II. 2.3.1.8 Les méthodes de gradient du second ordre
III.3. Accélérogrammes
Les manques observés dans le présent article sont aux niveaux de la méthode d’apprentissage,
du non prise en compte du problème de sur-apprentissage et de la limitation dans la base de
données utilisée pour l’apprentissage.
III.3. Accélérogrammes
III.3.1. Génération d’un accélérogramme à partir d’un spectre de réponse
Ghaboussi et al (1998) ont proposé une méthode pour générer un accélérogramme
d’un tremblement de terre artificiel à partir d’un spectre de réponse. Cette méthode utilise la
capacité d’apprentissage du RNA de type MLP avec pour connaitre le chemin inverse de la
réponse spectrale vers l’accélérogramme sismique.
Dans la méthode proposée, les réseaux de neurones apprennent le chemin inverse directement
à partir des spectres de réponse réels pour obtenir des accélérogrammes sismiques. Une
approche en trois étapes a été utilisée.
Dans la première étape, deux réseaux de neurones ont été utilisés comme un outil de
compression de données. Les deux parties réel et imaginaire d’un spectre de
Fourier en vitesse (FVS) sont les deux vecteurs à comprimer. Ainsi les et les
seront représentés par seulement deux vecteurs de 20 poids synaptiques chacun (deuxième
couche cachée) au lieu d’un vecteur de 2049 valeurs (figure III.18). Afin de s’assurer que les
accélérogramme à l’entrée et à la sortie des deux RNA sont identiques, une comparaison a été
menée. Un exemple de cette comparaison est représenté sur la figure III.19. La figure montre
que l’accélérogramme et le spectre de réponse en vitesse du séisme de Northridge 1994 au
niveau de la couche d’entrée est pratiquement similaire à celui de la sortie.
Dans la deuxième étape, un 3
èmeRNA-MLP est construit. Les spectres de réponse en vitesse
(Sv) représentent les 90 entrées du RNA. La sortie est caractérisée par les 40 valeurs de poids
(20 de et 20 de ) déterminés à l’issue de la première partie (figure III.20(a) : RNA
de dessous). Le but ici est de donner le chemin inverse : de Sv vers les données comprimées
qui représente l’accélérogramme.
Dans la troisième étape, les 40 poids de la sortie de la 3
èmeRNA sont les entrées d’un 4
èmeRNA-MLP élaboré pour déterminer le FVS. Le calcul de l’accélérogramme passe par la
transformé inverse rapide de la Fourier (figure III.20(a) :RNA de dessus).
Figure.III. 18. RNA utilisé pour la compression de données de la transformée de
Fourier
Figure.III. 19. Test du RNA en utilisant un accélérogramme qui appartient à la base de
données d’apprentissage
(a) (b)
Figure.III. 20. (a) Au dessous : le 3ème RNA (Sv-poids), Au dessus le 4ème RNA qui donne les FVS à partir des poids générés par le 3ème RNA. (b) test du système neuronales final : génération
Sur la figure III.20 (b) un exemple de validation du modèle neuronal est donné. Les deux
acélérogrammes réel (celui de Newhall-Northridge 1994) et généré par le système neuronal
sont illustrés. Les deux spectres de réponse en vitesse de ces deux accélérogrammes sont
représentés sur le même repère. Ces deux Sv se ressemblent. Par contre, la validation du
modèle ne peut pas être effectuée sur seulement un exemple!. Un élargissement de la base de
données pour la phase apprentissage et la phase test donne surement des résultats beaucoup
plus satisfaisants. Cependant les deux parties de la FVS (réelle et imaginaire) ne sont pas
indépendantes, et le faite de les séparer donne des estimations non précises.
Pour les travaux futurs, les auteurs proposent une approche dans laquelle on développe de
multiples réseaux de neurones, et de faire apprendre au RNA en utilisant à chaque réseau un
groupe d'accélérogrammes qui partage certaines propriétés, telles que la durée de phase
significative du séisme, la distance station-source, les caractéristiques de la source et les
caractéristiques du site.
III.3.2. Génération d’accélérogrammes artificiels et de spectre de réponse
Lee et Han (2002) ont proposé un système neuronal pour générer à la fois un
accélérogramme et un spectre de réponse. Pour se faire, les auteurs ont proposé 5 RNA à la
place des méthodes numériques classiques. Le premier sert à générer l’amplitude spectrale de
Fourier. Le deuxième modèle neuronal est utilisé pour estimer les paramètres de la densité
spectrale de puissance (DSP). Le 3
èmemodèle a pour objectif de déterminer la fonction
d’intensité d’Arias. Tandis que le 4
èmemodèle est a pour objet l’estimation de spectre de
réponse en accélération. Les paramètres d’identification du modèle du sol (magnitude,
condition de site, distance épicentrale et profondeur focale) représentent les inputs des 4
RNA. Enfin, le rôle du 5
èmeréseau est l’inverse de celui du 4
ème(figure III.21) de telle sorte
qu'il peut être appliqué à la génération d'accélérogrammes synthétiques compatible avec un
spectre de réponse en accélération en utilisant l’ANN-I avec un calcul classique de la
transformé inverse de Fourier.
Figure.III. 21. Procédure traditionnelle et les modèles neuronaux individuels.
Figure.III. 22. Génération d’accélérogrammes (calcul de la transformé inverse de FAS) à partir des ordonnées spectrales en accélération (ARS)
La base de données d’apprentissage de l’ensemble des modèles neuronaux sont obtenus
synthétiquement. La magnitude (M) est comprise entre 6 et 8, la distance épicentrale (R) entre
30 et 50 m, la profondeur focale (H) appartient à l’intervalle [1-30] m. Tandis que la
classification de l’UBC (0, 1, 2) est utilisée. Cette base d’apprentissage contient 25 couples
entrée/sortie. Dans touts les modèles, les auteurs ont utilisé une seule couche cachée. Le
nombre de neurones dans cette couche est égal à la somme des neurones de la couche d’entrée
et de sortie. Les conclusions tirées de cette étude sont les suivantes :
- ANN-I dispose d'un avantage par rapport au modèle empirique car il peut faire le
réapprentissage des nouvelles données enregistrées et s'adapter à ces données actualisées.
De ce fait, ANN-I pourrait entièrement remplacer le modèle empirique pour générer le
spectre d’amplitude de Fourier.
- Pour l'identification des paramètres (PSD), ANN-II a produit de grandes erreurs, l’ANN II
génère de fonction DSP fortement non linéaire avec une bonne précision dans d'ensemble
du contenu fréquentiel.