La Surveillance de la Santé Structurelle (SHM) est le suivi continu ou périodique à long terme, basé sur des capteurs, de l’état et des performances d’une structure, fournissant des données pour détecter les dommages, évaluer la sécurité et planifier la maintenance. Les systèmes SHM modernes intègrent des accéléromètres, des jauges de contrainte, des capteurs de déplacement, des fibres optiques et des caméras avec analyse par IA.
La Surveillance de la Santé Structurelle (SHM) est le processus de mise en œuvre d’une stratégie de détection et de caractérisation des dommages pour les structures d’ingénierie grâce à l’utilisation d’un réseau de capteurs, de matériel d’acquisition de données, de systèmes de communication et d’algorithmes d’analyse de données. La SHM fournit une évaluation quantitative continue ou périodique de l’état structural, permettant aux ingénieurs de détecter les dommages à un stade précoce, d’évaluer la sécurité structurale sous charges opérationnelles et extrêmes, et d’optimiser la planification de la maintenance et des réparations. La discipline s’appuie sur les principes des essais non destructifs (END) , de la technologie des capteurs, du traitement du signal, de l’analyse de données et du génie structural.
La Surveillance de la Santé Structurelle est formellement définie par la Société Internationale pour la Surveillance de la Santé Structurelle (ISHM) comme la mesure de l’environnement d’exploitation et de charge d’une structure ainsi que la réponse de cette structure sur une période définie pour suivre et évaluer les symptômes de dommages, de dégradation ou de changements de performance. L’objectif principal est de répondre à cinq questions fondamentales concernant toute structure surveillée : (1) Y a-t-il des dommages ? (2) Où sont situés les dommages ? (3) Quel est le type et la gravité des dommages ? (4) Quelle durée de vie utile restante la structure possède-t-elle ? et (5) Quelle action est recommandée ?
L’objectif de la SHM va au-delà de la détection des dommages. La SHM fournit des données de performance quantitatives qui soutiennent la maintenance basée sur l’état (CBM) , une stratégie où les actions de maintenance sont déclenchées par l’état structural mesuré plutôt que par des intervalles de temps fixes. Cela contraste avec la maintenance basée sur le temps traditionnelle qui suit des calendriers prédéterminés indépendamment de l’état réel. La maintenance basée sur l’état rendue possible par la SHM peut réduire les coûts de maintenance de 20 à 40 % tout en améliorant la fiabilité structurale.
La SHM est utilisée à plusieurs fins distinctes tout au long du cycle de vie des infrastructures. Pendant la construction, la SHM valide les hypothèses de conception, surveille les ouvrages provisoires et documente les performances telles que construites. Pendant la durée de vie en service, la SHM détecte la détérioration due à la fatigue, à la corrosion, aux surcharges et à la dégradation environnementale. Après des événements extrêmes tels que des séismes, des ouragans, des inondations ou des impacts de véhicules, la SHM fournit une évaluation rapide de l’état pour déterminer si une structure peut continuer à être utilisée en toute sécurité ou nécessite une réparation urgente. En fin de vie utile, les données SHM soutiennent les décisions concernant la réhabilitation, le renforcement ou le remplacement.
Le principe opérationnel de la SHM repose sur la relation entre les dommages structuraux et les changements mesurables dans la réponse structurale. Les dommages — qu’il s’agisse de fissuration, de corrosion, de perte de précontrainte, de dégradation des appareils d’appui ou de tassement des fondations — modifient les propriétés de rigidité, de masse ou d’amortissement d’une structure. Ces changements se manifestent par des variations mesurables des caractéristiques vibratoires (fréquences naturelles, modes de vibration, taux d’amortissement), des profils de déformation, des déflexions ou des déplacements. Les capteurs SHM détectent ces variations, et les algorithmes d’analyse les corrèlent à des types et emplacements de dommages spécifiques.
Un système complet de Surveillance de la Santé Structurelle est composé de quatre couches fonctionnelles qui travaillent ensemble pour convertir les phénomènes physiques sur une structure en informations exploitables sur l’état de celle-ci. Comprendre cette architecture est essentiel pour concevoir, spécifier et exploiter les systèmes SHM.
La couche capteurs est constituée de transducteurs physiques montés sur la structure ou intégrés à celle-ci. Ces transducteurs convertissent les phénomènes mécaniques, physiques ou chimiques en signaux électriques. Le choix et le placement des capteurs sont la décision de conception la plus critique dans tout système SHM car ils déterminent quels mécanismes de dommages peuvent être détectés et avec quelle sensibilité. Le placement des capteurs suit les principes de la théorie du placement optimal des capteurs (OSP) , qui utilise l’optimisation mathématique pour maximiser la détectabilité des scénarios de dommages attendus avec un nombre minimal de capteurs. Les types de capteurs courants sont discutés en détail dans la Section 3.
La couche d’acquisition de données reçoit les signaux analogiques des capteurs et les convertit en données numériques adaptées à la transmission et à l’analyse. Le matériel DAQ remplit plusieurs fonctions : conditionnement du signal (amplification, filtrage et isolation des signaux bruts des capteurs), conversion analogique-numérique (ADC) à des fréquences d’échantillonnage et résolutions spécifiées, synchronisation de multiples canaux de capteurs sur une base de temps commune, et mise en tampon temporaire des données avant transmission. Les fréquences d’échantillonnage varient considérablement selon l’application — les accéléromètres sur un pont à longue portée peuvent échantillonner à 50-200 Hz pour la surveillance des vibrations ambiantes, tandis que les jauges de contrainte sur un tablier en acier orthotrope peuvent nécessiter 1000 Hz ou plus pour capturer les cycles de fatigue dus aux passages de camions.
