Détection par l’acoustique de départ de feu sur site industriel – DAFI

Le projet DAFI présente le développement et l’évaluation d’un outil de détection de départ de feu sur les sites industriels, en utilisant la modalité sonore. Cette proposition répond à l’appel à projet RA-SIOMRI, dans le cadre de son axe 1, en apportant une réponse d’ordre opérationnelle et technologique au contrôle des risques sur les sites industriels. L’utilisation de la modalité sonore permet de détecter de nombreux événements, sources de danger potentiel sur les sites industriels, comme les cris des opérateurs en cas d’accident, les bruits de choc ou d’impact en cas d’accident ou les bruits d’explosion ou de départ de feu. Dans le cadre de ce projet, nous proposons de nous focaliser sur la détection de départ de feu, source importante de catastrophe majeure sur les sites industriels.
Le consortium de ce projet est composé d’un laboratoire de recherche, le LEOST de l’Université Gustave Eiffel, et de la société Wavely. Le premier de ces acteurs porte depuis plusieurs années une partie de ses recherches au développement de système de surveillance automatique en exploitant la modalité sonore. Ces recherches scientifiques portent sur la détection de sons anormaux ou critiques appliquées à des contextes de sécurité, sûreté en environnement transport. Le deuxième est la startup française Wavely qui développe des solutions sur mesure pour les grandes entreprises industrielles, combinant à la fois le déploiement de réseaux de capteurs acoustiques métrologiques et l’élaboration d’algorithmes d'IA de pointe. Wavely peut traiter en temps réel une grande quantité de données acoustiques afin de détecter et classifier de nombreuses sources sonores dans des contextes industriels variés : chantier, détection de fuite de gaz et la surveillance de la biodiversité avec TOTAL entre autres. Sur une durée de 24 mois, Le LÉOST et Wavely souhaitent unir leurs compétences respectives pour développer une solution innovante, en utilisant les informations sonores liées à un environnement industriel, une solution opérationnelle, en employant une infrastructure déjà éprouvée sur des sites industriels, et enfin une solution complète en associant capteurs connectés et fondamentaux de l’intelligence artificielle que sont les concepts du Machine Learning et plus récemment du Deep Learning.
Basé sur l’état de l’art de la reconnaissance automatique de motifs sonore, les développements algorithmiques auront pour but de modéliser statistiquement l’environnement sonore industriel dit « normale », de modéliser des motifs pertinents liés des situations à risques et plus particulièrement de modéliser des motifs sonores relatifs à des départs de feu. Pour ces diverses modélisations, des phases d’apprentissages seront nécessaires et demanderont en premier lieu de placer judicieusement dans l’espace industriel un réseau de capteurs dans le but d’enregistrer des données de l’environnement sonore et dans un second temps d’effectuer en toute sécurité des acquisitions sonores de départ de feu. Les diverses phases de test en laboratoire dans un premier temps et sur site dans un second temps, permettront d’éprouver le système de détection brique par brique jusqu’à son exploitation en condition réelle.
L’objectif final sera de disposer d’un système de détection de départ de feu pouvant être déployé sur un vaste ensemble de sites industriels, en particulier les grands sites type SEVESO, suivant d’éventuelles procédures d’adaptation en fonction des spécificités et des variabilités des environnements sonores.