Page 9 - Insavalor Contrôles Essais Mesures 2018

Data et mesures : mettre en place des outils de prédiction
FOCUS
un point (x, y, z) en fonction de RSol et FSol, et éventuellement d’autres paramè- tres liés au processus de forage.
À partir de plusieurs chantiers, nous avons construit un jeu de données conséquent, en utilisant des sondages et les forages. Pour éviter une propagation d'erreur dans le processus d'extrapolation, les forages ont été choisis proches des sondages. L’en- semble de ces données a été utilisé pour construire un modèle prédictif du type de sol. Dans la figure 1, un modèle cons- truit avec l’outil KNime, en utilisant des arbres de décision, illustre le processus. D’autres solutions sont possibles, par exemple l’utilisation de Scikit-learn avec différentes méthodes d’apprentissage supervisé.
Un modèle a été construit puis intégré dans un outil développé par INSAVALOR pour estimer en temps réel la portance d’un pieu. La figure 2 montre la prédiction du type de sol par rapport à l’information donnée par un sondage assez proche. La prédiction est plus détaillée par rapport au sondage, et permet d’obtenir les résultats attendus par rapport à la vérité terrain.
Conclusion
Ce travail a été réalisé dans le cadre d’une étude intitulée « Analyse des données issues de forage par pieux » entre le LIRIS (laboratoire de recherche en Informa- tique, INSA Lyon - UMR CNRS 5208) et Soletanche- Bachy/Menard sur une période de 6 mois.
Avec plus de 2 000 feuilles de tableurs traitées, représentant plus de 1 Go de données, nous avons pu offrir une vision
Figure 1 : Workflow KNime utilisé pour construire un arbre de décision pour la prédiction du type de sol en fonction de FSol, RSol, diamètre de la foreuse et la profondeur.
Figure 2 : Exemple de prédiction du type de sol pour un forage (gauche) et le type de sol renseigné pour le sondage le plus proche (droite). Le type de sol est donné par la couleur : la prédiction est très précise (chaque millimètre de profondeur) par rapport au sondage (une valeur pour 500 millimètres dans ce cas).
transversale des données utiles aux ingé- nieurs de l’entreprise. Cette étape d’inté- gration des données aura permis de prédire un modèle géotechnique du sol et de développer un logiciel utilisé aujourd’hui au sein de l’entreprise.
Des experts métiers non-informaticiens – mais spécialistes de leurs données – ont été formés à l'utilisation adéquate des
technologies issues de la science des données. Cette étude avait les principaux ingrédients d’une application “big data” ou d’intelligence artificielle. Elle s'inscrit dans la stratégie de développement du LIRIS sur la valorisation des données autour de l'offre DataValor® G
Les domaines d’intervention de DataValor® concernent aussi bien le Big Data, l’intégra- tion et la qualité des données, l’apprentissage automatique, la visualisation que
l’analyse d’images et de vidéos.
Les services proposés sont multiples : études R & D, expertise/audit, formation/qualifica- tion/certification, conseil/accompagnement, transfert à l’international.
Contact : datavalor@insavalor.fr
Une offre dédiée à la valorisation des données : DataValor®
Depuis 2016, INSAVALOR propose, avec DataValor®, un panel de services en matière de valorisation de données. DataValor® associe les compétences de plusieurs laboratoires de recherche, dont le LIRIS,
le CITI et CREATIS.
La valorisation des données est un enjeu considérable pour les entreprises ; une mine d’informations qu’il s’agit de pouvoir exploiter en vue d’offrir des services de plus
en plus performants. DataValor® intervient auprès des entreprises qui font appel à
son expertise et réalise des études permet- tant la valorisation de leurs données.
Des ingénieurs de transfert sont dédiés
à cette activité.
C’est toute la chaîne de traitement, de leur captation jusqu’à l’utilisation des connais- sances qui en sont tirées, qui est étudiée et maniée.
— 7 —
SUPPLÉMENT À N°64 G SEPTEMBRE 2018