Présentation

La surveillance de la santé structurelle (SHM) consiste à évaluer en permanence ou périodiquement l'état des infrastructures, comme les ponts, les bâtiments, les barrages et les tunnels, afin de détecter les dommages, d'estimer la durée de vie restante et de guider les décisions d'entretien avant que des défaillances ne surviennent. Les méthodes traditionnelles de SHM reposent fortement sur des inspections visuelles manuelles, des relevés périodiques des capteurs examinés par des experts humains et des alertes simples basées sur des seuils.

Les modèles d'apprentissage approfondi peuvent automatiquement apprendre des caractéristiques hiérarchiques à partir de données brutes, détecter des modèles complexes indiquant une dégradation structurelle et fonctionner en temps réel. Au cours des cinq dernières années, la recherche et les déploiements sur le terrain ont démontré que l'apprentissage approfondi peut améliorer considérablement la précision, la rapidité et la rentabilité de la SHM. Cet article donne un aperçu complet de la façon dont l'apprentissage approfondi est appliqué pour surveiller les ponts et les bâtiments, les fondements techniques, les domaines d'application clés, les avantages, les défis et les orientations futures prometteuses.

Comprendre l'apprentissage profond pour SHM

Contrairement aux méthodes traditionnelles d'apprentissage automatique qui exigent l'ingénierie manuelle des fonctions, les modèles d'apprentissage profond extraient automatiquement les caractéristiques pertinentes pendant l'entraînement. Cette capacité est particulièrement précieuse dans le SHM, où les signatures de dommages peuvent être subtiles et varier grandement selon les structures, les matériaux et les conditions environnementales.

Architectures de réseau neuronales utilisées dans SHM

Plusieurs architectures d'apprentissage profond se sont révélées efficaces pour différents types de données SHM :

  • Réseaux neuronaux convolutionnels (RCN):[ D'origine développée pour la reconnaissance des images, les RCN excellent dans le traitement des données spatiales.Dans SHM, les RCN sont appliqués aux images d'inspection visuelle (p. ex., photographies de surfaces en béton) pour détecter les fissures, les éraflures, la corrosion et la délamination.
  • Réseaux neuronaux courants (RNN) et réseaux de mémoire à court terme longue (LSTM) :Ces architectures sont conçues pour des données séquentielles. Elles modélisent les dépendances temporelles dans les flux de capteurs tels que l'accéléromètre, le jaugeur de contrainte ou les relevés de température.
  • Les modèles d'apprentissage non supervisés qui apprennent à reconstruire des données normales d'exploitation. Lorsqu'une structure développe des dommages, l'erreur de reconstruction augmente, fournissant une note anormale. Les autoencodeurs sont populaires pour les problèmes de classification d'une classe où les données de dommages étiquetés sont rares.
  • Réseaux neuronaux de couches (RGN):[ Émergents ces dernières années, les RGN fonctionnent sur des données structurées en graphiques. Ils peuvent modéliser les réseaux de capteurs en nœuds et en adjacences spatiales en tant que bords, permettant une localisation des dommages avec une plus grande précision.

Dans la pratique, de nombreux systèmes SHM combinent plusieurs architectures – par exemple, en utilisant un CNN pour traiter les signaux de vibration bruts en fonctionnalités, puis en alimentant ces fonctionnalités en LSTM pour la modélisation temporelle.

Principales applications de l'apprentissage profond dans le SHM

Détection automatisée des dommages à partir d'images et de vidéos

Une oléoduc typique consiste à capturer des images ou des cadres vidéo de surfaces structurales à l'aide de drones ou de caméras fixes, puis à les passer à travers un CNN formé pour segmenter ou classer les types de dommages. Par exemple, une architecture U-Net modifiée peut détecter des fissures en béton avec une précision de niveau pixel, atteindre des scores F1 supérieurs à 95 %. Des approches similaires détectent la rouille sur les ponts en acier, les boulons lâches et la détresse du trottoir. Des chercheurs de l'Université de Tokyo ont montré qu'un modèle CNN léger peut fonctionner sur des dispositifs de bord (par exemple, un Raspberry Pi avec une caméra) pour fournir des alertes en temps réel sur les ponts.

Identification des dommages par vibration

Les changements dans les propriétés dynamiques d'une structure – fréquences naturelles, formes de mode, rapports d'amortissement – indiquent les dommages. Les modèles d'apprentissage approfondi analysent les temps de vibration des accéléromètres pour classer les dommages et la gravité. Une approche courante traite le signal d'accélération brute comme une série chronologique et applique un CNN 1D ou LSTM pour distinguer les états sains, endommagés et réparés. Un exemple notable est l'utilisation d'un codeur automatique empilé combiné avec un classificateur softmax sur les données du pont Z24 en Suisse, obtenant 98 % de précision dans l'identification des scénarios de dommages artificiels (voir cet article à accès ouvert dans Sensors, 2020.

