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

35 Figure 29 Application automatique d’un LSTM sur un second capteur de déplacement . Capteurs inclinométriques : la Figure 30 illustre bonne modélisation des variations saisonnières par le modèle IA, mais avec une légère surestimation des variations quotidiennes. Les résidus restent néanmoins stables au cours du temps. Figure 30 Application automatique d’un LSTM sur un inclinomètre (I1). Capteur de joint de chaussée : similairement aux capteurs de déplacement, la prédiction du modèle concorde de manière très satisfaisante avec les séries de mesures (Figure 31). Figure 31 Application automatique d’un LSTM sur un capteur joint de chauss ée (Cj1). Capteur de sellette de déviation : malgré une allure qui se distingue des profils sinusoïdaux usuels, le modèle LSTM arrive à modéliser à la fois les comportements saisonniers et quotidiens (Figure 32). Figure 32 Applic ation automatique d’un LSTM sur un capteur de sellette de déviation (CS1). Les performances de modèles avec des entrées différentes varient nécessairement selon les entrées sélectionnées. Néanmoins dans la majorité des cas considérés, la plupart des modèles générés parviennent à produire une bonne estimation des tendances saisonnières, un profil quotidien correct, et sont stables au cours du temps.