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

53 V. Bilan V.A. Bilan du projet Dans le cadre du projet MAADISON, plusieurs outils « IA » de régression de séries temporelles ont été présentés et comparés : les réseaux de neurones récurrents (RNN), les réseaux de neurones autorégressifs exogènes (NARX), et les réseaux long short term memory (LSTM). Après une brève revue des principes de fonctionnement de ces outils, leurs performances pour la modélisation de séries temporelles statiques sur ouvrages ont été évaluées. À partir de cette comparaison, les LSTM ont été identifiés comme l’out il de régression le plus performant et le plus polyvalent. Les LSTM se sont également avérés utiles pour résoudre les problèmes de divergence observés avec des RNN de petite taille. Cette évaluation a été accompagnée de la sélection d’une architecture jugé e optimale pour les LSTM, dont les paramètres sont détaillés dans ce rapport, afin de permettre au lecteur la mise en œuvre de modèles similaires à l’aide d’outils facilement accessibles comme MATLAB ou Python. La polyvalence de cet outil a été constatée à travers quatre cas d’étude : le suivi d’un pont suspendu métallique, le suivi d’un pont extradossé en béton, le suivi d’un ensemble tunnel + viaduc sur lequel des dérives ont été mesurées par l’instrumentation en place, ou encore le suivi de l’évolution d’une fissure sur un viaduc multi-travées constitué de deux caissons en béton précontraint construits par encorbellement successif de voussoirs préfabriqués. Des modèles LSTM ont été générés automatiquement à partir des paramètres identifiés dans le cadre du projet, et se sont avérés efficaces pour modéliser des séries issues de capteurs variés tels que des capteurs de déplacement, des inclinomètres, des fissuromètres, des capteurs de sellettes de déviation, des capteurs de tension ou même d’accéléromètres ( après transformation des données). Ces cas d’étude ont également permis d’illustrer l’application de ces outils dans des démarches d’analyses diverses. L’approche de modélisation proposée reposant sur l’apprentissage des relations entre capteurs, il a été nécessaire de proposer une démarche d’analyse permettant l’identification de l’origine des écarts entre un modèle et les observations correspondantes (ces anomalies pouvant être situées aussi bien au niveau des données en entrée que de la série modélisée). Une stratégie globale consistant à générer plusieurs modèles avec des entrées différentes pour un même capteur a été proposée, avec notamment plusieurs stratégies de sélection des entrées pour chaque modèle. Ensuite, deux approches d’analyse ont été prop osées : la première repose sur la détection de points de changement dans les résidus des modèles, et s’inscrit dans la démarche de mise au point d’un indicateur d’anormalité en appliquant divers tests statistiques sur les résidus de modèles prédictifs. La seconde simplifie les étapes de traitement des résidus, en les abordant comme un problème multivarié. Les résidus sont ainsi directement combinés, et analysés à l’aide d’un test multivarié. Ces approches de détection ont été testées sur des anomalies simulées ou réelles sur les données d’instrumentation de deux ouvrages, illustrant la capacité de la première à générer un indicateur d’anormalité permettant d’identifier les anomalies et de les localiser dans un jeu de données malgré l’utilisation de modèles croisant les données de différents capteurs. Ce rapport a été construit de façon à détailler au mieux les outils et processus utilisés, afin de faciliter le partage des résultats et promouvoir l’implémentation de tels outils dans des systèmes opérationne ls. Au niveau national, les résultats du projet MAADISON ont fait l’objet d’une communication aux Rencontres Ouvrages d’art 2021, organisées conjointement par l’Université Gustave Eiffel et le Cerema (www.cerema.fr/fr/evenements/rencontre-ouvrages-art-2021 ). Au niveau international, les résultats ont fait l’objet d’une publication intitulée « An automated machine learning-based approach for structural novelty detection based on SHM » (Manzini et al. [2021]) réalisée dans le cadre de la conférence Eurostruct 2021, qui s’est tenue à Padoue en août 2021. Du point de vue de l ’ exploitation, les travaux réalisés ont permis une avancée significative vers la mise en œuvre opérationnelle de solutions automatisées de modélisation des séries d ’ instrumentation, et de