Estimation of Random Fields of Reinforced Concrete degradation parameters from sparse in situ data: assessing the relevance of IA-based methods

[English version below]

Laboratoire GeM

Le GeM est une Unité Mixte de Recherche de Centrale Nantes, de l’Université de Nantes et du CNRS. Il a été fondé en 2004, à partir du regroupement de laboratoires pré-existants.

L’objectif était de réunir au sein d’un même laboratoire l’ensemble des compétences de la métropole Nantes Saint-Nazaire dans le domaine du génie civil, de la mécanique des matériaux et des procédés, de la modélisation et de la simulation en mécanique des structures.

Le GeM est très impliqué dans la formation par la recherche : il compte une centaine de doctorants et porte plusieurs masters, majoritairement internationaux, en mécanique, génie civil, et technologie marine.

Unité Thématique de Recherche MELANI du laboratoire GeM

L’Unité Thématique de Recherche Mesure, Assimilation de données et Incertitudes (UTR MELANI) regroupe des chercheurs spécialistes des systèmes de mesure avec des chercheurs dont la spécialité est la propagation des incertitudes à travers la modélisation d’un système. L’UTR vise à optimiser les systèmes de mesure, à améliorer la connaissance et à suivre les structures afin d’estimer la durée de vie résiduelle et de prendre des décisions pour le maintien du fonctionnement ou et/ou l’intégrité du système étudié.

[English]

GeM Laboratory

The GeM laboratory is a joint research unit of Centrale Nantes, the University of Nantes and the CNRS. It was founded in 2004 as a result of the merger of pre-existing laboratories.

The aim was to bring together in a single laboratory all the skills of the Nantes Saint-Nazaire metropolitan area in the fields of civil engineering, mechanics of materials and processes, modelling and simulation in structural mechanics.

The GeM is very involved in training through research: it has around a hundred doctoral students and runs a number of masters courses, mostly international, in mechanics, civil engineering and marine technology.

MELANI Thematic Research Unit of the GeM laboratory

The Measurement, Data Assimilation and Uncertainty Thematic Research Unit (UTR MELANI) brings together researchers specialising in measurement systems with researchers specialising in the propagation of uncertainties through system modelling. The UTR aims to optimise measurement systems, improve knowledge and monitor structures in order to estimate the residual lifetime and take decisions to maintain the operation and/or integrity of the system studied.

[English version below]

Contexte

Le projet DéCoF-Ré, mené par le département de Charente-Maritime en partenariat avec SIXENSE, l’IFSTTAR et le laboratoire GeM, a permis la création d’une vaste base de données expérimentale des paramètres de dégradation du béton armé (BA) le long des piles du pont maritime de l’Île de Ré (Bourreau, 2017, chap. 2)

Outre son intérêt opérationnel en termes de maintenance, cette base de données représente une rare opportunité scientifique d'améliorer efficacement les modèles géostatistiques actuels des paramètres de dégradation du béton armé, ce qui est crucial pour la mise en œuvre de systèmes de surveillance de l'état de santé des structures (SHM), l'évaluation précise des probabilités de défaillance (Stewart, 2009), et donc pour une planification optimale de la maintenance. Cependant, son exploitation directe avec les techniques courantes d'évaluation géostatistique reste difficile en raison du nombre encore limité de données et de leurs tendances cachées (non-stationnarités dues à la variation des conditions environnementales le long du pont). (Clerc, 2021, pp. 143–144).

Pour répondre à ces enjeux, des travaux de recherche préliminaires ont été menés par l'Unité Thématique de Recherche MELANI du laboratoire GeM, incluant :

• la proposition d'une procédure robuste pour évaluer les paramètres géostatistiques de champs aléatoires unidimensionnels, stationnaires et bruités à partir de données limitées, nommée SCAP-1D (Clerc et al., 2019);

• l'application de SCAP-1D à des bases de données existantes, y compris les données de résistivité du projet DéCoF-Ré. Ces dernières ont nécessité d'importantes hypothèses pour traiter le très petit nombre de points de données dans chaque ligne de mesure (Clerc, 2021);

• la proposition d'une méthode de conception de grilles d'inspection initiale bidimensionnelles des paramètres de dégradation, qui garantit une caractérisation précise de la variabilité spatiale d'une quantité d'intérêt avec des données limitées (Gooding et al., under review).

Objectifs

Comme souligné, ce travail est encore préliminaire car il souffre de certaines limitations et hypothèses qui empêchent sa diffusion dans la communauté SHM et l'ingénierie de fiabilité. Dans ce stage, votre objectif sera de surmonter certaines de ces limitations, en étendant les capacités de SCAP-1D aux champs aléatoires anisotropes bidimensionnels (RF). Pour ce faire, vous travaillerez avec de nouvelles méthodes basées sur l'IA pour la simulation non paramétrique des RF à partir de données éparses (Zhao and Wang, 2020, 2018). En pratique, vous :

• implémenterez les méthodes pour des RF unidimensionnels ;
• évaluerez les paramètres géostatistiques des données de résistivité et de concentration de chlorure du projet APOS (IFSTTAR & CEREMA, 2016), et les comparerez à ceux obtenus avec la méthode SCAP-1D (Clerc, 2021, pp. 176–194) . Cela conduira probablement à l'élaboration d'une approche mixte entre le SCAP-1D et les approches fondées sur l'IA ;
• implémenterez les méthodes pour des RF bidimensionnels ;

• évaluerez les paramètres géostatistiques des données de résistivité du projet DéCoF-Ré et les comparerez à ceux déjà évalués avec la méthode SCAP-1D ;

• évaluerez les paramètres géostatistiques des données de concentration de chlorure du projet DéCoF-Ré et les comparerez à ceux évalués avec les données du projet APOS.

