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

39 L’ouvrage étudié ici et son instrumentation ont été présenté s dans le Paragraphe II.E.1 ( Figure 8). L’apprentissage a été réalisé sur un an de données. À l’instar de ce qui a été réalisé au Paragraphe IV.A.1 sur le pont suspendu métallique, les Figures 41 à 48 illustrent l’application automatique de réseaux LSTM sur divers types de capteurs du système de surveillance. Les modèles présentés ci-dessous ont été réalisés avec en entrée 1 capteur de déplacement de la culée nord (P14), 1 inclinomètre (P13X), 1 accéléromètre (axe Y), 1 corde vibrante (CV2), 4 capteurs de tension (1 au nord et 1 au sud de chaque pylône) et 5 sondes de températures réparties dans l’ouvrage (câble, extérieur, béton…). Capteurs de déplacement : comme dans le cas du pont suspendu (cf. Paragraphe IV.A.1), les fortes corrélations entre différents capteurs permettent la génération de modèles de grande précision (Figures 41 et 42). On remarque que le modèle est capable de rendre compte de la mise en butée d’un des capteurs (DepP11W). On note également que la qualité de la prédiction n’est pas affectée par l’interruption des mesures fin 2019. Figure 41 Exemple d’application d’un modèle LSTM automatisé sur un capteur de déplacement (DepP11). Figure 42 Exemple d’application d’un modèle LSTM automatisé sur un capteur de déplacement avec blocage du capteur (DepP11W). Inclinomètres : de la même façon, les modèles automatisés s’avèrent efficaces pour la modélisation des séries de mesure des inclinomètres installés en tête des pylônes de l’ouvrage (Figures 43 et 44). Figure 43 Exemple d’application d’un modèle LSTM automatisé sur un inclinomètre longitudinal (P12X). Figure 44 Exemple d’application d’un modèle LSTM automatisé sur un inclinomètre transversal (P12Y). Accéléromètres : bien que cette approche ait vocation à être appliquée sur des données de surveillance statique, les données des accéléromètres ont été synthétisées en calculant le RMS par tranche horaire. L’utilisation des LSTM a donc été investiguée sur ces séries (Figures 45 et 46).