C2R-IA est l'acronyme pour "Risque rocheux : utilisation de l'intelligence artificielle pour la gestion opérationnelle du risque". Il vise à mieux prendre en compte l'influence des conditions météorologiques sur le niveau d'aléa chute de blocs et à anticiper les augmentations temporaires du niveau de cet aléa lors des tempêtes et autres conditions météorologiques spécifiques afin de mettre en place des systèmes d'atténuation du risque : restriction d'accès, surveillance, mobilisation de kits d'urgence, maintenance prédictive.
Actuellement, la gestion du risque rocheux passe principalement par la construction d'ouvrages de protection, ce qui représente souvent un coût élevé par rapport aux ressources financières des municipalités et des opérateurs privés. De plus, il est souvent impossible de développer de telles solutions sur l'ensemble d'un bassin exposé au risque rocheux. Une stratégie plus durable et plus efficace pour la gestion de ce risque consisterait à prendre en compte l'influence des conditions météorologiques sur le niveau de risque, ce qui permettrait aux gestionnaires d'infrastructures d'anticiper une augmentation du niveau de risque afin de mettre en œuvre des systèmes d'atténuation des risques (restriction d'accès, surveillance, mobilisation de kits d'urgence, maintenance prédictive). Une telle gestion dynamique des risques est potentiellement associée à des coûts socio-économiques élevés. Sa mise en œuvre nécessite donc une procédure de prise de décision bien justifiée. L'objectif de ce projet est de surmonter la nécessité de construire une procédure de prise de décision basée sur l'expertise en améliorant notre compréhension du comportement des falaises sous l'effet du forçage climatique afin de produire des modèles prédictifs efficaces.
Les chutes de blocs sont des phénomènes rares qui peuvent avoir des conséquences catastrophiques telles que des victimes et la destruction d'infrastructures. La perte permanente ou temporaire d'accès à des zones socio-économiques stratégiques (fermeture de routes, de voies ferrées...) entraîne généralement des conséquences graves telles que le manque d'accès aux services publics (urgences, écoles...) ou aux bassins d'emploi.
Actuellement, la gestion du risque d'éboulement est principalement axée sur la construction de structures de protection, ce qui représente souvent un coût disproportionné par rapport aux ressources financières des municipalités et des opérateurs privés. Une stratégie plus durable et plus efficace de gestion des risques de chutes de blocs consisterait à prendre en compte l'influence des conditions météorologiques sur les niveaux d'aléa, ce qui permettrait aux gestionnaires d'infrastructures d'anticiper une augmentation du niveau de danger afin de mettre en œuvre des systèmes d'atténuation des risques.
Ce critère est difficile à remplir car nous ne sommes généralement capables de décrire que qualitativement (et seulement partiellement) les relations entre les chutes de bloc et le forçage climatique plutôt que quantitativement. L'objectif de ce projet est d'améliorer notre compréhension du comportement des falaises sous l'effet du forçage climatique et de produire des modèles prédictifs efficaces, évitant ainsi la nécessité de construire des procédures de prise de décision basées sur l'expertise. Pour ce faire, le projet capitalise sur 1) la disponibilité récente de données denses de prévisions météorologiques, 2) le progrès des techniques de mesure, qui permettent l'acquisition de données d'observation de l'aléa éboulement de plus en plus denses, associées à 3) des infrastructures permettant le stockage et le traitement de ces données denses, et 4) les avancées récentes en apprentissage automatique permettant d'analyser de tels jeux de données en prenant en compte la spécificité des phénomènes d'éboulements rocheux. En réalisant une acquisition de données denses, ce projet vise à compenser le manque actuel de bases de données exhaustives sur les chutes de pierres, qui sont essentielles pour le développement de meilleurs modèles prédictifs du comportement des falaises (pour rappel, environ 50% des chutes de pierres dans les bases de données mondiales ne sont pas liées à un déclencheur évident). Avec une telle stratégie, le projet vise à faire une percée dans ce domaine.
De plus, nous pensons que les méthodes d'intelligence artificielle (IA) peuvent améliorer notre compréhension du comportement des falaises sous l'effet du forçage climatique et produire des modèles prédictifs d'une bonne précision. En particulier, nous nous concentrerons sur les méthodes issues d'un nouveau domaine de recherche de l'IA, qui permettent des justifications de prédiction qui peuvent être interprétées par l'expert, rendant possible la traduction des résultats en règles et décisions de gestion des risques opérationnels.
Le projet est organisé en 5 groupes de travail (WP). Le WP0 est conçu pour assurer la gestion du projet. Le WP4 est consacré à la diffusion et la valorisation des résultats. Les WP1, WP2 et WP3 visent à répondre aux questions scientifiques du projet :
- WP 1 : Rendre la détection des chutes de pierres plus fiable, notamment en profitant des progrès technologiques pour acquérir des données denses et variées, en les utilisant avec des méthodes de traitement améliorées, ainsi qu'en combinant différentes sources de données (fusion de données). Dans cet objectif , la falaise de St Eynard près de Grenoble sera instrumentée pendant une période totale d'un an et demi avec TLS, GBSAR, une surveillance sismique et des photographies à haute résolution;
- WP 2 : Développer des modèles prédictifs efficaces, en utilisant les innovations récentes dans le domaine de l'IA pour fournir des résultats et des justifications de prédiction qui peuvent être interprétés par l'expert (eXplainable IA), ce qui permet de traduire les résultats en règles et décisions de gestion des risques opérationnels. Les modèles d'IA seront entraînés à l'aide des données acquises à la falaise de St Eynard (WP 1) ;
- WP 3 : Transférer à moindre coût les modèles prédictifs d'un site vers un nouveau site en appliquant à ces modèles prédictifs des méthodes innovantes d'apprentissage par transfert d'IA, ainsi qu'en testant la pertinence des données issues d'appareils à bas coût pour l'entraînement de ces modèles. Un prototype d'instrumentation à faible coût pour les photos à haute résolution sera développé dans le cadre du projet et déployé sur un nouveau site.
L'objectif de ce projet est d'améliorer notre compréhension du comportement des falaises sous l'effet du forçage climatique et de produire des modèles prédictifs de chutes de blocs efficaces. Les méthodes développées sont spécifiquement conçues pour induire, à long terme, de meilleures pratiques pour la gestion opérationnelle du risque rocheux. Aider les gestionnaires d'infrastructures à anticiper une augmentation du niveau de risque afin de mettre en œuvre des systèmes d'atténuation des risques peut réduire considérablement l'impact socio-économique des chutes de blocs(diminution du nombre de victimes, diminution des dommages causés aux infrastructures, diminution des coûts socio-économiques indirects liés à la fermeture d'une infrastructure après son endommagement, etc.)
Le Cerema est pilote du Groupe de travail (WP1) "Creation of databases designed for the production of efficient predictive models " et intervient dans le WP2 "XAI (eXplainable AI) for rockfall prediction ".
6 partenaires sont impliqués dans l'ANR C2R IA : des instituts de recherche académique en géosciences (ISTerre) et intelligence artificielle (LIRIS, LISTIC), des instituts de recherche appliqués en géosciences (BRGM, Cerema) et une entreprise ingénieurs conseils en risques naturels (Géolithe). Le BRGM est coordinateur de l'ANR.
Vous avez une question ?