L'apprentissage profond a introduit des capacités de transformation dans de nombreuses disciplines d'ingénierie, et l'ingénierie structurelle est un atout profond de ces avancées. L'une des applications les plus importantes est l'extraction automatisée de caractéristiques significatives à partir de données structurelles brutes. Qu'il s'agisse d'analyses de séries chronologiques de capteurs, d'imagerie à haute résolution de surfaces en béton ou de spectres de vibrations, les modèles d'apprentissage profond peuvent identifier de façon autonome des modèles qui sont révélateurs de la santé structurelle, de la dégradation des matériaux ou d'une défaillance imminente.

Le rôle de l'extraction de caractéristiques dans l'ingénierie structurelle

L'extraction de la caractéristique est le processus de transformation des données brutes et de haute dimension en un ensemble de descripteurs à dimensions inférieures qui capturent les informations essentielles pour l'analyse ou la prédiction. En génie structurel, les sources de données sont diverses : accéléromètres sur les ponts, jauges de contrainte sur les bâtiments, caméras thermiques sur les trottoirs et images de microscopie électronique à balayage des fractures d'acier.

Méthodes traditionnelles et leurs limites

Pendant des décennies, les ingénieurs ont utilisé des caractéristiques artisanales dérivées de connaissances du domaine. Par exemple, dans le cadre de la surveillance de la santé structurelle basée sur les vibrations, des caractéristiques comme les fréquences naturelles, les formes de mode et les rapports d'amortissement ont été calculées manuellement à partir de transformations de Fourier.

  • Foire à la demande: Chaque nouvel ensemble de données nécessite un réglage et une validation manuels.
  • Brittle: Les caractéristiques artisanales échouent souvent lorsque la qualité des données varie ou lorsque les modes de dommages sont imprévus.
  • Limited scope:[ Ils ne capturent que ce que l'ingénieur conçoit explicitement, potentiellement manquant de précurseurs subtils à la défaillance.
  • Poor scalability:[ À mesure que les réseaux de capteurs deviennent des milliers de canaux, l'ingénierie manuelle devient invraisemblable.

Ces limites ont motivé le passage à des représentations apprises, où les réseaux neuronaux profonds découvrent des caractéristiques directement à partir de données sans biais humain.

Comment l'apprentissage profond transforme le processus

Les modèles d'apprentissage approfondi, en particulier ceux qui ont plusieurs couches cachées, peuvent apprendre à représenter les caractéristiques hiérarchiques.Les couches précoces capturent les modèles de bas niveau (par exemple, les bords des images, les corrélations à court terme dans les séries chronologiques), tandis que les couches plus profondes les composent en caractéristiques abstraites, pertinentes pour les tâches (par exemple, morphologie des fissures, paramètres modaux).

Architectures d'apprentissage de fond clés pour l'extraction de fonctionnalités

Plusieurs architectures de réseau neuronal se sont révélées particulièrement efficaces pour les données d'ingénierie structurelle. Le choix de l'architecture dépend de la nature des données – spatiale, temporelle ou multimodale – et des objectifs d'extraction spécifiques.

Réseaux neuronaux convolutionnels (RCN) pour les données spatiales

Les CNN sont devenus la norme pour l'extraction de fonctions à base d'images lors de l'inspection structurale. Ils appliquent des filtres appris (correspondants) sur l'entrée, produisant des cartes de caractéristiques qui préservent la localisation spatiale.Dans les infrastructures civiles, les CNN sont utilisés pour extraire des caractéristiques de photographies de ponts en béton, de routes asphaltées et de cadres en acier pour détecter les fissures, les éraflures, la corrosion et la délamination.

Au-delà des images statiques, les CNN peuvent être appliqués aux nuages de points 3D des scans LiDAR ou aux représentations de fréquences temporelles (spectrogrammes) des signaux de vibration. Dans ces cas, les couches convolutionnelles extraient des caractéristiques spatiales des données transformées, faisant des CNNs un outil polyvalent pour une large gamme de modalités de données structurelles.

Réseaux neuronaux récurrents (RNN) et LSTM pour les données de série chronologique

Les RNN, en particulier les réseaux de mémoire à court terme longue (LSTM) et les unités de courant en phase gazeuse (GRU), sont conçus pour modéliser les dépendances séquentielles. Ils peuvent extraire des caractéristiques qui capturent les tendances, les périodicités et les anomalies dans les données de vibration, de déformation, de température ou d'émission acoustique. Par exemple, un extracteur de caractéristiques LSTM peut apprendre à représenter l'état d'un pont basé sur les dernières 24 heures de lectures d'accéléromètre, en identifiant des changements subtils de rigidité qui précèdent les dommages visibles.

