CorrelTemp - Correction des températures | FEREC 2020

21/23 Notre étude pourrait encore être étendue en validant notre méthodologie de façon plus approfondie. En particulier, un de nos travaux en cours consiste à vérifier si la méthodologie de correction de température permet bien d’aboutir à des signaux corrigés dans lesquels les anomalies restent apparentes sans délai depuis leur apparition dans la structure. Cette étape de vérification s’effectue en utilisant des données artificielles, qui correspondent aux jeux de donnés introduits dans cette étude, mais modifiés pour introduire des dégradations à court ou long termes (pics, tassements irréversibles, etc.). D’autre part, nous prévoyons d’étendre notre approche pour être capable d’entraîner des modèles généraux qui pourraient s’appliquer directement à des capteurs récemment installés sur une nouvelle structure, et ce, sans étape d’apprentissage. Cette opération pourra être rendue possible au travers d’une méthodologie de « transfert d’apprentissage » (« transfer learning » en anglais) dans laquelle un modèle sera entraîné sur plusieurs jeux de données pour devenir suffisamment général pour se généraliser à des nouvelles structures. 4. Références 1. De Bigault de Granrut M. Analyse et interprétation de la pression d'eau en fondation des barrages- voûtes à partir des mesures d'auscultation. Diss. Université Grenoble Alpes (ComUE), 2019. 2. Loose BR, Timothy S, and Strawn T. Instrument bias correction with machine learning algorithms: Application to field-portable mass spectrometry. Frontiers in Earth Science 8 (2020): 557. 3. Simon A, et al. Analysis and interpretation of dam measurements using artificial neural networks. Proceedings of the 9th ICOLD European club symposium, Venice, Italy. 2013. 4. González, WM, Rubén LB, and Joaquín AB. Temperature measurement assisted modal tracking of an instrumented building. Engineering Structures 233 (2021): 111907. 5. Wager S, Trevor H, and Bradley E. Confidence intervals for random forests: The jackknife and the infinitesimal jackknife. The Journal of Machine Learning Research 15.1 (2014): 1625-1651. 6. Simon A, Royer M, Mauris F, Fabre J. Analyse des mesures d'auscultation des barrages avec les réseaux de neurones. InProceedings of the 9th ICOLD European club symposium, Venice, Italy 2013. 7. Kingma DP, Ba J. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. 2014 Dec 22. 8. Paszke A, Gross S, Chintala S, Chanan G, Yang E, DeVito Z, Lin Z, Desmaison A, Antiga L, Lerer A. Automatic differentiation in pytorch. 9. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Blondel M, Prettenhofer P, Weiss R, Dubourg V, Vanderplas J. Scikit-learn: Machine learning in Python. the Journal of machine Learning research. 2011 Nov 1;12:2825-30. 10. Hochreiter S, Schmidhuber J. Long short-term memory. Neural computation. 1997 Nov 15;9(8):1735-80. 11. Ho TK. Random decision forests. InProceedings of 3rd international conference on document analysis and recognition 1995 Aug 14 (Vol. 1, pp. 278-282). IEEE. 12. Gahlouz M. Analyse et interprétation des données d’auscultation des barrages par le modèle HST (Doctoral dissertation, Université Mouloud Mammeri Tizi Ouzou). 13. Penot I, Fabre JP, Daumas B. Analyse et modélisation du comportement des ouvrages de génie civil par la prise en compte des températures de l’air : méthode HST thermique. InTwenty-third congress on large dams 2009. 14. Nelder JA, Mead R. A simplex method for function minimization. The computer journal. 1965 Jan 1;7(4):308-13. 15. Cho S, Yun CB, Lynch JP, Zimmerman AT, Spencer Jr BF, Nagayama T. Smart wireless sensor technology for structural health monitoring of civil structures. Steel Structures. 2008 Dec 1;8(4):267- 75.