Blog

Oct 30, 2023

Faire face aux perturbations dans l'inspection des voies ferrées en utilisant le risque

Rapports scientifiques volume 13,

Rapports scientifiques volume 13, Numéro d'article : 2141 (2023) Citer cet article

826 accès

2 Citations

1 Altmétrique

Détails des métriques

Des inspections de voie non planifiées peuvent être une conséquence directe de toute interruption du fonctionnement des activités de surveillance de la géométrie de la voie à bord. Une nouvelle stratégie de réponse pour améliorer la valeur des informations pour des mesures de piste supplémentaires est ainsi établie pour construire un modèle de génération de données. Dans ce modèle, des données artificielles (synthétiques) sont attribuées à chaque point de mesure le long du segment de voie affecté sur une courte période de temps. Pour générer efficacement des données de mesure de piste artificielles, cette étude propose un modèle NARX (autorégressif non linéaire avec variables exogènes), qui intègre des dépendances de mémoire à courte portée dans la variable dépendante et intègre les effets interdépendants de facteurs externes. Les non-linéarités du modèle proposé ont été déterminées à l'aide d'un réseau neuronal artificiel qui a permis le calcul rapide d'une fonction de cartographie en ligne avec les besoins d'une gestion efficace des perturbations. Le risque de surajustement du modèle de génération de données, qui reflétait sa capacité de généralisation, a été efficacement géré grâce au concept d'aversion au risque. Pour l'évaluation du modèle, la déviation du niveau longitudinal de la voie a été prise comme étude de cas, prédite en utilisant son taux de dégradation et l'alignement et l'écartement de la voie comme variables exogènes. Les résultats de simulation sur deux ensembles de données statistiquement différents ont montré que le modèle de génération de données pour les mesures de voies perturbées est fiable, précis et facile à utiliser. Ce nouveau modèle est une percée essentielle dans la prédiction de l'intégrité des voies ferrées et la gestion résiliente de l'exploitation.

Les conditions géométriques d'une voie ferrée sont mesurées et mises à jour régulièrement grâce à une évaluation des mesures de la géométrie de la voie recueillies par une voiture d'enregistrement de la voie intégrée avec des données d'inspection provenant d'inspections visuelles. Ces examens permettent d'assurer la sécurité de circulation et le confort de conduite des matériels roulants d'un réseau ferroviaire. Avant une panne de service, les voies défectueuses reçoivent des activités d'entretien de la voie appropriées (par exemple, bourrage, resurfaçage des rails, reconditionnement, etc.) soumises à la politique d'entretien des voies, soit en ligne avec des mesures correctives ou préventives. La condition préalable à une opération de maintenance efficace est un programme de mesure/inspection de la voie (TIS). À ce jour, TIS est modélisé comme un problème d'optimisation, qui intègre divers paramètres temporels et spatiaux, ainsi que des caractéristiques physiques (c'est-à-dire humaines et machine)1. Comme le TIS est exposé à des incertitudes dans un environnement en temps réel, des perturbations peuvent survenir et potentiellement compenser tout ou partie des activités restantes dans le calendrier1,2.

La perturbation est un événement aléatoire et non un processus déterministe, et cette caractéristique rend sa présence imprévisible et dynamique. En cas de perturbation du TIS, nous pouvons nous attendre à un retard dans la fourniture des mesures de la voie et des données d'inspection informant de l'irrégularité de la voie au processus de planification de l'entretien de la voie. Laisser les voies sans surveillance plus longtemps que nécessaire augmente le risque de détection tardive des défauts. Par conséquent, une maintenance non planifiée au lieu d'une fonction planifiée doit être effectuée. Cela a certainement un impact direct sur les dépenses d'entretien des voies3. Dans une situation extrême, une inspection inefficace de la voie pourrait devenir un facteur causal de déraillement de train4,5. Une manière possible de répondre à un événement perturbateur dans l'inspection de la voie consiste à trouver une action de réponse appropriée à la mesure de la voie perturbée. Le terme « perturbé » est utilisé pour mettre l'accent sur une perte directe attribuée à la perturbation du TIS. Dans cette étude, un cadre innovant de gestion des perturbations (DM) a été utilisé pour identifier une action de réponse appropriée pour les TIS perturbés.

La motivation de l'utilisation du cadre DM est qu'une action de réponse peut imposer le minimum de changement possible dans tous les aspects du processus ou du système concerné. Une transition en douceur de la pré- à la post-perturbation est nécessaire car la perturbation est de nature temporaire. Pour satisfaire à cette exigence, un ingénieur système doit connaître et préserver autant que possible l'intégrité du composant ou de l'unité « perturbée » du processus6. Dans cette étude, les données de mesure de la voie servent d'informations représentatives du composant « perturbé ».

Une voie ferrée est un exemple d'actif complexe et continu ; ainsi, sa longueur est un paramètre critique dans l'équation d'entretien de la voie. Cette description signifie que d'un point de vue statistique, les mesures de piste sont spatialement corrélées dans un certain intervalle. Cette dépendance pourrait introduire un biais dans une analyse de l'identification du modèle de données. De même, les mesures périodiques de la voie fournissent une plate-forme pour suivre l'évolution des changements de géométrie de la voie dans le temps (tonnage). Par conséquent, les effets temporels et spatiaux doivent être pris en compte lors de la décision d'une action de réponse appropriée pour les mesures de trajectoire perturbées. Conformément aux exigences ci-dessus, une application de l'intelligence artificielle pour dériver des réponses adaptatives à un TIS perturbé semble prometteuse. Nous proposons donc un nouveau cadre d'intelligence artificielle pour prédire la détérioration de la géométrie des voies. En bref, la nouvelle méthode construit d'abord un modèle statistique pour les données de mesure de piste avant d'être utilisée pour prédire les données de mesure de piste manquantes.

