UNIVERSIT DU QUBEC

MMOIRE PRESENTE A L'UNIVERSIT DU QUBEC CHICOUTIMI COMME EXIGENCE PARTIELLE DE LA MATRISE EN INGNIERIE

par ERIC LAROUCHE

EXPLORATION DE DIFFRENTES ARCHITECTURES DE RSEAUX DE NEURONES POUR LA PRDICTION DE LA GLACE ATMOSPHRIQUE SUR LES CONDUCTEURS DES RSEAUX LECTRIQUES

Hiver 2002

bibliothque
Paul-Emile-Bouletj

UIUQAC

Mise en garde/Advice
Afin de rendre accessible au plus grand nombre le rsultat des travaux de recherche mens par ses tudiants gradus et dans l'esprit des rgles qui rgissent le dpt et la diffusion des mmoires et thses produits dans cette Institution, l'Universit du Qubec Chicoutimi (UQAC) est fire de rendre accessible une version complte et gratuite de cette uvre. Motivated by a desire to make the results of its graduate students' research accessible to all, and in accordance with the rules governing the acceptation and diffusion of dissertations and theses in this Institution, the Universit du Qubec Chicoutimi (UQAC) is proud to make a complete version of this work available at no cost to the reader.

L'auteur conserve nanmoins la proprit du droit d'auteur qui protge ce mmoire ou cette thse. Ni le mmoire ou la thse ni des extraits substantiels de ceux-ci ne peuvent tre imprims ou autrement reproduits sans son autorisation.

The author retains ownership of the copyright of this dissertation or thesis. Neither the dissertation or thesis, nor substantial extracts from it, may be printed or otherwise reproduced without the author's permission.

IV

RESUME

Dans le but d'tablir un modle informatique empirique visant prdire l'volution temporelle des charges mcaniques dues l'accumulation de la glace atmosphrique sur les conducteurs de transport d'nergie lectrique, cinq architectures de rseaux de neurones artificiels ont t tudies et compares. Deux rseaux de nature statique, soit le Perceptron multicouches (MLP) et le rseau fonctions de base radiales (RBF), ainsi que deux rseaux orients vers le traitement temporel, soit le rseau rponse impulsionnelle finie (FIR) et le rseau rcurrent Elman, ont t compars la rgression linaire multiple (ADALINE).

Les donnes utilises pour faire l'entranement des modles bass sur les rseaux de neurones proviennent du site instrument du Mont-Blair qui fait partie du systme de surveillance en temps rel SYGIVRE d'Hydro-Qubec. On retrouve sur ce site une ligne de 315 kV dote d'un capteur de force pour la mesure des forces mcaniques, plusieurs instruments mtorologiques standards ainsi qu'un givromtre permettant d'valuer l'intensit des conditions givrantes environnantes. Les modles crs dans le cadre de cette recherche utilisrent la temprature ambiante, la vitesse

normale du vent et le signal du givromtre comme paramtres d'entre et le signal de charge (ou son taux de variation) comme paramtre de sortie.

Les rsultats indiquent que les rseaux de neurones (le FIR par exemple) constituent un outil prdictif potentiellement avantageux ayant une puissance de reprsentation suprieure des techniques statistiques simples comme la rgression linaire multiple. Les rseaux de neurones de nature statique donnent gnralement de moins bons rsultats que les rseaux orients vers le traitement temporel et semblent donc moins adquats. Toutefois, les performances affiches par les modles montrent bien que la problmatique de la prdiction des charges mcaniques de glace atmosphrique est plutt difficile et qu'il ne faut pas considrer les rseaux de neurones comme une solution magique. L'utilisation de l'historique pass du signal de sortie comme variable d'entre supplmentaire amliore notablement la situation cependant dans le cadre d'une prdiction en avance. Dans ce cas, les modles fournissent une prdiction raisonnablement prcise.

VI

REMERCIEMENTS

Cette tude a t effectue dans le cadre de la Chaire industrielle CRSNG/Hydro-Qubec/UQAC sur le givrage atmosphrique des quipements des rseaux lectriques (CIGELE) en collaboration avec le professeur Jean Rouat du groupe ERMETIS de l'UQAC. Je tiens remercier le titulaire de la CIGELE, le professeur Masoud Farzaneh, pour sa contribution la dfinition de mon projet, ses conseils judicieux et le support financier qu'il m'a accord durant mes tudes.

Mes remerciements s'adressent tout particulirement mon directeur et mon co-directeur de recherche, les professeurs Gilles Bouchard de la CIGELE et Jean Rouat, pour leur encadrement et le support scientifique dont ils m'ont fait part tout au long de ma recherche. Ce travail n'aurait pu se faire sans leur soutien constant.

Je remercie tout le personnel de la CIGELE qui m'a soutenu et a contribu ce que mon travail se passe dans de trs bonnes conditions. En particulier, j'aimerais remercier le Dr Konstantin Savadjiev pour ses conseils et pour avoir mis ma disposition des donnes provenant de sites naturels de givrage d'Hydro-Qubec.

Je remercie galement ma famille et mes amis pour tous les encouragements et le support qu'ils m'ont donns durant mes tudes.

Vil

TABLE DES MATIERES

Rsum Remerciements Liste des figures Liste des tableaux Glossaire

iv vi x xiv xv

CHAPITRE 1 INTRODUCTION 1.1 1.2 1.3 1.4 PROBLMATIQUE OBJECTIFS MTHODOLOGIE SURVOL DU MMOIRE 1 2 8 9 10

CHAPITRE 2 REVUE DE LA LITTRATURE 2.1 2.2 INTRODUCTION DTAILS DES APPROCHES 2.2.1 APPROCHE PHYSIQUE 2.2.2 APPROCHE STOCHASTIQUE 11 12 13 13 25

vin

2.2.3 APPROCHE EMPIRIQUE PAR RSEAUX DE NEURONES 2.3 INSERTION DU PRSENT TRAVAIL 28 33

CHAPITRE 3 LES RSEAUX DE NEURONES ARTIFICIELS 36

3.1 3.2 3.3 3.4 3.5

INTRODUCTION MODLE D'UN NEURONE ARTIFICIEL TYPES DE TOPOLOGIE ALGORITHME STANDARD D'APPRENTISSAGE STRUCTURE PRDICTIVE TEMPORELLE

37 41 47 51 59

CHAPITRE 4 DONNES D'ENTRANEMENT ET ARCHITECTURES 4.1 4.2 4.3 4.4 SOURCE DE DONNES PR-TRAITEMENT ANALYSE STATISTIQUE ARCHITECTURES EXPRIMENTES 4.4.1 ARCHITECTURES STATIQUES 61 62 67 70 81 82

IX

4.4.1.1 PERCEPTRON MULTICOUCHES (MLP)

82

4.4.1.2 RSEAU FONCTIONS DE BASES RADIALES (RBF) 4.4.2 ARCHITECTURES DPENDANTES DU TEMPS 83 85

4.4.2.1 RSEAU RPONSE IMPULSIONNELLE FINIE (FIR) 4.4.2.2 RSEAU RCURRENT D'ELMAN 85 87

CHAPITRE 5 RSULTATS EXPRIMENTAUX 5.1 INTRODUCTION 5.2 CRITRE D'ERREUR 5.3 VARIATION DES PARAMTRES 5.4 COURBES DE PRDICTION 5.5 COURBES DE PRDICTION (MODE DE PRDICTION FUTURE) 109 89 90 91 92 105

CHAPITRE 6 CONCLUSION BIBLIOGRAPHIE 115 119

LISTE DES FIGURES

Figure 3.1 Figure 3.2 Figure 3.3 Figure 3.4 Figure 3.5 Figure 3.6 Figure 3.7 Figure 3.8 Figure 3.9 Figure 3.10 Figure 3.11 Figure 4.1 Figure 4.2 Figure 4.3 Figure 4.4

Modle d'un neurone lmentaire Fonction sigmodale Fonction tangente hyperbolique Fonction de transfert linaire Rseau propagation avant Rseau propagation avant multicouches Rseau rcurrent avec neurones cachs Apprentissage supervis Processus de rtropropagation Dtails du processus de rtropropagation Structure temporelle prdictive Schma du site de mesure du Mont-Blair Schma global du modle Graphique de la temprature en fonction du temps Graphique de la vitesse normale du vent en fonction du temps

42 44 44 45 48 49 50 51 58 58 60 63 66 71

71 72

Figure 4.5

Graphique du signal de givromtre en fonction du temps

XI

Figure 4.6

Graphique du signal du capteur de force en fonction du temps 72 73

Figure 4.7 Figure 4.8

Graphique du taux d'accrtion en fonction du temps Nuage de points du signal de charge avec le signal de givromtre

74

Figure 4.9

Nuage de points du taux d'accrtion avec le signal de givromtre 74 75 76

Figure 4.10

Nuage de points du signal de charge avec la temprature

Figure 4.11 Nuage de points du taux d'accrtion avec la temprature Figure 4.12 Nuage de points du signal de charge avec la vitesse normale du vent Figure 4.13 Nuage de points du taux d'accrtion avec la vitesse normale du vent Figure 4.14 Architecture du rseau FIR Figure 5.1 Effet du nombre de neurones cachs pour le Perceptron Multicouches avec le signal du capteur de force Figure 5.2 Effet du nombre de neurones cachs pour le rseau RBF avec le signal du capteur de force Figure 5.3 Effet du nombre de neurones cachs pour le rseau FIR avec le signal du capteur de force Figure 5.4 Effet du nombre de neurones cachs pour le rseau Elman avec le signal du capteur de force

77

77 85

92

93

94

95

Xll

Figure 5.5

Effet du nombre de neurones cachs pour le Perceptron Multicouches avec le taux d'accrtion 96

Figure 5.6

Effet du nombre de neurones cachs pour le rseau RBF avec le taux d'accrtion 97

Figure 5.7

Effet du nombre de neurones cachs pour le rseau FIR avec le taux d'accrtion 98

Figure 5.8

Effet du nombre de neurones cachs pour le rseau Elman avec le taux d'accrtion 99

Figure 5.9

Rsum des rsultats de prdiction avec le signal du capteur de force 101

Figure 5.10 Rsum des rsultats de prdiction avec le taux d'accrtion 102 Figure 5.11 Courbes de prdiction pour I'ADAUNE avec le signal du capteur de force en phase d'accrtion Figure 5.12 Courbes de prdiction pour le Perceptron Multicouches avec le signal du capteur de force en phase d'accrtion Figure 5.13 Courbes de prdiction pour le rseau FIR avec le signal du capteur de force en phase d'accrtion Figure 5.14 Prdiction d'un pas de temps d'avance pour le rseau FIR avec le capteur de force Figure 5.15 Prdiction d'un pas de temps d'avance pour le rseau FIR avec le taux d'accrtion 111 110 107 106 105

Xlll

Figure 5.16 Prdiction de deux pas de temps d'avance pour le rseau FIR avec le signal du capteur de force mais sans le givromtre Figure 5.17 112

Prdiction de deux pas de temps d'avance pour le rseau FIR avec le givromtre mais sans le signal du capteur de force 113

Figure 5.18

Prdiction de trois pas de temps d'avance pour le rseau FIR avec le capteur de force 114

XIV

LISTE DES TABLEAUX

Tableau 2.1 Comparaison des modles Tableau 4.1 Matrice de corrlation normalise des paramtres pour l'ensemble avec la phase d'accrtion et le signal du capteur de force Tableau 4.2 Matrice de corrlation normalise des paramtres pour l'ensemble avec l'vnement complet et le signal du capteur de force Tableau 4.3 Matrice de corrlation normalise des paramtres pour l'ensemble avec la phase d'accrtion et le taux d'accrtion Tableau 4.4 Matrice de corrlation normalise des paramtres pour

24

78

79

80

l'ensemble avec l'vnement complet et le taux d'accrtion 80

XV

GLOSSAIRE

Neurone formel: lment calculatoire simple qui effectue un traitement lmentaire (sommation pondre suivie d'une transformation non-linaire), unit de base des rseaux neuronaux.

Rseau de neurones: ensemble de plusieurs neurones interconnects sous diffrentes configurations.

Rseau propagation avant: rseau de neurones dans lequel le signal se propage dans une seule direction spatiale sans rtroaction.

Rseau rcurrent: rseau de neurones dans lequel une partie de la sortie peut revenir l'entre; caractris par la prsence de rtroaction.

Apprentissage supervis: processus par lequel un rseau de neurones est adapt pour muler une certaine relation entre-sortie sur la base d'exemples fournis.

Retropropagation: algorithme d'apprentissage standard des rseaux de neurones propagation avant bas sur la propagation de signaux d'erreur.

XVI

Poids synaptique: coefficient associ une entre affrente d'un neurone; paramtre librement ajustable.

Givromtre: instrument compos d'une sonde vibrante qui estime l'intensit de prsence de conditions givrantes.

Capteur de force: instrument qui mesure les forces mcaniques dans les lignes de transport d'nergie lectrique.

Srie temporelle: squence temporellement ordonne d'une grandeur physique.

Identification de systme: processus par lequel la fonction de transfert entre-sortie d'un systme complexe est simule ou estime.

CHAPITRE 1 INTRODUCTION

1.1 PROBLMATIQUE

L'accumulation de glace atmosphrique sur les structures civiles cres par l'homme est un phnomne mtorologique qui survient frquemment dans les rgions nordiques telles que le Canada, la Norvge, le Royaume-Uni, etc. Il en rsulte souvent des consquences technologiques et conomiques graves dans diffrents domaines d'activit pour les collectivits humaines touches par ce phnomne. L'effet perturbateurde la glace atmosphrique se manifeste de diverses manires et diffrents degrs. Son impact peut causer dans le meilleur des cas un ralentissement ou un arrt temporaire des rseaux de transport, de communication ou d'nergie mais peut aussi provoquer une paralysie majeure prolonge des services lors de bris matriels importants. Les dommages observs au cours des annes, qu'on pense la tempte de janvier ^ S au Qubec, montrent bien

l'importance que peut prendre ce phnomne dans les environnements climatiques froids: rseaux de transport et de distribution de l'nergie lectrique, rseaux de tlcommunication, les routes, les aroports, les avions, les chemins de fer, les tours d'mission de micro-onde, les instruments de mtorologie, les systmes mcaniques automatiss, etc.

Cependant, la prsente tude porte uniquement sur les rseaux de transport de l'nergie lectrique. Dans la province de Qubec, les lignes de transport doivent traverser de vastes tendues (plus de 1000 km) o elles sont exposes diffrentes

3 conditions de glace atmosphrique avant de se rendre au bassin de population, qui se trouve plus au sud du territoire, o se consomme l'lectricit. Cette contrainte rend le rseau d'nergie lectrique trs susceptible aux dommages causs par l'accumulation de glace atmosphrique. L'impact de celle-ci peut se distinguer selon deux grands aspects physiques principaux: les effets mcaniques et les effets lectriques.

La prsence de givre et de verglas sur les cbles et les structures de lignes ariennes de transport d'lectricit affecte leur comportement mcanique plusieurs gards [20,24]. Tout d'abord, la glace atmosphrique constitue une surcharge directe qui provoque un changement d'tat de nature statique dans la ligne. La traction dans les cbles augmente en consquence, de mme que les efforts sur les structures et les accessoires d'attache. Selon les longueurs des portes relles, les charges longitudinales, transversales ou en torsion peuvent tre dsquilibres. L'effet du vent sur les structures gonfles par la glace provoque des charges horizontales additionnelles. La prsence de glace atmosphrique affecte galement grandement les proprits dynamiques des lignes (frquences naturelles de vibration, amortissement interne). Le mouvement de galop des cbles glacs est un phnomne d'instabilit arodynamique complexe qui peut causer des dommages importants aux cbles et aux accessoires de ligne. La prsence de glace atmosphrique sur les cbles peut ventuellement causer des efforts transitoires lors de dlestages soudains.

4 La glace atmosphrique peut aussi causer des problmes lectriques majeurs sur les quipements de transport et de distribution d'nergie. L'accumulation de glace et/ou de neige sur les isolateurs externes (souvent combine avec la pollution de l'air ambiant) peut modifier considrablement leur caractristique d'isolation diminuant ainsi leur performance lectrique - tel que cela a t rapport dans plusieurs pays [4,6,12,13,25,26]. Si les conditions s'y prtent bien et que la tension de tenue baisse suffisamment, il peut y avoir contournement lectrique, c'est--dire un passage brusque du courant lectrique travers l'isolateur [15]. Il s'ensuit

invitablement une panne lectrique. En effet, la couverture de glace perturbe considrablement la performance des isolateurs haute tension causant une diminution de la distance d'isolement.

