CorrelTemp - Correction des températures | FEREC 2020

2/23 Synthèse Dans le domaine de la construction, le suivi et diagnostic de bâtiments au long de leur cycle de vie peut être nécessaire pour détecter l'apparition de dégradations (e.g. déformations, déplacements, fissures, etc.). Ce suivi est typiquement établi à partir de données capturées en temps réel par des capteurs positionnés sur le bâtiment d'étude, ou dans leur entourage. Cependant, ces séries temporelles sont souvent biaisées par leur environnement -- en particulier par la température, qui a des effets à la fois sur la capture des données, mais aussi directement sur les bâtiments (effets saisonniers). Dans cette étude, nous développerons une méthodologie permettant d'extraire ces biais environnementaux des séries temporelles des capteurs pour obtenir des données non-biaisées. Ces données corrigées permettront de mieux identifier la présence de dégradation. Notre méthodologie sera basée sur des méthodes d'apprentissage automatique (« random forests », réseaux de neurones récurrents, etc.), et s'inspirera de l'état de l'art de la suppression de biais dans des séries temporelles.