L'objectif principal du développement d'un modèle de prédiction est de fournir une approximation du processus ou du système physique réel et de prédire ses résultats7. Lorsqu'une relation non linéaire approfondie entre les covariables d'entrée et la sortie du modèle du processus n'est pas nécessaire, les modèles statistiques sont plus efficaces pour la création de modèles de prédiction. Cette méthode utilise une fonction mathématique simplifiée pour décrire les interactions dynamiques dans les variables d'entrée/sortie8. L'une des structures de modèle les plus pratiques à des fins de prédiction est le modèle autorégressif non linéaire avec variables exogènes (NARX). Dans ce modèle, une fonction de mappage non linéaire définit la relation complexe entre la variable ciblée (sortie) et externe (entrée). La fonction prend les valeurs passées des variables d'entrée et de sortie pour générer la valeur actuelle de la ou des variables de sortie. En ce qui concerne la méthode utilisée pour obtenir la fonction de cartographie, le modèle NARX-NN pourrait avoir différentes formes de fonction. Parmi diverses méthodes telles que le modèle de Box-Jenkins, les réseaux de neurones se sont avérés être des approximateurs de fonctions universels, c'est-à-dire qu'ils peuvent approximer des fonctions complexes avec une précision arbitraire conditionnée par le nombre d'époques d'apprentissage et la qualité des données9.

Les réseaux de neurones sont devenus populaires dans la simulation et la prédiction pour deux raisons ; ils gèrent implicitement la relation non linéaire entre les variables d'entrée-sortie (c'est-à-dire sans nécessiter une connaissance approfondie ni faire d'hypothèses sur le problème à l'étude), et ils généralisent bien par rapport à des données invisibles. Cependant, les caractéristiques bénéfiques d'un réseau de neurones disparaîtraient s'il était entraîné à l'aide d'un petit ensemble de données d'entraînement. Un manque de données peut survenir en cas d'inspection de voie perturbée, en particulier pour les sections de voie associées à une faible fréquence de mesure qui sont ensuite sujettes au déraillement de train10. Il convient de noter que seules les mesures enregistrées depuis le dernier entretien de bourrage (c'est-à-dire un point de restauration) seront utilisées pour la modélisation. Toute mesure de voie recueillie en dehors de l'intervalle est déclarée obsolète car l'état d'une voie analysée a été réinitialisé par des travaux de maintenance. Cette restriction imposée à la préparation des données pour le réseau de neurones est unique pour TIS. De plus, la maintenance basée sur la sécurité a été discutée pour optimiser la restauration de la géométrie des systèmes ferroviaires confrontés aux incertitudes et aux perturbations. Des approches basées sur le réseau bayésien ont été adoptées pour évaluer les effets des conditions météorologiques sur les défaillances des composants aux aiguillages ferroviaires (RT)11,12. Cependant, l'étude n'était pas applicable aux enquêtes à grande échelle car le régime climatique varie souvent. La méthode a certaines limites car elle nécessite que les données soient segmentées en fonction des modèles climatiques, des conditions de défaillance et des données spatiales dans un temps donné.

La surestimation est l'un des effets secondaires des données surajustées. Pour atténuer le risque de surestimation dans les modèles de prédiction, un réseau de neurones utilise la régularisation bayésienne. La régularisation bayésienne limite la taille des paramètres du réseau pour que le réseau produise une réponse plus fluide. Outre ses fortes propriétés de généralisation, un réseau de neurones régularisé prend également moins de temps de calcul pour la formation du modèle. Le processus de validation du modèle, qui est mis à l'échelle comme \(\mathrm{\rm O}\left({N}^{2}\right)\) où N est le nombre de points de données, n'est plus nécessaire13. Le gain de temps apparaît dans le cas de grandes quantités de données.

À ce jour, plusieurs modèles prédictifs ont été proposés14,14,16, mais tous les modèles ne sont pas conçus en tenant compte de la nature unique des perturbations à l'inspection des voies. À cette fin, une formulation intégrée d'un réseau neuronal bayésien régularisé et du modèle NARX convient le mieux pour générer des données basées sur l'IA pour les mesures de piste en présence d'événements inattendus. Dans cet article, le paramètre géométrique de voie sélectionné est défini comme une variable autorégressive, tandis que les autres paramètres agissent comme des entrées externes dans le modèle NARX. Le paramètre sélectionné a un rôle important dans la décision d'entretien de la voie17. Puisqu'un réseau de neurones est piloté par des données, cette étude applique des outils d'apprentissage automatique tels que le clustering dans le modèle proposé pour adopter le concept d'aversion au risque, afin de générer un ensemble de données de formation-test de qualité. Cette action réduit considérablement le temps de calcul d'un réseau de neurones. Dans l'ensemble, les résultats prometteurs rapportés dans cette étude illustrent l'importance de formuler une méthode de fusion efficace pour construire un modèle de prédiction qui se généralise bien à de nouvelles instances, comme en témoigne la précision des résultats prédits.

Lors d'une mesure de géométrie de voie, la voiture d'enregistrement de voie (TRC) se déplace à une vitesse de voie comprise entre 70 et 120 km/h pour mesurer sept paramètres géométriques de voie à des points de voie équidistants (positions) sur un seul code de voie. Un code de voie s'étend sur K kilomètres de voie et est donc divisé en plusieurs segments de voie qui ne se chevauchent pas. Notez que K est l'unité de longueur du tracé de la voie en kilomètres. Pour un segment de voie S d'une longueur de m mètres (notez que m est l'unité de longueur du segment de voie en mètres), il peut donc y avoir une séquence de points de mesure, notée où \(i=\mathrm{1,2} ,\points ,m/r\) et . Ici, r désigne la distance (en mètres) entre deux points de mesure adjacents. Lorsque la nième mesure de voie est effectuée dans le segment de voie , chaque \({x}_{i}^{{S}_{j}}\) for est affecté d'une quantité d'écart des paramètres géométriques de voie G. Ici, lorsque l'indice k fait référence à l'indice de condition de piste, il est exprimé comme suit \(k=\mathrm{1,2},\dots ,G\).

