Upload
dangminh
View
222
Download
0
Embed Size (px)
Citation preview
BADJI-MOKHTAR-ANNABA UNIVERSITY UNIVERSITE BADJI-MOKHTAR-ANNABA
Facult des sciences de lingnieur Anne 2012
Dpartement de Gnie Civil
THESE
Prsente en vue de lobtention du diplome de DOCTORAT DES SCIENCES
ANALYSE INVERSE DANS LE CALCUL
GEOTECHNIQUE -APPLICATION AU CALCUL DE LA STABILITE DES
TALUS-
Option
Gotechnique
Prsente par :
Melle MENDJEL DJENATTE
DEVANT LE JURY
Pr. HABITA Faouzi Universit dAnnaba Prsident
Pr. NOUAOURIA Med Salah Unversit de Guelma Examinateur
Dr. HIDJEB Moustapha Universit de Skikda Examinateur
Dr. CHELGHOUM Noureddine Universit dAnnaba Examinateur
Dr. SBARTAI Badreddine Universit de Skikda Examinateur
SOUS LA DIRECTION DU:
Dr. MESSAST SALAH
M.C A-
Universit de Skikda
i
Remerciements
En terme de rdaction de cette thse, nous remercions tout instant notre dieu qui a
toujours clair notre vie par le savoir, et nous a guid dans le bon chemin.
Je tiens remercier tout dabord Pr. Mounir. HAMAMI, Que Dieu bnisse son me, pour
mavoir initi et pour mavoir donn loccasion de faire ce sujet pertinent, et dactualit ainsi
que pour son aide et son encadrement pendant les trois premires annes de recherche.
Bien videmment je remercie trs chaleureusement Dr. Salah MESSAST, pour lintrt
incessant quil a port au suivi de ce travail, en dpit de ses occupations et malgr la difficult
rencontre tout le long de cette tude. Jai beaucoup apprci ses mthodes de travail, la
libert quil ma laisse dans lorganisation de ces recherches et ses encouragements
nombreux et rguliers, qui mont toujours remont le moral dans les moments difficiles, ses
remarques, toujours pertinentes, ont t trs bnfiques lavancement de cette thse.
Je tiens vivement remercier Dr. Mourad MARDJAOUI de luniversit de Skikda, qui
ma aid dans les premires initiations des algorithmes gntiques.
Je remercie plus sincrement le professeur HABITA Faouzi. qui ma fait lhonneur de
prsider le jury de soutenance.
Mes plus sincres remerciements vont galement aux membres de jury :
Pr. NOUAOURIA Med Salah, Dr. HIDJEB Moustapha, Dr. CHELGHOUM Noureddine et
Dr. SBARTAI Badreddine, qui ont accept de relire et commenter cette thse.
Mes remerciements aussi au Pr. Guenfoud Mohamed directeur du laboratoire LGCH de
luniversit de Guelma pour leur mise en disposition le logiciel Plaxflow. Sans oublier Dr.
Lafifi Brahim chercheur au mme laboratoire pour ses conseils concernant lutilisation de
plaxflow.
Mes remerciements vont galement au corps administratif du dpartement de Gnie Civil
de luniversit dAnnaba.
Jadresse un grand merci qui je ddie cette thse, mes parents, mon soutien moral
mon frre Hacne, et sa femme, mes surs, et leurs maris, surtout Allel qui ma vraiment
aid. A mon bon frre Mourad que Dieu bnisse son me qui me manque, il a toujours voulu
me voir au plus haut grade.
ii
Pour couronner ces remerciements, je rends un hommage ma Mre, pour son
irremplaable et inconditionnel soutien. Ton amour maternelle, ton soutien, et tes
encouragements mont t dune aide prcieuse. MERCI et que Dieu puisse te prter longue
vie .
iii
Rsum Les problmes gotechniques sont complexes, et les quations qui lient les paramtres du
sol sont gnralement irrversibles et non linaires, en plus des incertitudes sur ces
paramtres.