Diverses stratgies peuvent tre utilises pour contrer les multiples effets nuisibles de la glace atmosphrique. Il est noter que ces diffrentes stratgies ne doivent pas tre considres comme tant mutuellement exclusives mais peuvent se complter de manire synergique. Un problme aussi complexe que le givrage atmosphrique des structures doit tre attaqu sur plusieurs fronts la fois. un premier niveau, il y a la recherche fondamentale, soit l'exploration des principes thoriques et l'exprimentation en situation contrle de laboratoire ou sur des sites naturels instruments, qui vise mieux comprendre les phnomnes physiques impliqus dans le processus de formation du givre et du verglas et des mcanismes par lesquels ils causent des dommages matriels aux quipements (bris mcaniques,

5 mouvement de galop des conducteurs, vibrations oliennes svres, dveloppement d'arcs lectriques et contournement des isolateurs, etc.) L'application de ces

connaissances scientifiques des situations concrtes pourra ventuellement aider prvenir les bris matriels de manire plus efficace ou du moins diminuer la frquence et/ou la gravit de ceux-ci. Elle permettra de mieux grer les risques encourus. Les tudes de type probabiliste ou statistique peuvent apporter ce sujet un appui important pour la gestion de risque et la prdiction [8,9,14].

un deuxime niveau, on retrouve les efforts de cration de modles mathmatiques et/ou informatiques visant simuler et dcrire les processus physiques impliqus pendant l'accumulation de la glace. Ils pourront ventuellement prdire avec suffisamment de prcision les charges de glace atmosphrique sur les conducteurs lectriques ou les structures de support. Le succs de ces modles dpend fortement des informations accessibles aux chercheurs; ces modles sont en grande partie tributaires de l'avance des connaissances scientifiques dans le domaine. L'approche par modlisation vise donner la possibilit d'une action interventionniste approprie lors de grandes temptes de givre ou de verglas. Un modle efficace permettrait de prdire la quantit de glace qui va se dposer sur la structure, et par consquent, quand des conditions dangereuses de glace atmosphrique vont apparatre et menacer l'intgrit des structures.

6 Toutefois, le dveloppement de modles de glace atmosphrique est en partie menac par le fait qu'il y a peu de donnes de terrain avec lesquelles ils peuvent tre valids [29]. Le dveloppement de sites de mesure a t beaucoup plus lent que la progression fantastique de la puissance de calcul des ordinateurs et de la sophistication des modles de glace. Une autre difficult vient du fait que la formation de la glace atmosphrique peut se produire selon diffrents processus en squence ou simultanment. Au Canada, on a vrifi principalement les modles de pluie

verglaante et pour seulement une courte dure d'accumulation [27]. C'est avec le givre de nuage que les modles ont obtenu les meilleurs rsultats. La croissance en rgime sec du givre de nuage fut simule avec succs en soufflerie. De plus, les modles de glace atmosphrique ne simulent gnralement que la premire phase, celle de l'accumulation. Il y en a trs peu qui dcrivent les deux autres phases, soit la persistance et le dlestage.

D'une faon plus globale, la recherche a surtout port sur l'utilisation des ressources de la science de la mtorologie pour la prdiction des vnements des temptes de givres et de verglas. Certains chercheurs se sont attards l'aspect de la problmatique concernant l'volution temporelle des temptes ainsi que leur distribution spatio-gographique [8,14,28,36]. Ces tudes ont permis d'acqurir une comprhension plus globale du phnomne pour un territoire donn (ex: province de Qubec) et d'tablir des corrlations statistiques entre les vnements qui surviennent en diffrents points gographiques.

7 Toutefois, bien que la mtorologie ait du succs pour faire de la prdiction grande chelle moyen terme, elle ne permet pas d'tablir des prdictions trs localises de phnomnes se droulant sur une courte priode de temps. Prsentement, la prdiction mtorologique grande chelle n'est pas suffisamment prcise pour pouvoir prdire l'avance o et quand des conditions dangereuses de glace atmosphrique vont menacer l'intgrit des structures. De plus, les paramtres mesurs par les stations mtorologiques ne sont pas tous directement applicables la problmatique du givrage et du verglas [29]. cause de ces lacunes, plusieurs chercheurs ont dvelopp des instruments mieux adapts la mesure des conditions givrantes. Ainsi, Hydro-Qubec a en opration depuis 1973 un rseau de giacimtres passifs qui permet de recueillirde l'information quantitative. Plus tard, Hydro-Qubec s'est dot d'un systme de surveillance en temps rel de la glace atmosphrique qui couvre une partie de la valle du St-Laurent (le systme SYGIVRE). Des chercheurs ont dvelopp un instrument permettant de mesurer directement l'intensit des conditions givrantes: le givromtre [29,39].

Il est vident qu'un systme de surveillance en temps rel peut jouer un rle important dans la problmatique de la glace atmosphrique. Il est maintenant de plus en plus reconnu que les consquences des dsastres climatiques peuvent tre drastiquement rduites par l'utilisation d'un tel systme de surveillance en temps rel. Avec le dveloppement des technologies modernes de communication et de traitement automatis de l'information et la disponibilit d'une instrumentation

8 approprie, il demeure donc important de dvelopper des modles fiables d'accumulation de glace qui permettent une prdiction aussi raliste que possible des charges mcaniques avant que des dommages matriels srieux ne surviennent.

D'autres chercheurs ont fait avancer la recherche du ct des technologies actives de dglaage. Elles pourraient permette ventuellement de traiter la

problmatique de la glace atmosphrique de manire pro-active [30].

1.2 OBJECTIFS

Le prsent travail de recherche vise modliser l'accumulation, la persistance et le dlestage de la glace atmosphrique sur des conducteurs. Ce travail est effectu dans le cadre de la chaire industrielle CRSNG/Hydro-Qubec/UQAC sur le givrage atmosphrique des quipements des rseaux lectriques (CIGELE).

Plus spcifiquement, cette recherche a comme objectif principal d'explorer l'applicabilit potentielle de diffrentes architectures de rseaux de neurones la prdiction du givrage atmosphrique.

Des modles informatiques utilisant la modlisation fonctionnelle (base sur des donnes relles) visant prdire l'volution temporelle de la charge de glace

9 atmosphrique sur une ligne de transport en fonction de diffrentes variables mtorologiques et de la mesure de l'intensit de conditions givrantes (tel que fourni par un givromtre) seront crs. Ces modles seront dvelopps l'aide d'vnements rels de givre et de verglas survenus au site instrument du Mont-Blair tels qu'enregistrs automatiquement par le systme de surveillance en temps rel d'Hydro-Qubec SYGIVRE.

1.3 MTHODOLOGIE

Nous utiliserons comme donnes source des informations fournies par HydroQubec et provenant de la base de donnes centrale du systme SYGIVRE. Seule la ligne de 315 kV sur le site du Mont-Blair sera considre puisque ce sont les seules donnes disponibles.

Les modles informatiques crs dans le cadre de cette recherche utiliseront une technique d'intelligence artificielle pour traiter l'information connue sous l'appellation de "rseaux de neurones formels". l'informatique applique: le "connexionisme". Elle fait partie d'une branche de Le principe de base consiste

interconnecter ensemble un grand nombre d'lments opratoires simples. Cet outil a t appliqu plusieurs domaines avec succs. Les rseaux de neurones ont

10 gnr galement dans la recherche rcente beaucoup d'intrt pour la prdiction des phnomnes caractre temporel. Ils semblent donc appropris pour modeliser un phnomne complexe tel que l'accrtion de la glace et ont l'avantage de pouvoir s'adapter de nouvelles donnes au fur et mesure que celles-ci seront disponibles.

1.4 SURVOL DU MMOIRE

Le prsent chapitre constitue l'introduction. Le chapitre deux fera une revue de la littrature sur la modlisation de la glace atmosphrique. Au chapitre trois, les rudiments des rseaux de neurones connatre pour comprendre ce travail de recherche seront introduits. Au chapitre quatre, la provenance des donnes utilises sera explique ainsi que les diffrentes architectures de rseaux de neurones qui ont t exprimentes. Le chapitre cinq contiendra les rsultats exprimentaux obtenus. Nous terminerons par la conclusion au chapitre 6.

CHAPITRE 2 REVUE DE LA LITTRATURE

12 2.1 INTRODUCTION

La prdiction de l'accumulation de la glace atmosphrique sur les conducteurs des lignes de transport d'nergie lectrique est un sujet relativement complexe. Une multitude d'aspects diffrents doivent tre pris en compte (processus physiques, aspect alatoire des temptes de givre, etc.) Par consquent, le problme peut tre abord sous plusieurs angles [47].

On peut distinguer en fait trois grandes approches possibles vis--vis de la problmatique de la prdiction. Une premire approche est constitue par la

modlisation proprement parler physique qui cherche dcrire avec le plus de ralisme possible les multiples processus physiques impliqus dans le phnomne d'accrtion de la glace. Mais cause de la complexit des phnomnes en jeu, elle ncessite souvent des approximations simplificatrices qui permettent de traiter plus aisment le problme mathmatique qui en dcoule.

Une seconde approche est base sur les modles utilisant les techniques de marches alatoires {"random-walk models"). Elle cherche simuler la structure et la densit de l'accrtion de la glace forme par les impacts alatoires de gouttelettes en tat de surfusion. Il s'agit donc d'une modlisation essentiellement de nature

stochastique (et balistique).

13
Une troisime approche emprunte la voie de la modlisation empirique. Elle consiste crer des modles de type "bote noire" qui tirent profit des liens statistiques et des corrlations existant entre les variables mtorologiques et les charges de glace correspondantes. l'intrieur de cette approche, l'utilisation des rseaux de neurones est plutt d'usage rcent. Il s'agit d'une avenue nouvelle encore trs peu explore pour la problmatique de la glace atmosphrique.

2.2 DTAILS DES APPROCHES

On labore ici sur les diffrentes approches cites ci-haut, savoir l'approche physique, l'approche stochastique et l'approche empirique.

2.2.1 APPROCHE PHYSIQUE

L'approche physique construit des modles bass sur les quations diffrentielles dcrivant les lois de conservation de l'nergie (nergie cintique des prcipitations, quilibre de chaleur, flux radiant, etc.), de la quantit de mouvement et de la masse. Ces modles peuvent aussi tre appels "continus" puisqu'ils tirent leur origine d'une description de changements continus des paramtres physiques importants. Le caractre de continuit des modles dont il s'agit ne dcoule pas d'un choix arbitraire du modlisateur mais de la fidlit au phnomne physique que ceuxci tentent de reproduire analytiquement.

14
Ces modles peuvent tre diviss en deux principales catgories: ceux qui sont respectivement indpendants et dpendants du temps. Dans les modles qui sont indpendants du temps [32], les calculs sont bass sur l'hypothse que le taux de croissance initial demeurera inchang durant la simulation. Les modles

dpendants du temps tiennent compte divers degrs du fait que l'accumulation en train de crotre change l'coulement des fluides autour des objets, la trajectoires des gouttelettes incidentes, l'aire de surface expose l'impact des gouttelettes et les conditions de transfert de chaleur [52]. Malgr des progrs importants dans leur dveloppement, la grande majorit des modles continus exigent des hypothses a priorisur la forme de l'accumulation. Celle-ci peut prendre une morphologie circulaire, elliptique ou mme non circulaire [42]. Toutefois, dans l'approche continue la relation qui existe entre les conditions de glace atmosphrique et la forme d'accrtion demeure plutt incertaine.

De manire simuler le processus d'accrtion thoriquement, plusieurs paramtres physiques et gomtriques dcrivant la situation doivent tre connus [37]. Par exemple, il faut au moins connatre le rayon du cble de la ligne de transport Ro, l'intensit de prcipitation incidente I, la vitesse du vent V et les paramtres de transfert de chaleur. Toutefois, une modlisation plus dtaille ncessite l'angle 9 entre l'axe du cble et le vecteur vitesse du vent, ainsi que la vitesse de chute des gouttelettes Vd, de telle sorte que la vitesse d'impact V, puisse tre dtermine. partir de V;, le flux d'eau incident F peut tre calcul en autant que le contenu en eau

15
de l'air W soit connu. Celui-ci peut tre calcul de la faon suivante: W=pJ/V d , o pw est la densit de l'eau. La vitesse de chute des gouttelettes Vd peut tre dtermine partir d'expressions empiriques reliant Vd la distribution en taille des gouttelettes et I [51].

Dans des conditions de pluies verglaantes, les gouttelettes sont si grosses que l'efficacit de collision peut tre prise pour l'unit. Cependant, l'eau collecte par le cble ne gle pas ncessairement la surface et peut tre par consquent perdue partiellement par coulement au sol. D'un autre ct, cette eau d'coulement peut contribuer la formation de glaons. Ces glaons leur tour offrent une surface supplmentaire pour la collection de gouttelettes transportes par le vent, augmentant ainsi le flux incident total. La simulation de ces processus ncessite naturellement l'utilisation de la temprature ambiante T, temprature des gouttelettes d'eau, temprature de surface, etc.

valuation de modles spcifiques

Modle d'Imai

Imai [23] a propos que le taux de croissance de verglas par unit de longueur d'une ligne de transport est donn par:

16

dM = CXWR(-T) dt

(1)

o C, est une constante, R le rayon du cylindre glac et M la masse par unit de longueur. L'intgration de l'quation prcdente donne: (2) o une valeur fixe pour la densit de la glace est prsume (0.9 g/cm3) et t est videmment le temps.

L'quation (1) est base sur l'ide que l'intensit de formation de la glace est contrle par le transfert de chaleur partir du cylindre, c'est--dire que le mode de formation de la glace suit le rgime humide. Ds lors, dM/dt est proportionnel -T et l'intensit de prcipitation I n'a alors aucun effet. Ce modle fort simple est en principe conceptuellement correct. Cependant, des tudes rcentes ont montr que le transfert de chaleur (coefficient C2) est aussi affect par la rugosit de la surface et le refroidissement vaporatif et ds lors, la croissance humide ne subsiste pas jusqu' -5 C comme prsum par ImaL cause de ce fait, le modle tend surestimer les charges de glace sous des conditions habituelles o le flux d'eau F contrle la formation de glace plutt que le transfert de chaleur; par ailleurs, il sousestime les charges de glace en conditions extrmes parce que la valeur de C2 est trop petite et la formation de glaons est nglige. Cette sous-estimation est particulire-

17 ment svre si la temprature de l'air avoisine 0 C.

Modle de Lenhard

Bas sur des donnes empiriques Lenhard [31] a propos que le poids de glace par mtre-unit M est donn par M= C3 + C4 Hg (3)

o Hg est la quantit totale de prcipitation durant l'vnement de givrage et C3 et C4 sont des constantes. Il vient alors

vrai dire, ce modle est plutt simpliste. Il nglige compltement tous les effets relis au vent et la temprature. Il a t dmontr empiriquement que la corrlation existant entre la quantit de prcipitation au sol et la charge de glace est trs basse.

Modle de Goodwin et al.

Le modle de Goodwin et al. [18] part de l'hypothse que toutes les gouttelettes collectes par le cble glent in-situ. Autrement dit, le rgime de

18 croissance est sec. Ds lors, le taux d'accrtion par unit de longueur est

dM dt

(5)

Ici, R est le rayon du cylindre, w est le contenu en eau de l'air, V, est la vitesse d'impact de gouttelettes et M est la masse par unit de longueur.

La masse par unit de longueur au temps t gale T C pj(R2-R02) o R est le rayon du cylindre glac, Roest le rayon du cble et pf est la densit de la glace. Substituant dans eq. (5), on trouve

dR dt

wVt

(6)

L'intgration donne l'paisseur radiale de glace AR=R-R0 accumule durant une priode t.

La vitesse d'impact des gouttes est

19 o Vd est la vitesse de chute et V est la vitesse du vent. On suppose dans ce cas-ci que le vent est directement perpendiculaire la ligne de transport. Le contenu en eau peut tre obtenu par la hauteur de prcipitation liquide Hg mesure partir du sol durant le temps d'accrtion t selon PwHg = w V d t o pw est la densit de l'eau. En insrant q. (8) dans q. (7) on a (9)

avec q. (9) on trouve

Pi

qui constitue l'quation fondamentale du modle. Cette solution analytique dcoule directement des hypothses physiques de dpart. Le modle de Goodwin et al. est conceptuellement correct.

Modle de Chain et Castonquay

Chain et Castonquay [5] supposent galement que toutes les gouttelettes incidentes glent ds l'impact mais considrent au dpart une accumulation de glace de forme elliptique. Dans un tel cas, l'aire de section du dpt de glace S, devient selon [5]

20

(12)

o Hv est l'paisseur de la couche d'eau dpose sur la surface verticale, Hv= w V t / pw. Ces auteurs dfinissent ensuite un facteur de correction K constitu par l'aire de section relle et celle donne par l'q. (12). Ce facteur est dtermin par une mthode empirique comme tant une fonction de Ro et de la temprature de l'air ta. Ce qui permet de trouver l'paisseur radiale de l'accumulation de glace

R,K

1/2

+ H] + R\

-R,

(13)

Comparant cette solution un dpt elliptique et dfinissant:

(14)

rsulte:
1/2 r>2

-R.