Lorsqu'une perturbation se produit, par exemple dans le TRC, avant la mesure de la voie n + 1, des données basées sur l'IA sont générées pour . La génération de données est une réponse immédiate pour éviter un délai lors de la fourniture de mesures de voie récentes pour une évaluation de l'état de la voie. Cette action, à son tour, réduit la probabilité de faire face à une maintenance non planifiée liée à la géométrie de la voie en raison d'une détection tardive des défauts sur le code de voie concerné. À des fins de génération de données, un paramètre géométrique de voie identifié est défini comme une variable autorégressive dans un modèle NARX et est noté \({\widetilde{ y}}_{k}^{n+1}\left({x}_ {i}^{{S}_{j}}\right)\). Le modèle NARX proposé prend également des variables externes \({u}_{l}\left({x}_{i}^{{S}_{j}}\right)\) comme entrées de modèle. Par conséquent, le NARX correspondant peut être exprimé comme

où\(f\left(\cdot \right)\) est une fonction de mappage non linéaire inconnue de \(d={d}_{1}+\left(p+1\right){d}_{2}\ ) des précédentes sorties connues. Chacune des p variables externes est définie par . À ce stade, le paramètre de géométrie de voie n est supposé être irrégulier, et en termes de géométrie de voie ciblée, k est un indice non indépendant. L'analyse de compromis entre la complexité du modèle et la performance du modèle à la fin du processus de développement du modèle est utilisée pour justifier ces hypothèses.

En règle générale, toute variable externe peut être exclue du modèle NARX si sa contribution à la performance du modèle se fait au détriment de la réduction de la simplicité du modèle. D'autre part, le terme « 1 » est ajouté pour tenir compte de la taille actuelle du changement dans le paramètre géométrique de voie spécifié. Le montant crée la différence entre \({y}_{k}^{n}\left({x}_{i}^{{S}_{j}}\right)\) et \({y} _{k}^{n-1}\left({x}_{i}^{{S}_{j}}\right)\).

Un réseau de neurones est un paradigme informatique inspiré de la structure des réseaux de neurones biologiques et de leur manière d'encoder et de résoudre des problèmes. Le modèle NN fondamental est ajusté en fonction du motif de l'utilisateur et des ressources disponibles et est formé systématiquement avec des données d'entrée-sortie filtrées pour résoudre le problème à l'étude.

Dans cette étude, un NN est appliqué pour obtenir la fonction non linéaire \(f\left(\cdot \right)\) dans (1). Cela nécessite une configuration réseau appropriée conformément à la description du modèle. L'architecture NARX-NN de la Fig. 1 montre une couche d'entrée comprenant q unité récurrente avec p + 1 neurones, une couche cachée et une couche de sortie avec q neurones décrivant la relation dynamique entre les variables d'entrée et de sortie dans (1). Les lignes représentent les connexions pondérées et les carrés représentent les nœuds de seuillage de biais. Un cercle à deux lignes dans la couche masquée est l'élément de décalage/retard d'une variable d'entrée. Ici, la valeur exacte de d1 et d2 est inconnue et sera déterminée en fonction du résultat de la formation du modèle. NARX-NN a la capacité de traiter des entrées non linéaires, qui peuvent dépendre du temps (telles que des perturbations). Cette capacité permet une meilleure prédiction par rapport aux réseaux de neurones traditionnels, en particulier lorsque les caractéristiques d'entrée sont dynamiques.

Un aperçu de l'architecture NARXNN.

Avant la formation NN, une configuration du réseau doit être atteinte. Le nombre de nœuds dans les couches d'entrée et de sortie, respectivement, reflète le nombre de variables d'entrée et de sortie du système d'intérêt. Dans le cas d'un modèle NARX-NN, un utilisateur doit également initier la valeur d'une unité de retard dans la sortie du modèle et les séries externes. En dehors de cela, le nombre de nœuds cachés est généralement inconnu et serait ajusté de manière itérative lors de la formation du réseau. Un test indépendant sera ensuite effectué pour évaluer une architecture optimale du modèle NARX-NN.

Lorsqu'un NN est formé à l'aide d'un petit ensemble de données d'apprentissage, le modèle basé sur le NN résultant peut mal fonctionner dans toutes les instances non incluses dans l'ensemble d'apprentissage. Le NN est probablement surajusté aux données de formation, ce qui réduit considérablement la généralisabilité du modèle. De plus, le modèle de réseau a tendance à générer de grandes erreurs lorsque de nouvelles instances sont présentées. En appliquant cette limitation à la génération de données, le NARX-NN proposé pourrait avoir une capacité limitée à identifier les changements soudains dans l'évolution de l'état de la voie par rapport au tonnage accumulé. Pour résoudre ce problème et améliorer la généralisation du modèle, une méthode de régularisation est adoptée dans la formation du modèle NN. En plus de démontrer de bonnes propriétés de généralisation, la formation du NN à l'aide de la méthode de régularisation prend moins de temps, car une étape de validation du modèle n'est pas nécessaire13,18. Avec un processus de validation à l'échelle O(\({N}^{2}\)) où N est la taille des données, les avantages de la méthode de régularisation deviennent évidents dans le cas de grands ensembles de données13.

Pour obtenir la meilleure combinaison de valeurs de pondération et de biais, produisant un modèle de prédiction qui se généralise bien, le réseau est entraîné sur l'architecture et l'ensemble d'entraînement sélectionnés pour optimiser la fonction de performance suivante :

où \(\gamma\) est le paramètre de régularisation. \({E}_{W}\) et \({E}_{D}\) représentent respectivement la moyenne de la somme des carrés des poids et biais du réseau et la somme moyenne des carrés des erreurs du réseau. Dans la fonction de performance indiquée qui est une fonction d'erreur typique avec un terme supplémentaire, la formation oblige le NN à utiliser de petits poids et biais, c'est-à-dire une faible valeur \({E}_{W}\). Burden et al.13 et Piotrowski et al.19 ont déclaré que l'application réussie de NN à un problème nécessite un choix approprié d'algorithme d'apprentissage ; ainsi, la technique de régularisation bayésienne (BR) est recommandée si les données sont petites et sujettes à un ajustement excessif. Plusieurs hypothèses doivent être faites avant toute formation lorsque le BR est adopté. Les poids du réseau et les données d'apprentissage sont considérés comme des variables aléatoires avec une distribution a priori gaussienne. La probabilité a priori sur le poids est ensuite mise à jour en incorporant des données d'apprentissage selon la règle de Bayes. Les poids optimaux du réseau sont alors déterminés lorsque la probabilité a posteriori est maximisée ; cela revient à minimiser la fonction d'erreur dans (2).