Loptimisation par algorithme gntique prsente un grand intrt dans la rsolution des
problmes complexes, elle montre son efficacit dans le domaine de la gotechnique et
surtout dans le calcul de la stabilit des talus. Dans un algorithme gntique la slection au fil
des gnrations sopre sur des individus. Ces individus voluent ensuite selon des
mcanismes gntiques de slections, croisements et de mutation.
Lanalyse de la stabilit des talus est gnralement faite en utilisant les mthodes
dquilibre limite.
Ce travail concerne lutilisation de loptimisation par algorithme gntique, pour le calcul
de la stabilit des talus par mthodes dquilibre limite, ce qui revient chercher le
coefficient de scurit minimal et la surface de rupture correspondante.
Leau joue un rle important dans lanalyse de la stabilit des pentes, do la ncessit de
bien caractriser les sols en considrant un comportement hydromcanique coupl.
Une deuxime partie de cette thse est consacre au dveloppement dune mthode
doptimisation par algorithme gntique permettant lidentification de la permabilit des sols
non saturs en minimisant lcart entre les mesures exprimentales et les rsultats numriques.
Le comportement du sol sera caractris par les dplacements horizontaux qui seront
dtermins aprs un calcul en lments finis au moyen du code de calcul Plaxis, en
considrant un comportement hydromcanique du sol. Ces dplacements horizontaux seront
compars aux mesures inclinomtriques. Cette approche est applique lidentification de la
permabilit de la cit Ciloc Constantine - Algrie.
Mots cls : Analyse inverse ; Algorithme gntique ; Stabilit des talus ; Facteur de
scurit ; Sol non satur ; Plaxis
iv
.
.
.
.
.
.
.
.
.
.
.
Plaxis
.
.
. - Ciloc
Plaxis :
Inclinomtre
v
Abstract
The problems of geotechnical are complex, and the equations which link the parameters of
soil are generally irreversible and nonlinear, in addition to the uncertainties on these
parameters.
The genetic algorithm optimization is of great interest in solving complex problems; it
shows its effectiveness in the field of geotechnical engineering and especially in the
calculation of slope stability. In a genetic algorithm selection over generations takes place on
individuals. These individuals then evolve according to the genetic mechanisms of selection,
crossing and mutation.
The analysis of slope stability is usually done using the limit equilibrium methods.
This work concerns the use of genetic algorithm optimization, the calculation of slope
stability using limit equilibrium methods, which amounts to the calculation of minimum
factor of safety and the corresponding critical failure surface.
Water has an important role in the analysis of slope stability; hence it is necessary to
characterize the soil by considering a coupled hydromechanics behavior.
This work is also designed for the development of a method of genetic algorithm
optimization. This method allows the identification of the permeability of unsaturated soils by
minimizing the discrepancy between experimental measurements and numerical results. Soil
behavior is characterized by horizontal displacements to be determined after a calculation
using the finite element code Plaxis calculation, considering a hydro-mechanical behavior of
soil. These horizontal displacements will be compared to inclinometer measurements. This
approach is applied for the identification of the permeability of the city Ciloc Constantine -
Algeria.
Keywords: Inverse analysis; Genetic algorithm; Slope stability; Factor of safety;
unsaturated soil; Plaxis.
Table des matires
vi
Table des matires Remerciements i
Rsum. iii
iv..................................................................................................................
