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 16/29 13c, on peut observer que le noyau RBF semble plus adapté à notre étude et présente d’excellents résultats proches de 100 %. L’algorithme développé permet donc de séparer les données non collées de celles collées (toute épaisseur confondue). Suites aux excellentes performances données par la TCSVM pour la séparation binaire de notre jeu de données, la suite de l’étude a porté sur la multi-class SVM (MCSVM) et la régression SVR. Celle- ci permet cette fois-ci d’obtenir plusieurs classes et non plus seulement deux. Cette méthode va permettre dans notre cas de différencier les différentes épaisseurs modélisées à savoir 0, 1, 2 et 3 mm représentant ici respectivement une absence, un sous dosage, un dosage correct et un surdosage de l’émulsion. Cartographie de défauts simulés (vérité terrain) Classification MSCVM avec un kernel RBF Régression SVR avec un kernel RBF Figure 14 : Cartographie EM des défauts de couche d’accrochage avec multi-class SVM On observe sur la figure 14b, que l’utilisation de la multi-class SVM en identifiant 4 classes distinctes a permis de séparer nos données et de caractériser les différentes zones de la chaussée simulée (avec un DSC > 98,5 %). L’utilisation de la régression SVR permet d’estimer avec une excellente précision (RMSE = 0,28) les différentes épaisseurs présentes en subsurface. L’utilisation d’algorithmes d’apprentissage supervisés de type Support Vector Machine permettent d’obtenir d’excellentes estimations ou classifications des caractéristiques géométriques de la couche d’accrochage en termes d’épaisseur. L’identification de zones présentant des anomalies liées au collage des interfaces subsurfaciques est donc possible grâce aux méthodes de Machine Learning. a) b) 0 mm 1 mm 2 mm 3 mm c)