Scour management in French rail infrastructure using machine learning
Gestion de l'affouillement dans les infrastructures ferroviaires françaises à l'aide de l'apprentissage automatique
Résumé
Scour is a natural phenomenon originating from the erosive action of watercourse. It occurs on erodible riverbeds by carrying or excavating materials, and it can be particularly observed in the vicinity of obstacles such as bridge piers. Identifying rail infrastructure vulnerable to scour is one of the important tasks for transport agencies. In France, however, a practical process for identification has not existed yet for rail infrastructure. This thesis addresses the issue via machine learning based solutions, since they have shown good capacity in prediction recently. By using data from the French National Railway Company (SNCF), popular and classical algorithms are applied firstly to build the machine learning models. Then, the models are examined in terms of their robustness, and practicality. Meanwhile, they are compared with existing approaches such as ARPSA (Cerema, France) and scoring table (RTRI, Japan). Later, in order to understand the prediction results, the cutting-edge explainable artificial intelligence (XAI) methods are employed for model interpretation. Results from XAI are then compared with engineering expertise from SNCF. This thesis provides a quick yet accurate process for identifying rail infrastructure vulnerable to scour by benefiting from the novel data-driven approach. It helps improve the current inspection and maintenance process by emphasizing the importance of surrounding environmental factors. In the end, a user-friendly web application is built to ensure the accessibility of the research outcome
L'affouillement est un phénomène naturel résultant de l'action érosive d'un cours d'eau. Il se produit sur les lits érodables en transportant ou en extrayant des sédiments de la rivière en particulier au voisinage d’obstacles comme les piles de pont. L'identification des infrastructures ferroviaires vulnérables à l'affouillement est l'une des tâches importantes des gestionnaires de transport. En France, cependant, il n'existe pas encore de processus pratique d'identification pour les infrastructures ferroviaires. Cette thèse aborde la question via des méthodes basées sur l'apprentissage automatique «machine learning», puisqu'elles ont récemment fait preuve d'une bonne capacité de prédiction. En utilisant les données de la Société Nationale des Chemins de Fer Français (SNCF), des algorithmes classiques et couramment utilisés sont d'abord appliqués pour construire les modèles d'apprentissage automatique. Ensuite, les modèles sont examinés en termes de robustesse et de facilité d’utilisation. Enfin, ils sont comparés à des approches existantes telles que l'ARPSA (Cerema, France) et le « scoring table » (RTRI, Japon). Afin de comprendre les résultats de la prédiction, les méthodes d'intelligence artificielle explicable (XAI) sont employées pour l'interprétation du modèle. Les résultats de l'XAI sont ensuite comparés à l'expertise des ingénieurs. Cette thèse propose un processus rapide mais précis d'identification des infrastructures ferroviaires vulnérables à l'affouillement en tirant parti d'une nouvelle approche axée sur les données. Elle permet d'améliorer le processus actuel d'inspection et de maintenance en soulignant l'importance des facteurs environnementaux environnants. Enfin, une application web conviviale est créée pour garantir l'accessibilité des résultats de la recherche
| Origine | Version validée par le jury (STAR) |
|---|