Abstract. .. v
Table des matires.. vi
Liste des notations.. ix
Liste des figures.. xi
Liste des tableaux. .xvi
Introduction gnrale 1
Chapitre 1 : Mthodes doptimisation. 5
1.1 Introduction. 5 1.2 Principe danalyse inverse 5 1.3 Analyse inverse par mthode numrique directe : algorithmes doptimisation. 7 1.3.1 Les mthodes numratives... 9 1.3.2 Les mthodes dterministes.... 11 1.3.3 Les mthodes stochastiques 12 1.3.3.1 Les mthodes Monte Carlo. 12 1.3.3.2 Le recuit simul.. 14 1.3.3.3 Les algorithmes de voisinage. 15 1.3.3.4 Les rseaux de neurones. 17 1.3.3.5 Algorithmes volutionnaires.. 20 1.4 Conclusion. 21 Chapitre 2 : Optimisation par Algorithme Gntique 23
2.1 Introduction 23 2.2 Principe doptimisation 28
Codage, individu, population et espace de recherche.. 28
Table des matires
vii
Evaluation de la population. 30 Mcanisme dvolution de la population. 31
o Slection 32 o Croisement et mutation. 33 o Critres darrt.. 35
2.3 Conclusion. 35 Chapitre 3 : Analyse de la stabilit des talus. 37
3.1 Introduction 37 3.2 Mthodes de calcul de stabilit des talus 38 3.3 Mthodes de calcul la rupture. 39 3.3.1 Mthodes des blocs 40 3.3.2 Mthodes des tranches 41 3.3.2.1 Mthode de Fellenius (1927) 43 3.3.2.2 Mthode de Bishop (1955).. 43 3.3.2.3 Mthode de Morgenstern and Price (1965). 45 3.3.2.4 Mthode de Spencer (1967). 48 3.3.2.5 Mthode de Janbu simplifie 48
3.4 Conclusion 50
Chapitre 4 : Dveloppement de deux processus de rsolution dquations
dquilibre limite comme approches doptimisation dans lanalyse de la stabilit
des talus... 52
4.1 Introduction. 52 4.2 Processus de rsolution par algorithme gntique (cas de surface de rupture circulaire).... 53 4.2.1 Applications numriques. 55 4.3 Processus de rsolution par algorithme gntique (cas de surface de rupture non circulaire).......... 66
a. Rsolution de lquation de Morgenstern-Price pour trouver le coefficient de scurit qui assure lquilibre au maximum pour chaque surface de rupture 67
b. Dtermination de la surface de rupture non circulaire critique 67 4.3.1 Applications numriques. 69 4.4 Conclusion 73
Table des matires
viii
Chapitre 5 : Identification des paramtres hydromcaniques dun sol non satur
dun talus par algorithme gntique 76
5.1 Introduction. 76 5.2 Prsentation et modlisation du versant. 78 5.3 Principe doptimisation par algorithme gntique 81 5.4 Rsultats de lidentification.. 82 5.5 Conclusion... 85 Conclusion gnrale.. 87
Annexe A : Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)... 89
A.1 Introduction. 89 A.2 Code de calcul Plaxis v8.2. 91 A.2.1 Options par dfaut et solutions approches.. 92 A.2.2 Lois de comportement dans Plaxis.. 93 A.2.2.1 Modle de Mohr-Coulomb 93 A.2.2.2 Modle lastoplastique avec crouissage (Hardening Soil Model H.S.M). 97 A.3 Code de calcul PlaxFlow. 100 Bibliographie. 102
Liste des notations
ix
Liste des notations
Ferr Fonction erreur Nindividus Nombre dindividus (taille de la population) Nparamtre Nombre de paramtres optimiser Nbit Nombre de bits codant un individu Pimin et Pimax borne infrieure et suprieure de chaque paramtre de la population Pi Incertitude accepte sur lvaluation des paramtres N Nombre de points de mesure Uni Dplacement horizontal calcul numriquement au point i Uei Dplacement horizontal mesur exprimentalement au point i Pc Probabilit de croisement Pm Probabilit de mutation Ncoupure Nombre de points de coupure lors de lopration de croisement F Coefficient de scurit i Angle entre la base du ime tranche et lhorizontale Ntranches Nombre des tranches dune surface de rupture b Largeur de la tranche du sol c' Cohsion effective du sol ' Angle de frottement effectif du sol Poids volumique du sol N' Force normale la base de la tranche due la contrainte effective u Pression interstitielle W Poids de la tranche f Contrainte de cisaillement sur la surface de rupture
