Analytically Tractable Bayesian Recurrent Neural Networks with Structural Health Monitoring Applications

«RÉUSMÉ;Les infrastructures civiles, notamment les barrages, les ponts, les bâtiments et les oléoducs, jouent un rôle essentiel dans la croissance économique. Même lorsqu’elles sont conçues correctement, ces structures se détériorent au fil du temps, ce qui entraîne une dégradation de leur état. Elles doivent donc être surveillées et entretenues afin de garantir leur sécurité et leur fonctionnalité. Les données brutes des capteurs concernant les réponses structurelles telles que les déplacements, les ouvertures de fissures, les déformations ou les accélérations sont difficiles à interpréter car elles sont généralement affectées par des erreurs de mesure ainsi que par les effets de l’environnement. Les modèles linéaires dynamiques bayésiens (BDLM) et le filtre de Kalman à commutation (SKF), qui sont des types spécifiques de modèles espaceétat (SSM), ont été utilisés comme méthodes d’interprétation des données dans le cadre de la surveillance de l’état des structures (SHM) afin d’extraire des informations utiles sur leur état à partir des données brutes des capteurs et de prédire les réponses futures. Toutefois, la principale limite de ces méthodes est qu’elles nécessitent une ingénierie des caractéristiques étendue afin de construire des modèles, de sorte que leur application n’est pas adaptée à un déploiement à grande échelle sur un grand nombre de séries temporelles. L’objectif de cette thèse est de développer des réseaux neuronaux récurrents bayésiens (RNN) analytiquement traçables pour automatiser la construction de modèles de séries temporelles. Cette méthode peut être utilisée dans les cadres SSM et SKF existants afin d’éliminer le besoin d’ingénierie des caractéristiques, améliorant ainsi leur mise à l’échelle pour les applications SHM. Les principales contributions de cette thèse consistent en l’élaboration de (1) de réseaux neuronaux Bayésiens à longue mémoire à court terme (LSTM) et à unité récurrente à relais (GRU), (2) d’un modèle probabiliste hybride qui associe le RNN Bayésien analytiquement traitable et le SSM pour fournir des résultats interprétables avec les incertitudes de prédiction, sans nécessiter d’ingénierie des caractéristiques, et (3) d’une méthodologie pour utiliser le modèle hybride dans le cadre SKF existant pour la détection d’anomalies semi-supervisée en ligne dans des conditions non stationnaires dans le domaine SHM. Les méthodologies proposées sont vérifiées avec des données synthétiques et validées avec des ensembles de données de référence de séries temporelles ainsi qu’avec des données du SHM. Les résultats montrent que la méthode de détection d’anomalies proposée est plus performante que d’autres modèles de référence, car elle permet de détecter les anomalies de manière fiable, tout en contrôlant étroitement le taux de fausses alarmes.»

Abstract

«ABSTRACT:Civil infrastructures, including dams, bridges, buildings, and pipelines, play a vital role in the economic growth of every country. Even when properly designed, these structures deteriorate over time leading to a decline in their condition so that they have to be monitored and maintained in order to ensure their safety and serviceability. Raw sensor data about structural responses such as displacements, crack openings, strains, or accelerations are difficult to interpret because they are typically affected by measurement noise as well as environmental effects. The Bayesian Dynamic Linear Models (BDLM) and Switching Kalman Filter (SKF), which are specific types of state-space models (SSM), have been used as data interpretation methods in structural health monitoring (SHM) to extract useful insights about the structural condition from the raw sensor data and to predict future responses. However, the main limitation of these methods is that they require extensive feature engineering in order to build models so that their application is not suited for large scale deployment on a high number of time series. The objective of this thesis is to develop analytically tractable Bayesian recurrent neural networks (RNN) for automating the construction of time series models. This method can be used in the existing SSM and SKF frameworks in order to eliminate the need for feature engineering, therefore enhancing their scalability for SHM applications. The main contributions consist in the development of: (1) analytically tractable Bayesian Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) neural networks, (2) a hybrid probabilistic model that couples the analytically tractable Bayesian RNN and SSM for providing interpretable results along with the prediction uncertainties, while not requiring feature engineering, and (3) a methodology to use the hybrid model in the existing SKF framework for online semi-supervised anomaly detection under nonstationary conditions in SHM. The proposed methodologies are verified with synthetic data and validated with time series benchmark datasets as well as real SHM ones. The results show that the proposed anomaly detection method outperforms other baseline models as it can reliably detect anomalies, while having a tight control over the false alarm rate.»