(15)

Pi

En solutionnant pour K partir de l'q. 15, nous trouvons:

lA

L +

_2
n

(pw)H

n pi

(16)

21
Comme on peut se rendre compte, le facteur de correction K dpend de tous les paramtres pertinents qui affectent l'paisseur de la glace. Ainsi, la mthode

solutionne l'paisseur de la glace partir d'une quation qui inclut une constante dpendant elle-mme de l'paisseur de la glace. Ds lors, la mthode de Chan et Castonguay est plutt conceptuellement douteuse.

Modles numriques

Plusieurs modles de nature purement numrique ont t dvelopps pour simuler la formation de glace atmosphrique sur les cbles. Cela inclut le modle de Lozowski et al. [32], le modle MRI [1], le modle MEP [2], le modle de Makkonen [34] et celui de Finstad et al. [16]. Ces modles dcrivent les diffrents processus physiques impliqus des degrs varis.

L'avantage principal des mthodes numriques est que les effets dpendants du temps peuvent tre incorpors et que, ds lors, des changement dans les paramtres d'entre peuvent tre pris en compte facilement. De plus, tous les

modles susmentionns peuvent aussi simuler une accretion de givre (accretion en rgime sec) et peuvent mme dtecter le rgime d'accrtion par des calculs d'quilibre de chaleur.

22 Toutefois, ces modles numriques offrent peu d'amlioration vis--vis des solutions analytiques plus simples dans l'estimation des charges de glace dues aux prcipitations verglaantes. Premirement, le planificateur de ligne de transport est intress des charges extrmes (dans laquelle les situations de bris importants surviennent) et ne peut donc utiliser avec avantage la capacit de ces modles de prdire de petites charges de glace prs de 0C. Deuximement, il a t dmontr exprimentalement par Makkonen et Stallabrass [35] et numriquement par Finstad et al. [16] que le taux d'accrtion est plutt insensible la forme spcifique de l'accumulation en supposant qu'il n'y ait pas de perte d'eau au sol.

Bien que ces modles numriques soient conceptuellement corrects, le modle plus simple de Goodwin et al. peut tre avantageusement utilis dans l'estimation des charges dues la pluie verglaante. D'autant plus que des modles numriques complexes peuvent contenir des problmes de convergence de nature numrique ou encore comporter des bogues logiciels. Cela semble le cas pour les modles MRI et MEP. Des tentatives pour prendre en compte la formation de glaons on t aussi faites dans la modlisation numrique pour des cbles exposs de la pluie verglaante.

Modle de Makkonen

Makkonen [34] en 1984 prsenta un modle numrique dpendant du temps.

23 Le modle simule l'accrtion de gouttes d'eau en tat de surfusion sur les lignes de transport. Dans celui-ci, le dpt de glace est suppos maintenir une forme

cylindrique durant le processus d de lentes rotations du cble. Sur un objet cylindrique, l'intensit de formation de glace peut tre calcule par:

= -Envw

(17)

o Eest le coefficient de collection (rapport du flux de masse des gouttes incidentes au flux que subirait la surface si les gouttes n'taient pas dvies dans le jet d'air), n est la fraction givrante (rapport de l'intensit de formation de glace au flux de masse des gouttes d'eau incidentes), vest la vitesse du vent et w le contenu en eau de l'air.

Le coefficient de collection est dtermin par des calculs bass sur la solution numrique de Langmuir et Blodgett (1946) pour l'quation du mouvement d'une goutte dans un flux d'air. Le coefficient est corrig semi-empiriquement pour tenir compte de la distribution en taille des gouttes. La fraction givrante dans l'quation 17 peut tre calcule par l'quilibre de chaleur sur la surface de formation de la glace. Le modle tient compte de la dimension temporelle en traitant le diamtre D du dpt de glace comme variable avec le temps et effectue une intgration pas pas.

Le modle de Makkonen de 1984 fut amlior par la suite pour tenir compte de l'impact de l'eau sur des glaons en croissance et aussi pour simuler la croissance

24 de glace de structure spongieuse [37]. Ce nouveau modle se base sur [34] mais intgre galement un modle de simulation de formation de glaons comme sousroutine.

valuation des modles

L'valuation des modles prcdents de glace atmosphrique peut tre rsume en notant que le modle de Goodwin (qs 11 ou 14) est conceptuellement correct alors que la plupart des autres modles sont soit bass sur de la physique dficiente ou sont tout simplement inapplicables. On dresse dans la table 2.1 un portrait comparatif selon Makkonen [37].

Table 2.1 Comparaison des modles

Modle

Type

Inclut le vent

Inclut la temprature

Inclut les glaons

Cohrence logique

Utilisable oprationnnellement

Prdiction en conditions modres

Prdiction en conditions svres

Imai Lenhard Goodwin tal.

quation analytique quation empirique quation analytique

oui non oui

oui non non

non non non

oui non non

oui oui oui

pauvre pauvre bonne

pauvre pauvre raisonnable

25
Chan & Castonguay Lozowski et al quation semi-empirique numrique pseudotemporel numrique temporel numrique temporel numrique temporel numrique temporel analytique/ marche alatoire oui oui non non oui raisonnable pauvre

oui

oui

non

oui

non X X

Makkonen MRI

oui

oui

oui

oui

oui

bonne

raisonnable pauvre

non

oui

non

non

oui

pauvre

MEP

oui

oui

non

non

oui

raisonnable bonne

pauvre

Finstad tal. Szilder

oui

oui

non

oui

oui

pauvre

non

oui

oui

oui

non
X X

2.2.2 APPROCHE STOCHASTIQUE

Les modles bass sur l'approche stochastique concernent principalement l'accumulation de glace partir de pluie verglaante sur des objets de forme cylindrique reprsentant un cble de garde. Les modles qui suivent l'approche stochastique emploient une technique de modlisation base sur le cheminement alatoire pour simuler la formation de la glace atmosphrique combine avec une

26
approche de trajectoire balistique; ces modles sont galement rfrs dans la littrature sous le vocable de modles de Monte Carlo. Ils visent produire une prdiction de la masse totale de l'accumulation ainsi que sa structure morphologique tridimensionnelle.

Ces modles peuvent s'appliquer un large ventail de conditions de croissance, incluant aux limites, la croissance o les gouttent glent automatiquement ds l'impact (croissance en rgime sec) et la croissance o les gouttes se rpandent par ruissellement sur la structure de glace dj existante (croissance en rgime humide).

Dans l'approche stochastique, le mouvement alatoire de chaque goutte ou chaque ensemble de gouttes est suivi individuellement. Le modle balistique

dtermine la localisation de l'impact des lments de fluide aprs avoir t "lancs" et le modle de cheminement alatoire prdit leur mouvement ultrieur le long de la surface de la glace dj accumule sur l'objet. L'lment fluide peut tre imagin comme tant compos de multiples petites gouttelettes ou comme faisant partie d'une grosse goutte unique forme par coalescence.

Les modles balistiques ont t dvelopps par plusieurs auteurs pour simuler des croissances en rgime sec. Gates et al. [17] ont examin l'accrtion sur des cylindres fixes et Personne et al. [46] le cas de cylindres en rotation. Cette approche

27 a t applique avec succs pour prdire l'accumulation en conditions givrantes lorsque les gouttelettes incidentes en surfusion glent ds l'impact. Cependant, ces modles dcrivent adquatement uniquement les cas caractriss par de faible quantit de mouvement (faible parpillement des gouttes) et des temprature froides dans lesquelles la dure de gel est extrmement courte. Une mobilit limite des gouttes fut propose par Lozowski et al. [33]. Szilder [53] introduisit la mthode par marche alatoire pour permette la simulation des cas en rgime humide o l'eau non gele s'coule sur la surface de la glace accumule avant de geler. L'addition d'un lment de hasard au forme des accumulations permet une meilleure conformit avec les observations exprimentales. L'analyse bi-dimensionnelle d'accumulation sur des cylindres fut entreprise par Szilder [54]. Une version tri-dimensionnelle qui permet une prdiction d'accumulation sur des objets 3-D complexes a t dveloppe ultrieurement par Szilder et Lowoski [55-57].

L'avantage principal de l'approche stochastique est qu'elle permet de modliser ralistement et de manire numriquement efficace l'coulement de l'eau le long de la surface d'accrtion. Ce type de modles permet non seulement de calculer l'accrtion du ct de l'objet qui se trouve expos aux prcipitations incidentes mais aussi l'accrtion qui se cre en-dessous de l'objet, incluant la formation possible de multiples glaons forms par l'coulement. Ainsi, il n'exige pas de connaissance a priori de la forme de l'accrtion. Il permet galement l'tude de la variabilit stochastique de la forme de l'accumulation, ce qui n'est pas le cas avec

28 des modles continus dterministes conventionnels. Les modles stochastiques donnent la possibilit de prdire diffrentes formes d'accumulation en relation avec des paramtres atmosphriques ambiants tels que la temprature de l'air et le taux de prcipitations.

La densit de la glace et la structure de l'accumulation prdite par ces modles concordent qualitativement avec les observations exprimentales pour des cylindres fixes. La couche de glace uniforme se compare bien avec celle prdite par des modles analytiques simples. La croissance de l'accumulation sous le cylindre est aussi en accord qualitatif avec les rsultats exprimentaux. La formation des glaons prvue par l'approche utilise se compare avec celle prdite par l'approche classique thorique. Les rsultats ressortant de ces modles tendent montrer que la formation de glaons est en fait fortement lie au flux de chaleur externe par convection entrant dans les quations d'quilibre thermique.

2.2.3 APPROCHE EMPIRIQUE PAR RESEAUX DE NEURONES

L'accumulation de la glace atmosphrique sur les lignes de transport rsulte d'une interaction complexe entre les matriaux des structures et les fluides, impliquant une dynamique plutt difficile modliser avec ralisme. Les modles physiques qui s'ensuivent ncessitent forcment l'utilisation d'hypothses simplificatri-

29
ces (telles que: cible matrielle de gomtrie simple, conditions ambiantes stationnaires, etc.) qui permettent de mener bien l'analyse sans quoi la problmatique deviendrait rapidement trop complique d'un point de vue mathmatique. De plus, ce type de modles exige, gnralement pour tre applicable, la connaissance exacte de nombreux paramtres physiques et mtorologiques locaux qui ne sont pas toujours accessibles tels que: vitesse, orientation et niveau de turbulence du vent, teneur atmosphrique en eau liquide, dimension et distribution volumique des gouttelettes d'eau surfondues de la prcipitation, temprature de l'air et des gouttelettes d'eau entrant en collision avec les structures matrielles. La non-

disponibilit de plusieurs de ces variables implique le besoin de faire des hypothses additionnelles pour simplifier le problme.

Ds lors, une technique empirique qui s'adapte et utilise directement les observations de "terrain" actuellement disponibles sans faire d'hypothse a priori sur la nature du phnomne peut constituer une approche prometteuse et avantageuse. Une modlisation fonctionnelle base sur des donnes facilement accessibles, telles que la temprature de l'air et l'intensit de prcipitation s'avre plus pratique pour prdire les masses des accumulations de glace. L'objectif de cette approche est de crer un modle de type "bote noire" qui permet d'tablir une corrlation statistique numrique existante entre les mesures instrumentales pertinentes et la charge correspondante de glace atmosphrique sur les lignes de transport que l'on cherche prdire. Dans cette approche, l'intensit de givrage est mesure ainsi que d'autres

30 paramtres climatiques pour tablir un lien statistique (existant prsumablement). L'adaptation du modle la ralit se fait par l'intermdiaire de "boutons d'ajustement" mathmatiques dont les valeurs sont obtenues par un processus d'apprentissage partir d'observations relles.

l'intrieur de cette grande famille de modles empiriques, les rseaux de neurones constituent une nouvelle approche prometteuse. Sous plusieurs aspects, les rseaux de neurones peuvent tre conus et compris comme des extensions de techniques statistiques standards (ex: rgression linaire multiple). Les rseaux de neurones prsentent un pouvoir de reprsentation non-linaire trs puissant qui permet de faire l'mulation de systmes relativement complexes. Leur comportement d'entre/sortie peut tre ajust par un processus itratif d'apprentissage. Les rseaux de neurones ont merg comme constituant une mthodologie pratique ayant des applications russies dans des domaines divers. Dans les annes plus rcentes, les techniques neuronales ont suscit beaucoup d'intrt plus prcisment pour les tches de prdiction impliquant des processus dynamiques [61]. Leur application spcifique la problmatique du givrage atmosphrique des structures est vraiment trs rcente et n'a pas fait l'objet d'tude exhaustive. On peut citer ce sujet les travaux de McComber [40,41]. Ohta et al. [45] appliqurent les rseaux de neurones un systme intgr automatis de prvention des dsastres dus l'accumulation de la neige sur les lignes de transport.

31
L'avantage principal de l'approche empirique par rseaux de neurones est qu'elle ne ncessite aucun dchiffrement analytique complexe des phnomnes physiques en jeu. Elle exige moins d'hypothses a priori sur la dynamique qui rgit le phnomne. Cela permet ds lors d'viter une multitude de subtilits et de complexits mathmatiques qui interviennent dans les modles continus. Cette simplification mthodologique rend les modles de type empirique vraisemblablement plus faciles implanter. De plus, l'approche empirique possde comme deuxime avantage la capacit de tirer directement profit des relations existantes naturellement entre les grandeurs physiques qui sont rellement mesurables sans exiger la connaissance de "variables caches" inaccessibles. D'une certaine manire, on pourrait dire que l'approche empirique utilise la nature elle-mme comme appareil de calcul puisqu'elle produit un modle exprimant une relation effective entre les grandeurs directement disponibles sans rfrence un mcanisme exact. Cette technique permet donc d'aborder le problme sous un angle global pratique sans ncessiter d'analyse fine de dtails.

Toutefois, on doit noter en toute honntet deux dsavantages potentiels. D'abord, l'approche empirique rsulte d'un processus d'apprentissage partir de variables relles prises sur un site d'observation donn; il est fort probable que le lien implicite statistique entre les variables exprim par le modle comporte une dpendance la localit o ont t prises les observations. Cette dpendance gographique ventuelle rend difficile la transposition d'un modle donn vers

32 d'autres sites instruments. Cet inconvnient peut cependant tre vu comme un avantage si l'on considre qu'il permet une meilleure prdiction locale qu'un modle plus gnral. L'importance relative de ce caractre local dpend de facteurs

environnementaux difficiles pondrer. La relation fonctionnelle incorpore dans le modle enchevtre inextricablement les facteurs locaux contingents et les liens phnomnologiques ncessaires dcoulant de la physique fondamentale des processus en question. On doit admettre cependant que seules des observations comparatives exhaustives entre plusieurs sites utilisant un modle unique entran qu'une seule fois pourraient dfinitivement trancher la question [41]. Toutefois, bien que les paramtres explicites du modle ne sont pas forcment transposables, la mthodologie utilise et l'architecture fonctionnelle peuvent bien raisonnablement s'appliquer plusieurs sites.

La deuxime faiblesse de l'approche consiste en sa dpendance absolue aux observations dcoulant des variables instrumentales. Cela pose deux problmes. D'abord, les mesures instrumentales en situation de terrain comportent forcment un certain bruit de fond qui se refltera dans le modle. C'est une question de

mtrologie et d'instrumentation sur laquelle le modlisateur a peu de contrle. Cependant, c'est un problme qui peut tre considr comme mineur et dpend de la qualit de l'instrumentation mise en place. Plus srieusement toutefois, la

puissance prdictive d'un modle empirique dpend entirement de la force des relations statistiques liant les variables donnes entre elles. Un modle empirique

33 entran sur des observations ne pourra jamais produire une prdiction plus fiable que les variables ne le permettent par leur corrlation mutuelle. Une corrlation forte permettra l'existence d'un modle trs fiable; une corrlation faible entranera un modle moins solide. Le degr de dterminisme qui rgit les variables dictera la fiabilit maximale que l'on peut esprer tirer du modle.

2.3 INSERTION DU PRSENT TRAVAIL

La prsente recherche sur l'application des rseaux de neurones pour la prdiction du givrage atmosphrique des lignes de transport s'inspire en partie des travaux initiaux effectus par McComber et al. [41,42]. Ceux-ci appliqurent les techniques de rseaux de neurones des donnes relles de terrain provenant du systme de surveillance en temps rel de la glace atmosphrique d'Hydro-Qubec (SYGIVRE). Ils slectionnrent des donnes venant du site instrument du MontBlair qui concernent des temptes bien dlimites dans le temps. Ils utilisrent les variables instrumentales suivantes: le signal provenant d'un givromtre, la temprature ambiante de l'air, la vitesse du vent (composante transversale) et le signal du capteur de force converti en charge linaire spcifique de glace par un algorithme. Le modle neuronal utilis permettait de faire une prdiction de type "nowcasting" (c'est--dire qu'il prdit la charge de glace en sortie de manire concourante dans le temps avec les entres). Ils obtinrent des rsultats raisonnables avec l'architecture

34 classique des rseaux de neurones. Une lgre modification pour rendre l'architecture pseudo-dynamique donna de meilleurs rsultats.

