L'industrie 4.0 a stimulé le développement de la maintenance prédictive (MP) grâce à Internet of Things (IoT). Par rapport à la maintenance préventive ou à la maintenance corrective, la MP détecte la défaillance potentielle à l'avance en utilisant des outils de prédiction comme les algorithmes d'apprentissage automatique (ML pour machine learning). Récemment, avec le changement climatique, les événements climatiques extrêmes (par exemple, les inondations) ont provoqué de graves conséquences sociales et économiques. Des études ont montré que l'affouillement est l'une des principales causes de l'effondrement des ponts.

La SNCF a initié un projet de recherche avec l'Université Gustave Eiffel, Laboratoire SRO, dans le but d'appliquer la MP à la prédiction du risque d'affouillement des ponts. Ce projet utilisera principalement une technique basée sur le ML pour sélectionner les structures à haut risque d'affouillement d'une manière rapide et précise. Ce projet de recherche sera réalisé selon les étapes suivantes, basées sur le cadre construit par Shahin (2013) : 1. Détermination des entrées du modèle ; 2. Division des données ; 3. Préparation des données ; 4. Validation du modèle ; 5. Robustesse du modèle ; 6. Transparence du modèle et extraction de la connaissance ; 7. Extrapolation du modèle ; 8. Incertitude du modèle.

Cette communication détaillera certains aspects et difficultés rencontrés lors de ces étapes.

Shahin, M. (2013). Artificial Intelligence in Geotechnical Engineering: Applications, Modeling Aspects, and Future Directions. Metaheuristics in Water, Geotechnical and Transport Engineering, 169–204. https://doi.org/10.1016/B978-0-12-398296-4.00008-8

Mots clés : Maintenance prédictive, ouvrages d'art, risque d'affouillement, Machine Learning