Bien que NN puisse approximer toutes les fonctions continues à valeur réelle, son succès dépend fortement d'une sélection appropriée des composants de NN tels que la préparation et le prétraitement des données, l'architecture du réseau, les hypothèses et contraintes du modèle, la fonction objective et les étapes de post-traitement. Dans un cas particulier de TIS perturbé, cette étude a mis en évidence l'importance d'une bonne configuration NN pour modéliser les liens dynamiques entre les paramètres géométriques de la voie.

Trois segments de voie de 100 m de long sont identifiés et utilisés pour démontrer comment le modèle NARX-NN proposé devrait être exploité pendant la perturbation. Les données sur la géométrie de la voie (y compris le sommet, la ligne, les virages et l'écartement) ont été obtenues pour la section de voie spécifique sur 20 années consécutives. Les données géométriques de la voie ont été mesurées et enregistrées par le véhicule d'inspection de la voie et généralement 4 à 5 inspections de routine ont été enregistrées chaque année. Les données géométriques sont associées aux indices d'état de la voie (ou appelés «indice de qualité de la voie»), couvrant plus de 40 ans d'enregistrements de données. Notez que les segments font partie des inspections de routine du tracé particulier de la voie (par exemple > 200 km). Trois segments de piste sont attribués à la sortie de l'algorithme de segmentation sans chevauchement appliqué à une collection de séries de données affichées à la Fig. 2. La collection se compose de deux paires de mesures de niveau longitudinal enregistrées à deux moments consécutifs où chaque paire de données appartient au même côté de rail d'un segment de voie analysé. Les notations S1, S2 et S3 sont utilisées pour différencier les segments analysés. En raison de l'autorisation limitée accordée, cette étude ne peut pas divulguer l'emplacement des segments de voie inspectés, la source des données d'inspection ainsi que le propriétaire des données. À des fins de généralisation, l'axe des x sur la figure 2 est marqué d'une série d'entiers ; commence par 1 et se termine à 600 (= 300*r).

Deux passages consécutifs d'inspection de la géométrie de la voie sur la voie de 300 m de long. L'irrégularité de la piste est mesurée tous les 0,5 m et cela génère 600 points de piste comme indiqué dans l'axe de position. Notez qu'il s'agit d'un ensemble unique de données temporelles sur une section de voie de 300 m de long.

Les observations visuelles des séries de données dans S1 et S2 ont permis de faire l'hypothèse que les deux séries de données pourraient avoir un degré élevé de similitude en termes de caractéristiques statistiques. Si les preuves corroborent ce trait, l'une des séries de données doit être supprimée avant d'entrer dans la phase de formation NN pour éviter de présenter des résultats redondants et improductifs avec cette étude. Pour étudier la décision de suppression, les preuves visuelles ont été traitées à l'aide du nuage de points illustré à la Fig. 3. Dans cette figure, un graphique de RMS par rapport à l'aplatissement des séries de données pour chaque segment de piste est construit. Le RMS et le kurtosis sont des indicateurs statistiques largement utilisés dans l'analyse des caractéristiques du signal20. Les clusters résultants vus à la Fig. 3 soutiennent l'hypothèse ; ainsi, pour sélectionner la série à supprimer, la distance euclidienne entre les points gauche et droit (rail) dans le nuage de points est utilisée comme condition de départage. S2 est ensuite sélectionné pour rejoindre S3 dans l'apprentissage NN en fonction de sa distance plus large.

Application du regroupement basé sur la distance à l'étape de prétraitement.

Pour démontrer l'efficacité du modèle de génération de données proposé, nous avons sélectionné un niveau longitudinal de piste pour agir en tant que mesure de piste perturbée, qui est ensuite appelée objet de recherche. Le niveau longitudinal d'une voie est l'écart vertical de la surface supérieure du champignon du rail (table de roulement) par rapport à la position verticale moyenne (ligne de référence). Le nivellement longitudinal fait partie des nombreux paramètres géométriques de la voie mesurés par une voiture d'enregistrement de la voie et a été reconnu comme l'indicateur principal pour les décisions d'entretien du bourrage de la voie21. Cette implantation est due au fait que les irrégularités de la voie dans le sens vertical (ou appelé 'top') évoluent plus vite que les autres défauts de géométrie de la voie. Notez que le niveau longitudinal est évalué pour les rails gauche et droit et cette exigence a imposé deux nœuds dans la couche de sortie de notre modèle NARX-NN.

Pour unifier avec la terminologie du réseau de neurones, nous utiliserons le terme de série de données d'entrée/sortie pour désigner le paramètre géométrique de la piste sur un segment de piste analysé appliqué dans le modèle de génération de données. La principale motivation pour l'utilisation de séries de données externes dans le modèle de génération de données proposé découle des caractéristiques inégalées de l'action de réponse que nous recherchons pour une mesure de piste perturbée. L'intégration des données a été effectuée sur les valeurs de mesure passées et présentes d'autres paramètres géométriques de la voie, par exemple, l'alignement et l'écartement, ainsi que les valeurs passées de l'objet de recherche pour prévoir la taille que l'objet de recherche évoluerait à la fois dans l'espace et dans le temps pendant une courte période. du temps de service. Une méthode de fusion de NARX intégré et de réseau de neurones (noté NARX-NN) devrait révéler des relations non linéaires entre ces paramètres géométriques sur une longueur de voie dont les variations de rigidité de voie ne sont pas divulguées.

