Fusion de données multi-échelle et multi-source : modèles d'apprentissage profond guidés par la physique pour la détection de défauts dans les infrastructures ferroviaires

multi-scale and multi-source data fusion: physics-guided dl models for defect detection in railway infrastructure

• Auteur / Autrice : Sid-Ali Tifoura
• Direction : Fakhreddine Ababsa
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 01/11/2024
• 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
• Partenaire(s) de recherche : Equipe de recherche : DYSCO : DYnamique Structures Systèmes et Contrôle

Mots clés

Mots clés libres

Data 3d

Fusion de données

Apprentissage profond

Data 3D

Data fusion

Deep Learning

Résumé

L'infrastructure ferroviaire d'aujourd'hui joue un rôle majeur dans la mobilité des personnes et des marchandises, et sa sécurité est cruciale. Cependant, la surveillance de ces vastes réseaux ferroviaires pose des défis complexes. L'ambition du projet FUSAR est de développer un système d'alerte avancé et prédictif basé sur la fusion de données multi-échelle, multi-source et de risques potentiels, garantissant une gestion plus efficace des infrastructures de transport linéaires. Ce système d'alerte contribuera de manière significative à la durabilité de ces infrastructures en permettant une gestion proactive des risques et des dangers potentiels (par exemple, le début d'un glissement de terrain, un affaissement/gonflement ou un effondrement de terrain), réduisant ainsi les coûts de maintenance, les interruptions de service et les impacts environnementaux. Pour atteindre cet objectif, nous proposons de combiner des informations provenant de multiples sources, en particulier des données ponctuelles issues de capteurs IoT installés in situ, des données linéaires générées par des relevés LiDAR capturés quotidiennement par les véhicules de surveillance des voies de SNCF Réseau (ESV), des données de surface obtenues par traitement interférométrique de données radar satellitaires (InSar) ainsi que des images satellitaires dans le spectre visible (Pleiade - gamme RGB). La combinaison et l'intégration de ces données multimodales, collectées à différentes échelles spatio-temporelles, et leur interprétation en relation avec des modèles physiques fourniront des informations plus robustes et fiables sur l'état des infrastructures. Ces données nous permettront d'assurer une surveillance globale et, en croisant les données multi-sources (avec interprétation physique), de détecter les défauts et les avertissements, ciblant ainsi les zones à risque de manière plus précise et plus rapide, notamment sur les ouvrages en terre. Cette thèse abordera certaines des problématiques soulevées par le projet FUSAR, notamment celles relatives à la fusion de données hétérogènes et aux modèles physiques.

Today's rail infrastructure plays a major role in the mobility of people and goods, and its safety is critical. However, monitoring these vast rail networks poses complex challenges. The ambition of the FUSAR project is to develop an advanced, predictive alert system based on the fusion of multi-scale, multi-source data and potential risks, ensuring more effective management of linear transport infrastructures. This warning system will make a significant contribution to the sustainability of these infrastructures by enabling proactive management of potential risks and hazards (e.g., the onset of a landslide, subsidence/swelling, or sinkhole), thereby reducing maintenance costs, service interruptions, and environmental impacts. To achieve this objective, we propose to combine information from multiple sources, particularly point data from IoT sensors installed in situ, linear data generated by LiDAR captured daily by SNCF Réseau's track surveillance vehicles (ESV), surface data obtained through interferometric processing of satellite radar data (InSar), and satellite imagery in the visible range (Pleiade - RGB range). Combining and integrating these multimodal data, collected at various spatiotemporal scales, and interpreting them in relation to physical models will provide more robust and reliable information on the state of infrastructures. This data will enable global monitoring and, by cross-referencing multi-source data (with physical interpretation), allow us to detect faults and warnings, thereby targeting risk areas more accurately and quickly, particularly in earthworks. This thesis will address some of the issues raised by the FUSAR project, specifically those related to the fusion of heterogeneous data and physical models.