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

38 Figure 38 Second exemple d’application IA où la dérive linéaire est modélisée (capteur ReG-Ouv, à partir de données de température et une tendance linéaire). Figure 39 Troisième exemple d’a pplication IA où la dérive linéaire est modélisée (capteur ReD-Ouv, à partir de données de température et une tendance linéaire). Pour le capteur PPD-Ouv représenté ci-dessous (Figure 40), le modèle utilisant les données de température + la tendance linéaire montre un écart important. À partir de l’étude des résidus, il est possible d’identifier à partir de quel moment la tendance dans les données du capteur la tendance semble changer. Figure 40 Exemple de dérive non prédite pour le capteur PPD-Ouv. Dans ce cas d’étude un peu particulier (présence de tendances que l’on souhaite vérifier dans les données), les réseaux de neurones LSTM ont été utilisés pour identifier les capteurs qui : - Ne présentent pas de tendance, avec un résidu stable sans l’introduction d’une tendance linéaire en entrée ; - Présentent une tendance linéaire constante, avec un résidu stable après l’introduction d’une tendance linéaire en entrée ; - Présentent un changement dans la vitesse de dérive estimée, avec un résidu changeant après l’introduction d’une tendance linéaire en entrée. IV.A.3. Application sur un pont extradossé Note : les mesures de déplacement ont fait l ’ objet d ’ une étude détaillée du comportement de cet ouvrage en fonction des variations thermiques. Cette étude est présentée dans l ’ Annexe I.