Les systèmes DAQ modernes offrent des architectures modulaires permettant de mélanger différents types de capteurs sur une seule plateforme. Le National Instruments cRIO et le Campbell Scientific CR6 sont des exemples de plateformes DAQ robustes couramment utilisées dans les applications SHM pour les ponts. Ces systèmes fonctionnent en extérieur dans des plages de température de -40 °C à +85 °C, souvent dans des boîtiers montés sous les tabliers de ponts ou le long des structures.
La couche de transmission de données achemine les données numérisées des capteurs de la structure vers une installation de traitement centrale. La méthode de transmission dépend des conditions du site, du volume de données et de la disponibilité de l’alimentation électrique. La transmission filaire utilisant des câbles à fibre optique ou Ethernet offre une bande passante et une fiabilité élevées mais nécessite le cheminement et la protection des câbles. La transmission sans fil utilisant les réseaux cellulaires (4G/5G), les modems radio ou les liaisons satellite élimine les coûts de câblage mais introduit des contraintes de bande passante et des considérations de consommation électrique.
Pour les sites de ponts ruraux où l’alimentation électrique du réseau et les communications filaires ne sont pas disponibles, les systèmes SHM utilisent couramment des panneaux solaires ou des éoliennes pour l’alimentation et des modems cellulaires pour le transfert de données. Le programme SHM du Département des Transports de l’Oregon, l’une des premières mises en œuvre à l’échelle d’un État, utilise exactement cette configuration pour la surveillance à distance des ponts. L’intervalle de transmission des données peut être en temps réel (flux continu), périodique (envois par lots toutes les heures/jours) ou déclenché par événement (transmission uniquement lorsque les lectures des capteurs dépassent des seuils).
La couche de traitement des données est l’endroit où les lectures brutes des capteurs sont transformées en informations sur l’état sur lesquelles les ingénieurs peuvent agir. Cette couche comprend le stockage des données (généralement une base de données SQL ou de séries temporelles), le nettoyage et le contrôle qualité des données (suppression des pics, correction de dérive, compensation de température), et des algorithmes d’analyse automatisés (identification modale, contrôle statistique des processus, modèles d’apprentissage automatique). Les résultats sont présentés via des tableaux de bord, des graphiques de tendance et des notifications d’alerte automatisées (email, SMS ou intégration SCADA).
Les plateformes SHM basées sur le cloud sont devenues de plus en plus courantes. Les écosystèmes AWS IoT et Microsoft Azure IoT fournissent des services gérés pour la gestion des appareils, l’ingestion de données, le stockage et l’analyse. Ces plateformes prennent en charge le calcul en périphérie (edge computing) , où le traitement préliminaire des données s’effectue sur le matériel DAQ local avant transmission, réduisant le volume de données et permettant des alertes en temps réel même lorsque la connectivité réseau est intermittente.
| Couche du Système SHM | Composants Clés | Fonctions |
|---|---|---|
| Couche Capteurs | Accéléromètres, jauges de contrainte, capteurs de déplacement, inclinomètres, capteurs à fibre optique, caméras, capteurs de corrosion | Convertir les phénomènes physiques en signaux électriques ; capturer la réponse structurale |
| Acquisition de Données | Conditionneurs de signal, amplificateurs, filtres anti-repliement, ADC, enregistreurs de données | Conditionner les signaux analogiques ; numériser à des fréquences d’échantillonnage appropriées ; synchroniser les canaux |
| Transmission de Données | Câbles à fibre optique, Ethernet, modems cellulaires, modems radio, liaisons satellite | Transférer les données de la structure vers l’installation de traitement ; prendre en charge les modes temps réel, périodique ou déclenché par événement |
| Traitement et Alertes | Bases de données, logiciels d’analyse, tableaux de bord, systèmes de notification | Stocker, nettoyer et analyser les données ; détecter les anomalies ; générer des alertes et des rapports |
La couche de génération d’alertes est l’interface entre les données SHM et les décideurs. Les alertes basées sur des seuils déclenchent des notifications lorsque les lectures des capteurs dépassent des limites absolues ou des taux de variation prédéfinis. Les alertes statistiques utilisent des cartes de contrôle (Shewhart, CUSUM, EWMA) pour détecter lorsque la réponse structurale s’écarte du comportement de référence au-delà de la variabilité attendue. Les alertes par apprentissage automatique utilisent des modèles de détection d’anomalies entraînés pour identifier les changements subtils que les méthodes statistiques pourraient manquer. Les alertes sont généralement classées par gravité — informationnelle, consultative, avertissement et alarme — avec des protocoles d’escalade correspondants.
La sélection des types de capteurs pour un système SHM est dictée par les mécanismes de dommages attendus pour la structure, les matériaux structuraux concernés et les objectifs de surveillance. Chaque type de capteur mesure un paramètre physique spécifique et répond à des modes de dommages distincts.
Les accéléromètres mesurent la réponse vibratoire et dynamique des structures. Ils sont les capteurs les plus largement utilisés dans la pratique mondiale de la SHM car les vibrations sont des indicateurs sensibles des changements de rigidité structurale. Les dommages tels que la fissuration, la perte de précontrainte, la dégradation des appareils d’appui et la perte de section des éléments réduisent la rigidité, ce qui déplace les fréquences naturelles et modifie les modes de vibration. Les accéléromètres capturent ces changements.
Les technologies incluent les accéléromètres piézoélectriques (large gamme de fréquences, haute sensibilité), les accéléromètres MEMS capacitifs (faible coût, petite taille, réponse DC) et les accéléromètres servo à équilibre de force (plus haute sensibilité pour les structures civiles à basse fréquence). Pour la surveillance des ponts, les accéléromètres MEMS avec une sensibilité de 10 V/g et un bruit de fond inférieur à 10 μg/√Hz sont couramment utilisés. Le programme LTBP de la FHWA déploie des réseaux d’accéléromètres triaxiaux sur des ponts instrumentés pour capturer les données de vibration ambiantes (vent, trafic) et forcées (camion d’essai).