Dans une étude réalisée en 2024 sur les ponts à câbles, un LSTM avec des couches d'attention extraites des caractéristiques qui prédisaient la perte de tension des câbles quelques jours avant le déclenchement des seuils d'alarme traditionnels a été introduit dans un classificateur ou un modèle de régression pour l'estimation de la durée de vie utile restante.

Autoencodeurs pour l'apprentissage des fonctionnalités non supervisées

Les auto-encodeurs offrent une approche non supervisée puissante pour l'extraction des fonctionnalités. Un auto-encodeur est formé pour reconstruire son entrée par une couche de goulot d'étranglement, forçant le réseau à apprendre une représentation comprimée (espace latent) qui capture les motifs les plus marquants. La partie encodeur de l'auto-encodeur sert d'extracteur de fonctionnalités qui peut être utilisé pour des tâches en aval comme la détection d'anomalies ou le regroupement.

Les autoencodeurs variables (VAE) et les autoencodeurs dénoueurs (DAE) ajoutent de la robustesse en apprenant des espaces latents ou en reconstituant des entrées corrompues. Dans le suivi de la santé structurelle, les caractéristiques extraites des données d'accélération ont été utilisées pour détecter les dommages dans des conditions environnementales variables (température, vent) sans avoir besoin d'exemples de dommages marqués.

Transformer les réseaux de données séquentiels et multimodales

Les architectures de transformateurs, développées à l'origine pour le traitement du langage naturel, sont de plus en plus utilisées pour les données structurelles, et leur capacité à modéliser des dépendances à longue distance sans les limites séquentielles des RNN les rend attrayantes pour les séries chronologiques ou les entrées multimodales (par exemple, combinant accéléromètre, déformation et données de température).

Dans un récent point de repère, un transformateur de série chronologique surpasse les extracteurs de caractéristiques LSTM sur un ensemble de données de détection de dommages de pont, ce qui permet d'améliorer de 12 % le score F1 tout en nécessitant moins de temps d'entraînement.

Applications pratiques et études de cas

Les exemples suivants illustrent comment l'extraction de fonctions d'apprentissage profond est déployée dans la pratique de l'ingénierie structurelle.

Détection des dommages dans les infrastructures civiles

Une étude de terrain de 2022 sur un pont suspendu à long rayon d'action a utilisé un NNC pour extraire des caractéristiques des images captées par des drones horaires. Les caractéristiques ont été introduites dans un SVM de classe unique pour détecter des fissures de surface. Au cours d'une période de six mois, le système a identifié 34 initiations de fissures qui ont été confirmées par une inspection manuelle, démontrant la fiabilité des caractéristiques apprises. Le NNC a été pré-entraînement sur ImageNet et affiné sur un petit ensemble d'images de ponts étiquetés, montrant l'apprentissage du transfert.

Surveillance de la santé structurelle (SHM) utilisant les réseaux de capteurs

Dans le SHM, les extracteurs de fonctions d'apprentissage en profondeur traitent les flux de capteurs à haut débit. Un cas notable concerne un pont routier instrumenté avec 32 accéléromètres. Un autoencodeur LSTM a été formé sur une année de données de trafic normales. Les caractéristiques latentes extraites ont ensuite été surveillées en temps réel. Lorsqu'un véhicule de construction a heurté une poutre, le vecteur de caractéristiques a affiché une déviation significative, permettant une alerte précoce en quelques secondes.

Prédiction matérielle de propriété à partir de microscopie Images

Les chercheurs d'un laboratoire national ont utilisé un NNC pour extraire des caractéristiques des images d'échantillons d'acier soumis à une charge cyclique au microscope électronique à balayage (SEM). Les caractéristiques extraites étaient fortement corrélées avec les taux de propagation de fissures mesurés lors des essais de fatigue.

Préparation des données et considérations relatives à la formation modèle

Le déploiement réussi des extracteurs de caractéristiques d'apprentissage profond dépend de stratégies de préparation et de formation prudentes.

Stratégies d'étiquetage et d'augmentation

L'étiquetage des données structurelles est coûteux et exige une annotation experte. L'augmentation des données – en appliquant des transformations telles que les rotations, les déplacements, l'échelle et l'injection de bruit – peut augmenter artificiellement les petits ensembles de données et améliorer la généralisation. Pour les séries chronologiques, les méthodes d'augmentation comprennent le décalage horaire, l'échelle de grandeur et l'ajout de bruit gaussien.