L'une des justifications de l'utilisation de l'alignement de la voie dans le modèle NARX-NN est son influence sur les forces verticales de la voie ainsi que sur le niveau longitudinal22. Un niveau de voie longitudinal et un tracé de voie ont été combinés de diverses manières pour gérer les problèmes de géométrie de la voie23. Par exemple, Soleimanmeigouni et al.24 ont établi un tel niveau de relation entre ces paramètres dans le processus de détérioration à long terme de la voie. Une relation similaire peut exister dans le modèle de prédiction à court terme, mais l'utilisation directe de cette relation peut être inappropriée en raison d'un ensemble différent de contraintes du modèle. Une distinction clé entre le modèle de prédiction de la voie à court et à long terme est la validité des mesures de la voie (ou des indices de qualité de la voie) sur l'aspect de la détérioration de la voie où les modèles de cette dernière catégorie décrivent la détérioration progressive de la voie alors qu'un changement soudain/des changements brusques dans la voie la détérioration est au centre de l'ancien modèle16,25. Pour le modèle de prédiction à court terme, l'effet de bourrage n'est valable qu'à la première mesure de voie après un travail de maintenance couvrant le segment de voie analysé. Néanmoins, des interactions non linéaires entre le tracé de la voie et le niveau longitudinal mériteraient d'être étudiées dans le cadre de la gestion des perturbations. Semblable au niveau longitudinal, un écart d'alignement de la voie est également mesuré et analysé simultanément pour les rails gauche et droit. Outre la géométrie des voies, la mesure de l'écartement des voies est utilisée comme variable exogène dans notre modèle NARX. Des variations dans la géométrie et l'écartement des voies peuvent entraîner d'importantes forces latérales sur les roues et les essieux, entraînant un déraillement ou des dommages à la structure de la voie26.

Comme expliqué précédemment, le modèle de prédiction de cette étude a été construit après l'achèvement de n cycles successifs de mesure de la voie. Ce mécanisme signifie que n mesures de piste précédentes sont accessibles. Par conséquent, une série de taux de détérioration d'un niveau longitudinal est définie comme la variable externe finale pour le modèle NARX-NN.

La formation de NN est une tâche gourmande en données et il est toujours possible que NN dépasse les données d'ajustement, ce qui entraîne, par exemple, que le modèle de prédiction résultant fait un mauvais travail en prédisant de nouvelles données. Un moyen efficace d'atténuer le risque de sur-ajustement dans l'approximation de fonction basée sur NN est de contrôler la complexité dans un réseau, c'est-à-dire d'éviter un réseau surdimensionné. Une règle de décision simple basée sur un degré de liberté dans un modèle NN consiste à maintenir le nombre de paramètres dans un réseau inférieur à la taille de l'ensemble d'apprentissage27. Dans notre étude de cas, nous discrétisons le tracé de la voie en tronçons de voie élémentaires, chacun d'une longueur de 100 m (ou N = 200). Lorsque la taille discrétisée de l'ensemble d'apprentissage est certaine, N = 200 (200 points de données spatiales pour une section de voie spécifique de 100 m de long), une technique de cartographie est appliquée sur l'ensemble pour déterminer la ou les sélections possibles de la topologie du réseau dans ce étude. La notation NARX-NN \(\left({d}_{1},{d}_{2},n\right)\) représente une topologie de réseau car notre modèle NARX-NN sera utilisé dans les textes restants. Un exemple de sortie de mappage est donné sur la Fig. 4 où un nombre entier dans chaque cellule représente le nombre de paramètres de réseau dans un NARX-NN. Sur la base de la règle de décision, seuls les modèles NARX-NN sur le côté gauche de la ligne de démarcation (marqués d'une ligne noire en gras) sur la Fig. 4 sont formés pour trouver le meilleur réseau.

Degré de liberté de NARX-NN pour une condition aux limites désignée imposée aux unités à retard ; d1 et d2. Le nombre de nœuds cachés du réseau est limité à neuf correspond à N = 200.

Les réseaux sélectionnés à partir de l'étape de filtrage précédente sont formés avec une collection de séries de données associées à S2 et S3. Au cours de la phase d'apprentissage, chaque modèle a reçu 30 répétitions de simulations avec initialisation aléatoire.

Les valeurs moyennes de la MSE pondérée (wMSE) sur 30 échantillons sont enregistrées sur la Fig. 5 pour tous les réseaux. Tout d'abord, pour chaque réseau, à mesure que le nombre de nœuds cachés augmente, le wMSE commence à diminuer, c'est-à-dire à augmenter les performances du modèle. L'évolution de wMSE sur l'axe des abscisses se produit régulièrement dans chaque réseau. Cette observation nous encourage à tester davantage les réseaux avec un grand nombre de nœuds cachés.

Valeurs moyennes des résultats de formation NN pour une sélection de plage de topologie de réseau.

En revanche, quel que soit le nombre de nœuds cachés configurés dans le NARX-NN \(\left({d}_{1},{d}_{2},n\right)\), nous pouvons observer une schéma clair sur l'effet du paramètre \({d}_{2}\) sur les performances du réseau. Par exemple, pour les réseaux sous NARX-NN \(\left({d}_{1}=3,{d}_{2},n\right)\), le wMSE est considérablement augmenté lorsqu'un réseau de ce groupe prend des unités de retard supplémentaires dans les variables externes, c'est-à-dire\({d}_{2}>{d}_{1}\). Le même modèle apparaît également pour NARX-NN \(\left(5,{d}_{2},n\right)\). Cependant, NARX-NN \(\left(7,{d}_{2},n\right)\) connaît une augmentation dans le wMSE lorsque \({d}_{2}<{d}_{1} \). Ces deux constats opposés mettent en évidence l'existence d'effets mixtes de variables externes sur les performances de notre modèle NARX. En d'autres termes, les informations entre les points de suivi adjacents ne sont pas nécessairement significatives pour prédire avec précision le niveau longitudinal "manquant".

Un grand nombre de NN ont été développés avec un nombre variable de couches cachées, de nœuds et de neurones. Les entrées et les sorties sont des nombres entiers. Parmi tous les réseaux formés, nous avons sélectionné NARX-NN(3,3,8), NARX-NN(5,3,5) et NARX-NN(7,7,3), montrant les meilleures prédictions, pour un test indépendant . Ces réseaux appartiennent au cluster "complexe mais bonnes performances" où les résultats complets du clustering sur tous les réseaux sont présentés à la Fig. ).

L'apparition de k = 2 groupes de modèles NARX-NN pour le cas S2. Les clusters résultants indiquent que tout réseau avec un nombre de paramètres inférieur à 150 doit être considéré comme un modèle de prédiction simple.

