Contributions à un jumeau numérique ferroviaire pour un système d’alertes : détection et segmentation de fontis à partir de données LiDAR 3D

Contributions to a Railway Digital Twin for an Alert System: Detection and Segmentation of Sinkholes from 3D LiDAR Data

• Auteur / Autrice : Maryem Bouali
• Direction : Fakhreddine Ababsa, Rani El meouche
• Type : Projet de thèse
• Discipline(s) : Informatique (AM)
• Date : Inscription en doctorat le ; Soutenance le 23/03/2026
• Etablissement(s) : Paris, ENSAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Pimm - Laboratoire Procédés et ingénierie en mécanique et matériaux
• Jury : Président / Présidente : Rafika Hajji
• Jury : Examinateurs / Examinatrices : Cyrille Migniot, Nicolas Hascoet, Mehdi Ammi, Fakhreddine Ababsa, Rani El meouche
• Jury : Rapporteurs / Rapporteuses : Cyrille Migniot, Rafika Hajji

Mots clés

Mots clés libres

Jumeau numérique ferroviaire

Fontis ferroviaires

Nuages de points LiDAR

Augmentation de données 3D

Segmentation sémantique

Apprentissage automatique et profond

Railway digital twin

Railway sinkholes

LiDAR point clouds

3D data augmentation

Semantic segmentation

Machine and deep learning

Résumé

La surveillance de l’état des infrastructures ferroviaires constitue un enjeu central pour les gestionnaires de réseaux, tant du point de vue de la sécurité des circulations que de l’optimisation des stratégies de maintenance. Parmi les désordres susceptibles d’affecter la plate-forme ferroviaire, les fontis représentent une instabilité particulière du sol, caractérisée par un effondrement soudain, localisé et généralement de forme pseudo-circulaire. Leur apparition peut compromettre la stabilité de la voie et entraîner des conséquences critiques pour l’exploitation ferroviaire. La détection précoce de ces phénomènes demeure toutefois délicate, notamment lorsque leurs manifestations en surface sont de faible amplitude. Dans ce contexte, le jumeau numérique s’impose comme un cadre structurant pour la gestion et l’analyse des infrastructures complexes. Son évolution, d’un outil de représentation vers un système intégrant données multi-sources et modèles analytiques, ouvre de nouvelles perspectives pour la surveillance de l’infrastructure ferroviaire et le renforcement de la maintenance préventive. La valeur du jumeau numérique repose largement sur la qualité des briques analytiques qui le composent. Le présent travail s’inscrit dans cette dynamique en contribuant au renforcement du niveau analytique du jumeau numérique ferroviaire par l’exploitation de données tridimensionnelles issues de relevés LiDAR. Ces données offrent une description fine de la géométrie de la surface du terrain et constituent une source privilégiée pour l’observation indirecte des instabilités affectant la plate-forme ferroviaire. L’objectif est de développer des méthodes permettant de détecter et de segmenter automatiquement les fontis ferroviaires à partir de leurs signatures géométriques, tout en limitant la dépendance à l’expertise humaine et en favorisant une intégration cohérente dans les systèmes d’information existants. Les fontis présentent des signatures topographiques spécifiques, directement liées à leurs mécanismes de formation et aux caractéristiques des sols concernés. Leur identification repose encore largement sur des pratiques de surveillance fondées sur l’observation humaine et des auscultations ponctuelles, difficilement généralisables à l’échelle du réseau. L’exploitation des données LiDAR ouvre ainsi la voie à une observation plus systématique et plus objective des variations morphologiques du terrain. Le développement de méthodes automatiques pour la détection des fontis reste cependant contraint par la disponibilité limitée de données de référence. Ces phénomènes étant rares et hétérogènes, les observations existantes ne permettent ni de couvrir l’ensemble des configurations géométriques possibles, ni d’entraîner efficacement des modèles d’apprentissage robustes. La première contribution de ce travail concerne l’enrichissement des données disponibles, à travers des stratégies de génération et d’augmentation de fontis synthétiques intégrés dans des contextes topographiques réalistes. La seconde contribution porte sur la segmentation sémantique des fontis à partir de Modèles Numériques de Terrain dérivés de nuages de points LiDAR, au moyen d’une chaîne de traitement dédiée et d’une analyse comparative de plusieurs familles de méthodes. Dans son ensemble, ce travail vise à renforcer les capacités d’analyse du jumeau numérique ferroviaire par l’intégration de méthodes de détection automatique fondées sur des données tridimensionnelles, en soutien aux processus de surveillance et de maintenance des infrastructures.

Monitoring the condition of railway infrastructure is a central concern for network operators, both in terms of traffic safety and the optimization of maintenance strategies. Among the disorders that may affect the railway platform, sinkholes represent a specific type of ground instability, characterized by sudden, localized collapses with a generally pseudo-circular shape. Their occurrence can compromise track stability and lead to critical consequences for railway operations. Early detection of these phenomena nevertheless remains challenging, particularly when their surface manifestations are of low amplitude. In this context, the digital twin has emerged as a structuring framework for the management and analysis of complex infrastructures. Its evolution from a representation tool to a system integrating multi-source data and analytical models opens new perspectives for railway infrastructure monitoring and the reinforcement of preventive maintenance. The value of a digital twin largely depends on the quality of the analytical building blocks it incorporates. This work is situated within this framework and contributes to strengthening the analytical layer of the railway digital twin through the exploitation of three-dimensional LiDAR data. These data provide a detailed description of ground surface geometry and constitute a valuable source for the indirect observation of instabilities affecting the railway platform. The objective is to develop methods capable of automatically detecting and segmenting railway sinkholes based on their geometric signatures, while reducing reliance on human expertise and promoting coherent integration within existing information systems. Sinkholes exhibit specific topographic signatures that are directly related to their formation mechanisms and the characteristics of the underlying soils. Their identification still largely relies on monitoring practices based on human observation and localized inspections, which are difficult to generalize at the scale of an entire network. In this respect, the use of LiDAR data enables a more systematic and objective observation of terrain morphological variations. However, the development of automatic methods for sinkhole detection remains constrained by the limited availability of reference data. As these phenomena are rare and heterogeneous, existing observations neither cover the full range of possible geometric configurations nor allow for the effective training of robust learning models. The first contribution of this work therefore concerns the enrichment of available data through strategies for generating and augmenting synthetic sinkholes integrated into realistic topographic contexts. The second contribution focuses on the semantic segmentation of sinkholes from Digital Elevation Models derived from LiDAR point clouds, using a dedicated processing pipeline and a comparative analysis of several families of methods. Overall, this work aims to enhance the analytical capabilities of the railway digital twin by integrating automatic detection methods based on three-dimensional data, in support of infrastructure monitoring and maintenance processes.