Missions du stagiaire
Vos principales missions
Les affaissements ou effondrements sont des phénomènes géologiques qui se produisent sous les voies ferrées.
Ces phénomènes résultent généralement de l'affaissement du sol ou de l'érosion des matériaux qui soutiennent les voies de chemin de fer.
Les fontis ferroviaires peuvent être causés par divers facteurs, notamment la présence de cavités souterraines, la saturation du sol par l'eau, l'érosion des sols, ou d'autres conditions géologiques défavorables. Les fontis ferroviaires peuvent représenter un risque pour la sécurité ferroviaire, car ils peuvent provoquer des déraillements, des dommages aux infrastructures et des accidents.
Par conséquent, les compagnies ferroviaires et les autorités de régulation surveillent de près l'état des voies et mettent en place des mesures de prévention pour réduire le risque de fontis ferroviaires.
Cela peut inclure la surveillance géotechnique, la réparation des zones à risque, la gestion des eaux souterraines, et d'autres mesures visant à maintenir l'intégrité des voies ferrées.
Les techniques de deep learning, telles que les réseaux de neurones convolutionnels (CNN) et les réseaux de neurones récurrents (RNN), sont de plus en plus utilisées dans la détection d'anomalies et la fusion de données hétérogènes.
Elles peuvent être employées pour analyser des données 3D Lidar ou encore des images satellitaires issues des techniques InSAR (Interferometric Synthetic Aperture Radar), identifier les affaissements potentiels et les anomalies, et fournir des alertes en temps réel.
Objectifs du stage: Les données LiDAR sous forme de nuages de points 3D constituent une source d'information robuste pour la classification et le positionnement d'objets dans une scène. Ces dernières années, des progrès considérables ont été réalisés sur les méthodes de détection à base de réseaux de neurones, à la fois en termes de coût de calcul et en métrique d'évaluation. De même, les données InSAR permettent de surveiller les variations millimétriques du terrain avec une grande précision et à grande échelle, étant donnée qu'elles couvrent généralement de vastes zones, ce qui permet de surveiller efficacement de longues sections de voies ferrées en une seule acquisition.
Cela facilite la détection précoce des affaissements sur de grandes étendues de rails.
Ce stage a pour objectif d’étudier l'utilisation de méthodes d'apprentissage, en croisant les différents types de données disponibles, afin de pouvoir modéliser la structure du fontis ferroviaire, et pouvoir le détecter en temps réel afin d'assurer la sécurité du matériel ferroviaire. Vous devrez donc implémenter et comparer différentes architectures de réseau de neurones adapté à ce type de donnée : deep nets, 3D CNN, point-net, graph CNN,
