Towards Interpretable Damage Detection based on Aerodynamic Pressure Measurements

Résumé Technique : Vers une Détection de Dommages Interprétable Basée sur des Mesures de Pression Aérodynamique

Énoncé du Problème
Les pales modernes de grandes éoliennes sont de plus en plus flexibles, ce qui rend nécessaires des solutions de surveillance de l'intégrité structurelle (SHM) à la fois rentables et fiables. Bien que les réseaux de neurones profonds (DNN), tels que les réseaux de neurones convolutifs (CNN), aient démontré leur succès dans la reconnaissance de motifs pour la SHM, leur nature de « boîte noire » limite leur utilité dans la prise de décision à haut risque. Ces modèles manquent souvent d'interprétabilité, rendant difficile la compréhension des mécanismes physiques à l'origine de leurs prédictions ou la garantie qu'ils se généralisent de manière fiable à des conditions d'exploitation réelles qui diffèrent des distributions d'entraînement. Un travail antérieur des auteurs [Franz et al., 2025] a établi que les mesures de pression aérodynamique (APM) obtenues via le système Aerosense pouvaient efficacement détecter et classifier les dommages structurels sur des structures élastiques chargées aérodynamiquement. Cependant, les mécanismes sous-jacents par lesquels les dommages influencent le champ de pression et les caractéristiques spécifiques sur lesquelles le CNN s'appuie restaient opaques.

Méthodologie
Cette étude utilise l'intelligence artificielle explicable (XAI) pour interpréter le pipeline de détection de dommages basé sur le CNN proposé dans [Franz et al., 2025]. La méthodologie centrale comprend :

1. Données Expérimentales : L'analyse utilise des données issues d'une campagne expérimentale impliquant un profil aérodynamique NACA 633418 monté sur une poutre en porte-à-faux vibrante dans une soufflerie. Les dommages structurels ont été simulés par des coupes de scie contrôlées (réduisant la rigidité) et par l'ajout de masse. Les distributions de pression aérodynamique ont été enregistrées à 37 emplacements de capteurs fonctionnels à travers différents angles d'attaque (0° et 8°), vitesses du vent et fréquences de balancement.
2. Intégrales de Gradient (IG) : Les auteurs appliquent les Intégrales de Gradient, une méthode d'attribution post-hoc agnostique au modèle, au CNN pré-entraîné. Les IG calculent la contribution de chaque caractéristique d'entrée (canal de capteur et pas de temps) à la sortie de classification du modèle en intégrant les gradients le long d'un chemin allant d'une ligne de base à l'échantillon d'entrée.
3. Analyse des Lignes de Base : Pour isoler des propriétés spécifiques du signal, trois lignes de base distinctes ont été définies :
   • Ligne de Base de Pression Ambiante (APB) : Un signal constant nul (supprimant toute charge aérodynamique et vibration).
   • Ligne de Base des Variations Temporelles (TVB) : Signaux avec les décalages de canal supprimés, ne conservant que la dynamique temporelle.
   • Ligne de Base de la Valeur Moyenne par Canal (MVB) : Signaux remplacés par leurs valeurs moyennes par canal, conservant les relations de magnitude statiques inter-canaux mais supprimant la dynamique temporelle.
4. Réentraînement et Évaluation : Pour valider les insights obtenus à partir des cartes d'attribution, les auteurs ont réentraîné des modèles sur les données de ligne de base. Un CNN a été réentraîné sur des données TVB, et un Perceptron Multicouche (MLP) a été entraîné sur des données MVB (vecteurs moyens) pour évaluer la rétention d'information des caractéristiques statiques par rapport aux caractéristiques dynamiques.

Résultats Clés

• Attribution des Caractéristiques : Sur toutes les lignes de base, le CNN a systématiquement priorisé les capteurs situés près du bord d'attaque du profil aérodynamique (spécifiquement les canaux 14–16).
• Caractéristiques Statiques vs Dynamiques :
  • Dynamiques Temporelles (TVB) : Lorsque le CNN pré-entraîné a été testé sur des données TVB (décalages statiques supprimés), la précision de classification est tombée à environ 16,7 % (devinette aléatoire). Cela indique que le modèle original repose fortement sur des caractéristiques statiques.
  • Magnitudes Statiques (MVB) : À l'inverse, lorsqu'il a été testé sur des données MVB (dynamiques temporelles supprimées), le CNN pré-entraîné a conservé une précision significative (~50 % pour un angle d'attaque de 0° et ~62 % pour un angle d'attaque de 8°).
  • Modèles Réentraînés : Un MLP entraîné uniquement sur des valeurs moyennes (MVB) a atteint une haute précision (86,5 % pour un angle d'attaque de 0° et 83,7 % pour un angle d'attaque de 8°). En revanche, un CNN réentraîné sur des variations temporelles (TVB) a atteint une précision nettement inférieure (47,4 % et 34,8 % respectivement).
• Mécanisme de Dommage : L'analyse suggère que la source principale d'information discriminante entre les classes est la relation de magnitude statique inter-canal, résultant probablement de décalages de la position d'équilibre du système structurel dus aux dommages (par exemple, flèche vers le bas et torsion). Bien que les motifs temporels (amplitudes d'oscillation) contribuent à la classification, leur influence est secondaire.
• Décrochement Tourbillonnaire : L'analyse spectrale a confirmé qu'un décrochement tourbillonnaire significatif ne s'est pas produit dans les conditions expérimentales, suggérant que les variations temporelles détectées par le modèle sont principalement pilotées par les oscillations structurelles de la poutre plutôt que par des instabilités aérodynamiques.

Signification et Revendications
L'article revendique que l'intégration d'insights basés sur la physique et de méthodes XAI améliore la transparence et la robustesse de la SHM pilotée par les données. En démontrant que le CNN repose principalement sur des relations spatiales statiques (magnitudes inter-canaux) plutôt que sur des dynamiques temporelles complexes, l'étude :

• Valide la Base Physique : Elle confirme que les prédictions du modèle sont ancrées dans des décalages physiques de l'état d'équilibre de la structure causés par les dommages, plutôt que dans des corrélations fallacieuses.
• Identifie les Limites : Elle met en évidence que l'architecture CNN actuelle ne capture peut-être pas de manière optimale les dépendances temporelles, et que la nature de « boîte noire » avait précédemment obscurci le fait que les caractéristiques statiques étaient les moteurs dominants de la performance.
• Guide la Conception Future : Les résultats suggèrent que les futurs systèmes de surveillance pourraient potentiellement reposer sur une extraction de caractéristiques statiques plus simple, ou que des variantes XAI plus sophistiquées, spécifiques aux séries temporelles, sont nécessaires pour mieux isoler les caractéristiques dépendantes de l'état.

Les auteurs concluent que, bien que l'approche CNN soit efficace, son interprétabilité est cruciale pour comprendre pourquoi elle fonctionne. La dépendance aux caractéristiques statiques implique que le modèle détecte la déformation permanente et la distribution de rigidité altérée causées par les dommages, offrant une explication physiquement cohérente pour la détection des problèmes d'intégrité structurelle dans les structures chargées aérodynamiquement.