Couplage de mesures géophysiques pour la reconnaissance des digues en terre : application du data mining
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".