Modélisation de la détérioration - Deterioration modeling
La modélisation de la détérioration est le processus de modélisation et de prédiction des conditions physiques des équipements, des structures, des infrastructures ou de tout autre actif physique. L'état de l'infrastructure est représenté à l'aide d'un indice déterministe ou de la probabilité de défaillance. Des exemples de telles mesures de performance sont l' indice de l'état de la chaussée pour les routes ou l' indice de l'état des ponts pour les ponts. Pour les mesures probabilistes, qui sont au centre de la théorie de la fiabilité , la probabilité de défaillance ou l'indice de fiabilité sont utilisés. Les modèles de détérioration sont essentiels à la gestion des actifs d'infrastructure et sont à la base de la prise de décision en matière d'entretien et de réhabilitation. L'état de toutes les infrastructures physiques se dégrade avec le temps. Un modèle de détérioration peut aider les décideurs à comprendre à quelle vitesse la condition diminue ou dépasse un certain seuil.
Traditionnellement, la plupart des municipalités utilisent des courbes de détérioration pour la modélisation de la détérioration. Récemment, des méthodes plus complexes basées sur la simulation, les modèles de Markov et les modèles d' apprentissage automatique ont été introduites. Un modèle bien connu pour montrer la probabilité de défaillance d'un actif tout au long de sa vie est appelé courbe de baignoire . Cette courbe est composée de trois étapes principales: l'échec du nourrisson, l'échec constant et l'échec d'usure. Dans la gestion des actifs d'infrastructure, le mode dominant de détérioration est le vieillissement, le trafic et les caractéristiques climatiques. Par conséquent, l'échec d'usure est le plus préoccupant.
Types de modèles de détérioration
Les modèles de détérioration sont soit déterministes, soit probabilistes. Les modèles déterministes ne peuvent pas accepter les probabilités. Les modèles probabilistes, cependant, peuvent prédire à la fois la condition future et la probabilité d'être dans cette certaine condition.
Modèles déterministes
Les modèles déterministes sont simples et intelligibles, mais ne peuvent pas intégrer de probabilités. Les courbes de détérioration uniquement développées en fonction de l'âge sont un exemple de modèles de détérioration déterministes. Traditionnellement, la plupart des modèles mécanistes et mécanistes-empiriques sont développés à l'aide d'approches déterministes, mais plus récemment, les chercheurs et les praticiens se sont intéressés aux modèles probabilistes.
Modèles probabilistes
Des exemples de modèles de détérioration probabilistes sont les modèles développés sur la base de la théorie de la fiabilité , de la chaîne de Markov et de l'apprentissage automatique . Contrairement aux modèles déterministes, un modèle probabiliste peut incorporer des probabilités. Par exemple, il peut dire que dans cinq ans, une route sera dans un état médiocre avec une probabilité de 75%, et il y a une probabilité de 25% qu'elle restera dans un état acceptable. Ces probabilités sont essentielles à l'élaboration de modèles d'évaluation des risques. Si un état ou une classe de la mesure de performance présente un intérêt, des modèles de Markov et des algorithmes d'apprentissage automatique de classification peuvent être utilisés. Cependant, si les décideurs sont intéressés par la valeur numérique des indicateurs de performance, ils doivent utiliser des algorithmes d'apprentissage par régression. Une limitation des modèles de Markov est qu'ils ne peuvent pas prendre en compte l'historique de la maintenance, qui est l'un des attributs importants pour prédire les conditions futures. Les modèles de détérioration développés sur la base de l'apprentissage automatique n'ont pas cette limitation. En outre, ils peuvent inclure d'autres caractéristiques telles que les attributs climatiques et le trafic en tant que variables d'entrée.
Modèles de Markov
Une grande partie des modèles de détérioration probabilistes sont développés sur la base de la chaîne de Markov , qui est un modèle probabiliste de simulation d'événements discrets. Les modèles de détérioration développés à partir de la chaîne de Markov considèrent l'état de l'actif comme une série d'états discrets. Par exemple, dans le cas de la modélisation de la détérioration des chaussées , le PCI peut être classé en cinq classes: bon, satisfaisant, moyen, médiocre et très mauvais (ou simplement 1 à 5). Un modèle de Markov est ensuite développé pour prédire la probabilité de transition de l'état 1 à chacun des autres états dans un certain nombre d'années. Les modèles de Markov bruts ont été critiqués pour ne pas tenir compte de l'impact du vieillissement et de l'historique de maintenance de l'actif. Des modèles plus complexes connus sous le nom de modèles semi-markoviens peuvent rendre compte de l'historique de la maintenance, mais leur étalonnage nécessite beaucoup de données longitudinales. Récemment, des efforts ont été faits pour former les modèles de détérioration de Markov à prendre en compte l'impact du climat, mais il n'est généralement pas possible d'avoir des attributs climatiques ou du trafic comme intrant dans ces types de modèles.
Apprentissage automatique
Depuis la fin des années 2000 , des algorithmes d' apprentissage automatique ont été adoptés pour s'attaquer à la modélisation de la détérioration des infrastructures. Les réseaux de neurones font partie des modèles les plus couramment utilisés. Malgré leur capacité d'apprentissage élevée, les réseaux de neurones ont été critiqués pour leur nature de boîte noire, qui ne laisse pas suffisamment de place pour l'interprétation du modèle. Par conséquent, d'autres algorithmes ont également été utilisés dans la littérature. Des exemples d'autres algorithmes utilisés pour la modélisation de la détérioration sont l' arbre de décision , le k-NN , la forêt aléatoire , les arbres amplificateurs de gradient , la régression forestière aléatoire et le classificateur naïf de Bayes . Dans ce modèle de type, la détérioration est généralement prédite à l'aide d'un ensemble de variables d'entrée ou de caractéristiques prédictives. Les exemples de caractéristiques prédictives utilisées dans la littérature sont l'état initial, le trafic, les caractéristiques climatiques, le type de chaussée et la classe de route.
