Détection et diagnostic d'anomalies sur des structures de génie civil par couplage machine learning et simulation numérique

Detection and diagnosis of anomalies in civil engineering structures using machine learning and numerical simulation

• Auteur / Autrice : Mamadou Sadialiou Diallo
• Direction : Ludovic Jason
• Type : Projet de thèse
• Discipline(s) : Génie civil
• Date : Inscription en doctorat le 21/10/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences Mécaniques et Energétiques, Matériaux et Géosciences
• Partenaire(s) de recherche : Laboratoire : CEA/SEMT - Service des études de mécanique et thermique
• Partenaire(s) de recherche : Référent : Ecole Normale Supérieure Paris-Saclay

Mots clés

Mots clés libres

Structures

Apprentissage machine

Béton

Machine learning

Structures

Béton

Résumé

Le suivi des ouvrages en béton armé revêt une importance toute particulière quand il s'agit d'identifier de potentielles anomalies (fissuration ou déformations excessives par exemple) par rapport au fonctionnement nominal. Ces anomalies peuvent en effet avoir des conséquences tant sur le comportement global (résistance…) que sur la fonctionnalité (étanchéité…) de la structure. Pour répondre à cet enjeu (détection du défaut et prédiction des conséquences), un couplage fort entre données de mesure et simulations apparaît indispensable. La méthodologie actuelle s'appuie principalement sur une instrumentation initiale de l'ouvrage à partir d'avis d'experts ou de retours d'expérience mais les données ne sont pas exploitées et analysées au regard de codes de calcul numériques. Le sujet de thèse proposé se place dans le cadre d'une rupture méthodologique, à travers l'association d'outils de machine learning et de simulation numérique pour la détection et le diagnostic d'anomalies sur des structures de génie civil afin de développer une instrumentation intelligente et adaptative du suivi de la vie de l'ouvrage. La méthodologie s'articule autour des axes suivants : le traitement des données de mesure par machine learning conduisant à l'identification des zones potentiellement défaillantes, la reconstruction par métamodélisation de conditions aux limites adaptées autour de l'anomalie précédemment détectée et l'identification du défaut et de ses conséquences par la simulation numérique en utilisant les conditions aux limites issues de l'étape précédente. La thèse sera réalisée conjointement entre deux laboratoires du CEA : le LM2S, spécialiste des questions relatives à la mécanique des structures et le LIAD, unité de compétence autour de l'Intelligence Artificielle et la science des Données.

Monitoring reinforced concrete structures is of particular importance when it comes to identifying potential anomalies (cracking or excessive deformation, for example) in relation to nominal operation. These anomalies can have consequences both for the overall behavior (strength, etc.) and the functionality (tightness, etc.) of the structure. To meet this challenge (fault detection and prediction of consequences), a strong coupling between measurement data and simulations is essential. Current methodology relies mainly on initial instrumentation of the structure, based on expert opinion or feedback, but the data is not processed and analyzed using numerical calculation codes. The subject of the proposed thesis falls within the framework of a methodological breakthrough, through the combination of machine learning and numerical simulation tools for the detection and diagnosis of anomalies on civil engineering structures, in order to develop intelligent and adaptive instrumentation for monitoring the life of the structure. The methodology revolves around the following axes: processing of measurement data by machine learning, leading to the identification of potentially faulty zones, reconstruction of suitable boundary conditions around the previously detected anomaly by metamodeling, and identification of the fault and its consequences by numerical simulation. The thesis will be carried out jointly by two CEA laboratories: LM2S, specializing in structural mechanics, and LIAD, a unit specializing in Artificial Intelligence and Data Science.