Bayesian Neural Network to Factor-in Structural Attributes in Infrastructure Probabilistic Deterioration Models

RÉSUMÉ:«Les infrastructures de transport jouent un rôle crucial dans la croissance économique en facilitant la circulation des personnes, des biens et des services. Au fil du temps, l’état des infrastructures se détériore en raison du vieillissement, de l’utilisation et des facteurs environnementaux. Bien que les inspections visuelles périodiques constituent l’approche la plus courante pour surveiller l’état des structures à grande échelle, elles sont coûteuses et subjectives. Il en résulte peu de points de données, souvent peu fiables, pour chaque structure. Malgré cela, la plupart des propriétaires d’infrastructures publiques, s’appuient de plus en plus sur des modèles de détérioration basés sur les inspections visuelle pour planifier les activités d’entretien et de réhabilitation. Cependant, se fier uniquement à un nombre limité d’inspections visuelles pour chaque structure n’est pas suffisant pour modéliser de manière fiable leur détérioration. La prise en compte des attributs structurels (par exemple, l’âge, l’emplacement, etc.) peut compenser le manque d’inspections en permettant le partage d’informations entre les structures. Ces attributs sont de bons prédicteurs de détérioration et sont souvent facilement disponible. Une récente méthode de régression par le noyaux a réussi à inclure des attributs structurels dans un modèle probabiliste de détérioration des infrastructures tout en quantifiant l’incertitude des inspecteurs. Bien qu’elle soit capable de modéliser de manière fiable la détérioration, cette méthode nécessite des ressources de calcul considérables et ne peut inclure que peu d’attributs structurels. Ces problèmes rendent l’approche basée sur les noyaux impropre à la modélisation de la détérioration des grands réseaux d’infrastructures ; Pourtant, trouver une méthode alternative n’est pas anodin, car elle doit être probabiliste, efficace sur le plan informatique et capable d’inclure de nombreux attributs. Bien que les réseaux de neurones bayésiens (BNN) soient bien adaptés aux grands ensembles de données et possèdent bon nombre des qualités souhaitées, leur intégration dans le modèle de détérioration existant a été limitée par leurs mécanismes d’inférence reposant sur l’échantillonnage ou l’optimisation basée sur le gradient. Cependant, l’inférence sous forme fermée dans les BNN a récemment été rendue possible grâce à une méthode probabiliste appelée tractable approximate Gaussian inference (TAGI). Cette recherche vise à fusionner un BNN entrainé par TAGI avec un modèle probabiliste de détérioration des infrastructures à grande échelle pour apprendre la relation entre les attributs structurels et les taux de détérioration. La méthode proposée est vérifiée sur un ensemble de données d’inspection visuelle synthétique et ses performances sont comparées à l’approche existante en utilisant les données du réseau de ponts de la province de Québec. Il est démontré que la nouvelle méthode est plusieurs fois plus rapide que la méthode existante sans compromettre les performances prédictives. Il intègre de manière transparente tous les attributs disponibles, ce qui supprime la tâche fastidieuse et chronophage consistant à identifier les variables les plus importantes à chaque fois que de nouvelles analyses sont effectuées. Ces avantages ont incité à étendre la méthode proposée pour estimer conjointement les paramètres de l’inspecteur dans toutes les catégories structurelles (poutres, platelage, etc.), plutôt que de devoir s’appuyer sur la configuration actuelle par catégorie. Ils ont également permis d’automatiser le traitement de bout en bout de l’ensemble des données composées de milliers de structures englobant des millions d’inspections visuelles. L’effet du cadre conjoint sur les paramètres des inspecteurs est examiné et ses performances sont comparées à l’approche par catégorie utilisant plusieurs catégories structurelles. Dans l’ensemble, l’efficacité et l’évolutivité des cadres conjoints et par catégorie proposés permettent de modéliser de manière fiable la détérioration de grands réseaux d’infrastructures.»