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

22 IncP12Y (mrad) 0.22 0.11 0.06 0.13 0.04 0.11 0.003 CV7 (µm/m) 127.3 94.35 22.71 81.91 4.71 86.56 1.27 A3ZRMS (mm/s²) 3.15 1.7 0.89 2.5 0.13 1.71 0.02 TensionS14 (kN) 0.86 0.14 0.09 0.27 0.06 0.14 0.01 Tableau 3 Comparaison RNN vs NARX vs LSTM. De cette comparaison, il ressort que : - Dans la majorité des cas, les LSTM proposent la meilleure performance (RMSE), ou à défaut, proposent une solution à la performance très proche. Les LSTM n’app araissent jamais comme la pire option du point de vue de la performance du modèle ; - La différence la plus notable se situe au niveau de la stabilité. Les LSTM proposent systématiquement la solution la plus stable, avec une valeur de σ inférieure aux autres approches, parfois avec plus d’un ordre de grandeur d’écart ; - Pour les LSTM, la valeur de σ est systématiquement inférieure d’un ordre de grandeur ou plus à la performance obtenue (RMSE). Cela montre que cet outil, en plus d’obtenir des performances globalement supérieures à celles des RNN, améliorent significativement les problèmes de convergence observés précédemment. L’utilisation des LSTM permet ainsi d’éliminer le besoin de générer plusieurs modèles avec les mêmes entrées, limitation précédemment identifiée avec les RNN. II.F. Synthèse Les résultats obtenus sur le jeu de données issu de l’instrumentation d’un pont extradossé avec des capteurs variés a permis d’identifier les réseaux LSTM comme l’outil le plus adapté pour la modélisation des séries temporelles de mesures statiques sur ouvrage. En effet, les LSTM se sont avérés être : - Un outil polyvalent, pouvant être utilisé pour générer des modèles pertinents pour la plupart des types de capteurs considérés, - L’approche éliminant au mieux les divergences obse rvées à l’apprentissage avec l’utilisation de « petits » réseaux de neurones dont le calcul est suffisamment rapide pour être réalisé sur un laptop ou un système embarqué. Ce dernier point est très important car il permet de lever la limite consistant à générer plusieurs réseaux sur un même jeu d’apprentissage pour s’assurer de la stabilité de l’outil (ou à défaut, prendre le meilleur obtenu). C’est une étape importante vers l’implémentation opérationnelle de ces outils. Enfin, compte tenu des résultats obtenus, les paramètres optimaux suivants sont proposés et considérés dans la suite de ce rapport : - Structure à 4 couches : Input, LSTM, Dense, Output, - Algorithme d’entraînement : descente de gradient à taux d’apprentissage variable, - Optimizer : Adam, - Epoch : 50 / batchSize : 200, - Nombre d’unités cachées : 200 , - Échantillonnage à 1 point/heure.