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

6 - Les RNN ont montré des divergences à l’apprentissage, nécessitant l’entraînement de plusieurs réseaux sur un même jeu de données et un test de performance supplémentaire pour la sélection du modèle optimal, - Les périodes d’apprentissage et d’application étaient inférieures à un an, limitant la validation des modèles sur le long terme. Ces constats limitent l’aspect opérationnel de la démarche proposée. Une stratégie d’ analyse croisée a été proposée pour identifier et localiser les anomalies dans les données. Cette stratégie repose sur l’utilisation de plusieurs modèles d’apprentissages construits à partir d’entrées différentes pour un même capteur, afin de minimiser les erreurs liées à d’ éventuelles anomalies sur les entrées du modèle. La détection est ensuite réalisée à partir de l’analyse de la distribution statistique du résidu (différence entre les mesures et la prédiction) obtenu pour chaque modèle, avec un étiquetage par journées sur chaque modèle. Un indicateur final est alors généré en moyennant les résultats des différents modèles d’un même capteur . Cette stratégie a permis de détecter des anomalies simples simulées sur les séries temporelles (Manzini [2020]), mais les limites identifiées précédemment couplées à l’aspect très empirique de l’élaboration de cette méthode en font un outil encore peu opérationnel, et appelle à de nouveaux développements pour rendre opérationnelle l’approche proposée. I.D. Objectifs du projet L e projet MAADISON s’inscri t dans une démarche de poursuite et de généralisation des travaux de recherche conduits précédemment (cf. Paragraphe I.C), afin de les intégrer dans une démarche opérationnelle. Deux objectifs principaux de développement ont été identifiés : • Un premier objectif porte sur la nature des données et ouvrages traités. Les essais n’ont jusqu’ici été réalisés que sur des données GNSS issues d’instrumentations de ponts. Les travaux proposés dans le cadr e de cet appel à projet visent à : o Valider l’application de cette approche sur des données issues types de capteurs différents, toujours dans une optique de suivi de la réponse thermomécanique des ouvrages (inclinomètres, extensomètres, capteurs de déform ation, de microfissuration, etc…) , o Tester l’application de cette approche sur des ouvrages ou chantiers de nature différente , o Investiguer les méthodes de sélection des données et le paramétrage des modèles prédictifs en machine learning . • Le second objectif de développement porte sur l’opt imisation et la validation de la stratégie proposée pour : o Renforcer la stratégie de détection des anomalies, notamment à travers la proposition de méthode d’analyse des résidus de modèles d’un capteur donné , o Déterminer et valider les tests statistiques po ur l’identification des segments de séries temporelles anormaux, o Déterminer l’approche optimale permettant de constituer un indicateur d’anormalité à partir des résidus de plusieurs modèles et valider la détection de comportements anormaux. Durant la réalisation de ce projet sur 11 mois, le financement de la FEREC a permis notamment le recrutement de deux PFE, un chez Sites (co-encadrement avec l’IGN) et l’autre à l’Université Gustave Eiffel (co-encadrement avec le Cerema), et dont les travaux se sont articulés sur chacun des objectifs de développement présentés ci- dessus. Les compétences et expériences de chaque partenaire en matière de génie civil, d’instrumentation et de traitement des données ont été mises à profit dans le cadre de ce projet.