Surveillance de la santé structurelle

La surveillance de la santé structurelle (SHM) désigne le processus de mise en œuvre d’une stratégie de détection et de caractérisation des dommages pour les structures d’ingénierie. Ici, les dommages sont définis comme des modifications apportées aux propriétés matérielles et / ou géométriques d’un système structurel, y compris des modifications des conditions aux limites et de la connectivité du système, qui affectent les performances du système. Le processus SHM implique l’observation d’un système au fil du temps en utilisant des mesures de réponses dynamiques échantillonnées périodiquement à partir d’un réseau de capteurs, l’extraction de caractéristiques sensibles aux dommages et l’analyse statistique de ces caractéristiques pour déterminer l’état actuel du système. Pour le SHM à long terme, le résultat de ce processus est une information périodiquement mise à jour concernant la capacité de la structure à remplir sa fonction à la lumière du vieillissement inévitable et de la dégradation résultant des environnements opérationnels. Après des événements extrêmes, tels que des tremblements de terre ou un chargement par explosion, le SHM est utilisé pour le dépistage rapide des conditions et vise à fournir, en temps quasi réel, des informations fiables sur l’intégrité de la structure. L’inspection des infrastructures joue un rôle clé dans la sécurité publique en ce qui concerne à la fois l’accumulation de dommages à long terme et les scénarios d’événements post extrêmes. Dans le cadre de l’évolution rapide des technologies basées sur les données qui transforment de nombreux domaines de l’ingénierie et de la science, les techniques d’apprentissage automatique et de vision par ordinateur sont de plus en plus capables de diagnostiquer et de classer de manière fiable

introduction
Les méthodes qualitatives et non continues sont utilisées depuis longtemps pour évaluer les structures en fonction de leur capacité à atteindre leur objectif. Depuis le début du XIXe siècle, les tailleurs de roues des chemins de fer ont utilisé le son d’un marteau frappant la roue du train pour déterminer si des dommages étaient présents. Dans les machines tournantes, la surveillance des vibrations est utilisée depuis des décennies comme technique d’évaluation des performances. Deux techniques dans le domaine de la SHM sont les techniques basées sur la propagation des ondes Raghavan et Cesnik et les techniques basées sur les vibrations. Globalement, la littérature sur les SHM basés sur les vibrations peut être divisée en deux aspects, le premier dans lequel des modèles sont proposés pour déterminer les caractéristiques dynamiques, également connu sous le nom de problème direct, par exemple, Unified Framework et le second dans lequel les caractéristiques dynamiques sont utilisés pour déterminer les caractéristiques des dommages, également connu sous le nom de problème inverse, par exemple se référer. Au cours des dix à quinze dernières années, les technologies SHM ont vu le jour, créant un nouveau domaine passionnant dans diverses branches de l’ingénierie. Des conférences académiques et des revues scientifiques ont été mises en place au cours de cette période. Ces technologies deviennent de plus en plus courantes.

Reconnaissance statistique
Le problème SHM peut être résolu dans le contexte d’un paradigme de reconnaissance statistique des formes. Ce paradigme peut être divisé en quatre parties: 1) évaluation opérationnelle, 2) acquisition et nettoyage de données, 3) extraction de caractéristiques et compression de données, et 4) développement de modèles statistiques pour la discrimination de caractéristiques. Lorsque l’on tente d’appliquer ce paradigme à des données provenant de structures du monde réel, il devient rapidement évident que la capacité à nettoyer, compresser, normaliser et fusionner les données pour prendre en compte la variabilité opérationnelle et environnementale paradigme. Ces processus peuvent être mis en œuvre par le biais de matériel ou de logiciel et, en général, une combinaison de ces deux approches sera utilisée.

Évaluation sanitaire des ouvrages d’art de ponts, bâtiments et autres infrastructures connexes
Communément appelé évaluation structurelle de la santé (SHA) ou SHM, ce concept est largement appliqué à diverses formes d’infrastructures, d’autant plus que des pays du monde entier entrent dans une période encore plus longue de construction de diverses infrastructures allant des ponts aux gratte-ciels. Surtout quand il s’agit de dommages aux structures, il est important de noter qu’il existe des étapes de difficulté croissante qui nécessitent la connaissance des étapes précédentes, à savoir:

Détecter l’existence des dommages sur la structure
Localisation des dégâts
Identifier les types de dégâts
Quantifier la gravité des dégâts

Il est nécessaire d’utiliser le traitement du signal et la classification statistique pour convertir les données de capteur sur l’état de santé des infrastructures en informations sur les dommages à évaluer.

