Le webzine de la recherche
L’apprentissage machine à la rescousse des infrastructures vieillissantes
Pr James-A. Goulet, Département des génies civil, géologique et des mines
De nombreuses villes font face au problème du vieillissement de leurs infrastructures. Les pouvoirs publics n’ayant pas les moyens de remplacer ou mettre à niveau massivement les infrastructures désuètes, comment faire primer la sécurité et la gestion durable des réseaux d’infrastructures?
Le Pr James-A. Goulet propose une solution issue de techniques tirées de l’apprentissage machine et de l’intelligence artificielle.
« La technologie nous permet de recueillir de l’information en continu sur l’état des structures, explique-t-il. En installant des capteurs qui fournissent des données sur les déplacements, rotations, déformations ou accélérations subies par les structures, ainsi que sur les conditions environnementales, il est possible d’inférer l’état des structures à partir de leur comportement. »
Étendre l’usage des capteurs à un grand nombre d’infrastructures représenterait une solution économiquement viable, car ces appareils de mesures performants sont devenus relativement peu coûteux et disponibles à grande échelle. Toutefois traiter ces informations pour prendre les bonnes décisions d’intervention est un défi de taille lorsque les infrastructures vieillissantes se comptent en dizaines de milliers comme au Canada. Il n’est pas envisageable de créer un modèle détaillé du comportement de chacune d’elles. « Il faut un modèle adaptable à un grand nombre de structures qui sont différentes », précise le Pr Goulet. Il souligne deux grandes difficultés provenant de la complexité des relations entre les infrastructures et leur environnement : le nombre gigantesque de données générées par un grand parc d’infrastructures, et les données manquantes ou aberrantes, difficiles à distinguer des données réellement alarmantes. »
En se basant sur les théories de la probabilité et de la décision, le chercheur développe des algorithmes capables d’apprendre à identifier un comportement normal et à détecter les données aberrantes afin de ne pas en tenir compte dans leurs calculs. « Une fois le comportement normal appris, on peut détecter toute déviation », commente-t-il, en soulignant que ce type de raisonnement cognitif combiné à la puissance de calcul d’un ordinateur surpasse les capacités de l’humain dans la tâche de détecter des anomalies dans le comportement des structures.
Le Pr Goulet cherche maintenant à rendre ces modèles génériques capables de s’autocalibrer, afin que que les solutions développées soient extrapolables à des milliers de structures différentes.