Le prsent travail vise continuer l'exploration encore jeune des diffrentes architectures de rseaux de neurones susceptibles de fournir une bonne prdiction de la charge de glace. Nous exprimenterons plus particulirement des architectures adaptes pour traiter de l'information de nature temporelle (c'est--dire qui prsente un caractre volutif et/ou dynamique). Cet aspect de l'volution temporelle est une composante importante de la problmatique du processus physique de l'accrtion de la glace atmosphrique. Un rseau structur de telle sorte qu'il permet de manire inhrente et constitutive l'inclusion de la dimension du temps donnera vraisemblablement de meilleurs rsultats qu'un rseau de nature statique.

On doit noter cependant que les techniques pour traiter des sources nonstationnaires d'information ne sont pas aussi hautement dveloppes que celles, bien tablies, pour traiter les problmes de nature statique. De manire gnrale,

l'application des rseaux de neurones des problmes temporels est d'usage plus rcent que l'application de ceux-ci des problmes comportant un caractre spatial. Ds lors, le fondement thorique mathmatique des rseaux de neurones dynamiques de rcentes dates ainsi que leur pouvoir de reprsentation en tant qu'outil prdictif sont tablis avec moins de rigueur que les rseaux traditionnels.

35 Leurs limites ventuelles ont t moins analyses en profondeur par la communaut des chercheurs en mathmatiques ou en science informatique cause de leur complexit accrue. Il est aussi vraisemblable que les chercheurs trouveront dans l'avenir une multitude d'autres architectures pour le traitement temporel de l'information n'existant pas encore l'heure actuelle. C'est un domaine qui demande encore tre dbroussaill.

CHAPITRE 3 LES RSEAUX DE NEURONES ARTIFICIELS

37 3.1 INTRODUCTION

Le microprocesseur Pentium d'Intel mis en service en 1993 contient 3,1 millions de transistors et consomme 16 watts de puissance. Par contraste, le cerveau humain contient de l'ordre de 1011 neurones, chaque neurone pouvant avoir plus de 10 000 interconnexions avec des voisins. Approximativement 20 watts au total sont ncessaires pour alimenter le cerveau. Si l'on devait identifier un transistor unique une seule connexion synaptique cela prendrait approximativement 3*108 puces Pentium pour galer la complexit structurelle brute du cerveau humain! Pour nergiser un tel conglomrat de silicium cela ncessiterait plus de 5 gigawatts!

Cette comparaison est cependant un peu fallacieuse car les mcanismes dtaills de traitement du cerveau demeurent en partie inconnus ce jour. Quand bien mme pourrions-nous recrer la complexit matrielle de l'organe crbral dans un "ordinateur", comment pourrions-nous programmer celui-ci?

Que sont donc les rseaux de neurones artificiels et comment sont-ils lis leur contrepartie biologique? Du point de vue de l'ingnierie, les rseaux de neurones sont des structures calculators qui tentent reproduire des facults crbrales rudimentaires. Les rseaux de neurones artificiels sont composs de "neurones" vaguement models sur les neurones biologiques vritables. Les neurones ont des connexions aux autres neurones travers des "synapses" modlises formellement

38 pardes paramtres ajustables appels "poids synaptiques". Ils constituent les degrs de libert lmentaires du systme. Diverses architectures de rseaux de neurones diffrent par la manire dont les neurones sont arrangs (topologie), par la mthode par laquelle les poids sont dtermins (algorithme d'apprentissage) et par le domaine d'application vis (but ultime). Commun toutes les structures, il y a le principe de fond qui consiste dans le fait que les poids doivent tre appris plutt que programms directement. Un rseau est itrativement entran par l'intermdiaire d'une interaction avec l'environnement en prsentant des exemples de paires de patrons entre/sortie.

Haykin [21] offre la dfinition suivante d'un rseau de neurones: Un rseau de neurones est un processeur distribu massivement parallle qui a une propension naturelle pour emmagasiner la connaissance exprientielle et la rendre disponible pour utilisation ultrieure. Il ressemble au cerveau selon deux aspects: 1. La connaissance est acquise par le rseau travers un processus d'apprentissage. 2. Les forces de connexion interneurones appeles poids synaptiques sont utilises pour l'emmagasinage de l'information.

L'utilisation des rseaux de neurones offre les caractristiques intressantes suivantes: Nonlinarit. Le neurone lmentaire est un dispositif non-linaire. Consquemment, l'interconnexion de plusieurs neurones ensemble rsulte en un

39 systme global lui-mme non-linaire. Cette proprit importante permet

l'emploi des rseaux de neurones pour la modlisation de systmes o existent des non-linarits inhrentes.

Relation d'entre/sortie. Un paradigme populaire d'apprentissage est l'entranement supervis qui consiste prsenter au rseau des exemples d'apprentissage. Chaque exemple comporte un signal d'entre et une rponse de sortie dsire. Les poids synaptiques sont modifis de telle sorte minimiser l'erreur entre la rponse voulue et la rponse effective du rseau. En alimentant le rseau avec plusieurs exemples et en rptant plusieurs fois, il finit par se stabiliser et converger. Le rseau construit donc progressivement une

reprsentation implicite de la relation entre/sortie.

Il est dmontr mathmatiquement [7] que les rseaux de neurones artificiels constituent des approximateurs universels puisqu'ils peuvent approximer des relations fonctionnelles entre/sortie non-linaires arbitraires tant donn un certain degr minimal de continuit et sous condition d'un nombre suffisant d'units de traitement (neurones).

Adaptabilit. Les rseaux de neurones artificiels ont une capacit inhrente d'adaptation en vertu de leurs connexions synaptiques ajustables. Dans un contexte d'environnement non-stationnaire, un rseau de neurones peut tre

40 conu pour oprer en temps rel. Cela peut constituer un atout avantageux pour le traitement adaptatif du signal par exemple.

Tolrance aux pannes. Un rseau de neurones implant dans le matriel a le potentiel d'tre tolrant aux pannes dans le sens que la performance se dgrade doucement avec des conditions adverses. En effet, tant donn que l'information emmagasine se trouve sous une forme distribue travers tout le rseau, un bris matriel local ne provoquera pas ainsi une panne catastrophique. Ceci peut tre compar par analogie une image holographique dans laquelle l'information visuelle est distribue globalement sur l'ensemble d'un substrat plutt que localement.

Implantabilit VLSI. La nature parallle des rseaux de neurones les rendent potentiellement rapides pour certaines tches de calcul si prise en compte. Cette mme caractristique les rend attrayants pour une implantation lectronique dans le matriel utilisant la technologie du Very-Large-Scale-Integration (VLSI). L'avantage particulier du VLSI est de fournir un moyen d'muler des comportements complexes dans une structure hirarchique ce qui rend possible l'utilisation de rseaux de neurones comme outil pour les applications en temps rel. (Cependant, les implementations informatiques usuelles par voie de logiciel sur station uniprocesseur n'utilisent que trs rarement ce caractre de paralllisme ).

41
Dans les annes rcentes, il y a eu une rsurgence majeure de l'activit de recherche dans le domaine des rseaux de neurones. De nouvelles applications ont fait leur apparition dans divers domaines allant de la classification au contrle robotique. Les produits commerciaux incluent: des systmes de reconnaissance de caractre, des squenceurs molculaires pour la gntique, des systmes de dtection de fraude dans les transactions par cartes de crdit, des logiciels antivirus intelligents, des logiciels de prdiction de cours boursier, des systmes de contrle de processus, etc.

Plus prs de notre problmatique, les rseaux de neurones artificiels ont gnr rcemment de l'espoir pour la prdiction non-linaire des sries temporelles ainsi que pour la modlisation de systmes dynamiques complexes. Ils constituent une

alternative prometteuse aux techniques traditionnelles pour le traitement temporel de l'information [61].

3.2 MODLE D'UN NEURONE ARTIFICIEL

En 1943, McCulloch et Pitts [43] ont propos le premier modle de base d'un neurone artificiel. Bien que trs simple, il constitue l'lment de base des rseaux de neurones. La figure 3.1 montre un modle de neurone.

42

Figure 3.1: Modle d'un neurone lmentaire

Les entres au neurone sont notes par x,. II a un ensemble de synapses caractrises par un poids synaptique qui indique la force du lien entre l'entre et le neurone. Ceux-ci sont nots par w,. Les signaux d'entre sont multiplis par ceux-ci avant d'tre additionns. Un poids positif est associ une synapse excitatrice; un poids ngatif est associ une synapse inhibitrice.

Un additionneur est utilis pour faire la somme pondre des entres plus un certain dcalage constant de biais G. Le rsultat est ensuite pass travers une fonction de transfert f() gnralement non-linaire qu'on appelle fonction d'activation. Celle-ci limite l'amplitude de sortie du neurone dans un certain intervalle born, usuellement de [0,1] ou bien encore de [-1,1].

43 On peut reprsenter mathmatiquement le traitement que fait le neurone lmentaire par les quations suivantes:
N

V.X.+0

(1)

y = /(*)

(2)

Les poids w, et 6 constituent les paramtres libres du systme et doivent tre ajusts.

Dans les premiers travaux fondateurs de McCulloch et Pitts sur le Perceptron la fonction d'activation tait une simple fonction de seuillage brutale de type sign(x). Ds lors, la sortie du rseau ne pouvait prendre que des valeurs binaires (-1 ou +1). Cela tait peut-tre utile pour des tches de classification. Cependant, de nos jours, il est plus usuel d'utiliser une fonction continue de forme sigmodale. C'est de loin la fonction la plus utilise dans la littrature sur les rseaux de neurones artificiels (RNA). Elle a les avantages d'tre continue, limitante pour la sortie ("squashing") et bien differentiate. Algbriquement, on la retrouve sous deux formes trs voisines l'une de l'autre. Soit la fonction log-sigmode:

soit la fonction tangente hyperbolique:

44 y = tanh(x) = ex - e
x

(4)

Elles diffrent principalement par leur intervalle de sortie, soient [0,1] et [-1,1] respectivement. Les formes graphiques de celles-ci sont illustres aux figures 3.2 et 3.3.

0.8 0.6

0.2

Figure 3.2: Fonction sigmodale

0.5

Figure 3.3: Fonction tangente hyperbolique

45 Dans certaines architectures de rseaux de neurones (ex: ADALINE) on retrouve plutt une fonction de transfert purement linaire.

Figure 3.4: Fonction de transfert linaire

Ce modle formel est videmment une approximation trs grossire de la ralit biologique. Toute la dynamique complexe de la gnration des influx nerveux est simplement reprsente par une fonction scalaire sans mmoire f(). En fait, il n'y a pas de dynamique interne. Pour des poids fixes, le neurone effectue une opration statique. Ce modle intgre plutt les proprits spatiales distribues du neurone biologique. Mais bien sr, les buts de l'ingnieur sont bien diffrents de ceux des neurobiologistes...

l'instar des systmes biologiques, les capacits calculatoires d'un neurone isol sont plutt limites. De loin, les applications les plus russies des neurones uniques sont les filtres FIR (Finite Impulse Response) adaptatifs dvelopps en premier au dbut des annes 1960 parWidrowet Hoff [63]. Dans ce cas, les entres au neurone sont fournies partir d'une ligne dlai (s(k) = w,- x(k-i),o k est un

46 indice temporel discret ). Typiquement, seulement une fonction d'activation linaire est utilise dans ce cas. Les filtres adaptatifs constituent un outil fondamental du traitement du signal avec des applications pratiques allant de l'galisation adaptative l'annulation active du bruit.

47 3.3 TYPES DE TOPOLOGIE

Un rseau de neurones rsulte de l'arrangement du modle de base du neurone individuel dans diverses configurations. Plusieurs architectures sont donc envisageables. On doit cependant raliser que les algorithmes utiliss pour entraner les RNA ont une adquation trs forte avec une architecture donne, c'est--dire qu'ils leurs sont intimement lis. Jusqu' ce jour, plusieurs topologies et algorithmes

d'apprentissage ont t imagins et conus.

On distingue trois principaux types d'architecture: les rseaux propagation avant unicouches (ex: ADALINE) les rseaux propagation avant multicouches (ex: Multilayer Perceptron, Radial-Basis Functions network) les rseaux rcurrents (ex: rseau d'Elman, Dynamic Recurrent Neural Network)

Les rseaux propagation avant sont caractriss par le fait que les signaux ne se propagent que dans une seule direction, c'est--dire des noeuds d'entre vers les noeuds de sortie. Dans le cas des rseaux unicouches, on ne retrouve qu'une seule couche de neurones soit la sortie tel qu'illustr figure 3.5. Il s'agit de la forme la plus simple, celle qui fut utilise historiquement en premier jusqu'au milieu des annes 1980.

48

Couche d'entre

Couche de sortie

Figure 3.5: Rseau propagation avant unicouche

La seconde classe d'architectures, soit les rseaux propagation avant, constitue de loin la configuration la plus populaire et la plus utilise. Elle se distingue telle qu'illustre la figure 3.6 par la prsence d'une ou plusieurs couches caches comportant des noeuds calculatoires internes nomms juste titre neurones cachs. Leur rle est d'intervenir entre les entres externes et les sorties du rseau, chaque couche alimentant dans une seule direction les couches successives. En ajoutant ainsi des couches caches, le rseau peut extraire des statistiques d'ordre suprieur et augmenter sa puissance de reprsentation. Cette architecture devint populaire au milieu des annes 1980 lorsque Rumelhart et McClelland [48] redcouvrirent et publirent un algorithme appropri pour l'entraner: la rtropropagation ("backpropagation algorithm'). C'est toutefois Werbos [62] qu'on doit la paternit de la

49 dcouverte originelle de la rtropropagation.

Couche d'entre

Couche cache

Couche de sortie

Figure 3.6: Rseau propagation avant multicouche

La troisime classe d'architectures, soit les rseaux rcurrents, se distingue des rseaux propagation avant par le fait qu'elle contienne des boucles de rtroaction (ou liens rcurrents). Une partie du signal de sortie peut revenir l'entre. On peut aussi imaginer de la rtroaction sur des cellules caches comme on le voit la figure 3.7. Ce changement structurel a un impact profond sur la capacit d'apprentissage du rseau et son fonctionnement. De plus, les boucles de rtroaction utilisent des branches composes d'lment retard unitaire (dnot par z1) rsultant en un comportement dynamique non-linaire. Ainsi, le rseau peut acqurir ds lors un comportement temporel proprement dit.

50

-1
Couche cache avec rcurrence Couche de sortie

Couche d'entre

Figure 3.7: Rseau rcurrent avec neurones cachs

51
3.4 ALGORITHME STANDARD D'APPRENTISSAGE

La relation spcifique associe un rseau en couches est dtermine par les valeurs des poids synaptiques. Entraner un rseau consiste donc trouver un ensemble de poids qui produit une application entre->sortie dsire. Dans la plupart des cas, le relation exacte n'est pas connue d'avance. Seuls des exemples spcifiques de paires entre/sortie peuvent tre disponibles pour faire l'apprentissage.

Figure 3.8: Apprentissage supervis (tir de rf. [58])

Dans la littrature, cette mthodologie est catgorise sous le nom d'apprentissage supervis (par opposition l'apprentissage automatique ou non-supervis existant dans d'autres domaines d'application telle que la reconnaissance des formes), voir la figure 3.8. Le rseau est aliment avec un ensemble d'entranement comportant des vecteurs d'entre, chacun tant associ avec une sortie correspondante dsire ({x^d^.-.^dp)} o les x, sont les variables d'entre et les d, constituent les variables de sortie correspondantes dsires. Pour une entre x donne, la

52 diffrence avec la sortie dsire et la sortie effective du rseau constitue le signal d'erreur: e = d - y, o y est la rponse effective du rseau en cours d'apprentissage.

L'erreur quadratique totale sur l'ensemble d'apprentissage complet est alors donne par:

*>P

(4)

P=I

L'objectif de l'entranement est de dterminer l'ensemble des poids w qui minimise la fonction de cot J sous contrainte de garder la topologie du rseau fixe. Ainsi, nous pouvons voir que faire l'apprentissage du rseau de neurones revient un problme d'optimisation numrique standard. Due la structure non-linaire du rseau, un algorithme stochastique de descente le long du gradient est le choix le plus populaire comme mthode d'optimisation. Aprs la prsentation d'un chantillon provenant de l'ensemble d'apprentissage, les poids sont adapts selon: Aw = -juV (5)

eTe o V = est la valeur instantane du gradient de l'erreur correspondant au ON

patron d'entre courant, (j, est une constante qui contrle la vitesse d'apprentissage.

53 La rtropropagation

Pour compltement spcifier l'algorithme d'apprentissage nous devons fournir une expression explicite de l'erreur du gradient. Les drives partielles correspondant chaque poids synaptique doivent tre trouves. La rtropropagation n'est rien de plus qu'un algorithme efficace pour les trouver. Malgr tout, cela demeure la perce la plus significative dans le domaine des rseaux de neurones dans les deux dernires dcennies. L'algorithme a t dcrit en premier par Werbos [62] en 1974. Cependant, ce n'est qu'en 1986 lorsqu'il fut prsent par Rumelhart et McClelland [48] qu'il acquit une relle acceptation dans la communaut scientifique.

