Analytical Inference for Visual Inspection Uncertainty in the Context of Transportation Infrastructures

Les infrastructures de transport se dégradent progressivement tout au long de leur vie, et avec leur vieillissement, il est essentiel de contrôler leur état de dégradation. Les inspections visuelles sont couramment utilisées pour collecter des données sur l'état des infrastructures au fil du temps. La qualité des données d'inspection visuelle dépend de l'expérience de la personne qui effectue la tâche. Certains inspecteurs ont tendance à surestimer ou d'autre vont plutôt sous-estimer l'état de dégradation, ce qui entraîne des difficultés lors de l'interprétation des données. Cette subjectivité dans les évaluations a été partiellement prise en compte dans une approche basée sur des modèles d'espace d'état (SSM), qui quantifie la variance de chaque inspecteur. La principale limite de cette approche est de supposer que tous les inspecteurs sont sans biais. De plus, l'estimation de l'ensemble des paramètres du modèle,y compris l'incertitude des inspecteurs, repose sur une méthode de calcul exigeante basée sur l'optimisation par gradient. Afin d'améliorer l'approche SSM, ce mémoire examine deux points : 1) l'inclusion des biais des inspecteurs dans le modèle d'incertitude afin d'améliorer la capacité de prédiction, et 2) le développement d'une méthode analytique pour réduire le coût de calcul associé à la caractérisation de l'incertitude des inspecteurs. À cette fin, la méthode existante basée sur le gradient est modifiée afin d'estimer et d'inclure les biais des inspecteurs. Après l'estimation du biais, la performance du modèle de dégradation est vérifiée à l'aide de données synthétiques, et validée à l'aide de données réelles. Les résultats de la vérification et de la validation ont montré une amélioration globale de la capacité de prédiction du modèle de dégradation SSM. La méthode analytique permet d'estimer les biais et les variances des inspecteurs en utilisant une approche probabiliste qui s'appuie sur des méthodes Bayésiennes. Les analyses effectuées sur les bases de données synthétiques et réelles ont permis de conclure que la méthode analytique est adéquate pour l'estimation de l'incertitude des inspecteurs, bien qu'elle soit moins precise que celle basée sur le gradient. De plus, l'implantation de celle-ci a permis de réduire le temps de calcul nécessaire à l'estimation de l'incertitude des inspecteurs pour les deux études de cas synthétiques et réelles, ce qui représente une réduction de 33 heures a 20 minutes dans le cas réel.

Abstract

Transportation infrastructure are gradually degrading throughout their life, and with aging, keeping track of their degradation state is essential. Visual inspections are commonly used for collecting data about the state of infrastructures over time. The quality of visual inspection data depends on the experience of the individual performing the task. Some inspectors tend to either over- or underestimate the degradation condition, which leads to difficulties when interpreting the data. This subjectivity in evaluations was partially taken into account in an approach based on state-space models (SSM) that would quantify the variance of each inspector. The main limitation of this existing approach is to assume that all inspectors are unbiased. Moreover, the estimation of the entire set of model parameters, including the inspectors' uncertainty, relies on a computationally demanding gradient-based framework. To improve the SSM-based approach, this thesis examines two points: 1) including the inspectors' biases in the uncertainty model to improve the predictive capacity, and 2) developing an analytical framework to reduce the computational cost associated with the characterization of the inspectors' uncertainty. To that end, the existing gradient-based framework is modified to estimate and include the inspectors' biases. Following the estimation of the bias, the performance of the degradation model is verified using synthetic data, and validated using real data. The verification and validation results have shown an overall improvement in the predictive capacity of the SSM-based degradation model. The analytical framework allows the estimation of the inspectors' biases and variances using a probabilistic approach that relies on Bayesian methods. The analyses performed on the synthetic and real databases have led to the conclusion that the analytical framework is adequate for the estimation of the inspectors' uncertainty, even though it is not as accurate as the gradient-based framework.