Les données des réseaux d’accéléromètres sont analysées par des techniques d’analyse modale opérationnelle (OMA) telles que la Décomposition dans le Domaine Fréquentiel (FDD) et l’Identification par Sous-Espace Stochastique (SSI) pour extraire les fréquences naturelles, les modes de vibration et les taux d’amortissement. Les changements de ces paramètres modaux au fil du temps indiquent une dégradation structurale.
Les jauges de contrainte mesurent la déformation locale de surface dans les éléments structuraux sous charge. Elles sont utilisées pour surveiller les niveaux de contrainte, détecter les événements de surcharge, suivre l’accumulation de dommages par fatigue et vérifier les hypothèses de distribution des charges. Les jauges de contrainte à foil soudable sont courantes pour les structures en acier, tandis que les jauges de contrainte à corde vibrante sont préférées pour les structures en béton en raison de leur stabilité à long terme et de leur immunité à l’humidité.
Les données de surveillance des déformations permettent l’évaluation de la durée de vie en fatigue à l’aide de la méthode de comptage rainflow, qui extrait les cycles de contrainte des historiques temporels de déformation et applique la règle d’accumulation des dommages de Miner (hypothèse de dommage linéaire de Palmgren-Miner). Pour les tabliers de ponts en acier orthotrope, où la fissuration par fatigue aux joints soudés nervure-tablier est un problème connu, la surveillance continue des déformations fournit des données pour l’évaluation de l’état de fatigue sous le trafic réel, et non seulement sous les charges de conception.
Les capteurs de déplacement mesurent le mouvement absolu ou relatif des composants structuraux. Les Transformateurs Différentiels à Variation Linéaire (LVDT) et les capteurs de déplacement à fil tirant mesurent les déplacements relatifs à travers les fissures, les joints ou les appareils d’appui. Les stations totales et les récepteurs GNSS mesurent les déplacements tridimensionnels absolus des tabliers et des pylônes de ponts sous charge.
Pour la surveillance des chaussées de pistes aéroportuaires, les déflectomètres multi-profondeurs (MDD) mesurent les réponses de déflexion couche par couche sous les charges des aéronefs. Ces données sont utilisées pour rétrocalculer les modules des couches pour l’évaluation structurale des chaussées conformément au Manuel de Conception des Aérodromes (Doc 9157) de l’OACI et aux procédures de conception des chaussées de la Circulaire AC 150/5370-11B de la FAA.
Les inclinomètres mesurent la rotation angulaire des éléments structuraux avec une haute précision (résolution de 1 à 10 microradians). Ils sont utilisés pour surveiller le tassement des piles, la rotation des appareils d’appui des ponts, le mouvement des murs de soutènement et l’inclinaison des fondations. Dans le programme SHM de l’Oregon DOT, les inclinomètres sur le pont bascule Isthmus Slough (construit en 1935) surveillent l’inclinaison des piles qui affecte les opérations d’ouverture et de fermeture du pont bascule. Le système comprend à la fois une surveillance des tendances à long terme et une alerte précoce en cas de dépassement de seuil.
Les inclinomètres électrolytiques et les inclinomètres basés sur MEMS sont les technologies les plus courantes. Ils sont souvent déployés en réseaux le long des piles de ponts ou des murs de soutènement pour mesurer les profils de tassement différentiel et de rotation.
Les capteurs à fibre optique représentent une technologie transformatrice pour la SHM car ils offrent une détection répartie sur de longues distances, une immunité aux interférences électromagnétiques et une stabilité à long terme. Deux technologies principales sont utilisées : les Réseaux de Bragg sur Fibre (FBG) et la détection répartie par fibre optique (DFOS) .
Les capteurs FBG sont constitués de modulations périodiques de l’indice de réfraction inscrites dans le cœur de la fibre à des emplacements spécifiques. Les changements de déformation ou de température déplacent la longueur d’onde de Bragg, qui est mesurée avec une résolution inférieure à la microdéformation. Plusieurs FBG peuvent être multiplexés sur une seule fibre, créant un réseau de capteurs quasi-réparti. Des rosettes de déformation FBG sont installées sur les poutres en acier pour surveiller les champs de contrainte locaux.
La détection répartie par fibre optique utilise des techniques telles que l’Analyse dans le Domaine Temporel par Diffusion Brillouin (BOTDA) , la Réflectométrie dans le Domaine Temporel par Diffusion Brillouin (BOTDR) et la Réflectométrie dans le Domaine Fréquentiel Optique (OFDR) basée sur Rayleigh pour mesurer la déformation et la température en continu sur toute la longueur de la fibre, atteignant une résolution spatiale de 1 à 10 cm sur des longueurs de 10 à 50 km. Un seul câble à fibre optique installé le long d’une poutre de pont peut fournir des lectures de déformation à des milliers d’endroits, créant un profil de déformation complet qui révèle les anomalies locales.
Le pont Akashi Kaikyō au Japon et le pont de la Confédération au Canada sont des exemples de grands ponts qui intègrent des systèmes de surveillance par fibre optique. Pour les chaussées aéroportuaires, des câbles à fibre optique intégrés dans l’enrobé bitumineux des pistes assurent une surveillance continue de la déformation et de la température sous les charges des aéronefs, permettant la détection de la détérioration sous la surface avant l’apparition de fissures en surface.
La SHM basée sur la vision utilise des caméras numériques, des véhicules aériens sans pilote (UAV/drones) et des techniques de corrélation d’images numériques (DIC) pour mesurer la réponse structurale sans contact physique avec la structure. Les caméras capturent des images haute résolution des surfaces structurales à intervalles réguliers, et les algorithmes de traitement d’image détectent et quantifient les fissures, l’écaillage, les traces de corrosion et les changements géométriques.
