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

5 Certains outils, comme la moyenne mobile et le lissage exponentiel (Hyndman et al., [2018]), ou plus généralement les modèles de type ARMA ( AutoRegressive Moving Average ), ont vocation à être appliqués sur chaque série de mesures. Afin de proposer une analyse plus globale du comportement structurel, d’autres outils permettent de traiter des problèmes à plusieurs dimensions (analyse de plusieurs séries de données), pour identifier des variables caractéristiques du comportement de l’ouvrage ( features ). Parmi ces approches, on trouve notamment : - La fusion de données (Ataei et al., [2005]; Cury et al., [2010]; Ou et al., [2003]; J. W. Park et al., [2014]; Santos et al., [2013]), - La reconnaissance de formes (Cury et al., [2012]; Gul et al., [2009]; Santos et al., [2017]; Yeung et al., [2005]). La plupart des algorithmes utilisés fonctionnent par apprentissage, en utilisant un jeu de données sur lequel l’algorithme est entraîné avant d’ê tre appliqué par la suite sur de nouvelles données. L’intervalle utilisé pour l’apprentissage constitue alors la référence : dans un cas idéal, l’ouvrage est sain sur l’intervalle d’entraînement. Néanmoins, comme évoqué précédemment, l’instrumentation est généralement utilisée dans des cas où une anomalie est soupçonnée ou déjà présente : ainsi, à la différence d’une approche model- driven où on cherche à identifier si le comportement de l’ouvrage est sain, les approches data-driven ont vocation à identifier si le comportement de l’ouvrage a changé par rapport à une référence. Que cette référence soit saine ou non, un changement de comportement peut traduire une éventuelle dégradation de l’ouvrage. Dans un travail de recherche précédent (Manzini [2020]), les partenaires du projet MAADISON ont envisagé une approche reposant sur la régression croisée entre capteurs pour l’exploitation de données GPS sur un ouvrage d’art. L’objectif d’une régression e st de proposer un modèle, généré par apprentissage (et donc dénué de loi physique le justifiant) des séries temporelles de chaque capteur. L’approche qui a été proposée consiste à dire que, à défaut d’avoir suffisamment de données sur les conditions environnementales et d’exploitation, il est possible d’apprendre les différentes configurations que peut prendre l’ouvrage sans forcément identifier les conditions précises les générant (Figure 2). Elle se traduit par la réalisation de modèles régressifs entre les données des capteurs d’instrumentation (et pas uniquement à partir de données ambiantes ou d’exploitation). Figure 2 Illustration de l’approche appliquée sur des données GNSS (Manzini [2020]). Cette approche a été appliquée sur un jeu de données issues de l’instrumentation par stations GNSS du pont de Brotonne. Plusieurs outils de modélisation ont été évalués : modèles linéaires, modèles ARIMA, modèles SVM et réseaux de neurones. Les réseaux de neurones récurrents ( Recurent Neural Networks , RNN) ont été ide ntifiés dans ce cas d’étude comme un outil optimal pour la modélisation des séries GNSS. Si cette étude a démontré la capacité des RNN à modéliser la quasi- totalité des séries GNSS sur l’ouvrage étudié, quelques limites ont été identifiées : - Un seul type de capteur a été modélisé, - Un seul ouvrage a été considéré,