Avant les tests indépendants, les séries de données de test formées par les n + 1èmes mesures de piste sont divisées en deux parties. La première partie contenait des données de mesures de piste à partir des premiers points de piste d3 ; ceci a été réservé pour l'initialisation du réseau. La valeur de d3 variera d'un réseau à l'autre, car elle prend le plus grand de d1 et d2 dans le réseau étudié. La partie restante de la série de données de test est ensuite comparée à la réponse des sorties du réseau. La figure 7a montre la valeur prédite du niveau longitudinal pour \({x}_{i}\) dans la plage de \(\left[{d}_{3},m\right]\) pour tous les réseaux testés. Les observations des diagrammes de corrélation des figures 7b à g montrent que les trois modèles ont correctement prédit le niveau longitudinal en fonction de la forte corrélation entre les valeurs prédites et cibles.

Les valeurs prévues et cibles du niveau de voie longitudinal de S2 pour les rails gauche et droit sont superposées dans le tracé (a). La précision globale de la prédiction de différents réseaux peut être observée à partir du nuage de points (b–d) et (e–g) pour les rails gauche et droit, respectivement.

Les caractéristiques uniques des mesures de la géométrie des voies peuvent être définies en termes de densité spectrale de puissance (PSD). PSD est un outil souvent utilisé pour l'analyse spectrale. Ici, le PSD a été utilisé pour examiner la relation entre les données de niveau longitudinal artificielles et réelles. Sur la figure 8a, les longueurs d'onde du niveau longitudinal réel pour les rails gauche et droit sont comprises entre ~ 3 et ~ 35 m. Les défauts liés à la géométrie de la voie dans cette gamme de longueurs d'onde sont caractérisés comme un indicateur fiable de l'entretien de la voie (par exemple bourrage et resurfaçage)28. Les pics de PSD pour les rails gauche et droit étaient les plus apparents à la longueur d'onde de ~ 7 et ~ 13 m. Cependant, un pic de PSD à la longueur d'onde d'environ 13 m du rail droit a été trouvé environ 35 % plus élevé que le rail gauche. Cela indiquerait que l'état du rail gauche est relativement meilleur que celui du rail droit. Lorsque les sorties du modèle NARX-NN ont été évaluées dans le domaine fréquentiel, nous avons observé les résultats des Fig. 8b et c qui montrent des corrélations élevées et positives entre le niveau longitudinal de piste basé sur l'IA et réel. De plus, il n'y a pas de différences statistiquement significatives (testées sur un intervalle de confiance étroit) dans les valeurs de PSD du niveau longitudinal prévu et réel aux pics distincts identifiés.

Comparaisons PSD entre (a) le rail gauche et droit, et le niveau de voie longitudinal artificiel et réel de (b) rail gauche, et (c) rail droit pour S2.

Comme démontré précédemment, les trois réseaux NARX sélectionnés prédisent avec succès le niveau longitudinal "manquant" (gauche et droite) pour S2. Pour déterminer si les mêmes réseaux pourraient être appliqués directement à un autre segment de voie, un test indépendant a été effectué sur S3. Sur la base des résultats du test de qualité d'ajustement présenté à la Fig. 9, nous avons démontré que chacun des réseaux NARX sélectionnés présente une bonne capacité de généralisation. Un mérite supplémentaire à cette affirmation est fourni à la Fig. 10. Il est évident dans la figure l'établissement d'une corrélation positive en termes de longueur d'onde des pics de PSD prononcés entre les données basées sur l'IA et les données réelles pour le rail gauche et droit.

Les valeurs prévues et cibles du niveau de voie longitudinal de S3 pour les rails gauche et droit sont superposées dans le tracé (a). La précision globale de la prédiction de différents réseaux peut être observée à partir du nuage de points (b–d) et (e–g) pour les rails gauche et droit, respectivement.

Comparaison PSD entre le niveau de voie longitudinal artificiel et réel de (a) rail gauche et (b) rail droit pour S3.

Le modèle NARX-NN présente des caractéristiques de généralisation prometteuses soutenues par d'excellents résultats de prédiction du modèle NARX-NN unique utilisé sur deux ensembles de tests de relation faible ; S2 et S3. Ces nouvelles découvertes mettent en évidence qu'une étape de prétraitement pour catégoriser un profil de sous-structure de voie, par exemple, le module de ballast encrassé, pour les sections de voie unitaires testées n'est pas nécessairement nécessaire pour que le modèle de prédiction fonctionne correctement. Cependant, un meilleur résultat de prédiction peut exister si un modèle dédié pour une classe spécifique de section de voie unitaire est utilisé.

Par exemple, des classes de voie (faible, moyenne ou élevée) peuvent être établies en fonction du degré de relation entre le niveau longitudinal de la voie et la sensibilité à l'humidité de la couche de ballast/sous-ballast29. Les résultats de cette étude révèlent que les zones de voie spéciales comme celles des zones de transition avec une humidité élevée dans les couches de ballast et sous-ballast ont tendance à subir une détérioration significative du niveau longitudinal de la voie. Ainsi, il est possible de redéfinir la longueur du segment de voie ainsi que ses points de séparation. Différents mécanismes de segmentation des données de piste peuvent être trouvés dans Soleimanmeigouni et al.30.

Une analyse de la mesure de la piste dans le domaine de la longueur d'onde (ou de la fréquence) est utile lorsque des informations sur la forme des défauts de la piste et leur contenu en longueur d'onde sont nécessaires23. Les informations sont ensuite traitées pour décrire l'état de la qualité de la voie31,32. Lors de l'examen des analyses spectrales, la PSD de la mesure de piste est calculée là où le graphique des spectres de puissance correspondants, comme dans les Fig. 8 et 10 fournissent des indicateurs de qualité à un segment de piste analysé. Les résultats des deux figures montrent que les données basées sur l'IA reproduisent bien les composantes spectrales des données réelles. Il s'agit d'une base solide pour s'appuyer sur des données basées sur l'IA pour décrire l'état actuel de l'intégrité des voies. Des études antérieures telles que Berawi31 illustrent et démontrent comment les informations statistiques de PSD peuvent être utilisées pour évaluer l'état des voies. Par exemple, des pics périodiques de PSD à une longueur d'onde spécifique peuvent indiquer une détérioration excessive du ballast ou des effets induits pendant le processus de renforcement du rail31. Ainsi, l'utilisation de données basées sur l'IA dans une évaluation de l'état des voies n'introduirait pas de biais dans le processus de décision d'entretien des voies. Enfin, les nouvelles découvertes et résultats de cette étude suggèrent également que le modèle NARX-NN proposé peut être reconfiguré pour générer des données pour d'autres paramètres géométriques de la voie.

