Modèles d'apprentissage automatique pour la calibration des capteurs de polluants de l'air à faible coût

Machine leaning models for calibration of air low-cost sensors

• Auteur / Autrice : Aymane Souani
• Direction : Vincent Vigneron
• Type : Projet de thèse
• Discipline(s) : Sciences du traitement du signal et des images
• Date : Inscription en doctorat le 15/04/2021
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : IBISC - Informatique, BioInformatique, Systèmes Complexes
• Partenaire(s) de recherche : Equipe de recherche : SIAM : Signal, Image, AutoMatique
• Partenaire(s) de recherche : Référent : Université d'Évry-Val-d'Essonne (1991-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)

Mots clés

Mots clés libres

Adversarial training

Régression non-linéaire

Étalonnage de capteur

Sélection de variables

Domain adaptation

Apprentissage profond

Adversarial training

Non-linear regression

Sensor calibration

Variable selection

Domain adaptation

Deep learning

Résumé

On peut observer depuis la COP21 un essor rapide des systèmes de mesures de polluants atmosphériques qui permettent, combinés avec le crowd-sourcing par exemple, de représenter spatialement la qualité de l'air [4]. Cette cartographie à l'initiative des acteurs traditionnels de la surveillance, des collectivités locales, en est à ses débuts. Elle pose néanmoins la question de l'exploitation de ces données, de leur incertitude et des possibilités offertes par les nouvelles technologies issues de l'intelligence artificielle (IA)pour les analyser, notamment par deep learning (DL) dans le cadre de la surveillance(réglementaire) de la qualité de l'air [2]. Elle questionne aussi la dérive des capteurs entre l'étalonnage, réalisé en laboratoire, et leur utilisation terrain. L'étalonnage de capteur est donc bien au coeur de l'objectif de cette thèse et non la prédiction des concentrations de polluants. Comment estimer, à partir d'une mesure x(t) =xt de concentration en NO2 par exemple, la concentration atmosphérique exacte ? Le problème, formulé ainsi, parait élémentaire. Cette concentration exacte que nous noterons x* est estimée par une fonction f telle que l'erreur quadratique soit aussi petite que possible. f est une fonction non-linéaire non paramétrique apprise à partir de données d'apprentissage D={xt, x*t}, t=1,…,T. Nous avons choisi de modéliser ces données par un modèle neuronal. Les modèles neuronaux apparaissent aujourd'hui comme des techniques à utiliser lorsqu'on a beaucoup de données et peu ou pas de théorie [1]. De nombreux paramètres peuvent influer sur l'écart mesuré par l'erreur quadratique. In fine, la précision de ces capteurs est relative et les incertitudes de mesure sont encore mal connues. Dans certaines situations bien définies, l'incertitude de mesure de ces appareils peut approcher le niveau des méthodes de mesure 'officielles'. L'environnement dans les stations de surveillance officielles est contrôlé, leurs instruments sont régulièrement contrôlés et les mesures sont soumises à des procédures de contrôle de qualité et d'étalonnage rigoureuses. Certains capteurs peuvent être sensibles aux conditions météorologiques (vitesse du vent, température, humidité) ou peuvent avoir des difficultés à distinguer les polluants. Même si une mesure est effectuée correctement, elle ne peut être représentative que pour une très petite zone. Nous traiterons trois problématiques originales dans ce sujet de thèse : 1. Tout d'abord, observons que deux phénomènes physiques opposés sont à l'œuvre quand il s'agit de mesurer des concentrations de polluants : (i) la très grande inertie des changements climatiques, (ii) la faible inertie des réactifs chimiques. La première est liée à un problème d'échelle et au comportement physico-chimique des polluants CO2, O3, CH4, etc. La seconde est lié au positionnement des sources ;elle dépend de la toxicité des polluants NO2, PMx, O3, SO2, . . . mais aussi de la sensibilité des réactifs chimiques. Comment rendre plus fiable l'étalonnage des capteurs en exploitant ces deux échelles simultanément ? Comment s'assurer que les valeurs prédites ne divergent pas des conditions réelles ? Des travaux approfondis sont nécessaires pour répondre à ces questions. 2. La figure 2a illustre une autre difficulté : les pics de pollution sont les seuls événements réellement importants dans le signal. Leur estimation doit être optimale. Or,on peut voir qu'ils sont rares (heureusement), ce qui rend leur estimation difficile car le modèle neuronal f est, statistiquement parlant, une espérance conditionnelle xt=E[y|xt] =f(xt;w), autrement dit une approximation. Il est plus difficile de prédire des événements peu représentés dans les données d'apprentissage. Le score R2 qui mesure la qualité de l'ajustement(x∗t, xt)est plutôt bon 'en moyenne' (Fig.2b), il masque cependant l'erreur d'estimation plus marquée commise sur les pics. Une solution consisterait à adapter la fonction coût en pénalisant les données en dessous de 10 ppb par exemple ou a introduire une contrainte sur les poids du réseau. 3. Nous avons tous en mémoire l'accident de l'usine chimique Lubrizol classée Seveso à Rouen, le 26 septembre 2019. La plupart des produits de combustion correspondaient à des dérivés du type CO, CO2, N, Cl, F et Br qui se recombinent en gaz toxiques, les plus courants étant des hydrocarbures sulfurés, des sources radioactives scellées, du pentasulfure de phosphore, toluène, éthylbenzène, xylène, etc. Les conditions atmosphériques et topologiques ont augmenté l'impact de l'épisode de pollution. Cependant la méconnaissance de la nature exacte des produits stockés pouvant brûler a été le principal facteur aggravant. Dans le cas de Lubrizol il fallut 18 jours pour identifier les additifs que l'usine produisait. Pourquoi ? Parce qu'aucun dispositif n'est capable à ce jour de remonter à la véritable source de pollution à partir des concentrations des produits de combustion, en combinant les informations provenant de plusieurs capteurs. Or, les accidents industriels de ce type (chimique, agrochimique, phytosanitaires, etc.) donnent habituellement lieu à desincendies qui émettront des effluents toxiques qui se disperseront dans l'atmosphère avec un impact direct sur l'homme et l'environnement. La solution consiste a résoudre un problème de classification (pas ou peu maîtrisé en génie des procédés) dans lequel les classes sont les sources de pollution possibles et les variables d'entrée les concentrations de polluants produit par la combustion [3]. Après la détection de la contamination, il est important d'identifier la source de pollution et son type pour soutenir les tentatives de correction. Les méthodes conventionnelles reposent généralement sur une analyse en laboratoire, qui nécessite un temps d'analyse long. Nous proposons une nouvelle méthode de classification des polluants, qui discrimine les pollutions en temps réel indépendamment de la concentration de ces polluants. La méthode proposée quantifie les similitudes ou les différences entre les réponses des capteurs à différents types de polluants. La performance de la méthode proposée sera évaluée à l'aide des données d'expériences en laboratoire et comparée à une méthode basée sur la classification. La robustesse de la méthode proposée sera évaluée à l'aide d'une analyse d'incertitude.

