Méthodes hybrides couplant modèles physiques et algorithmes d'apprentissage pour la prédiction du vieillissement de systèmes mécaniques des voies ferrées

Hybrid methods combining physical models and learning algorithms for predicting the ageing of mechanical track systems

• Auteur / Autrice : Kuralay Kadekeshova
• Direction : Fabrice Gatuingt, Pierre Jehel
• Type : Projet de thèse
• Discipline(s) : Génie civil
• Date : Inscription en doctorat le 05/10/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences mécaniques et énergétiques, matériaux et géosciences (Gif-sur-Yvette, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : LMPS - Laboratoire de Mécanique Paris-Saclay
• Partenaire(s) de recherche : Equipe de recherche : OMEIR - Ouvrages, matériaux, environnement: interactions et risques
• Partenaire(s) de recherche : Référent : Ecole Normale Supérieure Paris-Saclay

Mots clés

Mots clés libres

Algorithmes d'apprentissage

Infrastructure ferroviaire

Méthode des éléments finis

Lois de vieillissement

Maintenance

Finite element method

Learning algorithms

Maintenance

Railway infrastructure

Ageing laws

Résumé

La modélisation et la prédiction du comportement des systèmes mécaniques dans leur environnement est aujourd'hui essentielle à leur conception, production, exploitation et maintenance. Les modèles mécaniques apparus avec le développement de méthodes de calculs analytiques au 18ème siècle ont vu leurs champs d'application s'étendre considérablement avec le développement des outils numériques pendant la 2ème moitié du 20ème siècle. Ces modèles numériques intègrent les lois de la physique pour simuler la réponse de systèmes mécaniques dans des environnements variés. Ces approches sont souvent trop coûteuses pour pouvoir balayer l'ensemble des états possibles du système. Depuis quelques décennies, le développement conjoint de systèmes d'acquisition et de stockage de données d'une part, et d'algorithmes d'apprentissage machine d'autre part, a permis l'apparition de modèles de comportements mécaniques offrant de bonnes capacités prédictives sans intégrer explicitement aucune loi physique dans la mesure cependant où de grandes quantités de données sont disponibles. L'objectif de cette thèse est de développer des modèles capables de prédire le vieillissement de systèmes mécaniques des voies ferrées (traverses, rails, attaches) en combinant les avantages des modèles basés sur la physique et ceux des modèles basés sur les données. Il s'agit en particulier de développer un modèle capable de représenter le système dans ses conditions de service effectives et d'en estimer les capacités résiduelles afin d'aider à la planification des opérations de maintenance. Dans un premier temps, un modèle numérique du système d'étude sera développé avec la méthode des éléments finis. Il s'agira en particulier d'identifier les composantes physiques (traverses, rail, ballast), leurs interactions (attaches), leurs lois d'évolution et les charges à représenter pour obtenir une modélisation fiable du système d'étude. Ensuite, des approches hybrides qui associent le modèle physique développé à des méthodes d'apprentissage machine seront conçues, mises en œuvre et comparées. Ces méthodes permettront de mieux identifier les paramètres du modèle physique tout en enrichissant le modèle des phénomènes physiques qui auraient pu rester cachés. Finalement, une stratégie de modélisation du système et d'acquisition de données, qui combine les avantages des modèles physiques et les avantages des modèles construits par apprentissage machine, sera proposée pour prédire le vieillissement du système d'étude et sa capacité résiduelle avant maintenance dans les conditions d'exploitation présentes et à venir.

Modelling and predicting the behaviour of mechanical systems in their environment is now essential to their design, production, operation and maintenance. Mechanical models first appeared with the development of analytical calculation methods in the 18th century, but their field of application expanded considerably with the development of numerical tools in the 2nd half of the 20th century. These numerical models integrate the laws of physics to simulate the response of mechanical systems in various environments. These approaches are often too costly to cover all the possible states of the system. Over the last few decades, the joint development of data acquisition and storage systems on the one hand and machine learning algorithms on the other has led to the emergence of mechanical behaviour models that offer good predictive capabilities without explicitly incorporating any physical laws, provided that large quantities of data are available. This thesis aims to develop models capable of predicting the ageing of mechanical track systems (sleepers, rails, fasteners) by combining the advantages of physics-based models with those of data-based models. In particular, the aim is to develop a model capable of representing the system in its current operating conditions and estimating its residual capacities to help plan maintenance operations. Initially, a numerical model of the system under study will be developed using the finite element method. In particular, it will be necessary to identify the physical components (sleepers, rail, ballast), their interactions (fasteners), their laws of evolution and the loads to be represented to obtain a reliable model of the study system. Next, hybrid approaches combining the physical model developed with machine learning methods will be designed, implemented and compared. These methods will make it possible to identify the physical model's parameters better while enriching the model with physical phenomena that might otherwise have remained hidden. Finally, a system modelling and data acquisition strategy that combines the advantages of physical models with machine learning models will be proposed to predict the ageing of the study system and its residual capacity before maintenance under current and future operating conditions.