Faire face à des événements à faible probabilité exige une innovation (spéciale) dans des stratégies de réponse aux risques abordables. Heureusement, une stratégie abordable mais fiable peut être développée à partir d'un partenariat intelligent entre l'intelligence artificielle et l'analyse de données spatio-temporelles. Cette étude vise à développer un modèle de génération de données pour les mesures de voie perturbées en cas de fonctionnement perturbé du TRC. L'application conjointe de l'apprentissage automatique, du NARX et du NN récurrent dans le développement du modèle est très réussie sur la base des résultats impressionnants de l'analyse de corrélation et de la comparaison PSD, comme le montrent les Fig. 7, 8, 9 et 10.

Une conception initiale du modèle NARX-NN proposé a été adaptée pour répondre aux événements perturbateurs dans un calendrier d'inspection planifié. Cette spécification rend le modèle utile pour une longueur spécifique de pas de temps qui est dérivée d'un intervalle d'inspection. Bien qu'une interpolation puisse être appliquée pour générer des données artificielles pour un pas de temps plus petit, elle ne peut être effectuée qu'en dehors du modèle NARX-NN. Cette approche exclut les interactions dynamiques entre les variables d'entrée/sortie et les dépendances d'erreur dans les résultats si certaines simulations de transitions abruptes dans une détérioration de l'état de la voie dans un court laps de temps sont nécessaires. Ainsi, les travaux futurs devraient se concentrer sur l'équipement du modèle NARX-NN existant avec une estimation du point de référence avec des anomalies pour tout instant entre deux cycles d'inspection. Les travaux futurs mettront également l'accent sur la mise en œuvre sur le terrain de notre modèle NARX-NN.

Les ensembles de données utilisés et/ou analysés au cours de l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Bin Osman, MH, Kaewunruen, S. & Jack, A. Optimisation des horaires d'inspection des voies ferrées. Proc. Inst. Méca. Ing. Partie F J. Transport ferroviaire rapide. 232(6), 1577-1587 (2017).

Article Google Scholar

Bin Osman, MH, Kaewunruen, S., An, M. et Dindar, S., Disruption: A new component in the track inspection schedule, dans 2016 IEEE International Conference on Intelligent Rail Transportation (ICIRT), 2016, pp. 249 –253.

Stenström, C., Norrbin, P., Parida, A. & Kumar, U. Maintenance préventive et corrective - comparaison des coûts et analyse coûts-avantages. Structure. Infrastructure. Ing. 12(5), 603–617 (2016).

Article Google Scholar

Direction des enquêtes sur les accidents ferroviaires, déraillement à Castle Donington, Leicestershire, 21 janvier 2013, 2014.

Sresakoolchai, J. & Kaewunruen, S. Détection des défauts ferroviaires basée sur la géométrie de la voie à l'aide de l'apprentissage automatique supervisé et non supervisé. Surveillance de la santé structurelle 21(4), 1757–1767. https://doi.org/10.1177/14759217211044492 (2022).

Article Google Scholar

J. Jespersen-Groth et al., Gestion des perturbations dans le transport ferroviaire de passagers, dans Optimisation à grande échelle robuste et en ligne : Modèles et techniques pour les systèmes de transport, Ahuja, RK, Möhring, RH et Zaroliagis, CD, Eds. Berlin, Heidelberg : Springer Berlin Heidelberg, 2009, p. 399–421.

Menezes, JMP & Barreto, GA Prévision de séries chronologiques à long terme avec le réseau NARX : une évaluation empirique. Neuroinformatique 71(16–18), 3335–3343 (2008).

Article Google Scholar

Pisoni, E., Farina, M., Carnevale, C. & Piroddi, L. Prévision des pics de pollution atmosphérique à l'aide des modèles NARX. Ing. Appl. Artif. Renseignement. 22(4–5), 593–602 (2009).

Article Google Scholar

Hornik, K., Stinchcombe, M. & White, H. Les réseaux d'anticipation multicouches sont des approximateurs universels. Réseau neuronal. 2, 359–366 (1989).

Article MATH Google Scholar

Liu, X., Saat, MR et Barkan, CPL Analyse des avantages-coûts de l'amélioration de la sécurité et de l'efficacité des voies ferrées pour le transport lourd, dans Actes de la conférence de l'International Heavy Haul Association, 2011, pp. 1–8.

Dindar, S., Kaewunruen, S. & An, M. Analyse des accidents ferroviaires à l'aide d'enquêtes à grande échelle sur les déraillements de trains sur les aiguillages et les passages à niveau : comparaison des performances d'une nouvelle prédiction mathématique stochastique et de diverses hypothèses. Ing. Échouer. Anal. 103, 203-216 (2019).

Article Google Scholar

Dindar, S., Kaewunruen, S. & An, M. Un modèle bayésien hiérarchique pour l'analyse des risques de l'effet climatique sur les défaillances des composants de branchement ferroviaire. Fiab. Ing. Syst. Saf. 218, 108130 (2022).

Article Google Scholar

Burden, F. & Winkler, D. Régularisation bayésienne des réseaux de neurones. Méthodes Mol. Biol. 458, 25–44 (2008).

Google Scholar

Liu, R., Ph, D., Xu, P. & Wang, F. Recherche sur un modèle de prédiction à courte portée pour l'irrégularité de la voie sur de petites longueurs de voie. J. Transp. Ing. 136, 1085-1092 (2010).

Article Google Scholar

Xu, P., Sun, Q., Liu, R. et Wang, F. Un modèle de prédiction à court terme pour l'indice de qualité des voies. Proc. Inst. Méca. Ing. Partie F J. Rail Rapid Transit 225(3), 277–285 (2011).

Article Google Scholar

Xu, P., Jia, C., Li, Y., Sun, Q. & Liu, R. Développement d'un modèle amélioré de prévision de l'état des voies ferrées à courte portée pour une planification optimale de la maintenance. Mathématiques. Prob. Ing. 2015, 12 (2015).

