Présentation

En recueillant en permanence ou périodiquement des données provenant de capteurs intégrés ou fixés à une structure, le SHM permet de détecter rapidement les dommages, la détérioration ou le comportement anormal, ce qui favorise une maintenance proactive et une atténuation des risques. Cependant, la conception d'un système SHM efficace est intrinsèquement un défi à plusieurs facettes : les ingénieurs doivent simultanément tenir compte des coûts des capteurs, de la précision de la détection, de la zone de couverture, de la bande passante de transmission des données, de la consommation d'énergie et des ressources informatiques.Ces objectifs souvent conflictuels – la couverture maximale des capteurs peut augmenter les coûts, tout en réduisant la densité des capteurs peut compromettre la précision de la détection.

Comprendre le suivi structurel de la santé

La surveillance de la santé structurelle fait référence au processus de mise en oeuvre d'une stratégie d'identification des dommages pour les structures d'ingénierie. Elle implique l'utilisation de divers capteurs (écarteurs de train, accéléromètres, capteurs à fibre optique, transducteurs piézoélectriques, etc.) pour recueillir des données dans le temps, qui sont ensuite analysés pour en déduire l'état actuel de la structure.

  • Détection du dommage – identification de la présence de dommages.
  • Localisation du damage – détermination de l'emplacement du dommage.
  • Quantification du dommage – évaluation de la gravité du dommage.
  • Prognose – prédire la durée de vie utile restante.

L'efficacité d'un système SHM dépend fortement de la disposition du capteur, de la fréquence d'acquisition des données, des méthodes de traitement des signaux et des algorithmes de décision. Cependant, des contraintes pratiques telles que les limites budgétaires, les difficultés d'installation et les conditions environnementales rendent l'optimisation de ces paramètres essentielle.

Principes fondamentaux de l'optimisation multi-objectif

L'optimisation multi-objectifs est une branche d'optimisation mathématique qui traite des problèmes impliquant plus d'une fonction objective à optimiser simultanément. Contrairement à l'optimisation mono-objectif où une seule meilleure solution est recherchée, MOO cherche à trouver un ensemble de solutions qui représentent les meilleurs compromis possibles entre les objectifs. Ces solutions sont connues sous le nom de solutions Pareto-optimal. Une solution est Pareto-optimal si aucun objectif ne peut être amélioré sans dégrader au moins un autre objectif. L'ensemble de tous les vecteurs objectifs Pareto-optimal est appelé le Front Pareto.

Officiellement, un problème de minimisation multi-objectifs peut être déclaré comme suit:

Dans les applications SHM, les objectifs comprennent souvent la réduction des coûts, la maximisation de la précision de détection, la maximisation de la couverture et la réduction du temps de réponse. Comme ces objectifs sont généralement contradictoires, le MOO offre un moyen systématique d'explorer la surface de compromis.

Les approches communes pour résoudre les problèmes du MOO comprennent:

  • Méthode de somme pondérée – combine des objectifs en une seule fonction en utilisant des poids, mais peut manquer des parties non convexes du front Pareto.
  • – optimise un objectif tout en traitant les autres objectifs comme des contraintes.
  • Algorithmes évolutionnaires – métaheuristiques basées sur la population qui peuvent approximer l'ensemble du front de Pareto en une seule fois (p. ex. NSGA-II, SPEA2, MOEA/D).
  • Optimisation des essaims de particules – variantes d'intelligence des essaims pour des problèmes multi-objectifs.

Les algorithmes évolutifs (EA) sont particulièrement populaires pour l'optimisation SHM en raison de leur capacité à gérer des espaces de recherche non linéaires, non convexes et discrets sans nécessiter d'informations de gradient. En savoir plus sur l'optimisation multi-objectifs sur Wikipedia.

Objectifs clés de l'optimisation du SHM

Lorsqu'on applique le MAO aux systèmes SHM, on tient généralement compte des objectifs suivants :

  • Coût – comprend les frais d'achat, d'installation, de maintenance et de traitement des données.
  • Précision de la détection – la probabilité d'identifier correctement les dommages (taux réel positif) tout en minimisant les fausses alarmes. Peut être exprimé comme des mesures de sensibilité, de spécificité ou de caractéristique de fonctionnement du récepteur (ROC).
  • Couverture – l'étendue spatiale sur laquelle le réseau de capteurs peut détecter de façon fiable les dommages. Cela peut être défini comme le pourcentage de la structure couverte ou le nombre de zones critiques surveillées.
  • Résolution – la capacité de détecter de petits dommages, souvent liés à la densité et à la sensibilité des capteurs.
  • Robustness – le système est résistant aux défaillances des capteurs, au bruit et aux changements environnementaux.
  • Efficacité de transmission et de traitement des données – utilisation de la bande passante, latence et charge de calcul, en particulier pour les SFM en temps réel.
  • La consommation d'énergie[ – pour les réseaux de capteurs sans fil, la durée de vie de la batterie est un objectif crucial.

