MAADISON - Modèles par apprentissage automatisés pour la surveillance des ouvrages névralgiques | FEREC 2020

13 Le nombre de couches multiplie le nombre d’interconnexions et donc de coefficients à déterminer par entraînement, ce qui influe grandement sur le temps de calcul. II.C.2. Paramètres propres aux NARX Le délai : le délai, ou temps de mémoire, correspond au nombre de mesures antérieures qui sont prises en c ompte dans les entrées du réseau. L’augmentation du délai entraîne la multiplication des entrées et des connexions avec la première couche cachée, ce qui peut significativement augmenter le temps de calcul, notamment pour des réseaux avec peu de couches. E n prenant en compte l’échantillonnage des mesures, le délai permet d’estimer la durée réelle de la mémoire, par exemple pour un échantillonnage fixé à 1h, un délai fixé à 24 mesures permet de prendre en compte les dernières 24h. II.C.3. Paramètres propres aux LSTM Le nombre d’unités cachées : le nombre d’unités cachées correspond à la quantité d’informations mémorisées entre chaque échantillon de mesure. S i le nombre d’unités cachées est trop grand, un phénomène de surapprentissage peut apparaître. Selon les cas d ’application, c ette valeur peut varier de quelques dizaines à plusieurs milliers. Le batch size : il s’agit du nombre d’échantillons d’entraînement utilisés avant la mise à jour des coefficients du réseau. Cette approche est nécessaire pour mieux rendre compte de la mémoire qui est gardée à long terme dans le réseau. Ce nombre est généralement à ajuster empiriquement selon la nature des problèmes considérés. Les valeurs usuelles ont un ordre de grandeur compris entre 50 et 300. II.D. Métriques d'évaluation Pour évaluer les performances des modèles obtenus, différentes métriques ont été proposées : - RMSE : Racine de l’erreur quadratique moyenne entre mesure et modèle, - IQR : Écart interquartile des résidus, - RMSE 24h : Série de RMSE calculés par journée de mesure, - Score : Série de ratios entre les RMSE journaliers (RMSE 24h ) et l’écart type journalier correspondant. Étant donnés les phénomènes de divergence déjà observés avec les RNN, d’autres métriques ont été proposées pour évaluer la stabilité et la performance dans le cas où plusieurs modèles sont entraînés avec les mêmes données. Dans chaque cas considéré, 10 modèles sont entraînés avec les mêmes données d’apprentissage (même capteurs, même intervalle d’apprentissage), et les métriques suivantes sont calculées : - μ : moyenne des 3 RMSE les plus faibles des 10 modèles générés, - σ : écart type des RMSE des 10 modèles calculés. L’e ntraînement reposant sur des sélections itératives aléatoires de points dans le jeu de données, il est possible d’obtenir des résultat s différents entre deux apprentissages pour un même jeu de données, signe que le réseau utilisé n’est pas forcément le plu s adapté au cas considéré. La moyenne permet d’identifier les performances atteignables pour le réseau considéré et les données utilis ées, tandis que l’écart type qualifie la stabilité de l’apprentissage : on cherche à minimiser ces deux valeurs. II.E. Évaluation sur les données d'un ouvrage II.E.1. Ouvrage considéré Pour l’évaluation des différents outils et la sélection des paramètres optimaux, un jeu de données acquis sur un pont en béton extradossé au cours de deux années de surveillance continue (2019-2020) a été utilisé (Figure 8).