Surveillance de santé structurale des ouvrages d’art incluant les systèmes de positionnement par satellites

Structural health monitoring of civil infrastructures including satellite positioning systems

• Auteur / Autrice : Nicolas Manzini
• Direction : André Orcesi, Christian Thom
• Type : Thèse de doctorat
• Discipline(s) : Génie Civil
• Date : Soutenance le 04/11/2020
• Etablissement(s) : Paris Est
• Ecole(s) doctorale(s) : École doctorale Sciences, Ingénierie et Environnement (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Institut Français des Sciences et Technologies des Transports, de l'Aménagement et des réseaux. Laboratoire Expérimentation et modélisation pour le génie civil et urbain (Marne-la-Vallée) - Institut Français des Sciences et Technologies des Transports, de l'Aménagement et des réseaux. Laboratoire Expérimentation et modélisation pour le génie civil et urbain (Marne-la-Vallée)
• Jury : Président / Présidente : Eugen Brühwiler
• Jury : Examinateurs / Examinatrices : André Orcesi, Christian Thom, Eugen Brühwiler, Pierre Briole, Franck Schoefs, Eleni Chatzi, Michel Kasser, Marc-Antoine Brossault
• Jury : Rapporteurs / Rapporteuses : Pierre Briole

Mots clés

Mots clés contrôlés

Ouvrages d'art

Satellites artificiels en télédétection

Réseaux de capteurs (technologie)

Contrôle de santé intégré

Mots clés libres

Etude de viabilité

Traitement quasi-Statique

Suivi

Santé structurale

Gnss

Combinaison de données

Gnss

Structural Health

Quasi-Static processing

Monitoring

Data combination

Viability Analysis

Résumé

La surveillance de santé structurale, ou structural health monitoring (SHM), a pour objectif de caractériser et suivre au cours du temps le comportement et les performances de structures de génie civil. Le SHM repose sur l’établissement d’indicateurs de santé ou de performance permettant de détecter, et si possible localiser, quantifier ou prédire un endommagement de la structure. Aujourd’hui, le SHM exploite encore très peu les déplacements absolus d’une structure, la majorité des capteurs étant limités à des mesures locales ou relatives. Le Global Positioning System (GPS) est disponible publiquement depuis l’an 2000. Il a depuis été rejoint par d’autres systèmes aux principes similaires, formant les Global Navigation Satellite Systems (GNSS), qui offrent des solutions de positionnement absolu pouvant atteindre une précision millimétrique.Cette thèse prend place dans le contexte où les GNSS apparaissent comme de bons candidats pour compléter des instrumentations SHM traditionnelles. Des résultats d’études récentes sur des solutions GNSS à bas coût (antennes de petite taille, récepteurs monofréquence) ont motivé l’orientation des travaux sur l’utilisation de ce type de solutions. Le compromis effectué sur les performances matérielles est contrebalancé par l’utilisation d’un traitement spécifique et par la possibilité de déployer plus de capteurs sur un ouvrage pour un investissement identique. Ces travaux se concentrent sur les structures de grande taille, comme les ouvrages d’art ou les immeubles de grande hauteur, dont le suivi est complexe en raison de leurs dimensions, et qui sont plus à même de produire des déplacements observables par des stations GNSS. La finalité des travaux entrepris est de répondre à la question suivante : peut-on, et comment, utiliser des stations GNSS à bas coût pour détecter des anomalies ou un changement sur une structure de génie civil ?La première partie de cette thèse a été consacrée à l’évaluation expérimentale de solutions GNSS à bas coût. Différentes combinaisons d’antennes et de récepteurs ont été évaluées en utilisant un positionnement relatif sur la phase, afin de sélectionner une station efficiente. En parallèle, l’impact de plusieurs paramètres de calcul ont été évalués dans des scénarios expérimentaux fixes et dynamiques afin de proposer une solution GNSS, comprenant matériel et traitement, optimale. Un positionnement infracentimétrique est obtenu avec la solution sélectionnée. La seconde partie de la thèse considère les données issues de l’instrumentation de deux ouvrages d’art par des réseaux de capteurs GNSS intelligents, les Geocubes, dont les composantes sont similaires à celles évaluées dans la première partie. L’analyse des séries par comparaison et corrélation aux températures et gradients internes des structures a permis de valider la capacité des stations déployées à suivre la réponse des ouvrages aux effets environnementaux. Leur étude a également mis en avant la redondance des observations grâce à l’étude des corrélations plus ou moins fortes entre les séries GNSS acquises. La dernière partie de la thèse est consacrée à l’utilisation de modèles prédictifs des séries GNSS pour la détection d’anomalies sur ouvrage. En l’absence de données thermiques et de modèles mécaniques complets et disponibles pour les structures étudiées, l’approche des modèles par apprentissage exploitant les données d’un réseau de capteurs GNSS a été choisie. La comparaison de plusieurs outils de régression a permis de sélectionner les réseaux de neurones récurrents (RNN) comme outil privilégié. Enfin, une stratégie de détection des anomalies, exploitant plusieurs modèles prédictifs pour chaque série temporelle, a été proposée et testée sur des anomalies réelles observées, puis simulées

Structural health monitoring (SHM) aims to characterize and monitor the behaviour and performance of civil engineering structures over time. SHM relies on the definition of health or performance indicators in order to detect, and if possible locate, quantify or predict damage on the structure. Nowadays, SHM still makes little use of the absolute displacements of a structure, as the majority of the deployed sensors are limited to local or relative measurements. The Global Positioning System (GPS) has been available publicly since 2000. It has since been joined by other systems with similar characteristics, forming the Global Navigation Satellite Systems (GNSS), which can achieve absolute positioning with an accuracy up to a few millimeters.This PhD thesis takes place in a context where GNSS solutions appear as good complementary tools to traditional SHM instrumentations. Results of recent studies using low-cost GNSS solutions (small antennas, single frequency receivers) have motivated this research work to focus on similar hardware. The decrease of hardware performance is offset by using some specific processing parameters, and by the possibility to deploy more sensors on a structure for a similar cost. This work focuses on large structures such as bridges, dams, or high-rise buildings, whose monitoring is complex due to their dimensions, and which are more likely to have displacements that can be detected with GNSS stations. The purpose of this work is to answer the following question: is it possible, and how, to use low-cost GNSS stations to detect abnormalities or changes in a structure’s behaviour?The first part of this thesis is dedicated to the experimental assessment of various low-cost GNSS solutions. Multiple combinations of antennas and receivers have been evaluated using relative phase positioning in order to select an efficient station. In parallel, several processing parameters have been evaluated in fixed and dynamic experimental scenarios, and an optimal GNSS solution, including hardware and processing, was selected. This solution is able to achieve sub centimeter accuracy. In the second part, datasets from two civil engineering structures equipped with smart GNSS sensor networks are studied. The components of the deployed sensors, the Geocube, are similar to those evaluated in the first part. Time series analysis through comparison and correlation with temperature data validated that the on-site low-cost GNSS stations are able to monitor the effect of environment on structural response. This study also highlights the redundancy of observations with various levels of correlations between the GNSS time series. The last part of this research is devoted to the use of predictive models of on-site GNSS time series for novelty detection. In the absence of complete thermal data or mechanical models available for the investigated structures, an approach using machine learning models with data from multiple sensors of a GNSS network was chosen. The comparison of several regression tools led to select recurrent neural networks (RNN) as the optimal tool. Finally, an automated novelty detection strategy, exploiting several predictive models for each sensor, was proposed and tested on both real and simulated anomalies