Manipulation des ensembles de données asymétriques

Les données structurelles sont souvent fortement déséquilibrées : les conditions normales (non-amorcées) dépassent largement les états endommagés.Les modèles d'extraction de caractéristiques formés sur de telles données peuvent devenir biaisés vers la classe majoritaire. Les techniques pour atténuer cette situation comprennent le suréchantillonnage de la classe minoritaire (p. ex. SMOTE pour les caractéristiques tabulaires, génération d'images synthétiques via les GAN), l'utilisation de la perte focale pendant l'entraînement, ou la préformation sur des données normales avec un autoencodeur, puis le réglage fin d'un sous-ensemble équilibré pour la classification.

Transfert de l'apprentissage et des modèles pré-formation

Les modèles pré-entraînement sur des ensembles de données à grande échelle (par exemple ImageNet pour les images, divers ensembles de données sur les vibrations publiques pour les séries chronologiques) peuvent être adaptés à des tâches structurales spécifiques avec un réglage minimal. Par exemple, un réseau VGG-16 pré-entraînement peut être utilisé comme extracteur de caractéristiques en retirant sa couche de classification finale et en alimentant les vecteurs de caractéristiques résultant en classificateur peu profond. Cette approche a obtenu une grande précision sur la détection de fissures de pont avec moins de 100 images d'entraînement par classe.

Défis et limites

Malgré des progrès remarquables, l'apprentissage profond de l'extraction de caractéristiques dans le génie structurel est confronté à des obstacles persistants.

Disponibilité et qualité des données

La plupart des ensembles de données disponibles proviennent d'expériences de laboratoire qui ne permettent pas de saisir la variabilité réelle (p. ex. bruit ambiant, dérive des capteurs, divers mécanismes de dégradation). De plus, les défaillances des capteurs, les données manquantes et les valeurs aberrantes compliquent l'entraînement.

Coûts informatiques

Pour former des réseaux neuronaux profonds, en particulier de grands transformateurs ou de CNN 3D, il peut être impossible de faire une distinction entre les grands modèles et les grands modèles.

Interprétabilité et confiance

Contrairement aux caractéristiques artisanales ayant un sens physique clair (p. ex. fréquence naturelle), les caractéristiques apprises peuvent être difficiles à relier directement aux paramètres physiques. La recherche sur l'IA explicable (XAI) pour l'ingénierie structurelle se développe, des méthodes comme les cartes de saliabilité, la visualisation de l'attention et les vecteurs d'activation de concepts étant adaptées pour donner un aperçu de ce que le réseau a appris.

Orientations futures et tendances émergentes

La prochaine vague d'innovation consistera probablement à intégrer l'extraction de fonctionnalités d'apprentissage profond à des modèles basés sur la physique, l'informatique de pointe et les jumeaux numériques.

Modèles hybrides combinant la physique et l'apprentissage profond

Les réseaux neuronaux (PINN) de physique intègrent des équations de régulation (p. ex., flexion de faisceau, vibration) dans la fonction de perte, guidant l'extracteur de caractéristiques pour apprendre des représentations conformes aux lois physiques connues. Par exemple, un CNN formé sur les champs de déplacement peut être contraint de satisfaire des conditions d'équilibre, améliorant la généralisation lorsque les données sont rares.

Calcul de bord pour la surveillance en temps réel

Les avancées dans la recherche d'architecture neurale (NAS) et les accélérateurs matériels (par exemple, Google Coral, NVIDIA Jetson) permettent désormais aux modèles efficaces de fonctionner sur du matériel de faible puissance. Un projet pilote sur un pont ferroviaire a utilisé un CNN optimisé fonctionnant sur un Raspberry Pi pour extraire des fonctionnalités de données de vibration toutes les 10 secondes, en détectant des boulons lâches en quelques minutes.

Intégration avec les Twins numériques

Les extracteurs de fonctions d'apprentissage profond peuvent servir de couche d'ingestion de données --, convertissant automatiquement les flux de capteurs bruts en un vecteur de fonctionnalités compactes qui met à jour l'état de la fonction----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Conclusion

Les techniques d'apprentissage profond ont fondamentalement changé la façon dont l'extraction des caractéristiques est effectuée en génie structurel. En apprenant automatiquement les représentations pertinentes à partir de données brutes, que ce soit des images, des séries chronologiques ou des signaux multimodal, ces méthodes permettent une analyse plus rapide, plus précise et évolutive de la santé structurelle. Les architectures telles que les CNN, les LSTM, les auto-encodeurs et les transformateurs offrent des avantages uniques pour différents types de données et tâches.