MORPHO-IA - IA et Digital Twin au service de la maintenance prédictive | FEREC 2020

MORPHO-IA : ETUDE ET RESULTATS MORPHOSENSE ▪ SAS au capital de 120 366 € ▪ SIRET : 822 036 265 00012 18 allée du Lac Saint André, BP 60278 73370 Le Bourget du Lac ▪ TVA FR13 822036265 Figure 23 : Exemple de prédiction de la température ambiante en fonction des températures internes des nœuds de mesure du tablier Graphiquement, la différence entre la courbe de la « vraie » température et celle prédite est négligeable. Les deux courbes se superp osent. Cela permet d’affirmer que pour notre cas, l’algorithme peut être implémenté et véritablement utilisé pour prédire des températures sur des plages où la station météo ne fonctionnait pas. 6.3.2 Etude de l’impact de la température sur les variations de la structure pour la détection d’anomalie Le pont Saint-Laurent est principalement excité par les piétons et cyclistes (déformation dynamique). En ce qui concerne la déformation statique, les piétons n’effectuant pas une grosse charge ponctuelle, c’est prin cipalement la température qui influe sur la déformation de la structure et donc sa flèche par exemple. Une étude a donc été réalisée pour pouvoir tenter d’estimer la flèche de la structure en fonction de la température. Le but de cette étude serait de p ouvoir comparer les prédictions de la flèche (grâce à l’algorithme d’apprentissage automatique) avec les « vraies » valeurs de flèche (calculées par les indicateurs du système) afin d’observer une éventuelle divergence, et donc alerter sur l’apparition d’une éventuelle anomalie ou d’un phénomène. Ce serait le rôle du DT de tenter d’expliquer le phénomène qui se produit. L a Figure 24 r eprésente visuellement la corrélation e ntre d’une part la flèche (en violet) et d’autre part la température ambiante (en vert) ou la température interne de la station météo (en orange).