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

23 III. Détection d ’ anomalies à l’aide de modèles IA III.A. Détection d’anomalies à partir de modèles prédictifs L’enjeu de la surveillance de santé structural e est de fournir une information robuste pour le gestionnaire, lui permettant de prendre les meilleures décisions vis-à- vis de l’entretien de son parc d’ouvrages (maintenance, réparations, interruptions partielles ou totales de service). La mise en place d ’un système de su rveillance peut aboutir à l’élaboration d’indicateurs de santé structurale qui condensent une information plus simple à interpréter que l’analyse individuelle de chaque capteur ou relevé , pour permettre la détection d’endommagement. On distingue quatre ni veaux de connaissance pour la détection d’endommagement (Rytter [1993]) : - Niveau 1 : existence de l’endommagement , - Niveau 2 : localisation du dommage, - Niveau 3 : quantification de l’endommagement , - Niveau 4 : pronostic sur un éventuel changement de durée de vie de l’ouvrage. Selon les contextes de surveillance, ces indicateurs peuvent être soit utilisables dans le cadre d’une analyse en post- traitement pour l’établissement d’un diagnostic de l’ouvrage ; soit calculables en continu pour assurer la surveillanc e en temps réel d’ouvrages en situation plus critique. Dans le cadre du projet MAADISON, la démarche d’analyse proposée repose sur l’utilisation de modèles prédictifs des séries de données (démarche data-driven , cf. Paragraphe I.C) n’utili sant que les propriétés statistiques des données. Soit un ensemble de séries temporelles , une série temporelle cible , l’objectif du modèle est de modéliser à partir des entrées : on obtient la prédiction ̂ . ( ) = ̂ (1) Plus un modèle est précis et exact, plus la différence entre et ̂ tend vers 0. Si un modèle arrive à prendre en compte les différents comportements de la série modélisée et qu’aucune anomalie n’intervient au cours du temps, alors l’écart entre le modèle et les observations doit rester stable au cours du temps. Pour identifier des anomalies sur les séries temporelles, on peut alors utiliser le résidu calculé entre le modèle et les observations : = ̂ − (2) Le résidu obtenu est alors aussi une série temporelle sur laquelle des fluctuations peuvent être observées. Dans l’hypothèse d’un modèle valide, son étude peut alors permettre de mettre en avant des changements dans le comportement du capteur étudié : - Une augmentation continue du résidu peut indiquer une dérive sur les données enregistrées par le capteur, cette dérive pouvant aussi bien être une dérive électronique du système qu’un changement statique progressif de l’ouvrage ou de la partie étudiée , - Une augmentation locale peut indiquer un changement de comportement lors de conditions particulières (conditions météorologiques extrêmes, charge d’exploitation importante), traduisant un changement de comportement sous- jacent qui ne s’exprime que dans certaines conditions. La Figure 18 illustre une applica tion de l’étude du résidu entre un modèle prédictif réalisé par apprentissage et les données d’un capteur de déplacement GPS lors d’une précédente étude (Manzini [2020]) . L’apprentissage avait été réalisé entre les composantes de plu sieurs capteurs GPS répartis sur le pont de Brotonne. Dans la suite de ce paragraphe, trois modèles réalisés dans le cadre de cette étude avec des capteurs GPS différents en entrée sont présentés. Afin de faciliter l’interprétation, le résidu a été transformé en calculant pour chaque journée le RMSE associé :