Estimation des indices de pollution des couches de ballast ferroviaire par inversion générative de particules irrégulières aléatoires : IA/radar à inversion spectrale 3D

Les contraintes opérationnelles et environnementales actuelles des chantiers ferroviaires imposent le recours à de nouvelles pratiques d’auscultation à grand rendement en amont de l’exploitation. Cela implique de cartographier de manière non destructive les interfaces entre les différentes couches de l’assise ferroviaire (ballast sain, ballast colmaté ou pollué, couche intermédiaire, sol support), puis d’évaluer, sans interruption de la chaîne de production, le taux de colmatage ou de pollution du ballast. Cette approche est nécessaire pour assurer la maîtrise de la chaîne logistique et réduire son impact carbone.

Cette thèse vise à affiner puis à valider, numériquement et expérimentalement, les modèles et la méthodologie d’auscultation par propagation des ondes électromagnétiques dans les milieux ferroviaires multicouches initiés dans le cadre de la thèse d’E. Mbubia (2022-2025), réalisée au sein du laboratoire MAST/ LAMES de l’Université Gustave Eiffel. L’objectif de ce travail de recherche est de rendre plus robuste et plus réaliste le modèle direct (FDTD / Relative Ballast Fouling) permettant l’estimation des indices de pollution des couches de ballast ferroviaire par inversion générative de particules irrégulières aléatoires, en intégrant la prise en compte des gradients hydriques.

Le modèle direct intégrera la dépendance fréquentielle de la permittivité diélectrique complexe à travers une adaptation de la loi de Topp au modèle génératif RIP (Random Irregular Polygons), via des approches d’apprentissage profond, tant locales que globales, appliquées aux données GPR-3D. L’estimation des observables diélectriques et géométriques complexes nécessitera l’optimisation et l’adaptation de méthodes hybrides d’inversion (physiques et basées sur l’intelligence artificielle) développées par le laboratoire MAST/ LAMES dans le cadre de différents programmes de recherche antérieurs.

Cette approche sera également déclinée pour l’exploitation d’observables physiques complémentaires, liées par exemple à la pénétrométrie dynamique PANDA. Pour la classification et la régression, avec seuillage adaptatif des anomalies structurelles et matérielles, cette thèse transposera les approches non déterministes développées en 2023 lors de la phase de validation numérique, en vue de leur intégration dans l’outil NDT- Portal (jumeau numérique).

L’approche proposée impliquera une résolution statistique du problème inverse reposant sur une optimisation non déterministe (notamment via des algorithmes d’apprentissage artificiel tels que YOLOv8 et XGBoost). L’objectif est d’élargir les bases d’apprentissage et de test à l’aide de nouvelles caractéristiques saillantes, afin de couvrir un large spectre de configurations susceptibles de correspondre aux mesures in situ, tout en ajustant au mieux la loi de dégradation (modélisée en indice de colmatage ou en taux d’encrassement RB- F).