Couplage de mesures géophysiques pour la reconnaissance des digues en terre : application du data mining
Notice bibliographique
Résumé
En France, EDF exploite plus de 500 km de digues de canaux qui alimentent les ouvrages hydroélectriques exploités. Dans le cadre de la réglementation sur la sûreté hydraulique et des travaux de confortement menés sur les ouvrages hydrauliques en terre, plusieurs méthodes de suivi sont utilisées allant de l’inspection visuelle et la recherche d’archives, aux mesures géotechniques in-situ et aux laboratoires. Les mesures géotechniques sont toutefois destructives pour l’ouvrage et offrent une information ponctuelle localisée concernant la portion prospectée ce qui a motivé le recours aux mesures géophysiques. Ces mesures sont utilisées pour caractériser de manière « quasi-continue » des linéaires importants d’ouvrages tout en préservant leur état grâce au caractère « non-destructif » de ces méthodes. EDF travaille donc sur l’utilisation de méthodes géophysiques pour la reconnaissance et la surveillance de ses ouvrages. Toutefois, l’interprétation des profils géophysiques est subjective et dépend de la connaissance de la personne qui la réalise à cause du lissage introduit par l’inversion dans ces profils. Pour pouvoir utiliser les résultats de ces méthodes dans un cadre réglementaire, il faut donc connaître leurs limites d’utilisation et objectiver les interprétations des résultats des inversions. Ce qui nous ramène au présent travail de thèse. Dans le cadre de mon travail, je propose une approche d’interprétation automatiques des profils inversés en utilisant un algorithme de clustering issu du data mining. Cette approche est aussi utilisée pour coupler différentes mesures géophysiques afin d’améliorer les interprétations en tirant profit des sensibilités des différentes méthodes. Pour définir la démarche d’application du clustering en géophysique et vérifier la faisabilité de cette approche pour l’interprétation des mesures géophysiques, j’ai suivi une méthodologie de validation qui consiste à appliquer mon approche sur des modèles synthétiques pour ensuite la tester sur des données de terrain issues d’une campagne multiphysique que j’ai réalisée pendant ma thèse. Les différentes étapes de validation m’ont permis de mettre en place une méthodologie d’application du clustering pour interpréter les mesures géophysiques mais aussi soulever de nouvelles questions qui pourront être traitées en perspectives de mon travail.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».