Cas du neurone unique

N

Considrons d'abord un seul neurone linaire dcrit par: y = T ] w,x ; =

wTx,

o w^i/i/^w,,...,!/!^] et x=[f,x,,...,x w ]. Dans ce cas, il vient:

et le changement de poids est alors donn par: w = 2/uex

(7)

Ceci constitue l'algorithme du Moindre Carr Moyen (LMS) trs utilis pour le

54 traitement adaptatif des signaux. Il sert aussi entraner le rseau ADALINE. Pour des donnes de nature statique, cet algorithme itratif est quivalent une rgression linaire multiple et converge asymptotiquement vers la solution optimale au sens de la minimisation de l'erreur quadratique [21].

Cas d'un rseau multicouche La rtropropagation peut tre vue comme une extension de l'algorithme du LMS. Pour calculer le gradient vis--vis des poids, on utilise la rgle de drivation en chane:

o 3 1

Ici, l'indice "j" rfre l'ordinal du neurone de la couche "I"; l'indice "i" quant lui rfre l'ordinal de la connexion affrente au neurone "j"- Les termes "s" sont les jonctions sommatrices alimentes par les poids en question et les termes "a" sont les valeurs d'activation agissant comme entres pour les poids (elles sont multiplies par ceux-ci); les w sont les valeurs de poids. Cela nous amne l'quation de mise jour des poids suivante:

AwJ = -M'ja1-1

(9)

55 C'est la gnralisation de l'algorithme du LMS cherche et elle demeure valide pour n'importe quel poids du rseau. Le terme d'erreur est associ chaque neurone individuel, il mesure la sensibilit une perturbation un noeud donn. Il constitue une sorte "d'erreur locale". Les valeurs des sont drives rcursivement en partant de la couche de sortie:

as)

c) ds)

tyj

'

o f est la drive de la fonction de transfert value la valeur courante de la jonction sommatrice et L est l'indice de la couche de sortie. L'activation des neurones de sortie a t remplace par la valeur de la sortie y.

Pour la couche de sortie, chaque neurone a une rponse dsire connue. Ds lors, STe e) djdjyj) = - = 2e, = -2e,

dyj

yj

fy

(11)
}

Substituer pour l'erreur donne donc: Sj = -2ejf

(s1: ).

(12)

Le calcul des internes est compliqu par le fait qu'il n'y pas de rponse

56 explicite dsire dans les couches internes. Cependant, les neurones cachs

influencent la rponse la sortie par l'intermdiaire des poids par lesquels ils s'attachent aux couches suprieures. En employant encore la rgle de la drivation en chane:
,
1

_
~

La sommation se fait sur toutes les branches que le neurone / de la couche /

alimente. On note que:

-^-j-= as,

w\jX f {s\) .

D p l u s , S -j

/ \

Faisant les substitutions ncessaires, cela conduit la relation suivante:

II s'agit d'une forme recursive dans laquelle les termes prcdemment calculs sont "retropropags" vers l'arrire travers les connexions synaptiques.

L'algorithme de rtropropagation pour les rseaux multicouches peut donc tre rsum ainsi:

57
Avv^ = -C/~M

=L

s!=\

Pour les poids de biais il faut noter que la valeur de l'activation est unitaire. On peut observer aux figures 3.9-3.10 qu'il y a une symtrie entre la phase de propagation avant de la valeur d'activation des neurones et la phase de propagation arrire avec les termes 6. Tous les calculs sont localement distribus, l'information circulant bidirectionneliement travers les connexions synaptiques. Cet algorithme possde un cot d'excution en O(n) o n est le nombre de neurones, ce qui le rend trs attrayant.

Pour rsumer le processus, un patron d'entre x est fourni. L'entre cause une propagation de l'activit des neurones rsultant en une sortie y. La sortie est

compare avec la rponse dsire d ce qui donne un vecteur d'erreur e. Le gradient de l'erreur quadratique est rcursivement "rtropropage" travers le rseau dans la direction inverse. Les poids sont alors ajusts de manire stochastique (ou en lot) selon la descente du gradient. Ce processus est rpt plusieurs fois jusqu' ce que l'erreur atteigne un niveau acceptable.

58

Figure 3.9: Processus de rtropropagation (tir de ref [58])

Figure 3.10: Dtails du processus de rtropropagation (tir de ref[58])

59 3.5 STRUCTURE PRDICTIVE TEMPORELLE

L'utilisation type des rseaux de neurones statiques se situe dans le traitement de formes spatiales. Par contraste, la prdiction de patrons temporels ncessite le traitement de patrons qui voluent squentiellement travers le temps; la rponse un instant particulier du temps dpend non seulement de la prsente valeur de l'entre mais aussi potentiellement des valeurs passes du processus. Ceci vient du fait que le temps est une notion ordonne par nature.

Dans ce contexte, selon Mozer [44] un systme prdictif peut tre vu comme tant compos de deux partie distinctes (voir fig. 3.11). La premire composante est constitue par une mmoire court-terme qui retient des aspects de la squence d'entre pertinents pour la prdiction. C'est la mmoire qui a la responsabilit de tenir compte de la nature temporelle de l'information. La deuxime composante est un module prdictif qui utilise l'information contenue dans la mmoire court-terme pour fournir une prdiction en sortie.

60

entre ^ court-terme

mmoire

prdicteur ^ sortie

Figure 3.11: Structure temporelle prdictive

Dans le cadre des rseaux de neurones, le prdicteur sera souvent un rseau propagation avant alors que la mmoire court-terme pourra avoir des connexions internes rcurrentes. Plusieurs architectures de mmoire ont dj t proposes: ligne dlai, trace exponentiel, mmoire gamma, etc. La forme la plus simple de mmoire et la plus courante est sans contredit la ligne dlai. Elle consiste en une banque d'oprateurs dlai unitaire qui permet d'aller chercher un chantillonnage rgulier des p valeurs les plus rcentes d'une variable: [X(t-1) X(t-2) X(t-3)... X(t-p)]. Il faut noter que cette forme de mmoire possde une rsolution et une profondeur constante et uniforme, c'est--dire qu'elle traite chaque valeur sur le mme pied d'galit (autant le pass "lointain" que le pass "proche"). Ceci termine notre survol des rudiments des rseaux neuronaux. Nous aborderons au prochain chapitre les donnes statistiques et les architectures spcifiquement tudies.

CHAPITRE 4 DONNES D'ENTRANEMENT ET ARCHITECTURES

62 4.1 SOURCE DES DONNES

Dans le but d'amliorer la surveillance de leur propre rseau lectrique, HydroQubec a instaur un systme de surveillance en temps rel (SYGIVRE) bas sur un dtecteur de glace modifi appel le givromtre [29]. Prsentement, ce systme peut dtecter la glace atmosphrique localement et peut donner une estimation des charges d'accumulation de glace sur les lignes de transport. Bas sur ces estims, des avertissements sont mis selon trois niveaux de svrit: lger, mdium et svre.

Dans le cadre du systme SYGIVRE, Hydro-Qubec a quip le Mont-Blair avec de l'instrumentation [19,39,50]. Pour faire l'entranement de modles base des rseaux de neurones nous avons utilis des donnes provenant de ce site de mesure du Mont-Blair, se trouvant 25 km au nord-ouest de Qubec. Situ une altitude de 490 m, ce site se trouve localis dans la valle du St-Laurent et entour par la chane de montagnes des Laurentides. Les vents principaux, gnralement orients selon l'axe du fleuve St-Laurent, sont souvent chargs d'humidit. Par consquent, le site est frquemment le thtre d'vnements de glace atmosphrique importants. Il reoit tous les types de glace atmosphrique: verglas, givre de nuage, neige fondante. Sa situation topogographique et la prsence de deux lignes de haute tension (315 kV et 735 kV) qui le croisent rendent ce site trs appropri pour l'observation de l'influence de la glace atmosphrique (voir figure 4.1). Pour notre

63 travail de recherche, nous n'avons considr que la ligne de 315 kV.

Figure 4.1: Schma du site de mesure du MontBlair

La plupart des variables mtorologiques standards y sont mesures: la temprature ambiante de l'air, l'humidit relative, la vitesse et la direction du vent, le taux de prcipitation. Hydro-Qubec a install des capteurs de force pour mesurer les forces mcaniques dues aux poids de glace. Un systme de mesure de charge dvelopp par Ontario-Hydro, le TLNS-10, a t install sur la ligne de 315 kV. Le capteur de force install entre la chane d'isolateurs et le pylne mesure la force applique dans l'axe des isolateurs et deux angles de rotation suivant les axes longitudinal et latral de la ligne. Le capteur de force donne une mesure relie la tension verticale mcanique. Un algorithme de calcul peut convertir la lecture directe en une masse de glace par unit de longueur (en kg/m) ou en un taux horaire

64 d'accrtion (kg/m/h). noter que le signal brut du capteur n'est pas talonn directement en newtons mais fournit une lecture qui lui est proportionnelle (transducteur linaire).

Le site est galement dot d'un givromtre dvelopp par Hydro-Qubec qui permet d'estimer l'intensit des conditions givrantes. Il enregistre l'arrive des

vnements de givrage ou de verglas ainsi que leur dure. Sa sonde (Rosemount 871) est un cylindre de 6,2 mm en diamtre et de 25,4 mm de longueur. Un

oscillateur force la sonde vibrer dans le sens longitudinal, parallle son axe. Il est opr sa frquence de rsonnance lorsque libre de dpts de glace; cependant, l'accumulation de glace va causer un dcalage de la rsonnance correspondant une augmentation de la charge de la glace sur la sonde. Aprs qu'une certaine paisseur de glace fixe d'avance se soit accumule, la sonde est dglace par chauffage et un nouveau cycle recommence. l'aide d'un circuit lectronique de contrle, la sonde est calibre pour mettre un signal pour un dcalage de frquence de 123 Hz, correspondant 602 mg de glace accumule sur le cylindre.

Toutes ces informations sont enregistres en continu et transmises Montral par divers moyens de communication: par lignes tlphoniques, par tlphones cellulaires et par satellites. Les donnes sont alors lues et traites de manire automatique par le systme de surveillance SYGIVRE qui met des avis d'vnements si ncessaire.

65 Puisque ces variables possdent un caractre continu (exception faite du signal de givromtre), elle sont moyennes temporellement et fournies sur une base horaire (une moyenne est prise pour une priode d'une heure). Ces donnes sont

emmagasines dans les serveurs centraux du systme SYGIVRE.

Dans le contexte du prsent travail de recherche, nous avons d retenir certaines grandeurs physiques et en omettre d'autres. Les modles utilisaient

comme variables d'entre la temprature ambiante, la vitesse normale du vent et les signaux de givromtre. Pour ce qui est du vent, nous avons seulement considr la composante perpendiculaire (normale) la ligne de haute-tension; la composante tangentielle apporte une contribution beaucoup plus faible l'accumulation de la glace atmosphrique et a donc t limine. Quant au givromtre, le signal a t pris sous la forme de nombre de cycles (coups) par heure.

Comme variable de sortie, le signal provenant du capteur de force sur la ligne de 315 kV a t utilis. Dans une certaine version des modles, nous avons fait un usage direct du signal instrumental en volts qui est proportionnel la charge mcanique totale. Dans une autre version des modles, nous avons pris le taux mtrique horaire d'accrtion tel que donn par un algorithme de conversion [49]. cause de questions logistiques informatiques, nous n'avons pas pu faire un usage uniforme des deux mthodes sur l'ensemble de la priode couverte par notre recherche. (Les donnes des deux versions se recoupent partiellement dans le temps

66 mais ne concident pas compltement). Le conditionnement de sortie et les questions techniques qui s'y rattachent se trouvent en dehors de la problmatique fixe dans le cadre de cette tude. Pour rsumer donc, les modles suivaient le schma de la figure 4.2.

temprature vitesse normale du vent signal de givromtre

w+> ^ ^ ^^ ^^ charge (directe ou taux)

Figure 4.2: Schma global du modle

67 4.2 PR-TRAITEMENT

Avant de fournir les donnes aux modles base de rseaux de neurones, celles-ci ont ncessit un certain pr-traitement qui consistait en une slection volontaire de donnes pertinentes et des transformations prparatoires pour les adapter aux techniques "connexionistes".

Pour les modles utilisant le signal instrumental du capteur de force, une base de donnes exprimentales a t cre en utilisant 33 vnements de givrage qui survinrent durant la priode couvrant de fvrier 1998 avril 1999 inclusivement. Ce qui totalise environ 1250 points. Dans ce cas, il s'agissait des seules donnes disponibles. Pour les modles bass sur le taux d'accrtion, nous avons pu inclure de manire additionnelle des donnes concernant l'anne 2000 ce qui permit de crer une deuxime base de donnes distincte de la premire.

La dfinition d'un "vnement" de glace atmosphrique et sa dlimitation temporelle taient entirement bases sur les avis automatiques mis par HydroQubec par l'intermdiaire du systme SYGIVRE. Un vnement de givre ou de verglas et son processus physique peuvent tre diviss en trois phases de nature distincte: la phase d'accrtion (accumulation croissante de la charge de glace), phase de persistance (tat stable du poids de glace) et phase de dlestage (perte graduelle et/ou chute de la glace). En considration de ce fait, une seconde srie de donnes

68 a t construite dans laquelle on ne retrouve par consquent que la phase d'accrtion. Celle-ci contenait environ 520 points (pour la priode 1998-1999). Chaque

base de donnes fut ensuite sous-divise en deux ensembles de donnes dans le but d'entraner et de valider les modles neuronaux. Dans ce cas, la rgle 75/25 fut utilise, c'est--dire que 75% des donnes servirent l'apprentissage et 25% servirent effectuer la validation.

Aprs slection, les donnes furent transformes. D'abord, sur le serveur SYGIVRE originel, la vitesse du vent se trouvait sous la forme vlocit/azimut. Un simple calcul trigonomtrique permit d'extraire la composante normale de la vitesse du vent (connaissant l'orientation absolue de la ligne de 315 kV); la composante tangentielle a t limine parce qu'elle apporte une contribution ngligeable au phnomne d'aprs [40].

Le signal brut du givromtre subit galement une transformation. Sous la forme originelle dans SYGIVRE, un compteur existe qui maintient un dcompte cumulatif des coups de givromtre reus; celui-ci se rinitialise automatiquement au bout de 1000 impulsions. Pour obtenir le taux d'impulsion horaire, on a d soustraire la diffrence entre deux tats successifs du compteur pour un intervalle d'une heure (ex: taux = 570 (compteur 9h00) - 560 (compteur 8h00) = 10 impulsions / heure).

69 Une transformation pralable fut galement applique au signal brut du capteur de force. Pour chaque vnement individuel, celui-ci fut dcal d'une valeur

constante de telle sorte enlever exactement un quelconque dcalage initial au dbut de l'vnement. Cela fut fait pour homogniser les conditions de dpart au dbut de chaque vnement. De plus, il semble que sur toute la priode (fvrier 1998 - avril 1999) d'o les donnes furent tires, le calibrage du capteur de force ait chang une fois. Cette transformation fut applique pour combattre aussi un ventuel changement systmatique du niveau de base du signal instrumental du capteur de force. Pour ce qui est du taux mtrique d'accrtion, nous n'avons pas fait d'ajustement spcifique puisqu'il reprsente la drive temporelle de la charge.

Enfin, chaque variable a t normalise l'intervalle de variation unitaire [0..1] par une simple transformation affine. Il s'agit d'une transformation trs classique et universellement utilise pour les rseaux de neurones qui permet d'obtenir une convergence plus rapide et une meilleure adaptation. Cette normalisation assure que les variables d'entre et les variables de sortie soient de l'ordre de l'unit, auquel cas on s'attend ce que les poids synaptiques du rseau soient galement de l'ordre de l'unit. Les poids peuvent alors recevoir une initialisation alatoire approprie avant de commencer l'apprentissage. Sans ce changement d'chelle linaire, on se

trouverait dans l'obligation de trouver une solution pour les poids dans laquelle certains poids auraient des valeurs dramatiquement diffrentes des autres [3, 21].

70 4.3 ANALYSE STATISTIQUE

On prsente dans cette section une analyse statistique sommaire des donnes utilises pour faire l'entranement des modles. Cette analyse n'a pas t pousse trs loin mais peut donner une ide de la variabilit et de la nature des donnes et du degr de relation existant entre les variables. La dfinition de notre problmatique n'incluait pas une recherche statistique profonde mais visait plutt faire une tude comparative de diffrents modles base de rseaux de neurones.

D'abord, suivent les graphiques montrant l'volution des diffrents paramtres (temprature, vitesse normale du vent, nombre d'impulsions de givromtre, signal du capteur de force, taux d'accrtion). Il faut noter que la dlimitation des vnements n'est pas identifie, c'est--dire que tous les vnements sont juxtaposs. De ce fait, il y a videmment des discontinuits dans les signaux prsents. On montre l'vnement complet et non pas seulement la phase d'accrtion.

