Nos recherches
Créer des répliques numériques haute fidélité pour des décisions en temps réel et conscientes des risques
Nous développons des jumeaux évolutifs, allant de modèles paramétriques légers à des répliques de failles, alimentés par des flux de capteurs en temps réel. Ces jumeaux pilotent des workflows de comparaison de défauts et de défauts qui signalent les anomalies, évaluent les risques et déclenchent une aide à la décision en quelques secondes.
Thèmes de notre travail
Apprentissage par transfert sensible aux attributs
Les VAE-GAN et l’apprentissage par transfert injectent des connaissances du domaine dans les zones pauvres en données, améliorant ainsi la précision des prédictions pour les géorisques et événements extrêmes.
Analyse des dommages à l’échelle des populations
Des ensembles de modèles généralisent les résultats d’un pont à de nombreux autres, permettant un dépistage rapide après séisme à l’échelle de réseaux entiers.
Fusion au niveau décisionnel
Les sorties de capteurs multiples sont fusionnées de manière probabiliste, fournissant des recommandations explicables et pondérées par le risque, sur lesquelles les opérateurs peuvent se fier.
Découvrez quelques-uns de nos derniers projets :
Projet en vedette
Apprentissage par transfert avec attributs pour améliorer la prédiction spatiale des glissements de terrain dans des zones à faible échantillonnage, basé sur un réseau antagoniste génératif à encodeur variationnel (VAE-GAN)
En raison de la complexité d’obtention des inventaires de glissements de terrain, il est difficile d’établir un modèle de prédiction spatiale des glissements avec peu d’échantillons étiquetés.
Cet article propose une nouvelle stratégie, appelée apprentissage par transfert avec attributs (TLA), afin d’exploiter efficacement les données d’inventaire existantes des glissements de terrain. Cette stratégie repose sur un autoencodeur variationnel combiné à un réseau antagoniste génératif (VAE-GAN) pour améliorer la prédiction spatiale des glissements de terrain dans les zones à faible densité d’échantillons. Contrairement à l’apprentissage par transfert classique (TL), le TLA préentraîne le modèle avec des données reconstruites par le VAE-GAN, permettant au modèle d’apprendre à l’avance les attributs caractéristiques des glissements de terrain dans les zones pauvres en données. Une base de données de 986 glissements de terrain sur trois zones d’étude, incluant 14 facteurs d’influence, a été établie. Trois modèles (CNN, BiLSTM et GRU) ont été utilisés à la fois comme extracteurs de caractéristiques pour le VAE-GAN et comme prédicteurs pour générer des cartes de susceptibilité. Les résultats expérimentaux montrent que la stratégie TLA améliore les scores moyens (AUROC, F1-score, précision, rappel, exactitude) de 2 à 7 % par rapport à TL, prouvant l’efficacité du TLA dans les zones à faible échantillonnage.
Projet en vedette
Détection de dommages structurels basée sur les vibrations utilisant un CNN 1D et l’apprentissage par transfert
Cet article présente une nouvelle approche de détection de dommages structurels basée sur les vibrations, utilisant un CNN unidimensionnel (1-D CNN) et l’apprentissage par transfert (TL).
Le CNN peut extraire efficacement les informations relatives aux dommages structurels à partir des signaux de vibration. Cependant, son entraînement requiert un nombre suffisant d’échantillons, or les scénarios de dommages issus de structures réelles sont souvent limités, ce qui nuit à ses performances. Pour y remédier, les modèles numériques peuvent fournir des échantillons d’entraînement en quantité suffisante, tandis que la technique avancée de transfert d’apprentissage (TL) permet de réduire considérablement le temps d’entraînement et d’améliorer la précision. Cet article propose ainsi une nouvelle méthode pour détecter les dommages sur un modèle de pont. Le CNN 1D est d’abord entraîné sur des scénarios de dommages simples issus d’un modèle numérique, puis transféré vers des cas complexes : dommages multiples (double ou triple), structures de tailles aléatoires et modèle expérimental. Les résultats montrent qu’avec le TL, la précision de détection augmente jusqu’à 47 %, la vitesse de convergence d’au moins 50 %, et le surajustement est limité. Dans le cas d’un pont réel, la précision s’améliore aussi de 44,4 %. Le TL améliore donc efficacement la précision, la convergence, et sa généralisation est confirmée pour les structures de taille variable.
Projet en vedette
Détection de dommages structurels basée sur la fusion décisionnelle de signaux vibratoires multiples
Lorsqu’une structure subit des dommages, ses signaux vibratoires changent. Si un seul signal vibratoire est utilisé pour la détection de dommages structurels (SDD), cela peut parfois entraîner une faible précision de détection.
Pour éviter les limitations des méthodes utilisant un seul type de signal, cet article propose une méthode de détection de dommages structurels basée sur la fusion au niveau décisionnel (DLF) avec des signaux vibratoires multiples. Les signaux d’accélération (ACC), de déformation (E), de déplacement (DIS) ainsi que leur combinaison sont utilisés comme entrées pour entraîner quatre modèles CNN distincts. Chaque CNN génère un résultat, et une stratégie de fusion décisionnelle combine ces sorties. Pour valider l’approche, un pont à ossature en acier est testé via simulations numériques et expériences vibratoires. Les résultats montrent que la fusion au niveau décisionnel améliore significativement la précision de détection des dommages par CNN.
