 |
Le pénétromètre Panda, pénétromètre dynamique léger à énergie variable, fournit un pénétrogramme représentant l'évolution de la résistance de pointe du sol en fonction de la profondeur avec un pas de mesure assez fin (de l'ordre de 5mm). Cette finesse d'acquisition permet d'obtenir un signal sensible à la nature des matériaux traversés. Néanmoins l'essai est dit aveugle puisque aucun n'échantillon n‘est prélevé durant l'essai et qu'il ne permet pas de caractériser la nature des terrains traversés.
Le but de ce travail est de proposer une méthodologie automatique pour la prédiction de la nature du profil géotechnique à partir de l'analyse du pénétrogramme Panda et d'une méthode par apprentissage supervisé. Pour atteindre cet objectif, il a fallu premièrement constituer une base de données d'apprentissage. Pour cela, on a construit une base de données des essais Panda2® réalisés à côté d'un forage ou d'un carottage ou en laboratoire au sein de moules de calibration sur des matériaux connus, pour nous permettre d' établir le lien entre nature des matériaux et le signal pénétrometriques.
Une fois cette base de données constituée, une vingtaine de paramètres, développés notamment pour l'analyse du signal de la voix humaine ou des signaux électromyographiques, ont été analysés en vue de caractériser la signature de chaque signal pénétrométrique. Ces paramètres constituent les entrées du réseau de neurones utilisé par la suite. Une étude d'optimisation a été réalisée pour choisir la meilleure configuration et architecture du réseau. Une caractérisation complète des matériaux n'étant pas réaliste, le réseau de neurones a été éduqué pour pouvoir différencier 4 classes de sols différentes sur la base de critères granulométriques. Finalement, le réseau de neurone défini avec une topologie « Perceptron Multicouche » a permis un classement correct des classes de sols dans 98% des cas sur un échantillon de plus de 200 pénétrogrammes.
