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

Rapport de projet - RINA - Démonstrateur d’utilisation de l’intelligence artificielle pour la gestion opérationnelle des risques naturels gravitaires géologiques	1
Sommaire du rapport	5
1. CONTEXTE ET OBJECTIFS DU PROJET RINA	6
2. ORGANISATION ET ACTEURS	7
3. DEVELOPPEMENTS	7
3.1 Site d’étude et données utilisées	7
3.2 Analyse descriptive des données	9
3.3 Modèles IA et métriques	10
3.3.1 Modèle de référence	10
3.3.2 Modèles machine learning	10
3.3.3 Métriques d’évaluation des modèles	11
3.4 Résultats	12
3.4.1 Modèle expert	12
3.4.2 Modèle des plus proches voisins	13
3.4.3 Modèle type arbre de décision	13
3.4.4 Modèle type réseau de neurones	14
3.4.5 Comparaison des résultats	14
4. CONCLUSIONS ET PERSPECTIVES	14
5. RÉFÉRENCES BIBLIOGRAPHIQUES	16
6. ANNEXES	17
6.1 Rapport de stage orienté risque rocheux	17
Prediction of rock falls using artificial intelligence	18
Acknowledgments	19
Abstract	20
Summary	21
1. Introduction	23
1.1. Rock falls	23
1.2. Data analysis	25
1.3. Aim of the work	25
2. Study case	26
2.1. La Réunion	26
2.2. Temporal data	29
3. Preprocessing, data description and previous work	30
3.1. Previous works	31
3.1.1. Operational rules for road RN1 maintenance	31
3.1.2. Statistical Study of rock falls on the RN1	32
3.2. First analysis of rockfall events	33
3.3. PCA analysis of rockfall events	35
3.4. Spatial data	37
4. Methodology used for prediction models	43
4.1. Model	44
4.1.1. Nearest Neighbors	44
4.1.2. Decision Tree	45
4.1.3. Neural Network (NN)	47
4.2. Performance metrics	48
5. Results of models on RN1 data	50
5.1. Operation code	50
5.2. Nearest Neighbors	51
5.3. Decision trees	53
5.4. Neural Networks	59
5.5. Other models	62
5.6. Discussion	62
Conclusion	64
References	67
Attachments	69
Additional result of models : Random Forest	69
Additional result of models : Histogram based gradient boosting	70
6.2 Rapport du contrat orienté IA	72
Rockfall analysis and predictions using machine learning on RN1 road (Réunion)	73
Introduction	77
Réunion Rockfall data analysis	79
Data characteristics	79
Previous studies on rockfall and rainfall	80
Comparison before/after major protection works in 2008	81
Conclusion	82
Toward Formalisation	89
Regular/Irregular sampling of events	90
Irregular sampling: Point process	90
Regular sampling: Times Series	91
Regression models	92
Neural Networks (NNs)	92
Learning process	92
Forward Propagation: from input to predictions	93
Backward Propagation: from loss function to weights update	94
Conclusion	95
Experiments	97
Experiments settings	97
Train/validation settings	97
Grouping label for classification	97
Metrics for classification model	98
Tested Models	99
Reference: Operating rules after year 2000	99
Dense Neural Networks (DNNs)	100
Convolutional Neural Networks (CNNs)	102
Regression Models: Generalised Linear Model (GLM)	103
Conclusion	105
Results of series of experiments using DNN	107
Bibliography about point process related to Deep Neural Network	117
Bibliography	123

RkJQdWJsaXNoZXIy MTIzMTM=