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

49 Ainsi à travers cet exemple, on constat e que l’approche proposée permet d’identifier la période d’anomalie dans les don nées d’un capteur, tout en localisant le capteur affecté malgré les croisements des entrées/sorties des différents modèles générés automatiquement. IV.B.3. Application de la méthode « multivariée » sur une anomalie réelle Si l’approche par maximum de vraisemblance pénalisé s’est avérée efficace pour détecter et localiser des anomalies dans un jeu de données, quelques limites ont été mises en avant, notamment : - Sur le besoin de transformer les résidus pour obtenir des données passant les tests de normalité et de stationnarité, - Au niveau de la forte sensibilité des tests mis en œuvre qui, en l’absence de pondération particulière, se traduit forcément dans l’indicateur final produ it, - Sur la comparaison qui est toujours effectuée par rapport à un intervalle de référence, et qui empêche l’interprétation d’une évolution entre deux segments consécutifs. Pour ces raisons, l’approche « multivariée » a été proposée comme une démarche d’an alyse alternative. On l’applique ici au cas du suivi de la fissure présentée dans le Paragraphe IV.A.4. Pour le capteur étudié, quatre modèles ont été générés automatiquement à partir de données de température de l’ouvrage qui ont été réparties en quatre groupes par corrélation. Les résidus suivants sont obtenus : Figure 61 Résidus obtenus par 4 modèles par apprentissage pour le fissuromètre suivi. La démarche détaillée au Paragraphe III.C.1 est appliquée avec plusieurs paramètres : - En utilisant soit la moyenne, soit la variance comme critère de recherche, - En utilisant = 7 , 15 , 30 , 60 . La valeur de apparaît comme un critère déterminant pour cette approche de détection. Des résultats en accord entre la détection sur la moyenne et la variance ont été obtenus pour = 30 :