71
Evolution de la temperature

200

400

600 800 Temps (heures)

1000

1200

1400

Figure 4.3:

Graphique de la temprature en fonction du temps

Evolution de la vitesse du vent

200

400

600 800 Temps (heures)

1000

1200

1400

Figure 4.4:

Graphique de la vitesse normale du vent en fonction du temps

72
Evolution du signal de givromtre

200

400

600 800 Temps (heures)

1000

1200

1400

Figure 4.5:

Graphique du signal de givromtre en fonction du temps

Evolution du signal de la cellule de charge

-0.5 0 200 400 600 800 Temps (heures) 1000 1200 1400

Figure 4.6: Graphique du signal du capteur de force en fonction du temps

73
Evolution du taux d'accrtion

200

400

600

800 1000 1200 Temps (heures)

1400

1600

1800

Figure 4.7: Graphique du taux d'accrtion en fonction du temps

Pour avoir une ide globale plus juste du lien statistique unissant les variables, il est commode de reprsenter les donnes par un nuage de points. Puisque notre problme possde une dimensionnalit suprieure 3, nous ne pouvons pas tout prsenter dans un seul graphique. Par contre, on peut visualiser le signal de charge ainsi que le taux d'accrtion avec chacune des variables d'entre formant ainsi six couples, voir les figures 4.8-4.12.

74

Figure 4.8: Nuage de points du signal de charge avec le signal de givromtre (chelle verticale en volts)

Figure 4.9: Nuage de points du taux d'accrtion avec le signal de givromtre (chelle verticale en kg/m/h)

75 On peut observer dans les deux figures prcdentes que les vnements faible coups de givromtre sont plus frquents que ceux avec un fort taux. De plus, il n'y a pas de diffrence substantielle entre le signal du capteur de force et le taux d'accrtion vis--vis du givromtre.

Figure 4.10: Nuage de points du signal de charge avec la temprature (chelle verticale en volts)

76

Figure 4.11 : Nuage de points du taux d'accrtion avec la temprature (chelle verticale en kg/m/h)

Aux figures 4.10 et 4.11, on peut noter une trs forte concentration de points dans la zone de temprature entre 0C et -7C. Pour des froids plus intenses, il ne semble pas qu'il y ait d'accumulation apprciable puisque le signal de charge demeure son niveau de base. Ceci se confirme par le taux d'accrtion qui affiche un groupement autour de la valeur nulle pour les mmes tempratures. Dans la figure 4.11, on observe un nombre apprciable de points dans la plage ngative d'accrtion autour de l'abscisse T=0, ceci correspond du dlestage.

77

Figure 4.12: Nuage de points du signal de charge avec la vitesse normale du vent (chelle verticale en volts)

0.4 + + +

0.2
~h-L. j r -iFfj-tf "77HII | l k ui 1 1 ji

01
' li
ir~ ^\".

+-H- #
| [[ j

++ + +

Tauxc "accretion

H+

-0.2
+

-t-

+ -F +
+

-0.4

-0.6

-0.8

10 15 20 Vitesse du vent (km/h)

25

30

Figure 4.13: Nuage de points du taux d'accrtion avec la vitesse normale du vent (chelle verticale kg/m/h)

78 II ne semble pas exister de lien flagrant entre le signal de charge et la vitesse normale du vent (figures 4.12 et 4.13). On peut noter toutefois une valeur "critique" de vitesse normale de vent autour de laquelle il y a une augmentation de la charge, soit 15 km/h. Le taux d'accrtion ne prsente pas non plus de lien statistique vident l'oeil. En fait, l'parpillement des points semble plutt indiquer que la vitesse normale du vent soit encore moins corrle que dans le premier cas.

On peut aussi caractriser la variabilit des paramtres prcdents par des statistiques standards. Une information utile cet gard pour cette tude est la corrlation existant entre les variables qui nous permet d'estimer le degr de dterminisme entre celles-ci; celle-ci est donne dans les tableaux qui suivent pour les diffrentes bases de donnes.

Tableau 4.1 Matrice de corrlation normalise des paramtres pour l'ensemble avec la phase d'accrtion et le signal du capteur de force
vitesse normale du vent temprature vitesse normale du vent givromtre capteur de force -0,047 X X X givromtre 0,18 0,15 X X capteur de force 0,16 0,27 0,33 X

79
Tableau 4.2 Matrice de corrlation normalise des paramtres pour l'ensemble avec l'vnement complet et le signal du capteur de force
vitesse normale du vent temprature vitesse normale du vent givrometre capteur de force 0,01 X X X givrometre 0,23 0,1 X X capteur de force 0,19 0,14 0,35 X

On peut se rendre compte que le signal de charge est corrl avec un certain degr aux trois variables d'entre en question. Pour ce qui est de la phase d'accrtion, le givrometre et la vitesse normale du vent ont une corrlation presqu'aussi importante avec la charge (le givrometre possdant une certaine supriorit cet gard); la temprature suit en troisime. Pour l'vnement complet, c'est le

givrometre qui donne une meilleure indication de la charge, la vitesse normale du vent et la temprature ayant une importance alors comparable.

Malgr ces coefficients non nuls qui montrent une certaine tendance, il faut cependant observer que le degr de corrlation est somme toute encore faible: 35% et moins. Avec ces statistiques, il nous est difficile d'imaginer que l'on puisse tablir un modle entirement dterministe qui fournirait une prdiction vraiment exacte. On note aussi que le signal de givrometre est corrl de manire non ngligeable la temprature et la vitesse normale du vent.

80

Tableau 4.3 Matrice de corrlation normalise des paramtres pour l'ensemble avec la phase d'accrtion et le taux d'accrtion
vitesse normale du vent temprature vitesse normale du vent givromtre taux d'accrtion -0,05 X X X givromtre 0,14 0,32 X X taux d'accrtion 0,08 0,40 0,60 X

Tableau 4.4 Matrice de corrlation normalise des paramtres pour l'ensemble avec l'vnement complet et le taux d'accrtion
vitesse normale du vent temprature vitesse normale du vent givromtre taux d'accrtion -0,05 X X X givromtre 0,17 0,16 X X taux d'accrtion -0,07 0,02 0,34 X

Ici, le taux d'accrtion est fortement corrl la rponse du givromtre en phase d'accrtion. Le vent joue un rle important aussi alors que la temprature affiche un effet moindre. Dans le cas des vnements complets, les corrlations sont moins fortes. De manire surprenante, le vent a une corrlation presque nulle dans ce cas avec le taux d'accrtion. Nous pouvons postuler que cela est attribuable la phase de dlestage qui "brouille" le lien statistique par rapport au premier cas.

81 4.4 ARCHITECTURES EXPRIMENTES

On dcrit ici les architectures exprimentes lors de ce travail de recherche. Les modles base de rseaux de neurones que nous avons implments peuvent tre placs trs globalement dans deux catgories diffrentes: les architectures statiques qui ne tiennent compte que de l'organisation spatiale mais qui ngligent la "composante" temps, les architectures temporelles qui incorporent la dimension temporelle dans le traitement de l'information. Les premires sont plus connues et mieux

solidement implantes dans la littrature parce qu'elles apparurent l'origine. Les secondes sont moins bien comprises et ont reu l'attention des chercheurs depuis une poque plus rcente que les architectures statiques. tant donn leur plus grande complexit, leurs possibilits et leurs limitations sont moins bien circonscrites.

Dans la catgorie des architectures statiques, nous avons implment le Perceptron multicouches (MLP: Multilayer Perceptron) et le rseau fonctions de base radiales (RBF: Radial-Basis Functions network). Dans la catgorie des architectures temporelles, nous avons expriment le rseau rponse impulsionnelle finie (FIR: Finite-Impulse Response) et le rseau rcurrent Elman. titre de

comparaison, nous avons aussi inclus dans notre tude le rseau ADALINE qui est en fait quivalent une rgression linaire multiple.

82 Commune toutes ces architectures, le nombre de neurones d'entre tait fix trois (nombre de variables d'entre) et il n'y avait qu'un neurone de sortie (charge ou taux d'accrtion). Le nombre de neurones dans la couche intermdiaire fut vari.

4.4.1 Architectures statiques

4.4.1.1 Perceptron Multicouches (MLP)

C'est le rseau de neurones le plus couramment rencontr. Il comprend des couches multiples (couche d'entre, une ou plusieurs couches caches, couche de sortie). Les signaux se propagent de l'entre vers la sortie (direction de propagation avant). La fonction de transfert est de type sigmodale (log-sigmode). Pour effectuer l'apprentissage nous avons utilis une modification de l'algorithme standard de rtropropagation appel la "rtropropagation avec terme de moment". Le moment permet au rseau de rpondre non seulement au gradient local mais aussi aux tendances rcentes de la surface d'erreur (hypersurface de la fonction de cot vis-vis des paramtres libres du rseau, c'est--dire les poids synaptiques). Agissant comme un filtre passe-bas, le moment permet au rseau d'ignorer des petits dtails de la surface rduisant ds lors la probabilit que l'algorithme d'apprentissage ne reste coinc dans un minimum local non globalement optimal. Le moment peut tre ajout l'apprentissage par rtropropagation en gardant une mmoire du changement

83 de poids le plus rcent. L'amplitude de cet effet peut-tre slectionne par la

"constante de moment". Typiquement, elle prend la valeur mc=0,9. Nous avons conserv cette valeur standard. Selon le nouvel algorithme, la formule d'apprentissage devient alors:
AwJ = me AwJ + (1 - mc)/jS'ja'-1 (1 )

4.4.1.2 Rseau Fonctions de Base Radiales (RBF)

Le RBF possde aussi une topologie de type propagation avant l'instar du Perceptron Multicouches. Le principe du rseau de fonctions bases radiales drive de la thorie de l'approximation fonctionnelle. Il s'agit en fait d'une dcomposition radiale de l'espace d'entre. tant donnes des paires (x,-, y) on cherche une fonction fde la forme suivante:

yi=f(x) = fjc,h(\\x-l\)

(2)

o h est une fonction d'interpolation radiale, les f; sont les centres ncessitant une slection; les coefficients c,- constituent les paramtres libres qui doivent tre

optimiss; les x, sont les vecteurs d'entre, h est appliqu la distance euclidienne entre les centres d'interpolation et les vecteurs d'entre. Habituellement, une fonction qui possde un maximum de sensibilit une distance nulle mais qui dcrot

84 asymptotiquement vers les distances infinies est choisie. Dans notre cas, nous avons fait usage de la fonction gaussienne qui constitue le choix le plus usuel dans ce contexte.

On peut voir que cette forme mathmatique peut s'interprter comme un rseau de neurones dont la couche cache est constitue de neurones radiaux alors que la couche de sortie est purement linaire. Dans notre travail, le nombre de neurones dans la couche cache a t progressivement augment un la fois par un algorithme constructif qui choisit automatiquement les centres appropris des fonctions bases radiales. Le nombre maximal de neurones cachs permis l'algorithme a t choisi comme paramtre de conception. Il faut aussi noter qu'un autre paramtre ajustable tait disponible dans l'algorithme qu'on appelle la "constante d'chelle". Elle permet de fixer la taille effective de l'espace couvert par chaque fonction de base; conceptuellement, elle s'assimile un rayon au sens gomtrique. Nous avons choisi 0,1 comme valeur qui nous semblait sense tant donn que les variables avaient t pralablement normalises l'intervalle unitaire [0..1].

85 4.4.2 Architectures dpendantes du temps

4.4.2.1 Rseau Rponse Impulsionnelle Finie (FIR)

Ce rseau fut introduit par W a n [58-60] en 1993. Il ressemble au Perceptron multicouches propagation avant standard except que chaque synapse est remplace par un filtre adaptatif FIR linaire tel qu'illustr la figure 4.14. Le filtre FIR forme une somme pondre des valeurs passes des entres.

xtk-lt
m
4#

xtk-2)

<

Wilt '-.*'

1 * 1

-,*

.^4
i
X/

trTj '^ f

.tfjtj

m
(k) (k)

FiMftlm*

!'?
Neuron

Figure 4.14: Architecture du rseau FIR (tir de rf. [59])

86 Le corps du neurone reoit les signaux filtrs et passe la somme travers une fonction non-linaire limitante. Les neurones sont arrangs en couches successives avec des connexions de filtres synaptiques. Les coefficients des filtres FIR constituent les paramtres libres du systme que l'on doit optimiser pour minimiser l'erreur de prdiction. L'entranement du rseau s'effectue par l'intermdiaire d'une modification de l'algorithme de rtropropagation standard appele la rtropropagation temporelle dans laquelle les termes d'erreur sont symtriquement rtro-filtrs dans la direction inverse travers le rseau. Il s'agit en fait d'une extension naturelle au domaine temporel de l'algorithme standard.

On peut concevoir ainsi que ce rseau remarquable effectue un traitement temporel complexe d'une manire compltement distribue par le truchement des filtres FIR se trouvant chaque synapse. La prise en compte de la dimension temporelle se trouve contenue dans la structure intrinsquement globale du rseau et non seulement par un quelconque artifice d'entre.

Dans notre exprience, le rseau ne possdait qu'une seule couche cache. Pour les deux premires couches (couche d'entre, couche cache), la fonction de transfert utilise tait la tangente hyperbolique alors que les neurones de sortie utilisaient une fonction linaire. Ceci constitue le choix le plus appropri pour une tche de prdiction rgressive par opposition une tche de classification et/ou de catgorisation. L'ordre de dlai des filtres FIR fut choisi 3:2 (ordre 3 l'entre,

87 ordre 2 pour la couche cache). Ces paramtres ont t slectionns quelque peu empiriquement. On doit comprendre toutefois qu'il est inutile de fixer la profondeur du dlai des filtres un degr beaucoup plus lev que les corrlations croises existant entre les variables. Les valeurs passes lointaines ont vraisemblablement moins d'impact prdictif que les valeurs plus rcentes. tant donn la nature volatile de notre problmatique (tempte de givre), nous avons considr qu'un dlai effectif de 5=3+2 pas de temps (5 heures) tait entirement suffisant. De plus, puisque les vnements de givre atmosphrique ont une certaine dlimitation dans le temps, nous ne pouvions pas nous permettre de prendre des ordres de dlai sensiblement plus levs.

4.4.2.2 Rseau rcurrent d'Elman

Elman [11] a propos en 1990 une architecture de rseau de neurones rcurrente pour la tche de prdiction de phonmes. Le rseau d'Elman comprend des connexions rcurrentes des neurones cachs vers une couche d'units contextuelles constitues de dlais unitaires. Ces units contextuelles emmagasinent les sorties des neurones cachs pour un pas de temps et alimentent les neurones d'entre avec celles-ci. Les neurones cachs alimentent aussi la couche de sortie.

88 Le rle des units contextuelles est de fournir au rseau une mmoire dynamique qui est videmment utile pour une tche de prdiction. Selon Haykin [21] et Hertz [22], grce la prsence de rtroaction, les neurones cachs continuent recycler l'information dans le rseau travers de multiples pas de temps et peuvent ds lors dcouvrir des reprsentations abstraites de l'information temporelle. Ce rseau rcurrent ne fait donc pas une copie conforme simpliste des donnes du pass mais possde la facult d'effectuer un traitement non-trivial.

Dans notre exprience, la couche cache avait une fonction de transfert sigmodale alors que la couche de sortie tait linaire. L'algorithme d'apprentissage suit celui dcrit par Elman.

CHAPITRE 5 RSULTATS EXPRIMENTAUX

90 5.1 INTRODUCTION

On prsente maintenant les rsultats obtenus avec les diverses architectures. Toutes les architectures ont t uniformment entranes et valides sur les mmes ensembles de donnes tels que dcrits dans le chapitre 4. On rappellera qu'il y avait une base de donnes pour un vnement de givre complet et une autre pour la phase d'accrtion uniquement. De plus, il y avait une base de donnes contenant le signal instrumental du capteur de force direct et une autre qui contenait le taux d'accrtion. En accord avec la mthodologie des rseaux de neurones, chaque base a t divise en un ensemble d'apprentissage et un ensemble de validation. On a utilis 75% des points pour faire l'entranement et les points restants pour la validation.

Pour chaque architecture, nous avons vari les paramtres de conception pour observer l'effet sur la performance de prdiction. Dans le cadre de ce travail, nous avons tudi l'impact du nombre de neurones dans la couche cache. C'est le paramtre par excellence qui permet de slectionner volont la complexit intrinsque du modle implment par une architecture de rseaux de neurones donne.

91 5.2 CRITRE D'ERREUR

Pour comparer les architectures entre elles, il est ncessaire de dfinir un critre d'erreur ou de performance de prdiction. L'entranement proprement dit des rseaux de neurones ncessite galement de faire un tel choix. Usuellement, la fonction de cot la plus utilise pour faire l'apprentissage est la somme quadratique des termes d'erreur. D'une manire analogue, il est raisonnable de choisir dans ce cas comme fonction de performance de prdiction la racine carre de l'erreur quadratique moyenne ("Root Mean Square Error"). C'est le choix le plus souvent utilis.