Le stage se déroulera au laboratoire GeM sur le site de l'Université de Nantes (campus Lombarderie).
 

[English version]

Context

Former DéCoF-Ré project, led by the French department Charente-Maritime in association with SIXENSE, IFSTTAR and GeM laboratory, resulted in the inception of a huge experimental database of reinforced concrete (RC) degradation parameters along the piers of the Île de Ré marine bridge (Bourreau, 2017, chap. 2)

In addition to its operational interest in terms of maintenance, this database represents a rare scientific opportunity to efficiently improve current geostatistical models of RC degradation parameters, which is crucial for implementation of Structural Health Monitoring systems (SHM), accurate failure probabilities assessment (Stewart, 2009), and thus for optimal maintenance- planning. However, its direct exploitation with common geostatistical assessments techniques is still difficult due to sparse data and because of hidden data trends (non-stationnarities due to varying environmental conditions along the bridge) (Clerc, 2021, pp. 143–144).

To face those difficulties, prelimirary research works have been done by the MELANI Research Thematic Unit of the GeM laboratory, including :

• the proposition of a robust procedure to assess geostatistical parameters of trend-stationnary and noisy unidimensionnal random fields from sparse data, named SCAP-1D (Clerc et al., 2019);

• the application of SCAP-1D to existing databases, including resistivity data of the DéCoF- Ré project. This latter required large assumptions to deal with the very few numbers of datapoints in each measurement row (Clerc, 2021, app. E) ;

• the proposition of a design method of 2-Dimensionnal initial inspection grids of degradation parameters, which garantees accurate characterization of the spatial variability of a quantity of interest with sparse data (Gooding et al., under review).

Internship goals

As highlighted, this work is still preliminary as it suffers some limitations and assumptions which prevent its spreading in the SHM and reliability engineering community. In this internship, your goal will be to overcome some of these limitations, by extending the capabilities of SCAP-1D to 2- Dimensionnal anisotropic random fields (RF). To do so, you will work with new IA-based methods of non-parametric simulation of RF from sparse data (Zhao and Wang, 2020, 2018). Practically, you will :

• implement the methods for 1-Dimensionnal RF ;
• perform assessments of geostatistical parameters of resistivity and chloride concentration data from French APOS project (IFSTTAR & CEREMA, 2016), and compare them with those already assessed with the SCAP-1D method (Clerc, 2021, pp. 176–194) . This will likely lead to the development of a mixed approach between SCAP-1D and the IA-based ones ;
• implement the method for 2-Dimensionnal RF ;

• perform assessments of geostatistical parameters of resistivity data from the DéCoF-Ré project, and compare them with those already assessed with the SCAP-1D method ;

• perform assessments of geostatistical parameters of chloride concentration data from the DéCoF-Ré project, and compare them with the ones assessed with APOS project data.

The internship will take place at the GeM laboratory on the Université de Nantes site (Lombarderie campus).

References

Bourreau, L., 2017. Diagnostic de corrosion sur ouvrage : fiabilité et aide à la décision (thesis). Université de Nantes.

Clerc, R., 2021. Sur l’estimation de la variabilié spatiale des paramètres de corrosion et sa necessité pour les plans de maintenance des ouvrages maritimes en béton armé (These de doctorat). Nantes.

Clerc, R., Oumouni, M., Schoefs, F., 2019. SCAP-1D : A Spatial Correlation Assessment Procedure from unidimensional discrete data. Reliab. Eng. Syst. Saf. 191, 106498. https://doi.org/10.1016/j.ress.2019.106498

Gooding, N.R., Schoefs, F., Clerc, R., under review. 2-Dimensional Spatial Correlation Assessment For Sensor and Inspection Grid Design, in: JFMS 11. Presented at the 11ème Journées Fiabilité des Matériaux et des Structures, Clermond-Ferrand.

IFSTTAR & CEREMA, 2016. Opération de recherche APOS (Auscultation Pour des Ouvrages Sûrs). IFFSTAR.

Stewart, M.G., 2009. Mechanical behaviour of pitting corrosion of flexural and shear reinforcement and its effect on structural reliability of corroding RC beams. Struct. Saf. 31, 19–30. https://doi.org/10.1016/j.strusafe.2007.12.001

Zhao, T., Wang, Y., 2020. Non-parametric simulation of non-stationary non-gaussian 3D random field samples directly from sparse measurements using signal decomposition and Markov Chain Monte Carlo (MCMC) simulation. Reliab. Eng. Syst. Saf. 203, 107087. https://doi.org/10.1016/j.ress.2020.107087

Zhao, T., Wang, Y., 2018. Simulation of cross-correlated random field samples from sparse measurements using Bayesian compressive sensing. Mech. Syst. Signal Process. 112, 384– 400. https://doi.org/10.1016/j.ymssp.2018.04.042

[English version below]

• Master 2 ou dernière année d’une école d’ingénieurs
• Connaissance d’un des langages de programmation suivant : Python, MATLAB ou Julia ;
• Forte motivation pour travailler dans le cadre d’une équipe de recherche multidisciplinaire, à la frontière de l’ingénierie et des statistiques.

[English]

• Student currently enrolled in a Masters 2 or final year of engineering course;

• Basic knowledge of at least one high-level programming langage ; such as Python, Matlab, or Julia ;

• Good motivation to work in a multidisciplinary environment dealing with statistics and engineering