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

51 IV.C. Synthèse Les quatre cas d’étude présentés dans la partie IV montrent le potentiel de réseaux LSTM générés automatiquement pour la modélisation de séries temporelles « statiques » sur ouvrage. Les LSTM utilisées ici suivent tous l’architecture proposée dans la partie II, et ont pu être utilisés dans différents contextes pour des applications diverses de surveillance telles que la détection de signes précurseur s d’une bais se de tension dans un câble, l’identification de changement de tendances, ou encore l’interprétation des effets d’une intervention sur ouvrage. L’étude des résultats a également mis en évidence le potentiel de ces outils dans des scénarios opérationnels, tels que la détection des prémices d’une baisse de tension dans un câble, l’identification des changements de tendances dans des séries à long terme, ou encore la vérification des effets structuraux liés à une intervention sur ouvrage. Enfin, deux stratégies de détection automatisée des anomalies dans les données produites par ces modèles ont été investiguées. La première méthode, par maximum de vraisemblance pénalisé couplée à des tests statistiques, s’est avérée capable, malgré quelques limitations, d’id entifier et de localiser des anomalies dans un jeu de données. La seconde méthode « multivariée », s’est avéré être un outil à fort potentiel pour l’investigation des anomalies dans les résidus des modèles générés automatiquement.