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

37 Figure 35 Visualisation d’une dérive non prédite par un modèle par IA sur une ouverture de fissure (PDG-Ouv) à partir de données de température. Le modèle ne prédisant pas la dérive, celle- ci peut être rapidement identifiée par l’étude du résidu modèle/observations. Pour ce cas d’étude en particulier, il a été proposé d’intégrer une tendance linéaire dans les entrées de la modélisation : l’objectif est alors de déterminer les capteurs ayant un comportement régulier (avec ou sans tendance linéaire) et ceux observant un changement de comportement (au niveau de la tendance ou des variations saisonnières). La figure suivante présente l’application du modèle du capteur PDG - Ouv avec l’ajout de cette tendance linéaire en entrée : Figure 36 Inté gration d’une dérive linéaire dans la prédiction par modèle IA du capteur PDG-Ouv. Quelques exemples de capteurs (In1-Ouv, ReG-Ouv et Red-Ouv) pour lesquels la tendance linéaire est bien vérifiée à l’aide de modèles générés avec le même processus sont présentés dans les Figures 37 à 39. Note : les figures sont zoomées sur l’année d’application. Figure 37 Exemple d’application IA où la dérive linéaire est modélisée (capteur In1-Ouv, à partir de données de température et une tendance linéaire).