Correlations between geotechnical parameters for algerian soils

Abstract

Les essais in-situ et de laboratoire sont des méthodes de reconnaissance géotechniques, utilisées dans le but de caractériser le comportement du sol avant toute conception d’un ouvrage de génie civil. D’autre part, les corrélations sont également utilisées par les praticiens comme outils alternatifs pour acquérir des informations géotechniques supplémentaires à faible coût. Cette thèse vise à développer des corrélations entre les paramètres géotechniques des sols algériens. Des méthodes statistiques et des modèles d'intelligence artificielle (IA) ont été utilisés pour atteindre les objectifs de la thèse afin de prédire différents paramètres géotechniques. Une base de données suffisamment étendue a été collectée à partir de divers sites situés dans le nord de l'Algérie. La base de données comprend les essais in-situ tels que : l’essai de pénétration standard (SPT), le test de pénétration au cône (CPT), le test pressiométrique Menard (MPT), ainsi les essais de laboratoire tels que : l’essai oedométrique et les essais physiques. Des corrélations ont été proposées entre CPT, SPT et MPT en utilisant les modèles de régression simple pour les sols sableux et argileux. Les modèles développés ont été comparés à ceux publiés dans la littérature, indiquant une bonne précision des corrélations développées dans cette étude, confirmant également l'importance de la recherche des corrélations locales. De plus, comme le sol constitue une matrice complexe qui comprend des facteurs physiques et mécaniques interdépendants, des outils d'intelligence artificielle ont été utilisés pour prédire plus efficacement les différents paramètres géotechniques, à savoir, des réseaux de neurones artificiels (RNA), régression par processus gaussien (GPR), des machines à vecteurs de support (SVM), des RNA optimisés à l'aide d'algorithmes méta-heuristiques comprenant l'optimisation par essaim de particules (PSO) et l'optimisation de l'enseignement-apprentissage (TLBO) ont été utilisés pour prédire l'indice de gonflement et la pression limite pour les sols argileux. Par conséquent, le réseau de neurones artificiels (RNA) a généré de meilleurs résultats que le SVM et le GPR, avec 80 % de réussite dans la prédiction de l'indice de gonflement du sol et 70 % dans l'estimation de la pression limite. Le RNA optimisé utilisant l'algorithme PSO a prédit la pression limite plus efficacement que le modèle TLBO-RNA, générant respectivement R² = 0,795 et R² = 0,731 lors des phases d'apprentissage et de test. Le domaine récent de l'intelligence artificielle explicable (XAI) utilisant l'algorithme d'explication additive de Shapley (SHAP) a été exploré pour interpréter la capacité de prédiction des RNA, GPR et SVM. Les modèles d'IA sont des outils prometteurs pour la prédiction multi-variables. L'analyse SHAP a montré que l'indice de gonflement du sol est davantage influencé par la limite de liquidité (LL) et la limite de plasticité (PL), ce qui souligne qu'une teneur plus élevée en LL et PL augmente les résultats du modèle. Concernant la pression limite, la profondeur est la caractéristique d'entrée qui influence la pression limite pour les trois modèles, indiquant qu'une augmentation de la profondeur entraîne une augmentation de la pression limite.