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

17 qui donne accès à des fonctions permettant de configurer finement les paramètres des réseaux et leur architecture. Pour la sélection des entrées, les groupes obtenus par la méthode des corrélations et par PCA se sont avérés très proches, avec essentiellement une séparation des capteurs du même type entre les différentes entrées choisies. L’approche par corrélation a donc été utilisée dans la suite des travaux présentés. Les modèles RNN ont été appliqués de façon similaire à ce qui a été présenté par Manzini [2020] et font office de benchmark. Pour les NARX et les LSTM, les paramètres détaillés précédemment ont été évalués séparément pour chaque approche, avant de comparer les résultats optimaux des deux architectures de réseaux. Pour les NARX : les premiers tests ont porté sur l’évaluation du nombre de couches et des fonctions d’apprentissage sur la qualité des modèles obtenus. Des réseaux de 1 à 5 couches (15 neurones chacune) ont été générés. Au total, 10 modèles sont générés pour chaque combinaison couches/fonction : en considérant 12 fonctions d’apprentissage et 5 profondeurs possibles, 600 modèles sont générés pour chaque tandem entrées/cible durant cette évaluation. Les Figures 11 et 12 illustrent la démarche réalisée sur un des capteurs de tension de l’instrumentation et sur des capteurs de déplacements (Figure 13). Figure 11 Évaluation des performances (RMSE) des NARX sur un capteur de tension. Figure 12 Évaluation de la stabilité (σ) des NARX sur un capteur de tension .