l Projection de b sur la ligne de rupture H Hauteur du talus Angle du talus Xi, Xi+1 Composantes verticales des forces dinteraction Ei, Ei+1 Composantes horizontales des forces dinteraction
Liste des notations
x
Qi Rsultante des forces inter-tranches qc Surcharges sur le talus ah Coefficient pseudo-statique sismique horizontal av Coefficient pseudo-statique sismique vertical i Angle form par la rsultante et lhorizontale f( ) Fonction de variation par rapport la distance le long de la surface de glissement q Vitesse dcoulement kx et ky Composantes de la permabilit effective krel Permabilit relative K Permabilit effective Ksat Permabilit ltat de saturation Sresidu Saturation rsiduelle Se Degr de saturation effectif Gradient hydraulique p Potentiel de pression des vides y Position verticale P Pression de fluide dans les vides w Poids volumique de leau ga, gn et gi Paramtres relatifs chaque matriau
Liste des figures
xi
Liste des figures Figure. 1.1 Schma du principe dune analyse inverse par mthode analytique
inverse (a) et par mthode numrique directe (b) 6
Figure.1.2 Exemple dexploration exhaustive de lespace de recherche [39].
Reprsentation de la fonction erreur Ferr sur lespace de recherche (Gref ,). 10
Figure.1.3 Principe de la mthode du recuit simul................. 14
Figure.1. 4 Illustration du principe doptimisation par Algorithme de voisinage [68]
: cellules de Voronoi initiales (a), nouvelles cellules gnres par lalgorithme
diffrentes tapes du processus doptimisation (b,c), topologie de la fonction erreur
correspondante (d) ...... 16
Figure. 1.5 Schma dun rseau de neurones [28].. 18
Figure. 2.1 Schma dun algorithme gntique selon Orain et al. [57] 24
Figure. 2.2 (a) : Illustration schmatique des niveaux dorganisation dun algorithme
gntique, (b) : Reprsentation dun individu. 30
Figure. 2.3 Estimation de lerreur sur la solution entre des valeurs mesures Uei et
des valeurs calcules Uni. 31
Figure. 3.1 Schma de rupture plane 41
Figure. 3.2 Les inconnues dune mthode des tranches... 42
Figure. 3.3 Reprsentation des forces sur une tranche selon la mthode simplifie
de Bishop [83].. 44
Figure. 3.4 Reprsentation des forces sur une tranche selon la mthode simplifie
de Morgenstern et Price [55] 47
Figure. 3.5 Variation du coefficient de scurit fonction de [36]. 49
Liste des figures
xii
Figure.4.1 Principe doptimisation par Algorithme gntique (cas de la stabilit des
talus-rupture circulaire-)... 54
Figure.4.2 Utilisation de lexploration exhaustive de lespace de recherche pour
lapplication 1. Reprsentation de la fonction erreur F dans lespace de
recherche.. 56
Figure.4.3 Variation de la fonction objective avec le nombre de gnration de
lapplication 1 . 57
Figure.4.4 Surface de rupture circulaire critique de lapplication 1... 57
Figure.4.5 Variation de la fonction objective avec le nombre de gnration de
lapplication 2.. 58
Figure.4.6 Surface de rupture circulaire critique de lapplication 2.... 58
Figure.4.7 Variation de la fonction objective avec le nombre de gnration de
lapplication 3.. 58
Figure.4.8 Surface de rupture circulaire critique de lapplication 3 58
Figure.4.9 Variation de la fonction objective avec le nombre de gnration de
lapplication 4.. 58
Figure.4.10 Surface de rupture circulaire critique de lapplication 4. 58
