Identification et localisation des défauts dans les ponts à l’aide de l’apprentissage profond

Abstract

Avec l’évolution de la technologie des réseaux de capteurs et l’émergence des méthodes de l’intelligence artificielle pour l’analyse des grandes masses de données, la surveillance de la santé structurale est devenue un outil pratique pour évaluer la sécurité et la performance des structures. Les variations dans les conditions environnementales et opérationnelles sont les facteurs principaux qui causent l’apparition des défauts structuraux. Un effort considérable a été investi dans les approches basées sur les vibrations et l’apprentissage profond. Selon le type de données utilisées pour alimenter le modèle d’apprentissage profond, les approches de détection proposées sont regroupées en deux familles : les approches non paramétriques, et les approches paramétriques. L’approche paramétrique emploie les accélérations pour déterminer les paramètres inconnus de la structure, comme les fréquences propres et les courbures modales. Dans ce cadre, nous avons développé une méthode qui utilise les courbures modales pour entrainer un auto-encodeur profond ; les erreurs de reconstruction du modèle sont exploitées pour identifier et localiser les défauts. La méthode a été validée sur le modèle numérique d’un pont réel. Plusieurs scénarios de défauts avec différents niveaux de gravité ont été testés. Les résultats de détection ont montré que l’auto-encodeur profond entrainé sur les courbures modales de l’état intact, est capable d’identifier et de localiser les désordres lorsque le bruit de mesure est maîtrisé.