Cependant, notre sens, ce critre d'erreur possde un certain dfaut. Puisqu'il s'exprime dans les mmes units que la sortie, son ordre de grandeur peut varier. Nous avons opt pour un critre plus "stable" qu'on appelle le "Normalized Mean Square Error" (NMSE). Ce critre fut retenu officiellement dans un workshop

international sur l'analyse des sries temporelles [61]. Il s'agit en fait du rapport de la variance de prdiction sur la variance naturelle de la variable-cible prdire. Une valeur de NMSE=1 correspond la prdiction de la moyenne statistique. En termes mathmatiques, on le dfinit ainsi:

(D

92 5.3 VARIATION DES PARAMETRES

Suivent les rsultats obtenus pour la variation du nombre de neurones cachs pour chacune des architectures exprimentes telles que dcrites prcdemment dans le chapitre 4. Nous prsentons les rsultats pour chaque architecture

individuellement. De plus, nous montrons autant les rsultats pour l'ensemble de validation que pour l'ensemble d'apprentissage.

Perceptron Multicouche (MLP)

3,000

2,500-

2,000/ill

\
1,500-

J '
! 4 I I I I I I I I 6 8 10 12 14 16 18 20 Nombre de neurones cachs

W N\

apprent. (accretion)

validation (accretion)

apprent. (ev. complet)

1,000-

validation (ev. complet)

0,500 I 2

Figure 5.1: Effet du nombre de neurones cachs pour le Perceptron Multicouches avec le signal du capteur de force

93

Rseau RBF 7,000

I

R nnn O,UUU

5,000
A r\c\r\ C O

_____
i

apprent. (accretion)

1
i

validation (accretion)

z,uuu 1,000
X

apprent. (ev. complet)

validation (ev. complet)

0,000

I 1 25 50 75 100 Nombre maximal de neurones cachs

Figure 5.2: Effet du nombre de neurones cachs pour le rseau RBF avec le signal du capteur de force

94

Rseau FIR
2,4002,200 2,0001,800 1,6001,4001,2001,0000,8000,600 I 2 I 4 I I I I I I I 6 8 10 12 14 16 18 Nombre de neurones cachs I 20 validation (ev. complet) apprent. (accretion)

validation (accretion)

>7

apprent. (ev. complet)

Figure 5.3: Effet du nombre de neurones cachs pour le rseau FIR avec le signal du capteur de force

95

Rseau rcurrent d'Elman 3,500 3,000 2,500 2,000 1,5001,000 0,5000,000

apprent. (accretion)

N\

validation (accretion) apprent. (ev. complet)

validation (ev. complet)

6 8 10 12 14 16 18 20 Nombre de neurones cachs

Figure 5.4: Effet du nombre de neurones cachs pour le rseau d'Elman avec le signal du capteur de force

96

Perceptron Multicouches (MLP)

2,5

apprent. (accretion)
LU CO

1,5

validation (accretion)

apprent. (ev. complet)

validation (ev. complet)

0,5

6 8 10 12 14 16 18 20 Nombre de neurones cachs

Figure 5.5: Effet du nombre de neurones cachs pour le Perceptron Multicouches avec le taux d'accrtion

97

Rseau RBF

1,4
1,2 apprent. (accretion)

1
UJ

validation (accretion)

0,8
apprent. (ev. complet)

0,6
validation (ev. complet)

0,4

0,2
25 50 75 100 Nombre maximal de neurones cachs

Figure 5.6: Effet du nombre de neurones cachs pour le rseau RBF avec le taux d'accrtion

98

Rseau FIR 1,3

1,2apprent. (accretion) validation (accretion) apprent. (ev. complet) 0,9 validation (ev. complet) 0,8

1,1
L U

0,7

6 8 10 12 14 16 18 20 Nombre de neurones cachs

Figure 5.7: Effet du nombre de neurones cachs pour le rseau FIR avec le taux d'accrtion

99

Rseau rcurrent d'Elman 4,5 4 3,5 apprent. (accretion) 3

L U
r \

validation (accretion) 2,5 2 1,5 1 0,5 2 4 6 8 10 12 14 16 18 20 Nombre de neurones cachs apprent. (ev. complet)

validation (ev. complet)

Figure 5.8: Effet du nombre de neurones cachs pour le rseau d'Elman avec le taux d'accretion

100 On peut observer deux faits notables qui ne peuvent trop surprendre. D'abord, les rseaux ont plus de facilit prdire les donnes d'apprentissage que les donnes de validation. C'est un rsultat somme toute vident. Toutefois, la dmarcation relativement visible sur les graphiques prcdents entre ces deux ensembles indique que les rseaux avaient quelque peu de difficult gnraliser. Une deuxime

observation qui ressort systmatiquement est la meilleure performance des rseaux sur l'ensemble incorporant uniquement la phase d'accrtion que l'vnement de givrage complet. Ceci corrobore le fait attendu que les donnes d'accrtion

prsentent une plus grande homognit au sens statistique puisqu'elles font appel un seul processus physique. Par contraste, un vnement de givrage complet implique des processus varis travers les diffrentes phases qui le composent (accretion, persistance, dlestage). D'une manire gnrale, les rseaux de neurones ont de la difficult traiter des donnes htrognes provenant de phnomnes aux mcanismes distincts. Si on leur prsente des donnes htroclites comportant une grande variabilit statistique, ils ont tendance afficher un comportement qui se situe dans la moyenne.

On peut aussi constater dans certains cas une dgradation de la performance avec l'augmentation du nombre de neurones cachs, particulirement pour les ensembles de validation. Bien que difficile expliquer, on peut postuler que l'utilisation de modles d'ordre lev causait un problme de gnralisation (surentranement).

101

Rsultats globaux
6,000 -,

5,000

0,000 apprentissage (accretion) validation (accretion) apprentissage (ev. complet) validation (ev. complet)

Figure 5.9: Rsum des rsultats de prdiction avec le signal du capteur de force

Pour chaque type de rseau, l'architecture donnant la meilleure performance telle que mesure sur l'ensemble de validation a t retenue. Une comparaison globale des rseaux de neurones se trouve rsume aux figures 5.9-5.10. Dans le but d'tablir une ligne de base de comparaison, le rseau de neurone linaire ADALINE fut aussi inclus. Bien qu'employant un algorithme itratif adaptatif (LMS), il est entirement quivalent une rgression linaire multiple [21].

102

2,5

Adaline

1,5LU

BP

RBF

0,5

app. (accr.) valid, (accr.) app. (ev. comp.) valid, (ev. comp.]

FIR

Elman

Figure 5.10: Rsum des rsultats de prdiction avec le taux d'accrtion

103 Dans le cas de la figure 5.9 qui concerne les tests avec le signal du capteur de force, le rseau FIR dmontre une performance globale comparable au MLP telle que mesure sur les ensembles de validation. Il est suivi par le rseau d'Elman dans le cas de la phase d'accrtion. On doit garder cependant l'esprit qu'un critre

synthtique comme le NMSE ne peut tre considr comme parfait selon tous les points de vue. On peut aussi noter qu'il y a plus de diffrence entre les modles neuronaux dans les donnes concernant l'vnement complet de givrage que pour les donnes de phase d'accrtion (pour l'ensemble de validation). De plus, les

modles neuronaux font gnralement moins d'erreur que la rgression linaire; peuttre marginalement pour les ensembles d'apprentissage mais la diffrence est plus prononce dans les ensembles de validation. Ceci donne une certaine indication de l'utilit des modles neuronaux par rapport aux techniques linaires simplistes. Les ensembles d'apprentissage prsentent comparativement un comportement moins dmarqu. Il semble que la plupart des architectures apprennent avec une

performance comparable pour la base d'apprentissage.

La figure 5.10 concerne les tests avec le taux d'accrtion comme signal de sortie. On doit concevoir que cette variable n'a pas la mme nature que le signal du capteur de force direct mais qu'elle lui est relie par une opration de differentiation par rapport au temps. Ce changement de variable a bien sr modifi les proprits des donnes et influenc le comportement des rseaux.

104 Dans le cas des ensembles avec vnement complet, on peut se rendre compte qu'il y a trs peu de dmarcation entre les diffrentes architectures. Cette observation peut s'appliquer autant l'ensemble d'apprentissage que de validation. Il est ds lors plutt hasardeux de dclarer une architecture comme tant notoirement suprieure une autre. Toutefois, on peut aussi noter que les rseaux performent mieux de manire gnrale qu'avec le signal du capteurde force (except l'architecture d'Elman qui prsente une difficult singulire). Les ensembles ne comportant que la phase d'accrtion montrent un comportement moins uniforme. Paradoxalement, les rseaux de neurones avaient alors dans cette situation plus de difficult effectuer une prdiction. Telle que mesure sur l'ensemble de validation en phase d'accrtion, la performance globale affiche un avantage marginal par rapport aux modles utilisant le signal du capteur de force comme sortie. On peut toutefois remarquer que les modles performaient mieux avec l'ensemble d'apprentissage. La diffrence est beaucoup moins notable dans le cas des ensembles avec vnement complet. La question peut surgir de la robustesse des comparaisons prcdentes. En faisant des cycles rpts d'entranement/validation pour chacune des architectures, nous valuons environ 0,1 en absolu l'incertitude sur la performance des architectures selon le critre NMSE. Cette incertitude a t value partir du degr de variabilit des indices de performance. l'intrieur de cette fourchette, il est plutt malais de faire une comparaison vraiment objective lorsque les comportements des architectures sont trs semblables.

105
5.4 COURBES DE PRDICTION

Comme not prcdemment, le rseau FIR prsente une performance comparable pour le signal du capteur de force avec le MLP. Pour donner une ide plus prcise de son comportement effectif, les courbes de prdiction sur les donnes de validation de l'ensemble de la phase d'accrtion sont prsentes la figure 5.13. Les rseaux ADALINE et MLP sont aussi inclus titre de comparaison (figs. 5.11-12).

ADALINE 0.4

0.35

-0.05

50

100

150

Tempe (heure)

Figure 5.11: Courbes de prdiction pour l'ADALINE avec le signal du capteur de force en phase d'accrtion (courbe solide: donne relle; courbe pointille: prdiction)

106

Figure 5.12: Courbes de prdiction pour le Perceptron Multicouches avec le signal du capteur de force en phase d'accrtion (courbe solide: donne relle; courbe pointille: prdiction)

107

Figure 5.13: Courbes de prdiction pour le rseau FIR avec le signal du capteur de force en phase d'accrtion (courbe solide: donne relle; courbe pointille: prdiction)

Bien que le rseau FIR soit le meilleur candidat pour la tche de prdiction pour le signal du capteur de force, bas sur le critre du NMSE, le MLP le suit quand mme de prs. Une comparaison peut tre faite l'aide des graphiques prcdents. Ils montrent que le MLP a un comportement plutt similaire l'ADALINE. Le rseau FIR prsente un comportement visiblement diffrent. Le nombre de fausses alarmes est

108
trs bas par comparaison aux autres rseaux. En fait, l'ADALINE et le MLP ont une sortie quelque peu bruyante qui semble peu corrle avec les donnes qu'ils sont supposs prdire. Toutefois, le rseau FIR marque une certaine tendance

surestimer les petits vnements de givrage et sous-estimer les vnements plus grands. Ceci peut suggrer que la taille des donnes d'apprentissage tait trop faible. L'introduction de discontinuits la dlimitation de deux vnements successifs a d tre prise en considration galement durant l'apprentissage puisque les rseaux de neurones dpendants du temps sont gnralement adapts pour traiter de longues squences temporelles continues. Il s'agit d'une complication qui n'a pas eu de solutions vraiment satisfaisantes dans le cadre de cette recherche. De plus, la sortie nulle observable au dbut de chaque vnement est un artifice caus par la mthodologie de validation. Elle n'apparatrait pas normalement pour une application continue en temps rel du rseau.

Il est pensable qu'on pourrait donner aux modles neuronaux une meilleure sensibilit aux vnements de givrage majeurs en choisissant avec prcaution les donnes utilises pour l'apprentissage. En filtrant de manire slective les donnes, une meilleure rponse pourrait tre vraisemblablement obtenue mais avec l'inconvnient de rduire encore davantage la quantit de donnes utiles disponibles.

109 5.5 COURBES DE PRDICTION (MODE DE PRDICTION FUTURE)

Dans les tests prcdents, les modles neuronaux opraient toujours dans un mode de prdiction appel le "nowcasting". La sortie du systme tait prdite en simultanit avec les entres, c'est--dire que les modles implmentaient une fonction non-linare F{*) telle que:

x3n)

(2)

II est noter le fait important que nous n'utilisions pas l'historique passe de la variable de sortie pour prdire son volution future. Dans la littrature, ces modles sont rfrs sous le vocable de "modles entre-sortie".

Au cours de cette tude surgit la question de l'impact ventuel de l'historique de la sortie sur la performance de prdiction. Pour rpondre cette question, nous avons tent une autre forme de modle avec le rseau FIR dans lequel la sortie actuelle est utilise comme variable d'entre supplmentaire pour prdire sa valeur un pas de temps dans le futur. Dans ce cas, le rseau implmentait un modle mathmatique sous la forme suivante:

y(n + \) = F(x\n,x2n,x3n, yn)

(3)

110 Pour faire l'entranement, les valeurs vritables de la sortie furent utilises. Il en est de mme pour la prdiction, c'est--dire qu' chaque pas de temps, c'est la sortie relle qui servait tablir la prdiction future et non pas l'estim sortant du modle pour le pas de temps prcdent. Dans la littrature on rfre ces modles sous le nom de "modles d'identification srie-parallles". L'utilisation rtroactive de l'estim du modle forme ce que l'on appelle des "modles d'identification parallles". Des exemples avec la premire mthodologie sont prsents aux figures 5.14-15.

0 . 4
0.35

A\
I \ I

V\j\J 100 120

40

60 80 Temps (heure)

140

Figure 5.14: Prdiction d'un pas de temps d'avance pour le rseau FIR avec le capteur de force (courbe solide: donne relle; courbe pointille: prdiction)

Ill

Figure 5.15: Prdiction d'un pas de temps d'avance pour le rseau FIR avec le taux d'accrtion (courbe solide: donne relle; courbe pointille: prdiction)

On peut voir une concordance plutt bonne de la prdiction et du signal-cible. Cela porte croire que l'historique de la sortie comporte un grand pouvoir prdictif, c'est--dire que l'tat actuel est fortement corrl avec les tats antrieurs.

Des exprimentations faites avec la configuration "identification parallle" n'ont pas donn de rsultats probants toutefois. Le comportement du rseau montrait une tendance marque l'instabilit dans ce cas. C'est une voie qui n'a donc pas t poursuivie.

112 Pour vrifier la capacit prdictive du nouveau modle et la pertinence du capteur de force vis--vis du signal de givromtre pour le pouvoir prdictif nous avons fait d'autres tests. Les rsultats ont montr que l'historique pass du capteur de force comporte un plus grand pouvoir prdictif que le givromtre (figures 5.16-17). Ce fait ne doit pas trop tonner; en effet, une identification de systme en "aveugle" est un problme intrinsquement beaucoup plus difficile que la continuation simple d'une srie temporelle.

0.35 0.3 0.25 0.2

ro

g 0.15

5 1
0.05

/\

-0.05

20

40

60 80 Temps (heure)

100

120

140

Figure 5.16: Prdiction de deux pas de temps d'avance pour le rseau FIR avec le signal du capteur de force mais sans le givromtre (courbe solide: donne relle; courbe pointille: prdiction)

113

g 0.15

\\ . - /

20

40

60 80 Temps (heure)

100

120

140

Figure 5.17: Prdiction de deux pas de temps d'avance pour le rseau FIR avec le givromtre mais sans le signal du capteur de force (courbe solide: donne relle; courbe pointille: prdiction)

D'autres tests furent mens pour vrifier la profondeur de l'horizon prdictif. Il fut observ qu' partir de trois pas de temps commencent apparatre des divergences notables (figure 5.18). Un ou deux pas de temps semblent donc le meilleur compromis dans le prsent contexte. Dans une application oriente

ventuellement vers le traitement en temps rel, l'outil prdictif idal serait un modle d'identification parallle puisque cela n'exigerait pas dans ce cas-l l'utilisation de capteur de force partout o le modle se trouverait en opration.

114

Figure 5.18: Prdiction de trois pas de temps d'avance pour le rseau FIR avec le capteur de force (courbe solide: donne relle; courbe pointille: prdiction)

Toutefois, dans le cadre de cette tude, nous n'avons pas russi produire sous cette configuration parallle un modle qui donnait des prdictions vraiment satisfaisantes. Les modles srie-parallles semblent donc plus prometteurs.

Cependant, ils possdent videmment l'inconvnient de ncessiter plus de ressources instrumentales.