La corrélation d’images numériques suit le mouvement de la texture naturelle de la surface ou de motifs de speckle appliqués à travers une série d’images pour calculer les champs de déplacement et de déformation à l’échelle du champ complet avec une précision inférieure au pixel. La DIC est utilisée pour les essais structuraux en laboratoire et, avec des systèmes de caméra appropriés, pour la surveillance sur site d’éléments de ponts.
Les données d’inspection visuelle par drone — telles que celles fournies par la plateforme TarmacView — complètent les réseaux de capteurs SHM au sol en fournissant une documentation complète de l’état visuel de surface qui peut être géoréférencée et intégrée dans le système de gestion des données SHM.
| Type de Capteur | Paramètre Mesuré | Résolution Typique | Application Courante |
|---|---|---|---|
| Accéléromètre | Accélération (vibration) | 0,1-10 μg | Analyse modale, détection de changement de rigidité |
| Jauge de Contrainte | Déformation de surface | 1-5 μstrain | Surveillance des contraintes, évaluation de la fatigue |
| LVDT/Déplacement | Déplacement relatif | 1-10 μm | Surveillance des fissures, mouvement des joints |
| Inclinomètre | Rotation angulaire | 1-10 μrad | Tassement des fondations, inclinaison des piles |
| FBG Fibre Optique | Déformation/température | 1 μstrain / 0,1 °C | Profilage réparti des déformations |
| Fibre Optique Répartie | Déformation/température | 10 μstrain / 0,5 °C | Surveillance continue de longues portées |
| Caméra/DIC | Champ de déplacement/déformation | 0,01-0,1 px | Détection de fissures, déformation en champ complet |
Le volume de données généré par les réseaux de capteurs SHM modernes représente à la fois une opportunité et un défi. Un seul pont équipé de 50 accéléromètres échantillonnant à 200 Hz génère environ 864 millions de points de données par jour. L’analyse manuelle de ce volume de données est irréaliste, ce qui fait de l’analyse automatisée des données et de l’intelligence artificielle (IA) des composants essentiels de tout système SHM opérationnel.
Le paradigme de reconnaissance statistique de formes pour la SHM, formalisé par Worden et Farrar (2001) au Laboratoire National de Los Alamos, divise le processus d’analyse SHM en quatre étapes : (1) l’évaluation opérationnelle — définition des scénarios de dommages concernés et des contraintes de surveillance ; (2) l’acquisition et la normalisation des données — collecte des données et suppression des effets environnementaux et opérationnels (température, trafic, vent) qui peuvent masquer les changements induits par les dommages ; (3) l’extraction de caractéristiques — calcul des caractéristiques sensibles aux dommages à partir des données brutes (fréquences naturelles, courbure des modes de vibration, lignes d’influence de déformation, coefficients d’ondelettes) ; et (4) le développement de modèles statistiques — construction de modèles qui distinguent les états non endommagés des états endommagés.
La normalisation des données pour supprimer les effets environnementaux est cruciale car les variations de température peuvent provoquer des décalages de fréquences naturelles de 2 à 10 % dans les ponts — une ampleur comparable à celle des changements causés par des dommages modérés. Des techniques telles que l’Analyse en Composantes Principales (ACP) , les Réseaux de Neurones Auto-Associatifs (AANN) et la Coïntégration sont utilisées pour filtrer les effets environnementaux et isoler les caractéristiques induites par les dommages.
Les méthodes d’apprentissage automatique (ML) sont devenues centrales dans l’analyse des données SHM modernes. Les algorithmes d’apprentissage supervisé (machines à vecteurs de support, forêts aléatoires, réseaux de neurones profonds) sont entraînés sur des données étiquetées provenant d’états de dommages connus pour classer de nouvelles données. Le défi est que les données de dommages étiquetées provenant de structures opérationnelles sont rares — la plupart des structures ne sont pas endommagées ou subissent des dommages qui ne sont pas caractérisés de manière indépendante. Cette limitation a suscité l’intérêt pour les approches d’apprentissage non supervisé qui détectent les anomalies par rapport à un modèle de référence en état sain sans nécessiter d’étiquettes.
Les Réseaux de Neurones Convolutifs (CNN) se sont révélés très efficaces pour la détection de fissures basée sur l’image. Entraînés sur des milliers d’images étiquetées de fissures dans le béton, les CNN peuvent détecter des fissures aussi fines que 0,1 mm avec une précision supérieure à 95 %. L’architecture U-Net, développée à l’origine pour la segmentation d’images biomédicales, a été adaptée pour la segmentation de fissures au niveau du pixel dans les images de tabliers de ponts capturées par des drones d’inspection.
Les Réseaux de Neurones Récurrents (RNN) , en particulier les réseaux à Mémoire Court-Termine Longue (LSTM) , sont appliqués aux données de capteurs en série temporelle pour la prédiction de la durée de vie utile restante. Un modèle LSTM entraîné sur des données historiques de jauges de contrainte peut prédire les taux de croissance des fissures de fatigue et estimer le temps jusqu’à ce qu’une fissure atteigne une longueur critique.
Les réseaux de neurones autoencodeurs sont utilisés pour la détection d’anomalies non supervisée dans la SHM. Un autoencodeur est entraîné à reconstruire les données de réponse structurale normales (non endommagées). Lorsqu’on lui présente des données provenant d’une structure endommagée, l’erreur de reconstruction augmente, signalant une anomalie. Les autoencodeurs variationnels (VAE) fournissent un cadre probabiliste pour la détection d’anomalies, quantifiant la probabilité que les données observées représentent un comportement structural normal ou anormal.
