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

21 Figure 17 Stabi lité (σ) des LSTM obtenus sur les cordes vibrantes . Le Tableau 2 synthétise les résultats obtenus sur des capteurs issus de l’instrumentation de l’ouvrage (un de chaque type). Unités cachées 10 200 200 200 1000 Métrique RMSE σ RMSE σ RMSE σ RMSE σ DepP14 (mm) 1.06 0.06 1.08 0.05 1.08 0.07 1.08 0.04 IncP12X (mrad) 0.06 0 0.05 0.01 0.06 0.01 0.05 0.02 CV7 (µm/m) 1699.16 0.31 211.92 0.9 212.2 1.44 101.93 4.27 A13XRMS (mm/s²) 0.1 0.01 0.1 0.01 0.1 0.01 0.1 0.02 TensionS25 (kN) 0.84 0 0.27 0.03 0.18 0.03 0.22 0.07 Tableau 2 Comparaison des LSTM selon le nombre d'unités cachées. Il apparaît alors que : - Pour les capteurs dont les données présentent de plus nombreuses corrélations avec le reste du jeu de données, l’augmentation du nombre d’unités cachées n’a un effet que marginal sur la performance atteignable par les LSTM, - Pour les capteurs dont les données sont plus « difficiles », son augmentation peut améliorer significativement la performance, - L ’utilisation de deux couches LSTM n’améliore pas les performances obtenues , - L ’augmentation du nombre d’unités cachées peut entraîner une baisse de la stabilité des modèles (ce qui signifie que les résultats peuvent plus facilement diverger entre deux apprentissages). En considérant les rés ultats obtenus et le temps de calcul nécessaire (l’augmentation du nombre d’unités cachées l’augmentant de façon notable), on propose de fixer le nombre d’unités cachées à 200. Comparaison des outils : les résultats obtenus par les RNN, les NARX et les LSTM sont comparés dans le Tableau 3 qui présente les résultats obtenus pour différents capteurs caractéristiques de l’instrumentation . Outil Écart type cible RNN NARX LSTM Métrique RMSE σ RMSE σ RMSE σ DepP14 (mm) 8.5 0.79 0.17 0.93 0.08 0.6 0.03