Surveillance acoustique des émissions

Les capteurs d'émission acoustique (AE) captent les ondes élastiques à haute fréquence générées par la croissance des fissures, la rupture de fibres ou la délamination. Les modèles d'apprentissage profond peuvent classer les signaux d'AE en mécanismes sources (p. ex., fissures matricielles contre retrait de fibres en composites). Les réseaux neuronaux convolutionnels appliqués aux formes d'ondes brutes du domaine d'activité AE ont surperformé les classificateurs traditionnels basés sur les caractéristiques, surtout lorsque plusieurs types de dommages coexistent.

Prédictive de la maintenance et de la vie utile restante (RUL) Estimation

Les modèles d'apprentissage approfondi apprennent les tendances de dégradation à partir des données historiques des capteurs. Par exemple, un réseau LSTM peut prendre une séquence de mesures de contraintes sur des mois et prévoir la durée de vie de fatigue restante d'une poutre d'acier. L'apprentissage du transfert aide lorsque les données de course à échec sont limitées – un modèle pré-formé sur des données simulées d'un jumeau numérique peut être affiné sur des lectures réelles des capteurs.

Détection d'anomalies en temps réel avec l'informatique de bord

Pour la surveillance continue, la transmission de toutes les données brutes du capteur au nuage peut être à forte intensité de bande passante et sensible aux latences. Le calcul des bords associé à des modèles d'apprentissage profonds légers permet une détection d'anomalies en temps réel sur place. Un appareil tel qu'un Jetson NVIDIA ou Google Coral peut exécuter un CNN quantifié qui affiche des modèles de vibrations anormales en millisecondes. Lorsqu'une anomalie est détectée, seul l'extrait d'événement (et sa classification) est envoyé à un serveur central, réduisant de façon spectaculaire le volume de données.

Avantages de la MSH à haute capacité d'apprentissage

  • Précision de détection plus élevée:[ Les méta-analyses d'études publiées montrent que les modèles d'apprentissage profond atteignent souvent des taux positifs réels de 5 à 15 % plus élevés pour la détection des fissures que pour l'inspection manuelle ou l'apprentissage traditionnel par machine, avec un taux positif faux moins élevé.
  • Coût et temps d'inspection réduits:[ Les inspections visuelles automatisées à base de drones utilisant des CNN peuvent effectuer un relevé d'un pont de 500 mètres en moins d'une heure et traiter les images pendant une nuit. L'inspection traditionnelle de l'accès aux câbles peut nécessiter un équipage de trois personnes pendant deux jours.
  • Surveillance continue des zones inaccessibles:[ L'apprentissage approfondi permet de surveiller les zones difficiles ou dangereuses à atteindre pour les humains, comme le dessous d'un pont ou l'intérieur d'un grand système de murs à rideaux.
  • Systèmes d'avertissement précoces :[ En analysant les tendances plutôt que les seuils simples, les modèles d'apprentissage profond peuvent émettre des avertissements des semaines ou des mois à l'avance. Par exemple, un fluage de surveillance LSTM dans un pont en arche en béton a alerté les ingénieurs de mouvements anormaux deux mois avant qu'une fissure critique ne apparaisse.
  • Adaptabilité à différents types de structures:[ Avec l'apprentissage du transfert, un modèle formé sur un pont peut être rapidement adapté à un pont similaire avec seulement quelques jours de données de recyclage, réduisant le besoin de grands ensembles de données étiquetés pour chaque nouvelle structure.

Défis et limites actuels

Malgré sa promesse, l'intégration de l'apprentissage profond dans les systèmes de MSH opérationnels est confrontée à des obstacles importants auxquels la communauté de l'ingénierie s'attaque activement.

Qualité et quantité des données

De nombreux déploiements de SHM génèrent des quantités massives de données, mais ces données sont souvent non marquées (pas de vérité au sol sur les dommages) ou contiennent des niveaux de bruit élevés des vibrations environnementales (vent, circulation, piétons). L'obtention de données de dommages marqués, en particulier pour des événements rares ou graves, est coûteuse et parfois impossible sans causer de dommages délibérés à une structure.

