Chutes de blocs et Risque Rocheux : utilisation de l'Intelligence Artificielle pour la gestion opérationnelle du risque – C2R-IA

Actuellement, la gestion du risque rocheux est majoritairement abordée par le biais de la construction d’ouvrages de protection, qui représente un coût souvent démesuré par rapport aux ressources financières des communes et opérateurs privés et constitue une solution impossible à développer sur l’ensemble d’un bassin de risque. Une stratégie plus durable et agile de gestion du risque rocheux serait de prendre en compte l’influence des conditions météorologiques sur le niveau d’aléa et d’organiser la mise en œuvre de dispositifs de mitigation du risque en cas d’évolution défavorable (fermeture temporaire d’itinéraires routiers, mise en place de protections temporaires, etc.). Ce type de gestion dynamique du risque étant potentiellement associée à un cout socio-économique élevé, sa mise en place nécessite un processus de décisions motivées.
L’objectif de ce projet est de développer les moyens de passer d’une prise de décision à dire d’expert à une connaissance fine des relations entre l’occurrence d’éboulements et les forçages climatiques, pour établir des modèles de comportement et faire de la prédiction.
Cette problématique est abordée à travers les 3 axes du projet:
-Fiabiliser la détection des éboulements, notamment avec l’utilisation des progrès technologiques pour l’acquisition de données massives et variées et leur exploitation par des méthodes de traitement améliorées, ainsi que par la confrontation des différentes sources de données (fusion de données).
-Développer, à l’aide d’innovations en Intelligence Artificielle (IA), des modèles prédictifs efficaces et avec des résultats interprétables par l’expert et donc aboutissant à leur traduction en potentiels coûts socio-économiques et règles opérationnelles de gestion du risque.
-Adapter les modèles prédictifs à de nouveaux sites à moindre coût en appliquant des méthodes IA innovantes de transfert d’apprentissage, ainsi qu’en testant la pertinence des données issues de dispositifs bas coût pour leur entraînement