La fondation Ferec a lancé son troisième appel à projets le 1er juin dernier : sur le théme "Intelligence Artificielle (IA) appliquée aux Infrastructures en service". 
 
Le développement de « l’intelligence artificielle » (IA) fournit des possibilités technologiques nouvelles pour récupérer, collecter, traiter et exploiter des grandes masses de données, y compris avec de l’apprentissage automatique.

Les stratégies d’exploitation et de maintenance des infrastructures de mobilité prennent de plus en plus d’importance dans des pays comme le nôtre qui disposent d’infrastructures développées mais anciennes, dont l’entretien, voire l’allongement de la durée de vie, sont essentiels.

Ces stratégies peuvent être améliorées par la mise en œuvre de nouvelles méthodes de recueil d’information, de traitement des données d’exploitation, d’instrumentation et d’auscultation ; elles permettent en effet de disposer d’un grand nombre de données sur les infrastructures et il est important d’en tirer au maximum parti.

L’objet de l’appel à projets est donc de soutenir le développement de concepts, de solutions et d’outils innovants mobilisant les apports des sciences des données et de l’apprentissage automatique (apprentissage automatique) mis au service des infrastructures de mobilité et de leur empreinte environnementale.

9 lauréats récompensés 

Philippe Foucher (Cerema), pour le projet Adoucir : Aide au Diagnostic d’OUvrages par Couplage d’Images et Radar 

Le projet vise à explorer l’utilisation de l’intelligence artificielle pour détecter la présence de fissures sur ouvrages en béton tout en analysant la structure interne afin d’identifier et classifier les causes de ces désordres. La faisabilité d’une telle approche sera étudiée à la fois en termes d’acquisition avec l’utilisation conjointe d’images visibles et radar à partir de capteurs montés sur drone et en termes de traitement avec l’emploi de techniques d’apprentissage automatique. La mise en place des outils sera dans un premier temps réalisé sur des données simulées ou réelles sur des zones connues. L’ensemble de la chaine de traitement pourra ensuite être évalué sur tout un ouvrage.

Martin Beth (Sixense Monitoring), pour le projet CorrelTemp

Modèle de réaction à la température pour les infrastructures - Le monitoring de l’état de santé des infrastructures est utilisé pour en assurer la sécurité, en prolonger la durée de vie et en maîtriser les coûts d’exploitation en les anticipant. On recherche dans les mesures d’éventuelles anomalies de comportement ou signes de vieillissement, qu’il convient de dissocier des variations réversibles et souvent non significatives liées à la température.
Le réchauffement climatique, avec la forte variabilité des températures qu’il entraîne, renforce ce besoin. L’objet de ce concept est de tester les fonctionnalités modernes d’intelligence artificielle pour isoler de manière quantifiée et systématique l’effet de la température dans les mesures.

David Guilbert (Cerema), pour le projet DEGRE : Détection Et Géoréférencement Réseaux Enterrés

Le géoradar est l’une des techniques les plus utilisées pour la détection des réseaux enterrés. Lors de l’appel à projet Ferec 2018, une chaîne d’instrumentation innovante basée sur une technique radar à saut de fréquence multi-antennes a été développée permettant d’obtenir une information 3D. Cette chaîne d’acquisition permet d’acquérir rapidement des volumes de données importants. Il devient difficile de traiter d’aussi grand jeux de données manuellement. Le but de ce projet consiste donc à développer des outils automatiques de détection et de géoréférencement pour mieux cartographier les réseaux enterrés. Des modèles basés sur l’apprentissage seront développés et évalués.

Michael Broutin (STAC Service Technique de l’Aviation Civile), pour le projet EASY- DD(AI)2 : Economical and Automated SurveY for Distresses Detection on AIrfield pavement with Artificial Intelligence

Les gestionnaires aéroportuaires s’orientent de plus en plus vers des solutions automatisées pour le relevé des dégradations sur les chaussées aéronautiques. L’automatisation des relevés présente en effet plusieurs avantages tant par rapport auxcontraintes d’exploitation que par rapport à la qualité des données collectées. Plusieurs méthodes issues de l’IA sont susceptibles de renforcer cette automatisation. Le projet EASY-DD(AI)2 vise à coupler ces méthodes avec des moyens de relevé peu onéreux, pouvant en conséquence être réalisés plus fréquemment, et à évaluer expérimentalement leur apport pour la détection et la classification des dégradations sur des chaussées aéronautiques.

