Détection d’anomalies de comportement de barrage

Abstract

L’évaluation de la sécurité des barrages nécessite le suivi et l’analyse de données d’auscultation (déplacements, sous-pressions), récoltées tout au long de la vie de l’ouvrage. Les méthodes statistiques couramment utilisées aujourd’hui telles que la méthode HST et ses dérivées présentent de nombreuses limites. Elles ne permettent pas la prise en compte des couplages entre les variables mesurées, et supposent à l’avance la forme des équations modélisant le comportement hydromécanique de l’ouvrage. Les méthodes d’apprentissage automatiques basées sur les données (machine-learning) sont susceptibles de dépasser ces limites.

Dans la présente étude, deux approches d’apprentissage automatique sont testées sur des données réelles de déplacements d’un barrage poids. Une première approche de régression (à l’aide de l’algorithme d’Arbres de Régressions Boostés par Histogramme) est mise en œuvre pour analyser le comportement du barrage et identifier un changement de comportement mécanique dans les déplacements radiaux d’un pendule. Une seconde approche d’apprentissage semi-supervisé (méthode de détection de nouveauté) est utilisée sur les déplacements radiaux et tangentiels des deux pendules. Il est montré que ces méthodes peuvent ensemble constituer un outil d’aide à l’analyse des données d’auscultation et permettent de détecter des changements de comportement du barrage et l’apparition d’anomalies. Ainsi, des potentielles pathologies peuvent être détectées, et des mesures correctives adaptées et efficaces peuvent être prises dans les meilleurs délais.