Hybrid AI and Physics-Informed Methods for Structural Damage Quantification and Sensitivity Analysis

Μéthοdes hybrides fοndées sur l'ΙA et la physique pοur la quantificatiοn des dοmmages structurels et l'analyse de sensibilité

• Auteur / Autrice : Chen Shi
• Direction : Didier Lemosse
• Type : Projet de thèse
• Discipline(s) : Mecanique des solides, genie mecanique, productique, transport et genie civil
• Date : Inscription en doctorat le 01/09/2021
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École Doctorale Physique, Sciences de l'Ingénieur, Matériaux, Énergie
• Partenaire(s) de recherche : Laboratoire : LABORATOIRE DE MECANIQUE DE NORMANDIE
• Partenaire(s) de recherche : Établissement co-accrédité : INSA Rouen Normandie
• Jury : Examinateurs / Examinatrices : Didier Lemosse, Franck Schoefs, Olivier Bareille, Renata Troian, Younes Aoues, Lyes Nechak, Xavier Chiementin, Natasa Trisovic
• Jury : Rapporteurs / Rapporteuses : Xavier Chiementin, Lyes Nechak

Mots clés

Mots clés contrôlés

Intelligence artificielle

Mots clés libres

Surveillance de l’état des structures

Quantification des dommages

IA informée par la physique

Réseaux de neurones convolutifs

Analyse modale

Analyse de sensibilité

Analyse de Sobol

Transformation de Fourier à court terme

Modélisation hybride

Structural Health Monitoring

Damage Quantification

Physics-informed AI

Convolutional Neural Networks

Modal Analysis

Sensitivity Analysis

Sobol Analysis

Short-Time Fourier Transform

Hybrid Modeling

Résumé

La surveillance de l'état des structures (SHM) joue un rôle essentiel dans l'assurance de la sécurité, de la fiabilité et de la durabilité des infrastructures. Cette thèse propose une approche hybride combinant l'intelligence artificielle (IA) et des méthodes basées sur la physique pour améliorer la quantification des dommages structurels et l'analyse de sensibilité. Bien que les méthodes traditionnelles basées sur les vibrations fournissent des informations précieuses, elles présentent des limites en matière de traitement en temps réel et d’adaptabilité aux structures complexes. Les récents progrès en apprentissage automatique, en particulier les réseaux de neurones convolutifs (CNNs), ont démontré un fort potentiel, mais nécessitent souvent une grande quantité de données et manquent d’interprétabilité. Pour pallier ces limitations, nous développons dans cette thèse une méthode basée sur l’IA pour la détection des dommages structurels. Cette méthode utilise la transformation de Fourier à court terme (STFT) afin de convertir les signaux vibratoires en spectrogrammes temps-fréquence, qui sont ensuite analysés par des modèles CNN. La validation sur des structures de référence, notamment les bases de données IASC-ASCE et QUGS (Simulateur de tribune de l'Université du Qatar), confirme que la méthode CNN-STFT améliore la précision de détection des dommages ainsi que l'efficacité proposée des calculs. Au-delà de la détection des dommages, cette thèse introduit une approche basée sur la physique pour quantifier les dommages en intégrant des indices de dommage (DI) dérivés de l’analyse modale dans les modèles CNN. Cette intégration comble le fossé entre les prédictions pilotées par l’IA et l'interprétabilité physique, garantissant que les sorties des modèles correspondent au comportement structurel réel. Les évaluations expérimentales menées sur la base de données IASC-ASCE démontrent la robustesse de cette approche dans la détection et la quantification des dommages sous diverses conditions structurelles, y compris les scénarios multi-dommages. De plus, cette recherche explore de manière systématique l'analyse de sensibilité. Les indices de Sobol sont utilisés pour identifier les paramètres incertains les plus influents affectant le DI, en particulier les propriétés liées à la rigidité, comme le module de Young. Les résultats mettent en évidence que la sévérité des dommages amplifie la sensibilité des paramètres, soulignant ainsi la nécessité de prendre en compte les incertitudes dans les méthodologies SHM. En définitive, cette thèse contribue aux recherches en SHM en intégrant de manière transparente les techniques de l'IA et les approches basées sur la physique pour améliorer la précision de détection des dommages, renforcer l’interprétabilité et permettre une application en temps réel. L'approche proposée améliore non seulement les méthodologies SHM existantes, mais ouvre également la voie à de futures avancées en optimisation de la fiabilité et en amélioration des modèles d’apprentissage profond intégrant l'incertitude.

Structural Health Monitoring (SHM) plays a critical role in ensuring the safety, reliability, and lifespan of structures. This thesis presents a hybrid AI (Artificial Intelligence) and physics-informed approach to enhance structural damage quantification and sensitivity analysis. While traditional vibration-based SHM methods provide valuable insights, they face challenges in handling complex structures and real-time data processing. Recent advancements in machine learning, particularly Convolutional Neural Networks (CNNs), have demonstrated strong potential but often require large datasets and lack interpretability. To address these limitations, this research develops an AI-based framework for structural damage detection, utilizing Short-Time Fourier Transform (STFT) to convert vibration signals into time-frequency spectrograms, which are then analyzed using CNN models. Validation on benchmark structures, including the IASC-ASCE and QUGS (Qatar University Grandstand Simulator) datasets, confirms that the CNN-STFT method enhances damage detection accuracy and computational efficiency. Beyond damage detection, the thesis introduces a physics-informed approach to damage quantification by integrating Damage Indices (DI) from modal analysis into CNN models. This integration bridges the gap between AI-driven predictions and physical interpretability, ensuring that model outputs align with actual structural behavior. Experimental evaluations using the IASC-ASCE benchmark demonstrate the robustness of this approach in detecting and quantifying damage under various structural conditions, including multiple damage scenarios. Furthermore, the research systematically explores sensitivity analysis. Sobol indices are used to identify the most influential uncertain parameters affecting DI, particularly stiffness-related properties such as Young’s modulus. The findings emphasize that damage severity amplifies parameter sensitivity, reinforcing the necessity of uncertainty considerations in SHM methodologies. Overall, this thesis advances SHM research by seamlessly integrating AI and physics-based techniques to improve damage detection accuracy, enhance interpretability, and enable real-time applications. The proposed framework not only refines existing SHM methodologies but also lays the foundation for future advancements in reliability optimization and uncertainty-aware deep learning enhancements.