Modèle d'interprétation

Les ingénieurs et les organismes de réglementation doivent comprendre pourquoi un modèle a signalé une anomalie. Les réseaux neuraux profonds sont souvent des « boîtes noires ». Les techniques telles que les mécanismes d'attention, les valeurs Grad-CAM (pour les CNN sur les images) et SHAP peuvent fournir des explications partielles, mais celles-ci ne sont pas encore normalisées pour SHM. Sans interprétation, les propriétaires d'infrastructures peuvent être réticents à agir sur les sorties modèles, en particulier dans les décisions à haute prise concernant les fermetures de ponts ou les évacuations de bâtiments.

Généralisation dans les structures et les environnements

Un modèle formé sur les données d'un pont de fermes d'acier dans un climat tempéré peut ne pas fonctionner bien sur un pont en béton-caisse dans une région de mousson tropicale. Les différences dans les propriétés des matériaux, la géométrie, le placement des capteurs et les conditions ambiantes causent des changements de distribution.

Intégration avec les infrastructures existantes

L'intégration d'un moteur d'inférence d'apprentissage profond nécessite soit une adaptation avec des dispositifs de bord, soit la modification des pipelines de cloud. Le coût initial et la cybersécurité concernent souvent l'adoption lente. De plus, la maintenance à long terme des modèles d'apprentissage profond (reformation en tant que dérives de comportement structurel) nécessite une expertise que de nombreuses entreprises de génie civil ne possèdent pas actuellement.

Orientations futures et tendances de la recherche

Jumeaux numériques et réseaux neuronaux formés en physique (PINN)

Un jumeau numérique est une réplique virtuelle de haute fidélité d'une structure qui est continuellement mise à jour avec des données de capteur. Des modèles d'apprentissage profond peuvent être intégrés à l'intérieur de jumeaux numériques pour prédire la réponse structurelle dans différents scénarios. Les réseaux neuronaux éclairés par la physique intègrent les équations gouvernantes de la mécanique structurelle (p. ex., la formulation d'éléments finis) dans la fonction de perte, assurant ainsi des prédictions physiquement plausibles.

fédéré apprentissage pour la protection de la vie privée SHM

Dans de nombreux pays, les données des capteurs provenant des infrastructures critiques sont sensibles.L'apprentissage fédéré forme des modèles à travers de multiples structures sans partager de données brutes; seuls les gradients de modèles sont échangés.Cela permet à un réseau de ponts surveillés par différentes agences d'apprendre collectivement un détecteur d'anomalie plus robuste tout en respectant la souveraineté des données.

Transfert de l'apprentissage et peu d'apprentissage

Pour surmonter la rareté des données de dommages étiquetés, l'apprentissage par transfert permet de mettre au point un modèle pré-formé sur un ensemble de données de grande source (p. ex., des caractéristiques simulées de dommages ou des images de surfaces en béton génériques) avec seulement une poignée d'exemples marqués du pont cible.

et directives

L'Organisation internationale de normalisation (ISO) et l'American Society of Civil Engineers (ASCE) travaillent sur des normes pour les systèmes de gestion de l'information assistée par l'IA. Les sujets comprennent des exigences minimales en matière d'ensemble de données, des protocoles de validation de modèles, des seuils de précision acceptables et des formats de rapport.

Fusion multi-modales des capteurs

Les futurs systèmes SHM vont fusionner les données des accéléromètres, des jauges de contrainte, des caméras, des capteurs acoustiques et même des satellites InSAR (Interferometric Synthétique Aperture Radar) pour la déformation du sol. Les modèles d'apprentissage profond avec des architectures multimodales (par exemple, les transformateurs d'attention croisée) peuvent exploiter des informations complémentaires: par exemple, combiner les données de vibration (sensibles aux changements de rigidité) avec des cartes visuelles de fissure (sensibles aux dommages locaux) donne une localisation des dommages plus robuste.

Conclusion

L'apprentissage profond consiste à remodeler la surveillance de la santé structurelle en permettant une évaluation automatisée, précise et continue des ponts et des bâtiments.De la détection des fissures dans le béton à l'aide de NNC à la prévision des durées de vie résiduelles avec les MLS, ces méthodes passent de la recherche universitaire au déploiement réel.Les avantages – une précision de détection plus élevée, des coûts d'inspection réduits, des alertes en temps réel et des alertes précoces – sont bien documentés.

Pour plus de détails, un article de revue détaillé publié dans Mécanique Systèmes et traitement des signaux (2021) enquête sur plus de 300 documents sur l'apprentissage profond pour SHM. Des études de cas pratiques de la Federal Highway Administration des États-Unis peuvent être consultées par l'intermédiaire de leur page de recherche .