Figure.4.11 Variation de la fonction objective avec le nombre de gnration de
lapplication 5. 59
Figure.4.12 Surface de rupture circulaire critique de lapplication 5. 59
Figure.4.13 Gomtrie de lapplication 6. 61
Figure.4.14 Variation de la fonction objective avec le nombre de gnration de
lapplication 6 (cas 1).. 61
Liste des figures
xiii
Figure.4.15 Surface de rupture circulaire critique de lapplication 6 (cas 1) 61
Figure.4.16 Variation de la fonction objective avec le nombre de gnration de
lapplication 6 (cas 2).. 62
Figure.4.17 Surface de rupture circulaire critique de lapplication 6 (cas 2). 62
Figure.4.18 Gomtrie de lapplication 7. 63
Figure.4.19 Variation de la fonction objective avec le nombre de gnration de
lapplication 7 (cas 1).. 63
Figure.4.20 Surface de rupture circulaire critique de lapplication 7 (cas 1). 63
Figure.4.21 Variation de la fonction objective avec le nombre de gnration de
lapplication 7 (cas 2). 63
Figure.4.22 Surface de rupture circulaire critique de lapplication 7 (cas 2). 63
Figure.4.23 Variation de la fonction objective avec le nombre de gnration de
lapplication 7 (cas 3).. 64
Figure.4.24 Surface de rupture circulaire critique de lapplication 7 (cas 3). 64
Figure.4.25 Gomtrie de lapplication 8. 65
Figure.4.26 Variation de la fonction objective avec le nombre de gnration de
lapplication 8.. 65
Figure.4.27 Surface de rupture circulaire critique de lapplication 8.. 65
Figure.4.28 Paramtres dfinissant une rupture non circulaire 66
Figure.4.29 Principe doptimisation par Algorithme gntique (cas de la stabilit des
talus -rupture non circulaire -). 68
Figure.4.30 Surface de rupture non circulaire critique de lapplication 1... .. 70
Liste des figures
xiv
Figure.4.31 valeurs optimales des fonctions objectives (F et opt_eq) converges, par
la mthode de Morgenstern-Price de l'application 1.... 70
Figure.4.32 Surface de rupture non circulaire critique de lapplication 2... 70
Figure.4.33 valeurs optimales des fonctions objectives (F et opt_eq) converges, par
la mthode de Morgenstern-Price de l'application 2.... 70
Figure.4.34 Surface de rupture non circulaire critique de lapplication 4.. 71
Figure.4.35 valeurs optimales des fonctions objectives (F et opt_eq) converges, par
la mthode de Morgenstern-Price de l'application 4.... 71
Figure.4.36 Surface de rupture non circulaire critique de lapplication 9 .. 71
Figure.4.37 valeurs optimales des fonctions objectives (F et opt_eq) converges, par
la mthode de Morgenstern-Price de l'application 9.... 71
Figure. 5.1 La coupe gomtrique du modle.. 79
Figure.5.2 Maillage et conditions aux limites cinmatiques par lments finis.. 80
Figure.5.3 Conditions aux limites hydrauliques. 81
Figure.5.4 Principe doptimisation par Algorithme gntique (cas de paramtres
hydromcaniques).. 81
Figure.5.5 Evolution de la moyenne de Ferr sur la population parent en f onction
des gnrations.. 83
Figure.5.6 Identification de la permabilit effective des trois couches de sol K1, K2
et K3. Processus doptimisation par algorithme gntique : volution des individus
parents sur lespace de recherche chaque gnration. 84
Liste des figures
xv
Figure.5.7 Dplacement horizontal numrique (Un) de la dernire gnration et
exprimental (Ue) en fonction de la profondeur. 85
Figure. A.1 Modlisation dun essai de compression triaxiale avec le modle de
Mohr-Coulomb (a) et reprsentation des contraintes dans le plan de Mohr (b) 95
Figure.A.2Dfinition du module dYoung E 50% de la rupture.. 96
Figure.A.3 Reprsentation de la relation hyperbolique grant lcrouissage du
modle HSM 99
