RINA - Démonstrateur d’utilisation de l’intelligence artificielle pour la gestion opérationnelle des risques naturels gravitaires géologiques | FEREC 2020

10/20 Livrable – Projet RINA – AAP Fondation Ferec / Novembre 2021 3.3Modèles IA et métriques Dans cette partie, nous présentons les modèles d’intelligence artificielle testés dans le cadre du projet RINA qui visent à construire des modèles prédictifs de chutes de blocs à partir des précipitations des jours précédents. Il s’agit en fait de répondre à la question : y-aura-t-il une ou plusieurs chutes de blocs le jour J en fonction des précipitations des jours précédents (de J-1 à J-5 ou J-10) ? Les données d’en- trée de ces modèles sont donc uniquement les précipitations des jours précédents (on utilise un délai entre 5 et 10 jours). En premier lieu, la sortie est une prédiction booléenne indiquant s’il y a au moins une chute de blocs. Les modèles sont donc des classifieurs binaire. 3.3.1 Modèle de référence Avant de décrire les modèles IA, le modèle prédictif de référence est la règle de gestion ex- perte mise en place en 2004 (Batista, 2016) et utilisé pendant la période d’étude (2000-2007) par le service de gestion de la route. Cette règle définit une fermeture de 72 heures de la route coté montagne si le cumul des précipitations sur 24 h est supérieur à 30 mm et la fermeture est réduite à 24 heures si ce cumul est compris entre 15 et 30 mm. 3.3.2 Modèles machine learning Trois types de modèles machine learning ont été utilisés : les modèles des plus proches voisins, des arbres de décision et les réseaux de neurones issus du deep learning. Pour les modèles type plus proches voisins (Figure 8), la prédiction pour un nouvel individu est basée sur la proximité avec des individus connus. La taille du voisinage est dans ce cas à optimiser. Pour les modèles type arbre de décision (Figure 9), le classificateur à arbre simple consiste en une série de décisions logiques binaires afin de choisir la catégorie qu'il va prédire. Chaque décision est basée simplement sur l'une des données d’entrée. Des modèles plus sophistiqués avec assemblage (comme la forêt aléatoire) ou le classificateur à gradient basé sur l'histo- gramme ont été optimisés pour obtenir les meilleurs résultats. Pour l'apprentissage profond, nous utilisons des réseaux neuronaux (Figure 10). Les réseaux de neurones se composent d'une première couche, avec un neurone par donnée d'entrée, d'une série de couches avec différents neurones et d'une couche finale avec la sortie. Dans notre cas, la sortie est binaire : éboulement ou pas ? Chaque neurone reçoit des valeurs de la couche précédente, les agrège et envoie une valeur à la couche suivante. Il est caractérisé par des poids, un biais et une fonction d'activation. Deux modèles ont été testés : les réseaux de neurones dense (DNN) et les réseaux de neurones convolutifs (CNN). Avant la calibration de ces modèles, une optimisation des hyperparamètres est effectuée. Les hyperparamètres sont par exemple le nombre de voisins, la profondeur de l'arbre, le nombre de couches cachées ou le nombre de neurones par couche.