HST (un modèle de référence pour l’auscultation des barrages) et sa variante HSTT ( HST avec prise en compte des effets de température). Par ailleurs, nous avons testé d’autres modèles issus de la communauté de l’apprentissage automatique (un sous-domaine de l'intelligence artificielle) : un modèle utilisant des forêts aléatoires ( RF ), et deux modèles utilisant des réseaux de neurones artificiels : le premier ( MLP-HST ) est tiré de la littérature [13,14] et utilise un simple réseau « feed-forward », le second est introduit dans notre étude et utilise un réseau récurrent ( LSTM ). Nos résultats montrent que les modèles RF , LSTM et HSTT donnent les meilleurs résultats de modélisation. Nous illustrons ensuite, comment ces modèles prédictifs peuvent être utilisés pour corriger les biais issus de la température ambiante sur les bâtiments. D’autre part, nous définissons une méthode pour valider ce système de correction des biais en quantifiant la performance des modèles sur des jeux de données réels ou artificiels. Dans le deuxième cas, nous générons des jeux de données contenant plusieurs dégradations simulées de deux types différents : long- terme et court-terme. Finalement, nous proposons une méthode de visualisation des niveaux d’écart à la normale. Cette méthode permet de détecter facilement la présence d’anomalies dans les signaux corrigés en prenant aussi en compte les incertitudes sur le processus de modélisation du signal brut.