Les nœuds de calcul en périphérie (edge computing) qui exécutent des modèles d’IA légers directement sur le matériel DAQ permettent une détection d’anomalies en temps réel sans dépendre de la connectivité cloud. Ces systèmes peuvent déclencher des alertes immédiates pour des événements critiques tels que des dommages induits par un séisme ou une surcharge de trafic.
| Méthode IA/ML | Application dans la SHM | Type de Données | Supervision |
|---|---|---|---|
| Machine à Vecteurs de Support (SVM) | Classification endommagé vs. non endommagé | Paramètres modaux, caractéristiques | Supervisée |
| Forêt Aléatoire | Classement de l’importance des caractéristiques, classification des dommages | Types de capteurs multiples | Supervisée |
| CNN | Détection de fissures, identification des défauts de surface | Images, vidéo | Supervisée |
| LSTM | Prédiction de la durée de vie en fatigue, prévision de séries temporelles | Déformation, accélération | Supervisée |
| Autoencodeur (VAE) | Détection d’anomalies, détection de nouveauté | Séries temporelles multi-capteurs | Non supervisée |
| ACP | Suppression des effets environnementaux, réduction de dimensionnalité | Données multi-capteurs | Non supervisée |
Les ponts constituent le domaine d’application le plus courant de la SHM. Les États-Unis comptent plus de 590 000 ponts routiers (selon les données de 2024), dont environ 36 % sont classés comme structurellement déficients ou fonctionnellement obsolètes selon l’Inventaire National des Ponts (NBI) . Le Programme à Long Terme de Performance des Ponts (LTBP) de la FHWA et les directives de l’AASHTO fournissent le cadre de la pratique de la SHM pour les ponts aux États-Unis.
Lancé en avril 2008 dans le cadre du Safe, Accountable, Flexible, Efficient Transportation Equity Act (SAFETEA-LU) , le programme LTBP est une initiative de recherche phare de 20 ans du Bureau de la Recherche et du Développement des Infrastructures de la FHWA. L’objectif global du programme est de collecter des données quantitatives de qualité scientifique à partir d’un échantillon nationalement représentatif de ponts routiers, d’améliorer la connaissance de la performance des ponts et, à terme, de promouvoir la sécurité, la mobilité, la longévité et la fiabilité des actifs de transport routier du pays.
Le programme LTBP utilise une approche holistique analysant toutes les variables physiques et fonctionnelles affectant la performance des ponts. Les chercheurs mènent des inspections périodiques détaillées combinées à des techniques d’évaluation non destructive (END) incluant le radar géologique, la surveillance par émission acoustique et des installations de capteurs permanents qui surveillent les charges de trafic, les fissures de fatigue, la corrosion, les événements de surcharge et les conditions environnementales.
Les données collectées dans le cadre du programme LTBP soutiennent : l’amélioration des modèles de détérioration et prédictifs qui simulent les interactions entre chaussées, ponts et trafic ; l’utilisation efficace de l’analyse du coût du cycle de vie ; les progrès de la technologie d’inspection via les END et la SHM ; le développement de méthodes de conception et de pratiques de maintenance améliorées ; la quantification de l’efficacité des stratégies de maintenance, de réparation et de réhabilitation ; et le soutien à l’établissement de la politique nationale sur les ponts.
L’Association Américaine des Responsables des Transports et des Voiries (AASHTO) fournit des directives sur la SHM pour les ponts à travers le Manuel d’Évaluation des Ponts (2015) et les publications de soutien du Sous-Comité des Ponts et Structures de l’AASHTO. Les recommandations de l’AASHTO sur la SHM couvrent : la détermination des cas où la SHM est appropriée (ponts présentant une détérioration connue, des détails sujets à la fatigue, des conceptions novatrices, ou l’évaluation post-événement extrême) ; les stratégies de sélection et de placement des capteurs ; les protocoles de gestion des données ; et l’interprétation des résultats SHM pour l’évaluation de la capacité de charge et de l’état.
Le programme SHM du Département des Transports de l’Oregon (ODOT) , documenté par Steven Lovejoy de la Section du Génie des Ponts de l’ODOT, est l’une des mises en œuvre les plus matures à l’échelle d’un État. En 2024, 10 ponts disposent de systèmes SHM dédiés dans six catégories de surveillance :
Les systèmes SHM de l’ODOT ont un coût allant de 30 000 $ à 250 000 $ par pont, avec des coûts d’exploitation annuels de 5 000 $ à 20 000 $ pour la gestion des données, la maintenance du système et l’analyse. Le programme a démontré que les données SHM permettent des actions de maintenance ciblées qui traitent des problèmes spécifiques plutôt que de remplacer ou de réhabiliter des structures entières.
La surveillance des infrastructures aéroportuaires utilisant les principes de la SHM est un domaine en pleine croissance, motivé par l’augmentation des poids des aéronefs, le vieillissement des infrastructures de chaussées et l’accent réglementaire mis sur la sécurité. L’Organisation de l’Aviation Civile Internationale (OACI) aborde la surveillance des chaussées dans le Manuel de Conception des Aérodromes (Doc 9157) et l’Annexe 14 — Aérodromes, recommandant que les exploitants d’aérodromes mettent en œuvre des programmes de surveillance pour détecter la détérioration des chaussées avant qu’elle ne compromette la sécurité.
Les systèmes de surveillance de l’état des chaussées aéroportuaires intègrent des capteurs dans les chaussées des pistes, des voies de circulation et des aires de trafic pour mesurer les réponses mécaniques aux charges des aéronefs. Les ensembles de capteurs typiques incluent : des jauges de contrainte intégrées dans l’enrobé bitumineux ou le béton pour mesurer les déformations en traction au bas des couches liées ; des cellules de pression pour mesurer la contrainte verticale dans les couches de chaussée ; des sondes de température pour mesurer les gradients thermiques de la chaussée affectant la rigidité de l’enrobé ; des capteurs d’humidité pour détecter l’infiltration d’eau souterraine qui accélère la détérioration de la chaussée ; et des déflectomètres multi-profondeurs (MDD) pour mesurer les réponses de déflexion couche par couche.
