Que cherchez-vous?
51 Résultats pour : « Portes ouvertes »

L'ÉTS vous donne rendez-vous à sa journée portes ouvertes qui aura lieu sur son campus à l'automne et à l'hiver : Samedi 18 novembre 2023 Samedi 17 février 2024 Le dépôt de votre demande d'admission à un programme de baccalauréat ou au cheminement universitaire en technologie sera gratuit si vous étudiez ou détenez un diplôme collégial d'un établissement québécois.

Génie de la construction Recherche et innovation Le développement durable, l’économie circulaire et les enjeux environnementaux Les infrastructures et les milieux bâtis

Évaluation rapide des ondes de tempête et des vagues grâce à l’IA

Vagues frappant un phare lors d'une tempête

Une approche prometteuse : l’apprentissage machine

Les ouragans sont parmi les risques naturels les plus destructeurs. Ils représentent une menace importante pour les régions côtières du Canada et de l’Amérique du Nord, essentiellement en raison des ondes de tempête et des vagues. L’augmentation des populations côtières, l’élévation du niveau de la mer et le changement climatique exacerbent le risque de pertes économiques et humaines dans les zones sujettes aux ouragans. Il faut donc une modélisation précise et efficace des ondes de tempête et des vagues afin de diminuer les risques et d’aider à la prise de décision. Bien que les modèles statistiques et empiriques traditionnels soient efficaces, les particularités régionales et les limites du traitement des dynamiques non linéaires font obstacle à leur application généralisée. Les modèles numériques haute fidélité, bien que très précis, exigent énormément de calculs, ce qui complique les prévisions en temps réel et les évaluations des risques à grande échelle. Les approches se basant sur les données, en particulier l’apprentissage machine (AM), sont plus prometteuses. Par l’apprentissage des relations complexes entre les paramètres des ouragans (vitesse, direction, intensité) et les ondes de tempête et hauteurs de vagues qui en résultent, les modèles d’AM peuvent fournir des prévisions plus rapides et plus précises.

Modèle hybride proposé

Cette étude explore l’utilisation de réseaux neuronaux profonds (DNN) pour prédire les ondes de tempête et les hauteurs de vagues des ouragans qui touchent terre ou qui les contournent. Plus précisément, nous avons développé un modèle hybride novateur pour obtenir simultanément une représentation de dimension réduite à partir de systèmes de dimensions élevées, tout en cartographiant les paramètres d’entrée résultants dans l’espace latent de dimension réduite.
Dans le but d’atteindre la meilleure précision, ce modèle détermine l’espace latent de dimension réduite qui servira à développer le modèle de régression. En optimisant simultanément l’algorithme de réduction dimensionnelle et le modèle de régression, il est possible d’obtenir un modèle robuste, généralisable et significatif en favorisant un équilibre entre les capacités des techniques de réduction dimensionnelle et de régression.

Le modèle proposé comprend un auto-encodeur profond (DAE) et un réseau neuronal profond (DNN) appelé DAE-DNN. Le modèle DAE présente une représentation dans un espace de dimension réduite à partir d’un espace de dimension élevée, soit le pic de l’onde de tempête ou la hauteur significative des vagues sur une zone étendue. Le modèle DNN détermine la relation non linéaire entre les paramètres d’entrée (six paramètres de tempête) et l’espace latent créé (sortie latente). Pour entraîner le modèle hybride, nous avons conçu une fonction de perte pondérée afin d’atteindre un équilibre entre l’entraînement DAE et DNN en vue d’une meilleure précision, tout en tenant compte des contraintes du système. L’architecture du modèle hybride proposé est illustrée à la figure 1, représentant le DAE et le DNN entraînés simultanément.

Architecture hybride du modèle DAE/DNN combiné
Fig. 1. Architecture du modèle hybride proposé

Comme le montre la figure 2, une fois entraîné, le modèle peut prédire efficacement le vecteur de haute dimension (pic de l’onde de tempête/hauteur significative des vagues), à partir de n’importe quel scénario d’entrée donné (paramètres de la tempête). Par conséquent, seuls le réseau DNN (qui prédit les vecteurs de sortie latents) et le décodeur (qui prédit le vecteur de sortie à haute dimension sur l’ensemble de la région) sont nécessaires.

