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

Contents 0.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1 Réunion Rockfall data analysis 7 1.1 Data characteristics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2 Previous studies on rockfall and rainfall . . . . . . . . . . . . . . . . . . . . . . . 8 1.3 Comparison before/after major protection works in 2008 . . . . . . . . . . . . . . 9 1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2 Toward Formalisation 17 2.1 Regular/Irregular sampling of events . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.1.1 Irregular sampling: Point process . . . . . . . . . . . . . . . . . . . . . . . 18 2.1.2 Regular sampling: Times Series . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Regression models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3 Neural Networks (NNs) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.1 Learning process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.2 Forward Propagation: from input to predictions . . . . . . . . . . . . . . . 21 2.3.3 Backward Propagation: from loss function to weights update . . . . . . . . 22 2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 3 Experiments 25 3.1 Experiments settings . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.1.1 Train/validation settings . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.1.2 Grouping label for classification . . . . . . . . . . . . . . . . . . . . . . . . 25 3.1.3 Metrics for classification model . . . . . . . . . . . . . . . . . . . . . . . . 26 3.2 Tested Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2.1 Reference: Operating rules after year 2000 . . . . . . . . . . . . . . . . . . 27 3.2.2 Dense Neural Networks (DNNs) . . . . . . . . . . . . . . . . . . . . . . . . 28 3.2.3 Convolutional Neural Networks (CNNs) . . . . . . . . . . . . . . . . . . . 30 3.2.4 Regression Models: Generalised Linear Model (GLM) . . . . . . . . . . . . 31 3.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 A Results of series of experiments using DNN 35 3