Une étude de 2019 de l’Université d’État de l’Iowa (financée par la FAA) a développé un cadre d’instrumentation intelligent pour chaussées aéroportuaires qui intègre les données des capteurs avec des modèles par éléments finis pour l’évaluation structurale en temps réel des chaussées. Le cadre utilise la calibration par rétrocalcul du déflectomètre à masse tombante (FWD) combinée à une surveillance continue par capteurs pour suivre l’évolution des modules des couches dans le temps — identifiant la détérioration structurale des mois ou des années avant l’apparition de fissures en surface.
La Circulaire AC 150/5370-11B de la FAA — Utilisation des Essais Non Destructifs dans l’Évaluation des Chaussées Aéroportuaires — fournit des directives sur les essais de déflexion, le radar géologique et d’autres méthodes END utilisées dans l’évaluation des chaussées aéroportuaires. Le document reconnaît que si les essais END périodiques (typiquement tous les 5 ans pour les grands aéroports) fournissent des instantanés de l’état de la chaussée, la surveillance continue par capteurs (SHM) peut détecter la détérioration dans les intervalles entre les essais.
Le marché des systèmes de capteurs pour chaussées aéroportuaires était évalué à 2,1 milliards de dollars en 2025, avec une projection à 4,1 milliards de dollars d’ici 2034 à un TCAC de 7,7 %. La croissance est alimentée par les programmes de reconstruction des pistes dans les grands aéroports du monde entier, l’augmentation des charges utiles des aéronefs (A380, B777-9, B787) et les exigences réglementaires en matière de rapports continus sur l’état des chaussées.
La SHM et l’inspection visuelle périodique sont complémentaires plutôt que concurrentes pour l’évaluation de l’état structural. Comprendre quand chacune est appropriée — et comment elles peuvent être intégrées — est essentiel pour une gestion efficace des infrastructures.
L’inspection périodique suit des procédures codifiées — le Manuel AASHTO pour l’Inspection des Éléments de Ponts (MBEI) ou les exigences de Certification des Aérodromes de l’OACI — à intervalles fixes (généralement 12 à 24 mois pour les ponts, annuellement pour les chaussées aéroportuaires). L’inspection est qualitative, reposant sur l’observation visuelle et l’expérience de l’inspecteur pour identifier et évaluer les défauts. Le résultat est une note d’état (par exemple, 1-9 pour l’état NBI des ponts, 1-100 pour l’état PCI des chaussées).
Les limites de l’inspection périodique comprennent : une visibilité restreinte aux surfaces accessibles et visibles (les fondations immergées, les tendons internes, les couches sous la chaussée sont invisibles) ; l’incapacité à détecter la détérioration active entre les cycles d’inspection ; la subjectivité et la variabilité entre inspecteurs ; l’incapacité à mesurer la performance structurale sous les charges réelles ; et l’absence de données de tendance quantitatives.
La SHM fournit des données quantitatives en série temporelle collectées en continu ou à haute fréquence. Elle détecte les dommages sous la surface (corrosion des armatures noyées, perte de précontrainte, fissuration interne du béton, décollement des revêtements) que l’inspection visuelle ne peut pas détecter. La SHM capture les événements transitoires (camions en surcharge, séismes, extrêmes thermiques, événements d’affouillement par crue) qui se produisent entre les cycles d’inspection.
La stratégie d’évaluation de l’état la plus efficace intègre la SHM à l’inspection périodique. Les Normes Nationales d’Inspection des Ponts (NBIS) aux États-Unis n’imposent pas actuellement la SHM, mais de nombreux États utilisent la SHM comme supplément pour les structures spécifiques présentant des problèmes de performance connus. Le programme LTBP de la FHWA intègre les deux approches : les inspections détaillées périodiques fournissent des bases de référence visuelles de l’état, tandis que les capteurs SHM fournissent des données de performance continues. Les relevés par drone TarmacView comblent le fossé en fournissant des données visuelles haute résolution qui peuvent être collectées à la demande entre les cycles d’inspection programmés et intégrées aux données des capteurs SHM au sol.
| Aspect | Inspection Visuelle Périodique | Surveillance de la Santé Structurelle |
|---|---|---|
| Type de données | Qualitatives (notes d’état) | Quantitatives (mesures en série temporelle) |
| Fréquence | Intervalles fixes (12-24 mois) | Continue ou haute fréquence (minutes à Hz) |
| Accès en surface | Surfaces visibles uniquement | Surfaces cachées, éléments internes |
| Événements transitoires | Manqués entre les inspections | Capturés en temps réel |
| Dommages sous la surface | Non détectables | Détectables avec les capteurs appropriés |
| Analyse des tendances | Limitée (notes grossières) | Détaillée (données de tendance continues) |
| Coût | Faible par inspection | Investissement initial plus élevé, coût inférieur par événement |
| Meilleure application | Documentation de routine de l’état | Structures critiques, problèmes connus, validation des performances |
La détection des dommages dans la SHM repose sur le principe selon lequel les dommages structuraux modifient les propriétés physiques (masse, rigidité, amortissement, conditions aux limites) d’une structure, et ces altérations produisent des changements mesurables dans la réponse structurale. Les algorithmes de détection des dommages sont les méthodes mathématiques et informatiques qui extraient les caractéristiques sensibles aux dommages à partir des données des capteurs et classifient l’état structural.
Les méthodes modales utilisent les changements dans les fréquences naturelles, les modes de vibration, l’énergie de déformation modale et les taux d’amortissement pour détecter, localiser et quantifier les dommages. Le principe fondamental est qu’une réduction de la rigidité locale (causée par la fissuration, la perte de section, etc.) déplace la fréquence naturelle vers le bas et modifie la courbure du mode de vibration à l’emplacement du dommage.
