Resume These Leo Calmettes

Identification non-linéaire de structures piloté par des données

Author : Léo Calmettes

Context

Les structures mécaniques, telles que les ponts autoroutiers, sont soumises à des charges dynamiques et à des conditions environnementales variées, pouvant entraîner des défauts ou des dégradations au fil du temps. Ces dégradations, souvent invisibles à l’œil nu, peuvent affecter la sécurité, la performance et la durabilité de la structure, rendant leur détection précoce décisive pour prévenir des défaillances catastrophiques. Dans ce contexte, la surveillance de l’état des structures par la caractérisation précoce des défauts est un domaine crucial de la gestion des infrastructures [1, 2]. Cette surveillance repose principalement sur l’interprétation des variations de certains paramètres physiques et/ou mécaniques du système –à l’aide de techniques de dynamique linéaire et non linéaire–, afin de les relier à l’état de santé des structures [3]. L’une des approches prometteuses –basée sur les données et non sur une modélisation précise de la structure en condition normale [4]–, s’appuie sur la mesure des vibrations et des mouvements des éléments de la structure par des capteurs dynamiques comme des accéléromètres. Ces capteurs, fixés directement aux structures, collectent des séries temporelles de données qui reflètent l’état dynamique de la structure sous l’effet des charges externes, des conditions climatiques et des vibrations dues à la circulation. Cependant, ces séries temporelles contiennent souvent une grande quantité d’informations complexes, et leur analyse pour détecter et localiser précisément des défauts [5] (comme des fissures, des déformations ou des affaiblissements des matériaux) est un défi majeur.

Objectifs L’objectif de ce sujet de thèse est de développer des méthodes innovantes pour caractériser, localiser et évaluer la gravité des défauts dans des structures de génie civil [6], en analysant les séries temporelles de données acquises par des capteurs [8]. Il s’agira plus particulièrement d’identifier des propriétés non linéaires des systèmes structurels [9] –comme les réponses d’hystérésis des éléments structurels, les relations non linéaires entre les amplitudes de fréquence et les distributions non linéaires des champs de contraintes– en exploitant des techniques avancées d’analyse de données (débruitage, filtrage, classification) et d’apprentissage automatique (Machine Learning [10]). La finalité est de créer un système de surveillance de structures mécaniques en temps réel capable de fournir des alertes précoces et des recommandations pour des interventions de maintenance ciblées, améliorant ainsi la sécurité et la durabilité des équipements.

Éléments bibliographiques

  1. A. Bernard-Gély, F. Ricard, “Développement des capacités de réalisation de la restauration des ouvrages d’art routiers”, CG de l’env. et du dév. durable (CGEDD), 2021. 190 p.
  2. K. Gkoumas et al, “Indirect Structural Health Monitoring (iSHM) Of Transport Infrastructure in the Digital Age: MITICA Workshop Report”, European Union, JRC131885, KJ-04-23-036-EN-N, 2023. 1.Y. Rossi et al., “A New Paradigm for Structural Characterization, including Rotational Measurements at a Single Site”, Bull. Seismol. Soc. Am., 113: 2249–2274, 2023.
  3. A. Ture Savadkoohi et al., “Finite element model updating of a semi-rigid moment resisting structure”, Struct. Control Health Monit., 18, 149-168, 2011.
  4. J. Liu et al. “Diagnosis algorithms for indirect structural health monitoring of a bridge model via dimensionality reduction”, Mech. Syst. Signal Proces.s, 136, 106454, 2020.
  5. L. Sun et al., “Review of Bridge Structural Health Monitoring Aided by Big Data and AI: From Condition Assessment to Damage Detection”, J. Struct. Eng., 146(5):04020073, 2020.
  6. H. Li, S. Derrode, and W. Pieczynski, “Adaptive On-line Lower Limb Locomotion Activity Recognition Using Semi-Markov Model and Single Wearable Inertial Sensor”, Sensors, Vol. 19(19), 4242, 2019.
  7. K. Worden and P. Green, “A machine learning approach to nonlinear modal analysis”, Mech. Syst. Signal Process., 84, 34–53, 2017.
  8. O. Avci et al., “A review of vibration-based damage detection in civil structures: From traditional methods to ML and DL applications,” Mech. Syst. Signal Process., 147, p. 107077, 2021.