Smart TCscan - Évaluation intelligente, à grand rendement et non destructive des défauts de collage dans les chaussées | FEREC 2020

Smart TCscan Lauréat de l’appel à projets 2020 11/29 4.2. Utilisation de méthode de Machine Learning SVM pour la classification des données Les techniques radar conventionnelles ont montrés ces dernières années qu’il était possible d’estimer grâce à des méthodes hautes performances des caractéristiques géométriques et physiques en subsurface à faible profondeur. Actuellement, seuls les épaisseurs et des décollements significatifs dans les milieux faiblement dispersifs sont possibles à l’aide d’outil à ultra-large bande de fréquences. Ces méthodes bien que très performantes restent limitées et peu robustes pour détecter les faibles variations de caractéristiques diélectriques et couche mince comme identifier dans une couche d’accrochage. Pour cela, les travaux menés dans la thèse de S. Todkar (2016 - 2019) ont montré qu’une méthodologie de Machine Learning peut être utilisée pour détecter les décollements d’interface dans le domaine des chaussées. L’objectif est des coupler les techniques radar avec les méthodes d’apprentissage supervisé telle que la SVM pour l’identification des défauts de couche d’accrochage. La SVM (Support Vector Machine) est un algorithme d’intelligence artificielle reposant sur l’idée de maximisation de frontière de décision et le choix d’une marge qui servira de séparation entre les variables (et par conséquent de classification), il s’agit des “vecteur de support” mais aussi du choix d’un hyperplan séparateur optimal dans un nouvel espace de combinaisons non-linéaires entre les variables (Figure 7). Afin d’identifier dans un premier temps la présence ou non d’une couche d’accrochage, une approche de résolution par la méthode two-class SVM (TCSVM) a été envisagées. Cette méthode permet la séparation des données en deux classes distinctes. Un jeu de données est identifié comme appartenant à la classe “collée” et un autre à la classe “non collé”. Pour mener cette étude de classification, deux approches sont possibles : “globale” et “locale”. La résolution par approche globale consiste à utiliser le jeu de données brut, sans pré-traitement. Chaque point du signal à la même importance. Cette dernière méthode est intuitive et rapide à mettre en œuvre et a été utilisé dans cette étude. Pour minimiser l’erreur de classification, une optimisation de type bayésienne a été utilisée. Il s’agit d’une approche probabiliste consistant à exploiter l’ensemble des événements précédemment observés pour inférer la probabilité des événements non observés. Contrairement aux méthodes par grille (couteuses en temps de calcul) et aléatoires, elle présente l’avantage d’utilisé les précédents résultats pour minimiser la fonction coût rapidement et efficacement grâce à une régression gaussienne. Dans la méthode SVM, outre le noyau, plusieurs “hyper-paramètres” entre en jeu : γ et C. - La fonction noyau (ou kernel) : Il s’agit de la fonction qui séparera les données. Elle peut être linéaire, gaussien (ou RBF), polynomiale, …Nous nous sommes intéressés au noyau linéaire et RBF de la forme : ( , ′) = ⋅ ′ (1) ( , ′) = −Ɣ⋅‖ − ′‖ 2 (2) - Le paramètre γ lors de l’utilisation du kernel RBF. - Le paramètre C est une constante de régularisation qui pénalise les termes d’erreur lors de la classification