Article MATH Google Scholar

Andrade, AR & Teixeira, PF Un modèle bayésien pour évaluer la dégradation de la géométrie des voies ferrées tout au long de son cycle de vie. Rés. Transp. Écon. 36(1), 1–8 (2012).

Article Google Scholar

Z. Yue, Z. Songzheng et L. Tianshi, Modèle de réseau de neurones BP à régularisation bayésienne pour la prévision des coûts de forage pétrolier et gazier, BMEI 2011 - Proc. 2011 Int. Conf. Bus. Géré. Électron. Inf., vol. 2, p. 483–487, 2011.

Piotrowski, AP & Napiorkowski, JJ Une comparaison des méthodes pour éviter le surajustement dans la formation des réseaux de neurones dans le cas de la modélisation du ruissellement des bassins versants. J. Hydrol. 476, 97-111 (2013).

Annonces d'article Google Scholar

Leturiondo, U., Mishra, M., Galar, D. & Salgado, O. Génération de données synthétiques dans la modélisation hybride des roulements à éléments roulants. Insight Non Destr. Test. Cond. Monit. 57(7), 395–400 (2015).

Article Google Scholar

Arasteh khouy, I. Maintenance rentable de la géométrie des voies ferrées - passage des limites de sécurité aux limites de maintenance, Université de technologie de Luleå, 2013.

Karis, T. Irrégularités de voie pour les trains à grande vitesse (KTH Engineering Sciences, 2009).

Google Scholar

Haigermoser, A., Luber, B., Rauh, J. & Gräfe, G. Irrégularités de la route et de la voie : mesure, évaluation et simulation. Véh. Syst. Dyn. 53(7), 878–957 (2015).

Annonces d'article Google Scholar

Soleimanmeigouni, I. et al. Modélisation de l'évolution de la géométrie des voies ferrées ballastées par un modèle par morceaux à deux niveaux. Structure. Infrastructure. Ing. 14(1), 33–45 (2018).

Article Google Scholar

Osman, MH et Kaewunruen, S. Estimation du temps d'exécution des actions de rétablissement pour un programme d'inspection de voie ferrée perturbé, dans Analyse et évaluation du cycle de vie en génie civil : vers une vision intégrée, 2018, pp. 445–450.

Choi, IY, Um, JH, Lee, JS & Choi, HH L'influence des irrégularités de la voie sur le comportement de circulation des trains à grande vitesse. Proc. Inst. Méca. Ing. Partie F J. Transport ferroviaire rapide. 227(1), 94–102 (2013).

Article Google Scholar

Lawrence, S, Giles, C. L, Tsoi, AC Leçons de formation sur les réseaux de neurones : le surajustement peut être plus difficile que prévu. Proc. Natl. Conf. Artif. Renseignement. 540–545 (1997).

Normes européennes, EN 13848–1:2009 Applications ferroviaires-voie-qualité de la géométrie de la voie-Partie 1 : caractérisation de la géométrie de la voie, 2009.

Wang, H., Silvast, M., Markine, V. et Wiljanen, B. Analyse des charges dynamiques des roues dans les zones de transition ferroviaire en tenant compte de l'état d'humidité du ballast et du sous-ballast. Appl. Sci. 7(12), 1208 (2017).

Article Google Scholar

Soleimanmeigouni, I., Ahmadi, A. & Kumar, U. Modélisation de la dégradation et de l'entretien de la géométrie des voies : un examen. Proc. Inst. Méca. Ing. Partie F J. Transport ferroviaire rapide. 232, 73-102 (2016).

Article Google Scholar

Berawi, ARB Amélioration de la maintenance des voies ferrées à l'aide de la densité spectrale de puissance (PSD) (thèse de doctorat). Université de Porto (2013).

Sresakoolchai, J. & Kaewunruen, S. Prédiction de la géométrie de la piste à l'aide de modèles tridimensionnels récurrents basés sur un réseau de neurones co-simulés de manière interfonctionnelle avec le BIM. Capteurs 23(1), 391. https://doi.org/10.3390/s23010391 (2023).

Annonces d'article Google Scholar

Télécharger les références

MH Osman souhaite remercier le ministère de l'Enseignement supérieur de Malaisie et l'Universiti Kebangsaan Malaysia. Les auteurs sont sincèrement reconnaissants à la Commission européenne pour le parrainage financier du projet H2020-RISE n° 691135 "RISEN : Réseau d'ingénierie des systèmes d'infrastructure ferroviaire". L'APC est parrainé par le Open Access Fund de la bibliothèque de l'Université de Birmingham.

Département de génie civil, Université de Birmingham, Birmingham, B15 2TT, Royaume-Uni

Cher Kaewunruen

Centre de recherche sur les transports urbains durables, Faculté d'ingénierie et d'environnement bâti, Université nationale de Malaisie, 43600, UKM Bangi, Malaisie

Mohd Hanif Osman

Département de formation en ingénierie, Faculté d'ingénierie et de l'environnement bâti, Université nationale de Malaisie, 43600, UKM Bangi, Malaisie

Mohd Hanif Osman

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Conceptualisation, SK et MHO ; méthodologie, SK et MHO; logiciel, MHO; validation, SK et MHO ; analyse formelle, MHO ; enquête, SK et MHO; ressources, Sask.; conservation des données, MHO ; rédaction—préparation du brouillon original, MHO ; rédaction—révision et édition, SK et MHO; visualisation, MHO ; surveillance, Sask.; administration de projet, Sask.; financement acquisition, SK Tous les auteurs ont lu et accepté la version publiée du manuscrit.

Correspondance au Sakdirat Kaewunruen.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Kaewunruen, S., Osman, M. Faire face aux perturbations dans l'inspection des voies ferrées à l'aide de l'apprentissage automatique basé sur les risques. Sci Rep 13, 2141 (2023). https://doi.org/10.1038/s41598-023-28866-9

Télécharger la citation

Reçu : 21 avril 2022

Accepté : 25 janvier 2023

Publié: 07 février 2023

DOI : https://doi.org/10.1038/s41598-023-28866-9

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Rapports scientifiques (2023)

Rapports scientifiques (2023)

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.