Les méthodes de décalage fréquentiel comparent les fréquences naturelles mesurées aux valeurs de référence. La méthode de sensibilité relie les décalages fréquentiels aux réductions de rigidité à des emplacements spécifiques d’éléments. Les méthodes de courbure des modes de vibration calculent la dérivée spatiale seconde des modes ; la courbure augmente aux emplacements des dommages. Les méthodes d’énergie de déformation modale (MSE) calculent la distribution de l’énergie de déformation dans chaque élément à partir des modes ; les dommages provoquent une redistribution de l’énergie de déformation.
La principale limitation des méthodes modales est que les fréquences naturelles sont des propriétés globales — un petit changement local de rigidité peut produire des décalages fréquentiels inférieurs à l’incertitude de mesure. Les changements de fréquence induits par la température (2-10 %) peuvent masquer les changements induits par les dommages (0,5-2 %). Une application réussie nécessite une normalisation environnementale minutieuse et des tests d’hypothèses statistiques.
Les méthodes basées sur la déformation surveillent les lignes d’influence de déformation, les distributions de déformation et les histogrammes de plage de déformation pour détecter les dommages. Une fissure sous une jauge de contrainte réduit la déformation mesurée à cet endroit sous charge. L’analyse comparative des déformations compare les mesures de déformation à des niveaux de charge identiques dans le temps — une déformation croissante indique une réduction de rigidité.
L’essai de charge mobile est une méthode basée sur la déformation utilisée pour l’évaluation de l’état des ponts. Un camion de poids connu traverse le pont à vitesse lente tandis que les jauges de contrainte enregistrent les réponses. Les lignes d’influence de déformation résultantes sont comparées aux données de référence. Les changements dans la forme de la ligne d’influence indiquent des changements de rigidité, l’emplacement du dommage étant identifié par la partie affectée de la ligne d’influence.
La surveillance par émission acoustique détecte les ondes de contrainte élastiques générées par les mécanismes de dommages actifs — propagation de fissures, rupture de fibres, corrosion et délaminage. Des capteurs EA piézoélectriques montés sur la surface de la structure détectent les arrivées d’ondes, et le système localise la source par triangulation des temps d’arrivée entre plusieurs capteurs.
La surveillance par EA est très sensible aux dommages actifs (propagation de fissures) et peut détecter des événements invisibles pour d’autres méthodes. Le ratio de Felicity et le ratio de calme dérivés des données EA sont corrélés à la sévérité des dommages selon les normes ASTM E976 et ASTM E1932. La surveillance par EA est appliquée à la détection des fissures de fatigue dans les ponts en acier, à la surveillance de la corrosion des tendons en béton précontraint et à l’évaluation des dommages dans les matériaux composites.
Les algorithmes d’apprentissage automatique fournissent une classification automatisée des états structuraux. Les caractéristiques extraites des données des capteurs (paramètres modaux, moments statistiques, coefficients d’ondelettes, caractéristiques spectrales) sont introduites dans des classifieurs entraînés sur des données provenant d’états structuraux connus. Les algorithmes courants incluent :
Les Machines à Vecteurs de Support (SVM) trouvent l’hyperplan optimal séparant les espaces de caractéristiques endommagés et non endommagés. Les SVM sont efficaces avec des données d’entraînement limitées et sont utilisées pour la classification binaire des dommages. Les Forêts Aléatoires d’arbres de décision fournissent un classement de l’importance des caractéristiques — identifiant quels capteurs et caractéristiques sont les plus sensibles à des types de dommages spécifiques. Les Réseaux de Neurones Convolutifs (CNN) traitent directement les données d’accélération temporelles brutes ou les images, apprenant les caractéristiques optimales pour la détection des dommages sans ingénierie manuelle des caractéristiques.
L’intégration des données SHM avec la Modélisation des Informations du Bâtiment (BIM) et les plateformes de jumeau numérique représente la frontière actuelle de la gestion des infrastructures. Un jumeau numérique est une représentation virtuelle dynamique d’une structure physique qui se met à jour en temps réel à l’aide des données des capteurs du système SHM.
La Modélisation des Informations du Bâtiment fournit un cadre géométrique et sémantique 3D structuré pour organiser les données SHM. Chaque capteur du réseau de surveillance se voit attribuer un emplacement dans le modèle BIM avec des métadonnées associées : type de capteur, date d’installation, historique d’étalonnage, plage de mesure et identifiant du flux de données. Les résultats d’inspection issus des relevés visuels (y compris l’imagerie drone TarmacView) sont liés à des éléments BIM spécifiques, créant un environnement de données unifié pour toutes les informations sur l’état.
Le standard Industry Foundation Classes (IFC) , géré par buildingSMART International, fournit un schéma de données ouvert pour représenter les capteurs SHM dans les modèles BIM. IFC4 inclut des entités pour les capteurs, les types de capteurs et les capacités de mesure. L’extension IFC-Bridge traite spécifiquement des structures de ponts, permettant un échange de données standardisé entre les systèmes SHM et les plateformes BIM.
Un jumeau numérique intègre les données des capteurs SHM avec des modèles par éléments finis (FE) , des modèles de détérioration et des algorithmes analytiques pour simuler l’état structural actuel et futur. Le modèle EF est mis à jour en continu à l’aide des paramètres modaux extraits des données des accéléromètres — un processus appelé mise à jour de modèle. Le modèle mis à jour fournit une représentation calibrée de la structure qui tient compte des conditions réelles telles que construites et de l’état d’endommagement actuel.
Avec le jumeau numérique calibré, les ingénieurs peuvent : simuler l’effet des stratégies de réparation ou de renforcement avant leur mise en œuvre ; prédire la durée de vie utile restante sous des charges futures projetées ; optimiser la planification des inspections et de la maintenance en fonction des taux de détérioration prévus ; et valider la performance structurale après les réparations. Le projet Eurostars Bridge Digital Twin et le projet InfraWatch en Europe ont démontré la faisabilité de l’intégration des données SHM avec des jumeaux numériques basés sur le BIM pour la gestion opérationnelle des ponts.
