208 - Structures sous charges extrêmes, face aux changements climatiques

Les réseaux de conduites de distribution d’eau potable sont particulièrement vulnérables aux déformations du sol causées par les séismes. Cette vulnérabilité expose les systèmes d’approvisionnement en eau du Grand Montréal à des dommages potentiellement sévères, pouvant entraîner une chute de pression dans les réseaux affectés et, dans certains cas, une réduction voire une interruption de l’approvisionnement en eau pour les usagers. Cette conférence présente une approche visant à évaluer la résilience des réseaux de distribution d’eau potable face aux séismes. Elle repose sur une analyse probabiliste des dommages potentiels aux conduites lors de séismes, tout en intégrant l’incertitude épistémique associée aux modèles de fragilité existants.  Elle permet d’analyser les répercussions de ces dommages sur les fonctions essentielles des systèmes d’approvisionnement en eau, soit l’approvisionnement en quantité et pression suffisante pour répondre aux besoins des usagers, la lutte contre les incendies et le maintien de la qualité de l’eau. Les pertes de chaque fonction sont quantifiées, puis exploitées pour développer un indicateur de la résilience sismique des systèmes d’approvisionnement en eau. Une étude de cas réalisée sur le réseau de conduites d’une municipalité de taille moyenne de la région du Grand Montréal met en évidence l’importance de renforcer la résilience sismique des systèmes d’approvisionnement en eau potable de la région. 

Cette présentation met en lumière l'impact significatif de l'Intelligence Artificielle (IA) dans le domaine de l'ingénierie du vent et de l'interaction fluide-structure (IFS), offrant des solutions à la fois efficaces et précises pour relever des défis complexes. Face aux méthodes traditionnelles, telles que les essais en soufflerie et les simulations numériques, souvent coûteuses en ressources, l'IA se présente comme une alternative puissante, axée sur les données, pour anticiper les effets induits par le vent sur les structures. Nous explorerons deux exemples concrets illustrant cette démarche innovante : d'une part, l'application de cadres d'apprentissage automatique hybrides, combinant auto-encodeurs et réseaux de longue mémoire à court terme (LSTM), pour simuler la réponse temporelle complète des ponts à longue portée soumis au vent turbulent. D'autre part, nous étudierons l'utilisation de modèles d'IA pour prédire avec exactitude les distributions de pression du vent sur les façades de bâtiments de grande hauteur. En intégrant la Décomposition Orthogonale Propre (POD) pour la réduction de dimension et en exploitant les réseaux LSTM, le cadre parvient à fournir des prévisions fiables des pressions du vent même avec un déploiement de capteurs limité. En adaptant l’algorithme de décomposition QR à ces contraintes, elle optimise le placement des capteurs pour assurer un équilibre optimal entre précision et faisabilité pratique.