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

15 Les données de l’instrumentation ont été nettoy ées en retirant les périodes d’interruption partielles ou totales de mesure. En raison de problèmes au niveau de la collecte de données, les mesures de trois capteurs à corde vibrantes ont été ignorées. Afin de sélectionner les données utilisées pour les d ifférents modèles d’un capteur donné, plusieurs stratégies ont été proposées. Répartition par corrélation : L’étude de la corrélation des séries tempore lles permet de mettre en évidence les relations linéaires entre différents capteurs . Si l’étude des corr élations ne permet pas d’étudier finement les phénomènes mécaniques complexes en jeu dans le comportement d’un ouvrage, elle permet en revanche d’avoir un indice sur les différents phénomènes affectant l’ ouvrage observés par plusieurs capteurs (dilatation thermique globale d’un matériau, présence de gradients, charge statique du vent, effets du trafic). Des capteurs fortement corrélés ont en effet une for te probabilité d’observer les mêmes phénomènes, et ce en des points différents de l’ouvrage instrumenté voire avec des mesures de natures différentes. Un outil pour estimer la corrélation linéaire entre deux séries, le coefficient de corrélation de Pearson peut être utilisé. Pour rappel, une valeur du coefficient tendant vers 1 signifie qu’une relation linéa ire positive existe, vers - 1 qu’une relation linéaire négative existe, et vers 0 qu’aucune relation linéaire n’existe. Par ailleurs, on considère que : - Pour un coefficient supérieur à 0.9, deux séries sont très fortement corrélées, - Pour un coefficient compris entre 0.8 et 0.9, deux séries sont fortement corrélées, - Pour un coefficient compris entre 0.6 et 0.8, deux séries sont corrélées. Le calcul du coefficient sur l’ensemble du jeu de données (2 ans) pour toutes les paires de capteurs (Figure 9) permet d’établir des cartes de corrélation, servant à visualiser les tendances entre les séries d’une instrumentation. Figure 9 Carte de corrélation sur 2 ans des données du pont extradossé. On remarque ici de fortes corrélations entre les capteurs du même type. Cette carte de corrélation peut être utilisée pour répartir les capteurs en différents groupes d’entrées, en séparant les capteurs les plus fortement corrélés dans des groupes distincts. Pour cela, on fixe N le nombre de modèles d’u n capteur que l’on souhaite réaliser. On sélectionne les N capteurs qui ont la corrélation moyenne