Résumé:
Ce mémoire traite des défis posés par les sols argileux en raison de leur potentiel de
gonflement lorsqu'ils absorbent de l'eau, entraînant des problèmes structurels importants.
L'évaluation expérimentale de ce potentiel et de la pression de gonflement est souvent
coûteuse et chronophage, ce qui a conduit plusieurs chercheurs à proposer des modèles
empiriques basés sur des propriétés élémentaires telles que la plasticité, les paramètres de
compactage et les caractéristiques granulométriques. L'objectif de ce mémoire est de réaliser
une étude statistique pour évaluer quelques-uns de ces modèles empiriques importants pour la
prévision des paramètres de gonflement des sols argileux. À cet effet, une base de données
contenant les propriétés géotechniques de 161 échantillons de sols, collectées dans la
littérature, a été utilisée pour évaluer six modèles empiriques de prévision du potentiel et de la
pression de gonflement des sols argileux. Des indicateurs statistiques tels que le coefficient de
détermination (r²) et des tests statistiques comme le test de Fisher (F-test) et le test de Student
(t-test) ont été employés pour cette évaluation. L'étude a révélé que les approches prédictives
empiriques présentent plusieurs limitations. Notamment, les modèles intégrant plusieurs
propriétés en tant que variables d'entrée fournissent des résultats statistiques supérieurs à ceux
utilisant une ou deux propriétés seulement. Pour surmonter ces limitations, le mémoire
propose l'utilisation d'approches basées sur l'intelligence artificielle, notamment
l'apprentissage automatique avec le processus de régression gaussienne (GPR). En utilisant
des métriques statistiques telles que le MAE, le MSE et le RMSE, le modèle développé a
montré une forte corrélation entre les valeurs prédites et réelles, avec un faible taux d'erreur.
Les études paramétriques ont également mis en évidence l'impact crucial de certains
paramètres géotechniques comme l'indice de plasticité et la teneur en eau sur le potentiel de
gonflement. Ainsi, l'intégration du Machine Learning, en particulier la GPR, offre des outils
précieux pour améliorer la précision des prédictions géotechniques, apportant une valeur
ajoutée significative aux chercheurs et praticiens de l'ingénierie géotechnique.
