CorrelTemp - Correction des températures | FEREC 2020

3/23 1. Introduction Les structures et infrastructures subissent régulièrement des effets de l’environnement, ce qui entraîne inévitablement des détériorations (déformations, déplacements, fissures, etc.). Dans un souci de sûreté publique et pour éviter les interruptions de services, il est donc d’une importance critique de pouvoir détecter ces détériorations le plus tôt possible, et de suivre leur progression. D’autre part, il a été prouvé qu’une surveillance continue d’une infrastructure permet de réduire considérablement ses coûts d’opération et de maintenance [15]. Le processus de surveillance de la santé des structures et ouvrages est donc généralement établi de façon continue (potentiellement pendant tout le cycle de vie du système surveillé) à partir de données d’observations caractérisant différents types de changements ou de dégradations (déplacements, fissures, etc.). Ces données sont obtenues en temps réel à partir de capteurs placés sur la structure, ou à ses alentours (théodolites, fissuromètres, tilt mètres, etc.). Cependant, identifier la présence de dégradations à partir de ces données est un processus potentiellement complexe, qui fait appel à des méthodes d’analyse statistiques pour séparer les différentes sources de variation des phénomènes observés [2,6]. En effet, les dégradations peuvent être causées par différents types d’effets environnementaux (érosion, fatigue des bâtiments, catastrophes naturelles, etc.). En particulier, un grand nombre de structures et d’ouvrages sont impactés par la température de l’air ambiant [14]. Cette température change de façon saisonnière, mais aussi de façon journalière (cycles jours- nuits). Elle peut avoir un effet direct sur les bâtiments, notamment des effets de déplacements ou de changement d’orientation. Cependant, la plupart de ces effets sont réguliers au cours de l’année, et ne correspondent pas à une dégradation réelle, et peuvent donc être vus comme un biais sur les mesures. Il peut donc s’avérer nécessaire de retirer l’influence de la température sur ces mesures, pour pouvoir identifier si elles comportent bien des dégradations. Dans cette étude, nous décrirons une méthode qui permet d’identifier l’influence systémique de la température sur les mesures (signaux) d’auscultation de plusieurs ouvrages et structures. Cette influence sera considérée comme un biais à retirer des signaux d’entrée, pour obtenir des signaux corrigés, qui pourront ensuite être utilisés pour détecter la présence de dégradation. Cette méthodologie repose en grande partie sur l’obtention d’un modèle liant l’évolution de la température au cours du temps avec les signaux des mesures étudiées. Nous testerons donc plusieurs méthodes pour modéliser l’effet de la température, que ce soit des modèles inspirés de l’état de l’art pour l’auscultation ( HST ) ou des modèles par apprentissage automatique (« Machine Learning »). Ensuite, nous validerons nos résultats en les testant sur des cas présentant des dégradations tirées de mesures réelles de capteurs de différents types (extensomètres, théodolites, etc.) positionnés sur différentes structures. Nous étendrons notre processus de validation aussi à des jeux de données modifiés pour comporter des dégradations artificiellement ajoutées aux jeux d’origine. Finalement, nous présenterons une méthode permettant de détecter la présence de dégradations en prenant compte de l’incertitude sur les mesures.