Figure.A.4 Dfinition du paramtre partir des rsultats dun essai
oedomtrique............................................................................................................... 99
Liste des tableaux
xvi
Liste des tableaux
Tableau.2.1 L'oprateur de croisement dans le codage binaire 34
Tableau.2.2 L'oprateur de mutation dans le codage binaire 35
Tableau.3.1 Forces inter-tranches et quations satisfaire pour diffrentes mthodes
[36]. 42
Tableau.4.1La gomtrie et les paramtres des sols des applications 1, 2 et 3.. 57
Tableau.4.2 La gomtrie et les paramtres de sol de lapplication 4 57
Tableau.4.3 La gomtrie et les paramtres de sol de lapplication 5... 59
Tableau 4.4 Proprits du sol pour lapplication 6.. 61
Tableau. 4.5 Proprits du sol de lapplication 7 62
Tableau. 4.6 Proprits du sol de lapplication 8. 64
Tableau. 4.7 La gomtrie et les paramtres de sol de lapplication 9 69
Tableau. 4.8 Rsultats de lapproche de rsolution de Morgenstern-Price, et ceux de la littrature.. 69
Tableau. 5.1 Caractristiques physico-mcaniques des sols.. 79
Introduction gnrale
1
Introduction gnrale
La construction de nombreuses infrastructures ncessite la mise en place de talus.
Lanalyse de la stabilit de ces talus comporte, outre la connaissance du site, et le
choix des caractristiques mcaniques et hydrauliques des sols, un calcul de stabilit.
Lestimation de cette stabilit vis--vis du risque de rupture est lune des
importants problmes en gotechnique surtout dans le domaine des donnes limites
ou peu connues. Lambe [37] rappelait que les rsultats obtenus sont le produit de
mthodes de mesure, pour les paramtres, et de mthodes de calcul, et il prcisait que
les rsultats doivent tre apprcis en tenant compte de ces deux lments.
Les caractristiques des sols sont complexes, variables dans lespace et dans le
temps. De ce fait, les paramtres que lon doit introduire dans les calculs
gotechniques, sont souvent mal connus. De nombreux modles constitutifs de sols
existent pour reprsenter la plupart des comportements de sols rels, ces modles
approchs peuvent tre utiliss avec une certaine confiance dans les calculs,
condition de bien choisir les valeurs des paramtres [39]. Les quations dfinissant le
comportement des sols sont complexes et fortement non linaires, ainsi que dans
lanalyse des problmes gotechniques (comme lanalyse de la stabilit des talus) les
quations rsoudre sont souvent non linaires.
Introduction gnrale
2
Pour pallier au problme sus cit, on utilise le principe danalyse inverse dans
lidentification des paramtres du sol et/ou la rsolution des quations danalyse des
problmes gotechniques. Ce principe dans les problmes complexes de la
gotechnique est utilis comme mthodes numriques directes (mthodes
doptimisation).
Pour S. Levasseur [39], lidentification des paramtres rpond sur la question :
quelles informations concernant les paramtres constitutifs du sol est-il possible
dobtenir partir de mesures in situ ? Une mthode directe de rsolution du problme
inverse est dveloppe. Des valeurs a priori sont donnes aux paramtres inconnus
pour simuler le problme direct associ, laide du code de calcul par lments finis
jusqu ce que lcart entre les rsultats du calcul numrique et les mesures in situ
(fonction erreur) soit minimal.
Lobjectif de ce travail est de dvelopper une approche danalyse inverse se basant
sur la notion doptimisation par algorithmes gntiques. Lapproche consiste
dterminer les paramtres du modle qui minimisent une certaine fonction, appele
fonction cot ou fonction erreur, en utilisant les paramtres gntiques les plus
performants.
