Le projet RINA propose d’étudier la faisabilité de l’utilisation de l’intelligence artificielle dans le contexte des risques géologiques. Sur un site test instable, les données d‘observation de l’aléa rocheux et les données climatiques sont analysées à l’aide des outils d’intelligence artificielle. L’objectif est de proposer une puissante aide à la décision aux exploitants des réseaux routiers et ferroviaires afin de maintenir la qualité de service sur les infrastructures de transport menacées par des aléas rocheux lors d’événements météorologiques intenses.
L’objectif est de proposer une puissante aide à la décision aux exploitants des réseaux routiers et ferroviaires afin de maintenir la qualité de service sur les infrastructures de transport menacées par des aléas rocheux lors d’événements météorologiques intenses.
En montagne, les infrastructures de transport sont exposées à des risques gravitaires (éboulements rocheux, laves torrentielles, avalanches de neige) qui peuvent entraîner leur fermeture ainsi que des dommages significatifs aux biens et aux personnes. Dans un contexte de changement climatique, on constate une recrudescence des événements gravitaires en lien avec la remontée de la limite pluie-neige et la recrudescence d’événements pluvieux violents. Les acteurs du risque rocheux, fédérés au sein du projet national C2ROP, ont réalisé des avancées considérables sur la gestion du risque depuis 2015. Le projet RINA vient enrichir cette dynamique en investiguant l’utilisation de l’IA.
Les données météorologiques et d’observation de l’aléa rocheux disponibles sont de plus en plus massives avec les progrès technologiques des moyens de mesure. Les radars météorologiques fournissent des données à haute fréquence temporelle à l’échelle d’un massif. Concernant l’aléa rocheux, des technologies récentes (radars terrestres, scanners laser ou photogrammétrie) fournissent une information spatialisée des mouvements.
Dans ce contexte, des défis se posent dans l'intégration des caractéristiques multi-physiques de ces données, qui sont nécessaires pour fournir une compréhension cohérente et une prédiction fiable des phénomènes et de leurs impacts. Les approches standards reposant sur la détermination de modèles multi-échelles et multi-physiques sont assez complexes pour intégrer les couplages thermiques, hydriques et mécaniques et leur capacité est limitée à couvrir des échelles allant du site au bassin de risque.
Compte tenu du volume et de la variété des données, des approches issues de l’IA et de la « data science » (en particulier l’apprentissage automatique et sa branche « deep learning ») semblent être un moyen prometteur pour induire des données elles-mêmes des modèles prédictifs du risque. La question en suspens est le potentiel réel des méthodes associant l’IA pour des applications pratiques en géosciences.
Pour relever ce défi, trois aspects doivent être abordés :
- Quelle donnée ? Brute ou représentative ? Quel niveau de contrôle qualité et de prétraitement ?
- Quelles techniques de « data science » pour des applications spécifiques en géosciences ?
- Quelle confiance sur les résultats ?
Afin d’établir une preuve de concept de l’utilisation de l’IA pour la gestion du risque rocheux en lien avec les conditions météorologiques, le projet RINA est structuré en trois tâches :
- État de l’art des méthodes d’IA appliquées aux géosciences pour la prévision des phénomènes : comparer les approches et sélectionner les plus prometteuses en vue de prévoir l’aléa rocheux, sous contrainte des données disponibles.
- Sélection d’au plus trois sites d’étude, en fonction de la position des radars météos et de la richesse du jeu de données (fréquence d’acquisition et type de données, nombre d’évènements associés). Les données existantes seront collectées auprès des partenaires/associés et seront ensuite préparées (nettoyage, combinaison ...) pour optimiser les analyses ultérieures.
- Test des méthodes d’IA sélectionnées à l’étape 1 sur le(s) site(s) d’étude sélectionné(s) à l’étape 2. Les analyses seront conduites indépendamment sur chaque site. Basées sur l’apprentissage automatique (supervisé ou non), elles viseront la prévision temporelle de l’évolution des sites. La validation sera principalement qualitative en s’appuyant sur les REX des gestionnaires d’infrastructures.
Les résultats sont attendus sur 3 aspects : acquisition et traitement des données, analyse des données par modèle IA, intégration des résultats dans un processus de gestion du risque rocheux.
Le Cerema intervient dans la partie préprocessing des données pour les traitements IA, réalisation des traitements IA de type machine learning et traduction des résultats fournis par l’IA en termes opérationnels. La contribution spécifique du Cerema réside dans l’optimisation des modèles IA vis-à-vis de critères métier risque rocheux et l’interprétation des résultats fournis pour la gestion du risque rocheux.
BRGM (EPIC), Géolithe (bureau d’études), LISTIC (Université Savoie Mont-Blanc)
Vous avez une question ?