Since COP21, we can observe a rapid development of atmospheric pollutant measurement systems which, combined with crowd-sourcing for example, can spatially represent air quality [4]. This mapping, initiated by traditional surveillance actors and local territories, is in its infancy. It nevertheless raises the question of the exploitation of these data, their uncertainty and the possibilities offered by new technologies stemming from artificial intelligence (AI) to analyze them. In particular by deep learning (DL) within the framework of surveillance (regulatory) of air quality [2]. It also questions the drift of the sensors between the calibration, carried out in the laboratory, and their use in the field. Sensor calibration is therefore at the heart of the objective of this thesis and not the prediction of pollutant concentrations. How to estimate, from a measurement x (t) = xt of NO2 concentration for example, the exact atmospheric concentration? The problem, formulated thus, seems elementary. This exact concentration which we will denote x * is estimated by a function f such that the quadratic error is as small as possible. f is a non-parametric non-linear function learned from training data D = {xt, x * t}, t = 1, , T. We have chosen to model this data using a neural model. Neural models appear today as techniques to be used when there is a lot of data and little or no theory [1]. Many parameters can influence the deviation measured by the mean squared error. Ultimately, the accuracy of these sensors is relative and the measurement uncertainties are still poorly understood. In certain well-defined situations, the measurement uncertainty of these devices can approach the level of official measurement methods. The environment in “official” monitoring stations is monitored, their instruments are regularly monitored and the measurements are subject to rigorous quality control and calibration procedures. Some sensors may be sensitive to weather conditions (wind speed, temperature, humidity) or may have difficulty distinguishing pollutants. Even if a measurement is performed correctly, it can only be representative for a very small area. We will deal with three original issues in this thesis subject: 1. First of all, let us observe that two opposite physical phenomena are at work when it comes to measuring concentrations of pollutants: (i) the very great inertia of climate change, (ii) the low inertia of chemical reagents . The first is linked to a problem of scale and to the physicochemical behavior of the pollutants CO2, O3, CH4, etc. The second is linked to the positioning of the sources; it depends on the toxicity of the pollutants NO2, PMx, O3, SO2,. . . but also of the sensitivity of chemical reagents. How can the calibration of sensors be made more reliable by using these two scales simultaneously? How to make sure that the predicted values do not diverge from the real conditions? More work is needed to answer these questions. 2. Figure 2a illustrates another difficulty: pollution peaks are the only really important events in the signal. Their estimation must be optimal. We can observe that these event are rare (fortunately), which makes their estimation difficult because the neural model f is, statistically speaking, a conditional expectationˆxt = E [y | xt] = f (xt; w), in other words an approximation. It is more difficult to predict events that are poorly represented in the learning data. The score R2 which measures the quality of the fit (x*t, xt) is rather good 'on average' (Fig.2b), however it masks the more pronounced estimation error made on the peaks. One solution would be to adapt the cost function by penalizing the data below 10 ppb for example or to introduce a constraint on the network weights. 3. We all remember the accident at the Lubrizol chemical plant classified as Seveso in Rouen, on September 26, 2019. Most of the combustion products corresponded to derivatives of the CO, CO2, N, Cl, F and Br type which recombine into toxic gases, the most common being sulfurized hydrocarbons, sealed radioactive sources, phosphorus pentasulfide, toluene, ethylbenzene, xylene, etc. The atmospheric and topological conditions increased the impact of the pollution episode. However, ignorance of the exact nature of the stored products that could burn was the main aggravating factor. In the case of Lubrizol, it took 18 days to identify the additives that the factory produced. Why ? Because no device is able to date to trace the true source of pollution from the concentrations of combustion products, by combining information from several sensors. However, industrial accidents of this type (chemical, agrochemical, phytosanitary, etc.) usually give rise to fires which will emit toxic effluents which will disperse in the atmosphere with a direct impact on man and the environment. The solution consists in solving a classification problem (not or little mastered in process engineering) in which the classes are the possible sources of pollution and the input variables the concentrations of pollutants produced by combustion [3]. After detecting the contamination, it is important to identify the source of pollution and its type to support remedial attempts. Conventional methods are generally based on laboratory analysis, which requires a long analysis time. We propose a new method of classification of pollutants, which discriminates pollution in real time regardless of the concentration of these pollutants. The proposed method quantifies the similarities or differences between the responses of the sensors to different types of pollutants. The performance of the proposed method will be assessed using laboratory experience data and compared to a classification-based method. The robustness of the proposed method will be assessed using an uncertainty analysis.