Évaluation opérationnelle
L’évaluation opérationnelle tente de répondre à quatre questions concernant la mise en œuvre d’une capacité d’identification des dommages:

i) Quelles sont la justification de la sécurité des personnes et / ou de l’économie pour la réalisation de la SHM?
ii) Comment les dommages sont-ils définis pour le système étudié et, dans le cas de multiples possibilités de dommages, quels sont les cas les plus préoccupants?
iii) Quelles sont les conditions, opérationnelles et environnementales, dans lesquelles le système à surveiller fonctionne?
iv) Quelles sont les limites à l’acquisition de données dans l’environnement opérationnel?

L’évaluation opérationnelle commence à définir les limites de ce qui sera surveillé et de la manière dont la surveillance sera accomplie. Cette évaluation commence par adapter le processus d’identification des dommages aux caractéristiques propres au système surveillé et tente de tirer parti des caractéristiques uniques des dommages à détecter.

Acquisition, normalisation et nettoyage des données
La partie acquisition de données du processus SHM implique la sélection des méthodes d’excitation, des types de capteurs, du nombre et des emplacements, ainsi que du matériel d’acquisition, de stockage et de transmission des données. Encore une fois, ce processus sera spécifique à l’application. Les considérations économiques joueront un rôle majeur dans la prise de ces décisions. Les intervalles auxquels les données doivent être collectées constituent un autre facteur à prendre en compte.

Comme les données peuvent être mesurées dans des conditions variables, la capacité à normaliser les données devient très importante pour le processus d’identification des dommages. S’agissant de la SHM, la normalisation des données est le processus qui consiste à séparer les changements de lecture du capteur causés par les dommages de ceux causés par les conditions opérationnelles et environnementales variables. L’une des procédures les plus courantes consiste à normaliser les réponses mesurées par les entrées mesurées. Lorsque la variabilité environnementale ou opérationnelle est un problème, il peut être nécessaire de normaliser les données de manière temporelle pour faciliter la comparaison des données mesurées à des moments similaires d’un cycle environnemental ou opérationnel. Les sources de variabilité dans le processus d’acquisition des données et avec le système surveillé doivent être identifiées et minimisées dans la mesure du possible. En général, toutes les sources de variabilité ne peuvent être éliminées. Par conséquent, il est nécessaire d’effectuer les mesures appropriées pour que ces sources puissent être quantifiées statistiquement. La variabilité peut provenir des conditions environnementales et de test changeantes, des changements dans le processus de réduction des données et des incohérences d’unité à l’autre.

Le nettoyage des données consiste à choisir de manière sélective des données à transmettre ou à rejeter lors du processus de sélection des fonctionnalités. Le processus de nettoyage des données repose généralement sur les connaissances acquises par les personnes directement impliquées dans l’acquisition des données. A titre d’exemple, une inspection de la configuration de test peut révéler qu’un capteur a été monté de manière lâche et, par conséquent, sur la base du jugement des individus effectuant la mesure, cet ensemble de données ou les données de ce capteur particulier peuvent être supprimées sélectivement. processus de sélection de fonctionnalités. Les techniques de traitement du signal telles que le filtrage et le ré-échantillonnage peuvent également être considérées comme des procédures de nettoyage des données.

Enfin, la partie acquisition, normalisation et nettoyage des données du processus SHM ne doit pas être statique. Les connaissances acquises grâce au processus de sélection des fonctionnalités et au processus de développement des modèles statistiques fourniront des informations sur les modifications susceptibles d’améliorer le processus d’acquisition des données.

Extraction de fonctionnalités et compression de données
Le domaine du processus SHM qui retient le plus d’attention dans la littérature technique est l’identification des caractéristiques de données qui permettent de distinguer la structure non endommagée et la structure endommagée. La condensation des données est inhérente à ce processus de sélection de caractéristiques. Les meilleures caractéristiques pour l’identification des dommages sont, encore une fois, spécifiques à l’application.