Cette thse est structure en cinq chapitres comme suit :
Le chapitre 1, prsente en dtail la notion danalyse inverse, les mthodes
principalement utilises, et plus particulirement les mthodes doptimisation
stochastiques. Par rapport aux mthodes dterministes les mthodes stochastiques ne
ncessitent aucune information sur la drive de la fonction erreur, ces mthodes font
Introduction gnrale
3
appel des tirages de nombres alatoire. Elles permettent dexplorer lespace de
recherche plus efficacement, et de rsoudre des problmes de plus en plus complexes.
Plus particulirement, les algorithmes gntiques convergent rapidement vers les
bonnes rgions de lespace et leurs performances samliorent avec la taille du
problme [25]. Ils combinent la robustesse de lexploration de Monte Carlo une
exploitation efficace de linformation. Dans un algorithme gntique la slection au fil
des gnrations sopre sur des individus. Ces individus voluent ensuite selon des
mcanismes gntiques de slections, croisements et de mutation.
Le chapitre 2, prsente en dtail la mthode doptimisation par algorithme
gntique. Les paramtres optimaux caractrisant un algorithme gntique varient dun
problme un autre [12 ; 62 ; 80]. Cependant, il est important de bien choisir les
paramtres caractrisant les algorithmes gntiques pour leur bonne utilisation.
Le chapitre 3, prsente quelques mthodes danalyse de la stabilit des talus, et plus
particulirement les mthodes de calcul lquilibre limite. Par la suite dans le
chapitre 4, on sintresse rsoudre deux quations dquilibre limite du problme de
stabilit de talus en dterminant la surface de rupture critique circulaire ou non
circulaire et le coefficient de scurit correspondant. Pour cela et pour faire loigner la
difficult de trouver le coefficient de scurit global minimal deux mthodes
doptimisation ont t dveloppes en se basant sur lanalyse par algorithme gntique.
La qualit des rsultats dpend des valeurs de paramtres intrinsques choisies dans
lalgorithme gntique. La validation des programmes a t faite par plusieurs
exemples publis dans la littrature. Le traitement de ces exemples, a permis de
clarifier les principes de la mthode et de juger de sa pertinence rsoudre les
problmes de stabilit, en optimisant certains paramtres gntiques.
Introduction gnrale
4
Le chapitre 5 est consacr au dveloppement dune mthode doptimisation par
algorithme gntique pour lestimation dun paramtre inconnu (la permabilit de
sols) en se basant sur des mesures de dformations in situ, le problme donn doit tout
dabord tre modlis numriquement par un calcul lments finis. En fonction des
sollicitations imposes au modle et des paramtres supposs au modle du sol, une
rponse numrique est calcule. La rponse numrique obtenue est ensuite compare
aux donnes exprimentales. Cette comparaison se traduit par le calcul de lcart entre
les donnes observes et les valeurs calcules (fonction erreur Ferr). Cet cart est
ensuite minimis par algorithme gntique. Le programme est valid par lexemple du
versant de la cit Ciloc Constantine - Algrie.
1. Mthodes doptimisation 5
Chapitre 1 :
Mthodes doptimisation
1.1 Introduction
Dans sa version automatise, lanalyse inverse est une procdure relativement
nouvelle dtude des problmes gotechniques.
La premire partie de ce chapitre est consacre la prsentation de ce concept et
elle pose la problmatique de la thse. Ensuite, ce chapitre se poursuit par un tat des
lieux des recherches actuelles sur les mthodes inverses travers quelques applications
gotechniques. L'objectif n'est pas d'en faire une liste, mais de comprendre les
avantages et les inconvnients de chacun, afin d'tablir la mthodologie mettre en
place pour choisir l'algorithme adquat en fonction d'un problme donn. En fin une
attention particulire est porte la procdure danalyse inverse base sur la technique
dalgorithmes gntiques, avec quelques conclusions sur cette tude qui permettent la
justification de la mthode doptimisation choisie pour cette thse.
1.2 Principe danalyse inverse
Parker et Santamarina ont introduit la notion danalyse inverse pour la gophysique
et le gnie civil [60; 71]. Ils dcrivent deux types dapproches pour rsoudre les
problmes inverses :
Lapproche danalyse inverse par mthode analytique inverse,
schmatise la figure 1.1-(a).
