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

40 Figure 45 Exemple d’application d’un modèle LSTM automatisé sur des données issues d’un accéléromètre (A3Z). Figure 46 Second exemple d’application d’un modèle LSTM automatisé sur des données issues d’un accéléromètre (A13Z). Dans les deux cas, malgré l’absence de redondance dans les mesures vibratoires, les modèles générés automatiquement avec le jeu de données décrit plus haut fournissent une bonne estimation des amplitudes et des variations saisonnières observables sur les données. Capteurs de tension : les mesures de tension sont nombreuses sur l’ouvrage et présentent de fortes corrélations. Les modèles sont capables de générer des prédictions avec un résidu faible et constant : Figure 47 Exe mple d’application d’un modèle LSTM automatisé sur des données issues d’un capteur de tension (TensionS3). Perte de tension : dans le cadre de la surveillance de l’ouvrage, les modèles LSTM ont été utilisés pour identifier d’éventuelles pertes de tension d ans les câbles. Pour le capteur suivant (TensionS27), le modèle généré automatiquement a permis d’identifier une baisse anormale de la tension :