L'importance relative de ces objectifs varie selon l'application. Par exemple, un système de surveillance de pont pourrait prioriser l'exactitude et la couverture, tandis qu'un dispositif de surveillance temporaire pour un chantier de construction pourrait mettre l'accent sur le faible coût et la facilité de déploiement.

Application de l'optimisation multi-objectif à SHM

Le MOO peut être intégré à différentes étapes de la conception et de l'exploitation du système SHM. Ci-dessous, nous discutons de trois domaines d'application principaux.

Optimisation du positionnement du capteur

L'un des problèmes les plus étudiés dans SHM est l'emplacement optimal du capteur (OSP). L'objectif est de sélectionner un sous-ensemble de sites de capteurs potentiels qui fournissent les données les plus informatives pour l'identification des dommages, tout en minimisant les coûts.Les objectifs clés sont notamment de maximiser le déterminant de la matrice d'information Fisher (lié à l'exactitude de l'identification modale), de maximiser la couverture des zones critiques, de minimiser le nombre de capteurs et d'assurer la robustesse de la défaillance du capteur.

Acquisition et traitement des données

Au-delà du placement des capteurs, le MOO peut optimiser les taux d'échantillonnage des données, les algorithmes de compression et les méthodes d'extraction des caractéristiques. Dans les systèmes sans fil SHM, la consommation d'énergie est une préoccupation majeure. Des objectifs tels que minimiser l'utilisation de l'énergie, maximiser la fidélité des données et réduire la latence peuvent être équilibrés à l'aide du MOO. Par exemple, des systèmes d'échantillonnage adaptatifs peuvent être conçus pour ajuster la fréquence d'échantillonnage en fonction de l'activité structurelle, en utilisant un front Pareto pour offrir des compromis entre économies d'énergie et perte d'information.

Systèmes d'aide à la décision

Une fois les données traitées, les systèmes SHM déclenchent souvent des alertes ou des recommandations de maintenance. Le MOO peut aider à la prise de décision à plusieurs critères (MCDM) pour la planification de la maintenance. Par exemple, lorsque de multiples scénarios de dommages sont détectés, les objectifs peuvent inclure la réduction des coûts de réparation, la maximisation de la marge de sécurité et la réduction des temps d'arrêt.

Algorithmes et techniques

Plusieurs algorithmes ont été adaptés pour optimiser les SHM multi-objectifs. Ci-dessous, nous décrivons les catégories les plus largement utilisées.

Analyse de Pareto

L'approche classique consiste à générer le front Pareto en utilisant des méthodes comme la somme pondérée ou la méthode ε-contraction. Bien que simples à mettre en œuvre, elles ont des limites lorsque le front Pareto est non convexe ou discontinu. Pour les problèmes de SHM avec les variables d'entier mixte (p. ex., les types de capteurs discrets), ces méthodes peuvent ne pas explorer efficacement l'espace de compromis. Néanmoins, les combiner avec des modèles de substitution peut améliorer l'efficacité de calcul.

Algorithmes évolutionnaires

Les algorithmes évolutifs, en particulier NSGA-II et SPEA2 (Strength Pareto Evolutionary Algorithm 2), sont parmi les plus populaires pour l'optimisation SHM. Ils utilisent une population de solutions candidates qui évoluent au fil des générations par le croisement, la mutation et la sélection basée sur la domination de Pareto et la préservation de la diversité.

  • Peut gérer plusieurs objectifs sans exiger de poids.
  • Produire une approximation bien répartie du front Pareto en une seule fois.
  • Adaptable aux contraintes complexes et aux espaces de recherche discrets.

Un autre algorithme notable est MOEA/D (Algorithme évolutif multi-objectif basé sur la décomposition), qui décompose un problème de MOO en un certain nombre de sous-problèmes d'optimisation scalaire et les optimise simultanément. MOEA/D a montré de fortes performances dans les problèmes de SHM haute-dimensionnelle où le coût de calcul est une préoccupation. ]Lire la suite sur les algorithmes évolutionnaires.

