Damage Detection for Structural Health Monitoring Using Reinforcement and Imitation Learning

La detérioration et la dégradation des infrastructures civiles telles que les ponts sont des problèmes communs à la plupart des pays industrialisés. Ils entraînent des dommages structurels qui sont à l’origine de dépenses importantes liées au maintien de la sécurité et de l’état de fonctionnement des infrastructures. Dans le contexte de la surveillance de la santé structurelle (SHM), une approche courante consiste à utiliser des capteurs afin de surveiller l’état des structures, par exemple, normal ou anormal, et d’identifier la présence de dommages structurels. La détection des dommages à l’aide d’un système SHM est une tˆache difficile car ils se développent souvent au fil des années et ils ont généralement un effet sur les réponses structurelles qui est d’un ordre de grandeur inférieur aux effets externes tels que la température. En plus de détecter les anomalies, nous nous intéressons à quantifier la capacité à détecter à juste titre ces dommages, c’est-à-dire quantifier la détectabilité des dommages structurels, afin d’évaluer la viabilité et l’utilité d’un système SHM. Lorsqu’un dommage structurel se produit, les réponses structurelles passent d’un état normal à un état anormal. Ici, une anomalie fait référence à un tel écart, et est quantifiée par rapport à ses caractéristiques consistant en l’ampleur de l’anomalie et sa durée. Ces caractéristiques représentent la gravité d’un dommage structurel et son temps de développement, respectivement. Par conséquent, les principaux objectifs d’un système SHM sont de détecter les changements dans les réponses structurelles, c’est-à-dire les anomalies, et en outre, d’associer l’ampleur de ces changements à la gravité des dommages structurels.