Damage Detection for Structural Health Monitoring Using Reinforcement and Imitation Learning

RÉSUMÉ: La detérioration et la dégradation des infrastructures civiles telles que les ponts sont des problèmes communs à la plupart des pays industrialisés. Ils entraînent des dommages structurels qui sont à l’origine de dépenses importantes liées au maintien de la sécurité et de l’état de fonctionnement des infrastructures. Dans le contexte de la surveillance de la santé structurelle (SHM), une approche courante consiste à utiliser des capteurs afin de surveiller l’état des structures, par exemple, normal ou anormal, et d’identifier la présence de dommages structurels. La détection des dommages à l’aide d’un système SHM est une tˆache difficile car ils se développent souvent au fil des années et ils ont généralement un effet sur les réponses structurelles qui est d’un ordre de grandeur inférieur aux effets externes tels que la température. En plus de détecter les anomalies, nous nous intéressons à quantifier la capacité à détecter à juste titre ces dommages, c’est-à-dire quantifier la détectabilité des dommages structurels, afin d’évaluer la viabilité et l’utilité d’un système SHM. Lorsqu’un dommage structurel se produit, les réponses structurelles passent d’un état normal à un état anormal. Ici, une anomalie fait référence à un tel écart, et est quantifiée par rapport à ses caractéristiques consistant en l’ampleur de l’anomalie et sa durée. Ces caractéristiques représentent la gravité d’un dommage structurel et son temps de développement, respectivement. Par conséquent, les principaux objectifs d’un système SHM sont de détecter les changements dans les réponses structurelles, c’est-à-dire les anomalies, et en outre, d’associer l’ampleur de ces changements à la gravité des dommages structurels. ABSTRACT: The deterioration and degradation of civil infrastructures such as bridges are common issues among most industrialized countries. They result in structural damages that are responsible for important expenses associated with maintaining the safety and serviceability of infrastructures. In the context of structural health monitoring (SHM), a common approach is to use sensors in order to monitor the condition of a structure, e.g., normal or abnormal, and identify the presence of structural damages. Detecting damages using a SHM system is a difficult task because they often develop over the span of years, and they typically have an effect on structural responses which is orders of magnitudes smaller than external effects such as the temperature. In addition to detecting anomalies, we are interested in quantifying the capacity to rightfully detect these damages, i.e., quantifying the structural damage detectability, in order to evaluate the viability and usefulness of a SHM system. When a structural damage occurs, structural responses depart from a normal condition to an abnormal one. Here, an anomaly is referred to such a departure, and is quantified with respect to its characteristics consisting in an anomaly’s magnitude and its duration. These characteristics represent the severity of a structural damage and its time to develop, respectively. Therefore, the core objectives for a SHM system is to detect changes in structural responses, i.e., anomalies, and further, to associate the magnitudes of these changes to the severity of structural damages. Existing anomaly detection methodologies are typically not able to associate the occurrence of anomalies to structural damages; These methods lack a mechanism to quantify the probability of detecting anomalies as a function of an anomaly’s magnitude, its duration, and the time required to detect an anomaly after its starting time, i.e., quantifying the anomaly detectability. The capacity of existing data interpretation methods used for detecting anomalies are limited: These methods are not able to reliably discriminate between a change due to a departure from the normal condition, i.e., an anomaly, and a change due to external effect variations, e.g., the seasonal temperature fluctuations. As a result, existing methods often yield a large number of false alarms that undermine the viability of a monitoring system