Les données des relevés par drone TarmacView — images orthomosaïques haute résolution, nuages de points 3D et cartes de défauts — peuvent être intégrées dans les plateformes BIM/jumeau numérique en tant qu’instantanés d’état horodatés qui complètent les données continues des capteurs SHM. Les données visuelles d’état provenant des relevés aériens fournissent une validation de vérité terrain pour les algorithmes automatisés de détection des dommages et documentent les conditions de surface que les capteurs sous la surface ne peuvent pas détecter.
La mise en œuvre d’un système SHM nécessite un investissement initial important, mais le retour sur investissement grâce à la prolongation de la durée de vie utile, à la réduction des coûts de maintenance et à la prévention des défaillances catastrophiques est bien documenté.
Le coût total d’un système SHM comprend : la conception et l’ingénierie du système (évaluation structurale, sélection des capteurs, analyse de placement optimal) — généralement 15 à 25 % du coût total ; l’approvisionnement des capteurs (200 $ à 5 000 $ par capteur selon le type) — 20 à 35 % du total ; l’installation et la mise en service (montage des capteurs, câblage, mise en place des boîtiers, test du système) — 25 à 40 % du total ; la gestion et l’analyse des données (logiciel, stockage, analyse) — en continu de 5 000 $ à 30 000 $/an ; et la maintenance et l’étalonnage du système — coût annuel de 3 000 $ à 15 000 $.
Coûts typiques totaux d’un système SHM installé : petit pont (10-20 capteurs) — 50 000 $ à 150 000 $ ; pont moyen (20-50 capteurs) — 150 000 $ à 350 000 $ ; grand pont à longue portée (50-200+ capteurs) — 350 000 $ à 1 500 000 $ ; système de surveillance de piste aéroportuaire — 200 000 $ à 500 000 $ par kilomètre.
Les recherches de l’Université de Californie à San Diego sur l’économie de la SHM pour les ponts ont documenté que la maintenance basée sur l’état permise par la SHM réduit les coûts totaux de maintenance de 25 à 40 % par rapport à la maintenance basée sur le temps. Le Département des Transports de l’État de New York (NYSDOT) a rapporté que la surveillance SHM des ponts critiques présentant des problèmes de fatigue connus a éliminé le besoin d’inspections annuelles avec fermeture de la circulation, économisant 500 000 $ par an en coûts de gestion du trafic uniquement.
Le coût d’une défaillance structurale fournit la justification économique la plus solide pour la SHM. L’effondrement du pont I-35W du Mississippi à Minneapolis en 2007 a causé 13 décès et entraîné des pertes économiques totales dépassant 300 millions de dollars. Les systèmes SHM sur les ponts présentant des déficiences structurelles connues coûtent 0,1 à 0,5 % de la valeur de remplacement, fournissant une assurance contre les défaillances catastrophiques à un coût minimal.
Une mise en œuvre réussie de la SHM suit un cadre structuré : (1) Définir les objectifs de surveillance — quels mécanismes de dommages sont préoccupants, quelles décisions seront basées sur les données SHM ; (2) Évaluation structurale — identifier les éléments critiques, les modes de défaillance et les indicateurs de performance par analyse technique ; (3) Conception du système de capteurs — sélectionner les types, quantités et emplacements des capteurs à l’aide d’algorithmes de placement optimal des capteurs ; (4) Planification de la gestion des données — définir les protocoles de stockage, transmission, traitement et archivage des données ; (5) Collecte des données de référence — caractériser la structure dans son état actuel avant que la détérioration ne progresse ; (6) Analyse et interprétation — mettre en œuvre des algorithmes automatisés pour la détection des dommages et l’évaluation des performances ; (7) Aide à la décision — traduire les résultats SHM en recommandations actionnables de maintenance, réparation ou exploitation.
L’Société Américaine des Ingénieurs Civils (ASCE) a publié des directives pour la mise en œuvre de la SHM par l’intermédiaire de l’Institut de Génie Structural (SEI) , recommandant que la SHM soit intégrée dans le cadre de gestion des actifs des organisations propriétaires d’infrastructures avec des rôles, responsabilités et protocoles décisionnels clairs.
La Surveillance de la Santé Structurelle est une approche basée sur les données pour la gestion des infrastructures qui transforme l’inspection structurale d’instantanés qualitatifs périodiques en une évaluation quantitative continue. L’intégration des réseaux de capteurs, des systèmes d’acquisition de données, des infrastructures de communication et de l’analyse basée sur l’IA permet aux ingénieurs de détecter les dommages au stade le plus précoce possible, de comprendre la performance structurale sous des conditions de charge réelles et de prendre des décisions éclairées concernant la maintenance, la réparation et le remplacement. À mesure que les coûts des capteurs diminuent, que les capacités de l’IA progressent et que les infrastructures vieillissent, la SHM devient un composant de plus en plus essentiel des programmes de gestion des ponts, tunnels, bâtiments et chaussées aéroportuaires dans le monde entier.
Intégrez les inspections aériennes par drone à vos flux de données SHM pour une évaluation structurale complète. TarmacView fournit des données visuelles haute résolution qui complètent les réseaux de capteurs au sol. Contactez-nous pour découvrir comment notre plateforme peut renforcer votre stratégie de surveillance des infrastructures.
Un Système de Gestion des Chaussées (PMS) est un outil d'aide à la décision qui collecte, analyse et rapporte systématiquement les données sur l'état des chauss...
La surveillance saisonnière suit l'évolution de la réponse structurelle des chaussées (déflexions FWD, modules) et de l'état de surface (fissuration, orniérage)...
Les poutres de pont sont les éléments porteurs horizontaux principaux qui supportent le tablier du pont, en portant entre les piles et les culées. Les types cou...