Approches hybrides

Pour surmonter le fardeau de calcul lié à l'exécution de modèles détaillés d'éléments finis pour chaque évaluation de la condition physique, les chercheurs combinent souvent des MOEA avec des modèles de substitution (p. ex., réseaux de Kriging, neuronaux) qui se rapprochent des fonctions des objectifs.

Études de cas sur le monde réel

Une optimisation multi-objectifs a été appliquée à divers systèmes SHM. Par exemple, une étude sur le positionnement optimal des capteurs pour un pont de fermes en acier a utilisé NSGA-II pour équilibrer le coût et la précision de l'identification modale. Le front Pareto a montré que l'utilisation de 10 capteurs bien placés pouvait atteindre 90 % des informations modales obtenues à partir de 20 capteurs, ce qui a permis d'économiser des coûts considérables.

Dans le cadre de la surveillance des éoliennes en mer, l'optimisation multi-objectifs a été utilisée pour déterminer la meilleure combinaison de l'accéléromètre et des mesures de contrainte pour maximiser la précision de la prédiction de la durée de vie de la fatigue tout en minimisant les coûts d'installation.

Avantages et limites

L'application du MOO au SHM offre des avantages évidents :

  • Les décideurs peuvent visualiser comment la performance évolue avec l'investissement.
  • Des conceptions efficaces – des capteurs redondants sont éliminés pendant que la couverture est maintenue.
  • – plusieurs options pareto-optimales offrent une flexibilité pour différents profils de risque.
  • Scalabilité – les algorithmes peuvent gérer des centaines de emplacements potentiels de capteurs et de multiples objectifs.

Toutefois, il y a des limites :

  • Compétitivité informatique[ – chaque évaluation de la condition physique peut nécessiter l'exécution d'un modèle numérique détaillé, ce qui rend l'optimisation longue.
  • Incertitude du modèle – la précision de l'optimisation SHM dépend de la fidélité du modèle structural et des scénarios de dommages supposés.
  • Subjectivité dans la sélection objective – les ingénieurs doivent décider quels objectifs inclure et comment les normaliser, ce qui peut biaiser les résultats.
  • Exigences en matière de données – Les algorithmes évolutifs avec de grandes populations peuvent nécessiter de nombreuses évaluations, qui peuvent être prohibitives pour les structures très grandes.

Orientations futures

Le domaine de l'optimisation multi-objectifs pour SHM évolue rapidement. Les orientations prometteuses de la recherche comprennent:

  • Intégration avec des jumelles numériques – les données de capteur en temps réel peuvent mettre à jour le jumeau numérique, ce qui permet une réoptimisation dynamique des configurations et des stratégies de maintenance des capteurs.
  • Les grandes données et l'IA[ – les modèles de substitution d'apprentissage profond peuvent accélérer le processus d'optimisation, et l'apprentissage du renforcement peut adapter le placement des capteurs en réponse à l'évolution continue des dommages.
  • Quantification d'incertitude[ – Des méthodes MOO robustes qui tiennent compte explicitement des incertitudes dans la modélisation, le bruit des capteurs et les conditions environnementales sont en cours de développement.
  • Optimisation bayesienne multi-objectifs – méthodes efficaces par échantillonnage qui construisent des modèles probabilistes des objectifs, permettant une optimisation avec des analyses structurales moins coûteuses.
  • La prise de décision humaine dans la boucle – des outils interactifs qui permettent aux ingénieurs d'explorer le front de Pareto et d'exprimer leurs préférences en temps réel.

À mesure que les systèmes SHM deviennent plus autonomes et riches en données, le rôle de l'optimisation multi-objectifs s'élargira, permettant une gestion des infrastructures plus intelligente et plus résiliente.

Conclusion

L'optimisation multi-objectifs fournit un cadre rigoureux et flexible pour améliorer les systèmes de surveillance de la santé structurelle.En modélisant explicitement les compromis entre des objectifs concurrents tels que le coût, la précision, la couverture et la robustesse, le MOO aide les ingénieurs à concevoir des réseaux de capteurs et des pipelines de traitement de données qui sont à la fois efficaces et efficients. Les algorithmes évolutifs comme NSGA-II et MOEA/D se sont révélés particulièrement utiles pour générer des solutions paréto-optimales dans des problèmes complexes et réels de SHM. Bien que les exigences de calcul et les incertitudes du modèle demeurent des défis, les progrès constants dans la modélisation de substitution, l'IA et les technologies numériques à double tour promettent de rendre le MOO encore plus pratique et puissant.