Transfert d'apprentissage par transport optimal pour le contrôle de la santé des structures par ondes de Lamb

Abstract

Dans le domaine de la surveillance des structures composites basée sur la propagation des ondes de Lamb (LW), les méthodes d'apprentissage profond (DL) se sont avérées très précises pour caractériser un dommage à l'aide de signaux collectés par des transducteurs piézoélectriques (PZT). Cependant, ces modèles basés sur les données sont fortement dépendants du problème : tout changement structurel a un impact considérable sur la précision des prédictions et la généralisation des modèles appris à d'autres structures est impossible. L'apprentissage par transfert (TL) promet de résoudre ce problème en capitalisant sur les connaissances acquises sur une base de données pour les transférer sur une autre légèrement différente. Une approche originale d'apprentissage par transfert profond basée sur la théorie du transport optimal (OT) est proposée ici pour transporter des caractéristiques entre des structures relativement proches. La méthode proposée parvient à réduire de près de 50% les erreurs de prédictions entre des structures numériques présentant des différences réalistes. Cela conduit à une approche prometteuse pour combiner une riche base de données numériques avec une base de données expérimentale plus pauvre afin de construire des modèles DL en SHM.