Architecture du modèle prédictif
Fig. 2. Architecture du modèle prédictif

Étude de cas

Une étude de cas a servi à évaluer la performance du modèle hybride à partir des données synthétiques de la North Atlantic Comprehensive Coastal Study (NACCS), couvrant les régions critiques de New York et du New Jersey. Les réponses des ondes de tempête et des hauteurs significatives des vagues sont extraites des résultats de simulation des modèles ADvanced CIRCulation (ADCIRC) et Steady State Spectral WAVE (STWAVE), respectivement. Au total, 289 sites côtiers ont été choisis comme données d’entrée pour le modèle DAE. En outre, les paramètres de tempête correspondants, liés à l’onde de pic de tempête et à la hauteur des vagues (344 tempêtes dans la région côtière sélectionnée,) ont également été obtenus à partir de la base de données NACCS. Ces données ont servi d’entrée au modèle DNN.

prévision du modèle hybride
Fig. 3. Performance du modèle hybride dans la prévision du pic de l’onde de tempête et de la hauteur significative des vagues pour l’entraînement (à gauche) et la validation (à droite)

Le modèle hybride proposé, comprenant un modèle couplé DAE et DNN, entraînés simultanément, peut donc prédire l’onde de tempête et la hauteur significative des vagues. En outre, nous avons comparé le cadre proposé avec deux modèles découplés, soit une technique de réduction de la dimension (PCA et DAE) et un modèle de régression basé sur un DNN, entraînés séparément. Comme le montre la figure 3, les deux modèles pour le pic d’onde de tempête et la hauteur significative des vagues ont été bien entraînés, car les résultats indiquent que les fonctions de perte diminuent avec l’augmentation du nombre d’époques, à la fois pour l’entraînement et la validation.

Application

Une étude de cas sur la prédiction de l’onde de tempête et de la hauteur significative des vagues met en évidence les capacités de prédiction du modèle hybride proposé. Avec les valeurs des paramètres de tempête énumérés dans le tableau 1 et les modèles hybrides DAE-DNN entraînés, il est possible d’obtenir un pic d’onde de tempête et une hauteur de vague significative.

Tableau 1. Paramètres de tempête pour prévoir les ondes de tempête et la hauteur des vagues

Paramètres de tempête
Comparaison des valeurs simulées avec les données réelles
Fig. 4. Pic d’onde de tempête d’après l’ADCIRC et simulé (colonne de gauche), et hauteur de vague significative d’après le STWAVE et simulée (colonne de droite), en fonction du scénario de tempête sélectionné

La figure 4 montre une excellente concordance entre le pic d’onde de tempête et la hauteur significative des vagues simulés, et leurs résultats de simulation numérique.

Conclusion

Dans cette étude, nous proposons un modèle hybride novateur d’apprentissage machine pour la prédiction rapide des pics d’ondes de tempête et des vagues sur une région côtière étendue, à la fois pour les tempêtes qui touchent terre et celles qui les contournent. On a comparé la technique proposée à deux modèles découplés comportant une technique de réduction de dimension (PCA et DAE) et un modèle de régression basé sur un réseau DNN, entraînés séparément. Le modèle hybride est plus performant que les modèles découplés PCA-DNN et DAE-DNN. Par exemple, l’erreur quadratique moyenne (EQM) ayant servi à entraîner le modèle basé sur les ondes de tempête était de 0,97 (0,02 m2), 0,89 (0,07 m2), 0,92 (0,06 m2) pour le modèle hybride, le DAE-DNN découplé et le PCA-DNN découplé, respectivement. De même, l’EQM ayant servi à entraîner le modèle basé sur la hauteur significative des vagues était de 0,90 (0,02 m2), 0,84 (0,06 m2), 0,84 (0,08 m2) pour le modèle hybride, le DAE-DNN découplé et le PCA-DNN découplé, respectivement. Par conséquent, le modèle hybride a fait preuve d’une grande précision et d’une grande efficacité de calcul. Il pourrait être facilement intégré à un système d’alerte précoce ou utilisé pour l’évaluation probabiliste des risques et les prévisions précoces de vagues et d’ondes de tempête.

Informations complémentaires

Pour plus d’informations sur cette recherche, veuillez lire l’article suivant :

Naeini, S. S., & Snaiki, R. (2024). A novel hybrid machine learning model for rapid assessment of wave and storm surge responses over an extended coastal region. Coastal Engineering, 190, 104503. https://doi.org/10.1016/j.coastaleng.2024.104503