L’une des méthodes d’extraction de caractéristiques les plus courantes est basée sur la corrélation entre les quantités de réponse du système mesurées, telles qu’une amplitude ou une fréquence de vibration, et les observations de première main du système de dégradation. Une autre méthode pour développer des fonctionnalités d’identification des dommages consiste à appliquer aux systèmes des défauts techniques similaires à ceux attendus dans les conditions d’exploitation réelles et à développer une compréhension initiale des paramètres sensibles aux dommages attendus. Le système défectueux peut également être utilisé pour valider que les mesures de diagnostic sont suffisamment sensibles pour distinguer les fonctions identifiées du système non endommagé et endommagé. L’utilisation d’outils analytiques tels que les modèles d’éléments finis validés expérimentalement peut constituer un atout important dans ce processus. Dans de nombreux cas, les outils analytiques sont utilisés pour réaliser des expériences numériques où les défauts sont introduits par simulation informatique. Les essais d’accumulation de dommages, au cours desquels les composants structurels importants du système étudié sont dégradés en les soumettant à des conditions de charge réalistes, peuvent également être utilisés pour identifier les caractéristiques appropriées. Ce processus peut impliquer des tests d’endommagement induit, des tests de fatigue, une croissance de la corrosion ou des cycles de température pour accumuler certains types de dommages de manière accélérée. Des informations sur les caractéristiques appropriées peuvent être obtenues à partir de plusieurs types d’études analytiques et expérimentales, comme décrit ci-dessus, et sont généralement le résultat d’informations obtenues à partir d’une combinaison de ces études.

La mise en œuvre opérationnelle et les technologies de mesure diagnostique nécessaires à la réalisation de SHM produisent plus de données que les utilisations traditionnelles des informations sur la dynamique des structures. Une condensation des données est avantageuse et nécessaire lorsque des comparaisons de nombreux ensembles de caractéristiques obtenus au cours de la durée de vie de la structure sont envisagées. De plus, comme les données seront acquises à partir d’une structure sur une longue période et dans un environnement opérationnel, des techniques robustes de réduction des données doivent être développées pour conserver la sensibilité aux changements structurels en présence de variabilité environnementale et opérationnelle. Afin de faciliter l’extraction et l’enregistrement des données de qualité nécessaires à l’exécution de la gestion de la santé, la signification statistique des caractéristiques doit être caractérisée et utilisée dans le processus de condensation.

Développement de modèles statistiques
La partie du processus SHM qui a reçu le moins d’attention dans la littérature technique est la mise au point de modèles statistiques pour la discrimination entre les caractéristiques des structures non endommagées et endommagées. Le développement de modèles statistiques concerne la mise en œuvre des algorithmes qui opèrent sur les caractéristiques extraites pour quantifier l’état d’endommagement de la structure. Les algorithmes utilisés dans le développement de modèles statistiques se répartissent généralement en trois catégories. Lorsque les données sont disponibles à la fois dans la structure non endommagée et dans la structure endommagée, les algorithmes de reconnaissance des formes statistiques entrent dans la classification générale appelée apprentissage supervisé. La classification de groupe et l’analyse de régression sont des catégories d’algorithmes d’apprentissage supervisé. L’apprentissage non supervisé fait référence à des algorithmes appliqués à des données ne contenant pas d’exemples provenant de la structure endommagée. La détection des valeurs aberrantes ou nouvelles est la principale classe d’algorithmes appliqués dans les applications d’apprentissage non supervisées. Tous les algorithmes analysent les distributions statistiques des caractéristiques mesurées ou dérivées pour améliorer le processus d’identification des dommages.

Axiomes fondamentaux
Sur la base de la littérature abondante développée sur la SHM au cours des 20 dernières années, on peut affirmer que ce domaine a évolué au point où plusieurs axiomes fondamentaux, ou principes généraux, sont apparus. Les axiomes sont énumérés comme suit:

Axiom I: Tous les matériaux ont des défauts ou des défauts inhérents;
Axiome II: L’évaluation des dommages nécessite une comparaison entre deux états du système;
Axiome III: L’identification de l’existence et de la localisation des dégâts peut s’effectuer dans un mode d’apprentissage non supervisé, mais l’identification du type de dommage présent et de la gravité des dégâts ne peut généralement être effectuée qu’en mode d’apprentissage supervisé;
Axiom IVa: Les capteurs ne peuvent pas mesurer les dommages. L’extraction de caractéristiques par traitement du signal et classification statistique est nécessaire pour convertir les données du capteur en informations sur les dommages;
Axiom IVb: sans extraction intelligente des caractéristiques, plus une mesure est sensible aux dommages, plus elle est sensible à l’évolution des conditions opérationnelles et environnementales;
Axiom V: Les échelles de longueur et de temps associées à l’initiation et à l’évolution des dommages dictent les propriétés requises du système de détection SHM;
Axiome VI: Il y a un compromis entre la sensibilité à l’endommagement d’un algorithme et sa capacité de rejet du bruit;
Axiome VII: La taille des dommages pouvant être détectés par les changements de la dynamique du système est inversement proportionnelle à la gamme de fréquences de l’excitation.