Analyse des performances de quelques modèles de prédiction des caractéristiques de gonflement des sols routiers

Abstract

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.