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
• Date : Inscription en doctorat le 27/03/2023
• 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

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

Le jumeau numérique (JN) est une composante de l'environnement commun des données qui font foi pour l'ensemble des propriétaires, concepteurs, constructeurs et utilisateurs de l'ouvrage. Tout comme les autres moyens de stocker et de diffuser des données (base de données, système d'information géographique etc.), les jumeaux numériques en cours de création devront être mis à jour de manière simple et efficace afin de continuer à être valable dans le temps. Aujourd'hui les différents jumeaux numériques sont alimentés par des sources de données continues (IOT) ou ponctuels (scanner laser 3D, caméras) qui peuvent être considérées comme des vérités terrains. Le sujet de thèse a pour objectif d'étudier les écarts entre ces sources de données et le contenu du jumeau numérique existant. Ces éventuels écarts témoigneront de l'évolution du système physique, rendant en partie obsolète le clone numérique. Ces écarts seront remontés par un système d'alerte (avec proposition de mise à jour du clone). Une réflexion sera menée sur les processus de mise à jour du système. Le cas d'usage portera sur une portion de ligne ferroviaire entre Lyon et Saint Etienne. Cette ligne est équipée de différents capteurs IoT, et régulièrement circulée par des trains de surveillance de la voie équipés de scanner laser 3D.

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.