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

18 Figure 13 Évaluation des performances (RMSE) des NARX sur un capteur de déplacement. Les résultats obtenus sont similaires d’un capteur à l’autre. On constate que si la profondeur du réseau de neurones n’améliore pas de manière significative la performance, elle améliore la stabilité du modèle. Un nombre intermédiaire de couche semble suffisant (3~4). La fonction d’entraînement a davantage d’impact : l’algorithme d e la descente de gradient à taux d’apprentissage variable (identifiée comme traingdx dans MATLAB) offre les meilleures performances dans la majorité des cas, tout en bénéficiant d’un temps de calcul relativement court. Elle semble donc parfaitement adaptée pour la modélisation de données statiques d’ouvrages. Le paramètre suivant évalué est celui du délai, ou temps de mémoire, qui correspond au nombre de mesures antérieures utilisées en entrée de modèle. En considérant l’échantillonnage à 1h des données, on peut donc estimer la portée de la mémoire : un délai à 10 mesures représente le fait que le modèle va intégrer en entrée les données des 10 heures précédant la prédiction. En considérant l’inertie thermiqu e des structures en béton, des délais de 2, 6, 12 et 24 mesures ont été évalués. Les tests ont été conduits en utilisant les trois algorithmes d’entraînement les plus performants. Figure 14 Évaluation des délais sur un capteur de tension. Pour les différents capteurs considérés , dans le cas des NARX l’augmentation du délai n’a pporte pas d’amélioration significative sur la performance. En revanche, elle s’accompagne d’une augmentation notable du temps nécessaire à l’entra înement du modèle.