Nicolas Manzini (Sites SAS), pour le projet MAADISON : Modèles par Apprentissage Automatisés pour la Détection des Irrégularités lors de la Surveillance des Ouvrages Névralgiques

Le projet proposé s’inscrit dans la démarche des méthodes dites data-driven pour l’analyse des données d’instrumentation des infrastructures, qui ont pour objectif de permettre la surveillance d’un ouvrage sans avoir recours à un modèle mécanique de celui-ci, optimisant les coûts d’intervention et de surveillance. Ce sujet porte sur l’utilisation de modèles prédictifs réalisés par apprentissage entre les différents capteurs d’une instrumentation pour la détection de comportements inconnus et potentiellement anormaux, et propose une approche basée sur le croisement de différents modèles générés automatiquement pour la localisation des anomalies parmi les capteurs en place.

Anaïs Milhiet (Morphosense), pour le projet MorphoIA : IA et Digital Twin au service de la Maintenance Predictive

Afin de réduire les coûts de maintenance et de maintenir l’accès aux structures qui voient leur durée de vie prolongée, nous proposons de combiner l’IA et le Digital Twin pour détecter de manière automatique toute anomalie et prédire le comportement de la structure face à tout changement structurel ou contextuel. L’approche est de fusionner des données hétérogènes via le système Neuron de Morphosense mesurant la réponse mécanique de la structure interopéré avec une station météo, une caméra et un drone. L’objectif est de cataloguer toutes les sources de sollicitation puis de les classifier et de détecter de façon automatique les anomalies et de prédire leurs effets sur la structure.

Sylvain Moulherat (TerrOïko), pour le projet OCAPI : Observations de la biodiversité par des CAméras Plus Intelligentes

A l’heure du développement des infrastructures connectées, le projet OCAPI ambitionne d’étendre les usages des caméras déployées sur les infrastructures existantes à la gestion de la biodiversité aux abords des infrastructures dans le cadre de la gestion des risques associés aux collisions et au suivi d’efficacité des mesures environnementales. Pour ce faire, le projet OCAPI développera des algorithmes de reconnaissance automatique des moyens et grands Mammifères. Dans un second temps, les données de reconnaissance seront exploitées pour en dériver des indices d’abondances supports de la gestion adaptative des risques de collisions et des mesures environnementales.

Marie-Aurélie Chanut (Cerema), pour le projet RINA : Démonstrateur de l’utilisation de l’Intelligence Artificielle pour une gestion opérationnelle des Risques Naturels d’origine géologique

Le projet RINA propose d’étudier la faisabilité de l’utilisation de l’intelligence
artificielle (IA) dans le contexte des risques géologiques. Sur des sites tests instables, des données de natures différentes (données ponctuelles de déplacements, mesures de bruit sismique, nuages de point de surface, données de température et de précipitation) seront analysées à l’aide des outils mis à disposition par l’intelligence artificielle. L’objectif est de proposer une puissante aide à la décision aux exploitants des réseaux routiers et ferroviaires afin de maintenir la qualité de service sur les infrastructures de transport menacées par des aléas rocheux lors d’événements météorologiques intenses.

Amine Ihamouten (Université Gustave Eiffel), pour le projet Smart TCscan : Évaluation intelligente, à grand rendement et non destructive des caractéristiques de collage dans les chaussées

Le projet proposé porte sur l’évaluation in situ et la classification des couches d’accrochage dans les chaussées par imagerie électromagnétique (EM), basées sur un traitement hybride par intelligence artificielle/inversion de formes d’ondes. Les 3 partenaires se proposent de valider un nouveau processus de traitement intelligent et à grand rendement pour évaluer les défauts de collage aux interfaces. Les résultats de détection et de classification des algorithmes seront traduits en termes de probabilité d’existence et de localisation d’anomalie à partir d’une gamme très étendue de données contrôlées en laboratoire et sur sites tests.