CHAPITRE 6 CONCLUSION

116 CONCLUSION

Dans le cadre d'une approche de prdiction en mode "nowcasting" de la charge de glace atmosphrique sur les conducteurs base sur l'utilisation exclusive des signaux de givromtre, de la vitesse normale du vent et de la temprature comme paramtres d'entre, les rseaux de neurones semblent tre une approche prometteuse pour la tche dfinie par la problmatique. Les rsultats obtenus montrent un avantage notable de l'utilisation des rseaux de neurones comme outil prdictif par rapport des techniques statistiques plus lmentaires telle que la rgression linaire multiple par exemple. Bien que de complexit accrue, ils affichent une plus grande versatilit.

Cette recherche visait identifier les architectures les mieux adaptes pour la prdiction de la glace atmosphrique. La problmatique de prdiction comporte un aspect temporel inhrent. L'exprimentation avec des architectures de rseaux de neurones orientes vers le traitement temporel de l'information (ex: FIR) tend donner de meilleurs rsultats. Ceci indique donc que la dimension temporelle ne peut tre compltement ignore. Nous pouvons affirmer que les architectures temporelles sont plus adquates que les architectures purement statiques.

Toutefois, la problmatique d'identification de systme que constituait cette tche de prdiction demeure tout de mme difficile. Dans ce contexte, une prdiction

117
prcise point par point semble plutt hors de porte. L'absence d'un dterminisme absolu entre les variables d'entre et de sortie dans les donnes relles utilises doit tre postule. En font foi les analyses de corrlation statistiques prsentes. En fait, n'importe quel modle empirique ne peut produire de prdictions meilleures que les corrlations existantes dj entre les variables elles-mme le permettent. En ce sens, les rseaux de neurones artificiels ne constituent certainement pas une exception.

Par ailleurs, une seconde approche base sur l'utilisation additionnelle de l'historique pass du signal du capteur de force pour tablir une prdiction future ("forecasting") semble une avenue fort avantageuse. Cette tche de prdiction se ramne en fait un problme de continuation d'une srie temporelle qui est intrinsquement plus facile qu'une identifications de systme. Dans ce contexte, les exprimentations numriques faites au cours de cette recherche ont donn des rsultats dfinitivement encourageants. Les modles arrivaient faire une prdiction d'avance trs raisonnable qui pourrait tre utilise. Un rsultat important qui ressort galement de ces modles est le fait que l'historique du capteur de force possde un pouvoir prdictif plus fort que celui du signal de givromtre.

Les rseaux de neurones ont besoin d'un nombre important de donnes pour tre entrans adquatement et pour atteindre une convergence statistique satisfaisante. Toutefois, dans la prsente tude, le nombre de points de donnes disponibles tait malheureusement limit. Ceci nous limite quelque peu par

118 consquent dans nos conclusions. Malgr tout, les rsultats obtenus indiquent que les rseaux de neurones peuvent tre d'une assistance utile dans la prdiction de l'accrtion de la glace atmosphrique.

Notre problmatique tait galement complique par le fait que nous avons utilis des donnes de terrain bruites. D'un point de vue de mthodologie

scientifique, il aurait t prfrable d'appliquer d'abord les modles neuronaux des donnes exprimentales de laboratoire o l'environnement et les causes d'erreurs sont bien contrls avant de passer des donnes de terrain plus erratiques.

Nous recommandons donc que d'autres expriences avec des bases de donnes beaucoup plus importantes soient menes. On aurait avantage galement faire une tude du comportement des modles sur des donnes de laboratoire en plus des donnes de terrain. Il est galement envisageable que d'autres architectures de rseaux de neurones puissent tre exprimentes. En particulier, il serait

souhaitable de chercherdes architectures plus spcialement adaptes pourtraiter des squences temporelles discontinues. La prsence de discontinuits n'a pas trouv de solution entirement satisfaisante au courant de cette tude. Enfin, une autre direction dans laquelle la recherche peut se poursuivre concerne l'applicabilit des modles neuronaux plusieurs sites de givre atmosphrique. On aurait intrt savoir si les modles entrans sur un site particulier peuvent tre transposs d'autres sites.

119 BIBLIOGRAPHIE

[1]

Anon, "Ontario Hydro Wind and Ice Loading Model". Meteorology Research Inc. Report MRI 77 FR-1496, 1977.

[2]

Anon, "Climatological Ice Accretion Modelling". Meteorological and Enviromental Planning Ltd. and Ontario Hydro, Canadian Climate, Centre Report No. 84-10, Atmospheric Environment Service, Dowsview, 1984, 195 pp.

[3]

Bishop CM., "Neural Network for Pattern Recognition", Oxford Press, New York, 1995.

[4]

Boyer A. et Meale J., "Insulator Flashovers under Icing Conditions on the Ontario Hydro 500 kV Transmission Lines System". CEA, Spring Meeting, Montreal, Canada, Mars 1988.

[5]

Chain P.M. et Castonguay G., "New Approach to Radial Ice Thickness Concept Applied to Bundle-like Conductors". Industrial Meteorology-Study IV, Environment Canada, Toronto, 1974, 11 pp.

[6]

Chislom W. et Kuffel J., "Performance of Insulation Coating under Contamination and Icing Conditions". CEA, Spring Meeting, Vancouver, B.C., Canada, March 1995.

[7]

Cybenko G. "Approximation by Superpositions of a Sigmoidal Function", Mathematics of Control, Signals, and Systems, Vol. 2, 1989, pp. 303-314.

[8]

Druez J., McComber P., Farzaneh M., "Atmospheric Icing on a Test Power Line". Transactions of the Canadian Society for Mechanical Engineering, C.S.M.E.,

120 Vol. 24, No. 2, 2000, pp. 359-374. [9] Druez J., McComberP., Farzaneh M., "Correlation Between Measurement of an Ice Detector and the Mass of Ice Accreted on Two Different Size Conductors". Revue Canadienne de Gnie Civil, Vol. 26, No. 6, 1999, pp. 869-875. [10] ElfashnyK.N.G.,Chouinard L.E., NguyenV.T.V.,LaflammeJ.N., "Characteristics of Icing Events in Quebec". Eighth International Workshop on Atmospheric Icing of Structures, Reykjavik, Islande, 1998, pp. 537-542. [11] Elman J.L., "Finding Structure in Time". Cognitive science, Vol. 14, 1990, pp. 179-211. [12] Farzaneh M., "Ice Accretion on H.V. Conductors and Insulators and Related Phenomena". Invited article, Philosophical Transactions, The Royal Society, Londres, No. 358, 2000, pp. 1-35. [13] Farzaneh M., Kiernicki J., "Flashover Problems Caused by Ice Build-up on Insulators". IEEE Electrical Insulation Magazine, Invited Paper, March 1995, Vol. 11, No. 2, pp. 5-17. [14] Farzaneh M., Savadjiev K., Druez J., "Icing Event Occurrence in Quebec: Statistical Analysis of Field Data". International Journal of Offshore and Polar Engineering, Vol. 11, No. 1, Mars 2001, pp. 61-67. [15] Farzaneh M., Zhang J., "Modelling of DC Arc Discharge on Ice Surfaces". IEEE Proceedings - Generation, Transmission and Distribution, Vol. 147, No. 2, March 2000, pp. 81-86. [16] Finstad K., Fikke S. et Ervik M., "A Comprehensive Deterministic Model for

121
Transmission Line Icing Applied to Laboratory and Field Observations". Fourth International Workshop on Atmospheric Icing of Structures, 1988, pp. 227-231. [17] Gates E.M., Liu A., Lozowski E.P., "A Stochastic Model of Atmospheric Rime Icing". J. Glaciol., Vol. 34 No. 12, 1988, pp. 26-30. [18] Goodwin E.J., Mozer J.D., Di Gioia A.M. Jr, Power B.A., "Predicting Ice and Snow Loads for Transmission Lines". First International Workshop on Atmospheric Icing of Structures, 1983, pp. 267-273. [19] Hardy C , Brunelle J., Chevalier J., Manoukian B., Vilandr R., "Telemonitoring of Climatic Loads on Hydro-Quebec 735 kV Lines". Seventh International Workshop on Atmospheric Icing of Structures, Chicoutimi, Canada, 1996, pp. 169-174. [20] Havard D.G. et Pon C.J., "Analysis of Galloping Conductor Field Data". Eighth International Workshop on Atmospheric Icing of Structures, Reykjavik, Islande, 1998. [21] Haykin S., "Neural Networks-A Comprehensive Foundation", Prentice-Hall, New York, 1999. [22] Hertz J., Krogh A. et Palmer R.G., "Introduction of the Theory of Neural Computation", Addison-Wesley, Redwood City, 1991. [23] Imai I. "Studies on Ice Accretion". Researches on Snow and Ice, No. 1,1953, pp. 35-44 [24] Jones K.F., "The Effect of Horizontal and Torsional Coupling on Vertical Galloping". Sixth International Workshop on Atmospheric Icing of Structures,

122 Budapest, Hongrie, 1993, pp. 143-148. [25] Kawai R., "AC Flashover Test at Project UHV on Ice-covered Insulators". IEEE Trans, on Power App. and Syst., Vol. PAS-89 No, 8, 1970, pp. 1800-1804. [26] Khalifa M. et Morris R., "Performance of Line Insulators under Rime Ice". IEEE Transac. on Power App and Syst., Vol. PAS-86 No 6, 1967, pp. 696-698. [27] KrishnasamyS.G., Tabatabai M., Kastelein M., "A Pilot Field Projectto Evaluate Icing Models in Ontario Canada". Sixth International Workshop on Atmospheric Icing of Structures, Budapest, Hongrie, 1993, pp. 85-97. [28] Laflamme J., "Spatial Variation of Extreme Values in the Case of Freezing Rain Icing". Sixth International Workshop on Atmospheric Icing of Structures, Budapest, Hongrie, 1993, pp. 19-23. [29] Laflamme J., "Icing Rate Measurements: a Key Way of Estimating Ice Loads on Structures". Seventh International Workshop on Atmospheric Icing of Structures, Chicoutimi, Canada, 1996, pp. 175-180. [30] Laforte J.L., Allaire M.A., Laflamme J., Beaudoin P., "An Up-date on Overhead Cable De-Icing Technology". Eighth International Workshop on Atmospheric Icing of Structures, Reykjavik, Islande, 1998, pp. 215-220. [31] Lenhard R.W., "An Indirect Method for Estimating the Weight of Glaze on Wires". Bull. Amer. Meteor. Soc, Vol. 36, 1955, pp. 1-5. [32] Lozowski E.P., Stallabrass J.R. et Hearty PF, "The Icing of an Unheated, NonRotating Cylinder. Part I: A Simulation Model.". J. Clim. Appl Meteorol., Vol. 22 No.12, 1983, pp. 2053-2062.

123 [33] Lozowski E.P., Brett M., Tait N., Smy T., "Simulating Giant Hailstone Structure with a Ballistic Aggregation Model". Q J R Meteorol Soc, Vol. 117 No. 498,1991, pp. 427-431 [34] Makkonen L. "Modelling of Ice Accretion on Wires". J. Climate and Appl. Meteor., Vol.23, 1984, pp. 929-939. [35] Makkonen L. et Stallabrass J.R., "Ice Acrretion on Cylinder and Wires", National Research Council of Canada, DME Report TR-LT-005, 1984. 50 pp. [36] Makkonen L. et Ahti K., "Climatic Mapping of Ice Loads Based on Airport Weather Obervations". Sixth International Workshop on Atmospheric Icing of Structures, Budapest, Hongrie, 1993, pp. 13-17. [37] Makkonen L, "Modeling Power Line Icing in Freezing Precipitation". Seventh International Workshop on Atmospheric Icing of Structures, Chicoutimi, Canada, 1996, pp. 195-200. [38] McComber P., Druez J. et Laflamme J., "A Comparison of Selected Models for Estimating Cable Icing". Sixth International Workshop on Atmospheric Icing of Structures, Budapest, Hongrie, 1993, pp. 41-46. [39] McComber P., "The Icing Rate Meter, an Instrument to Evaluate Transmission Line Icing". Seventh International Workshop on Atmospheric Icing of Structures, Chicoutimi, Canada, 1996, pp. 159-168. [40] McComber P., de Lafontaine J., Laflamme J., "A Neural System to Estimate Transmission Line Icing". Eighth International Workshop on Atmospheric Icing of Structures, Reykjavik, Islande, 1998, pp. 101-106.

124 [41] McComber P. et al.."Estimation of Transmission Line Icing at Different Sites Using a Neural Network", Ninth International Offshore and Polar Engeneering Conference, Vol. II, Brest, France, 1999, pp. 599-606. [42] McComber P., "A Non-Circular Accretion Shape Freezing Rain Model for Transmission Line Icing.", Ninth International Workshop on Atmospheric Icing of Structures, Chester, Royaume-Uni, 2000, pp. I-VIII. [43] McCulloch W.S. et Pitts W., "A Logical Calculus of the Ideas Immanent in Nervous Activity". Bulletin of Mathematical Biophysics Vol. 5, pp. 115-133. [44] Mozer M. C , "Neural Net Architectures for Temporal Sequence Processing", in Proceedings of the NATO Advanced Research Workshop on Time Series Prediction and Analysis, Addison-Wesley, Santa Fe, New Mexico, 1994. [45] Ohta H. et al., "Application of Disaster Warning System Due to Snow Accretion on Power Lines Using Neural Networks". Seventh International Workshop on Atmospheric Icing of Structures, Chicoutimi, Canada, 1996, pp. 149-154 [46] Personne P., Curoure C , Isaka H., "Theoretical Study of Air Inclusion on Rotating Cylinders". Fifth International Workshop on Atmospheric Icing of Structures, Tokyo, Japon, 1990, pp. A2-6. [47] Poots G., "Ice and Snow Accretion on Structures". J. Wiley, New York, tatsUnis, 1996. [48] Rumelhart D.E. et McClelland J.L., Parallel Distributed Processing: Explorations in the Microstructure of Cognition, vol. 1, Cambridge, MIT Press, tats-Unis,

1986.

125 [49] Savadjiev K., Latour A. et Paradis A., "Estimation of Ice Accretion Weight from Field Data on Overhead Transmission Line Cables". Seventh International Workshop on Atmospheric Icing of Structures, Chicoutimi, Canada, 1996, pp. 159-168. [50] Savadjiev K., Farzaneh M., Druez J.."Analysis and Interpretation of Icing Rate Meter and Load Cell Measurements on the Mt Blair Icing Site", Ninth International Offshore and Polar Engeneering Conference, Vol. II, Brest, France, 1999, pp. 607-611. [51] Stallabrass J.R., "Aspects of Freezing Rain Simulation and Testing". First International Workshop on Atmospheric Icing of Structures, 1983, pp. 67-74. [52] Szilder K., Lowoski E.P., Gates E.M., "Modelling Ice Accretion on Non-Rotating Cylinders - the Incorporation of Time Dependence and Internal Heat Conduction". Cold Reg Sci Technol, Vol 13 No 2, 1987, pp 177-191. [53] Szilder K., "The Density and Structure of Ice Accretion Predicted by a RandomWalk Model". Q J R Meteorol Soc, Vol. 119 No. 513, 1993, p. 907-924. [54] Szilder K., "Simulation of Ice Accretion on a Cylinder Due to Freezing Rain". J Glaciol, Vol. 40 No. 136, 1994, pp. 586-594. [55] Szilder K. et Lozowski E.P., "Simulation of Icicle Growth Using a ThreeDimensional Random Walk Model". Atmosph Res, Vol. 36, 1995, pp. 243-249. [56] Szilder K., Lozowski E.P., "Three-Dimensional Modelling of Ice Accretion Micro Structure". Seventh International Workshop on Atmospheric Icing of Structures, Chicoutimi, Canada, 1996, 1996, pp. 60-63.

126 [57] Szilder K., Lozowski E.P., Farzaneh M., "Morphogenetic Modelling of Wet Ice Accretions on Transmission Lines as a Result of Freezing Rain.". International Journal of Offshore and Polar Engeneering, Vol. 11., No. 1, Mars 2001, pp. 16-22. [58] Wan E., "Finite Impulse Response Neural Networks with Applications in Time Series Prediction", Thse de Ph.D., Stanford University, tats-Unis, 1993. [59] Wan E., "Modeling Nonlinear Dynamics with Neural Networks: Examples in Time Series Prediction". Fifth Workshop on Neural Networks: Academic /Industrial/ NASA/Defense, WNN93/FNN93, San Francisco, tats-Unis, Novembre, 1993, pp. 327-332. [60] Wan E., "Time Series Prediction by Using a Connectionnist Network with Internal Delay Lines", in Proceedings of the NATO Advanced Research Workshop on Time Series Prediction and Analysis, Addison-Wesiey, Santa Fe, New Mexico, 1994. [61] WeigendA.S. et Gershenfeid N., Proceedings ofthe NATO Advanced Research Workshop on Time Series Prediction and Analysis, ed. Addison-Wesiey, Santa Fe, New Mexico, 1994. [62] Werbos, P.J., "Beyound regression: New tools for Prediction and Analysis in the Behavioral Sciences". Thse de Ph.D., Harvard University, Cambridge, tatsUnis, 1974. [63] Widrow B. et Hoff M.E. Jr, "Adaptive Switching Circuits", IRE WESCON convention record, 1960, pp. 96-104.