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

42 Figure 49 Application d’un modèle automatique LSTM sur les données d’un fissuromètre . Plusieurs constats peuvent être faits : - Grâce à l’apprentissage, le modèle LSTM arrive à prédire les différents comportements entre été et hiver à partir des données de température ; - À partir de mars 2021, on observe que le modèle sous- estime l’ouverture de la fissure. L’analyse des observations montre qu’en effet, si l’ouvertur e est mesurée en -0.7 mm et +0.7 mm en 2019 et 2020, les valeurs sont comprises entre 0 mm et 0.8 mm en 2021. Le modèle permet donc bien de mettre en avant le changement de comportement de la fissure ; - À partir de juillet 2021, on observe un retour à un résidu plus faible, de valeurs similaires à celles avant mars 2021. Ce changement correspond à la mise en peinture du tablier de l’ouvrage : on constate donc un nouveau changement dans le comportement de l’ouvrage, similaire au comportement initial. Ainsi, dans cet exemple particulier, à la fois l’aggravation d’une fissure existante et les effets d’un chantier de préservation ont p u être mis en avant grâce à l’utilisation de modèles construits automatiquement par IA. IV.B. Test des outils de détection Les résultats du Paragraphe IV.A ont mis en avant les performances des modèles LSTM générés automatiquement sur divers types d’instrumentations. L’analyse de ces résultats a également montré leur utilité dans l’interprétation parfois complexes des données : détection d e signes précurseurs d’un changement de comportement, identification de tendance, ou interprétation des effets d’une intervent ion sur ouvrage. Si l’apparition d’une dérive continue peut facilement être mise en avant simplement par la valeur moyenne des résidus, d’autres phénomènes plus fins ou plus complexes peuvent être difficiles à détecter. Dans ce contexte, les approches de détection proposées dans la Partie III sont testées ci-après. IV.B.1. Détection d’anomalie virtuelle par maximum de vraisemblance pénalisé Note : les résultats présentés dans ce paragraphe ont fait l’objet d’une publication dans l e cadre de la conférence Eurostruct 2021 (Manzini et al. [2021]). L’approche proposée a été appliquée sur les données d’un capteur de déplacement de l’ouvrage étudié dans le cas d’étude du Paragraphe IV.A.3 (Figure 50).