Lapproche danalyse inverse par mthode numrique directe,
schmatise la figure 1.1-(b).
1. Mthodes doptimisation 6
(a)
(b)
Figure. 1.1 Schma du principe dune analyse inverse par mthode analytique inverse (a)
et par mthode numrique directe (b).
Classiquement, un problme est dit bien pos si les sollicitations, les conditions aux
limites et les paramtres du sol sont connus. Si le systme est stable, alors la rponse
du modle est unique. La rsolution du problme inverse peut alors se faire
analytiquement figure 1.1-(a).
Malheureusement, linversion analytique du problme est rarement possible en
gotechnique. Les systmes gomcaniques et les modles associs sont complexes et
fortement non linaires. Les quations de comportement sont irrversibles. Tout ceci
rend la solution du problme inverse non unique, voire inexistante, lorsque lon
cherche une solution exacte [81]. De plus les paramtres que lon doit introduire dans
les calculs gotechniques, sont souvent mal connus. A cela sajoutent les incertitudes
sur les sollicitations et les conditions aux limites ainsi que lerreur qui peuvent
introduire les hypothses et les approximations du modle mcanique utilis, donc
trouver une solution analytique devient difficile. La solution est sensible aux donnes
et aux erreurs sur ces donnes. Maier et Gioda [45] montrent quune rsolution par
minimisation directe de la "distance" entre des mesures in situ et des quantits
Rponse Sollicitations Systme mcanique :
Modle EF+ Paramtres ?
Sollicitations
Rponse Systme mcanique :
Modle EF + Paramtres ?
1. Mthodes doptimisation 7
numriques correspondantes est prfrable puisquelle vite linversion des quations
danalyse des contraintes. Cette procdure itrative value successivement une
fonction erreur caractrisant lcart entre les observations exprimentales et les
valuations numriques obtenues suite une analyse des contraintes du problme
gotechnique. En dcrivant le rle de loptimisation mathmatique, Maier et Gioda
montrent les potentialits des mthodes didentification par une approche directe pour
la gomcanique sur la base de problmes particuliers. Ces propos sont confirms par
Sakurai et Takeuchi [66] et par la suite par Levasseur [38 ; 39 ; 40 ; 41 ; 42] dans la
gotechnique. Les problmes gotechniques sont trop complexes et la dispersion des
donnes rend inapplicable lanalyse inverse par une approche inverse. La rsolution du
problme inverse peut se faire alors par mthode numrique directe figure 1.1-(b).
Nous venons de voir quil existe deux grandes approches danalyse inverse : une
approche par mthode analytique inverse et une approche par mthode numrique
directe, et quen gotechnique, il est prfrable dutiliser lapproche directe. Dans la
suite de cette thse, seule lanalyse inverse par mthode numrique directe est aborde.
1.3 Analyse inverse par mthode numrique directe : algorithmes doptimisation
Par sa dfinition, lanalyse inverse par mthode numrique directe est associe la
notion doptimisation. Pour bien poser un problme doptimisation, il convient tout
dabord danalyser le problme et doprer un certain nombre de choix :
Sur les variables du problme.
Avant de procder une analyse inverse, il faut se demander quels sont les
paramtres intressants optimiser.
1. Mthodes doptimisation 8
Sur lespace de recherche.
Une fois les paramtres slectionns, il faut dfinir dans quelles limites les faire
varier. Cela revient dfinir un espace de recherche.
Sur la fonction erreur.
Un algorithme doptimisation ncessite gnralement la dfinition dune fonction
rendant compte de la pertinence des solutions potentielles, partir des grandeurs
optimiser. Il sagit de la fonction dadaptation (fitness function) encore appele
fonction objective ou fonction erreur. Elle dpend des objectifs atteindre.
Sur la mthode doptimisation.
Une fois dfinie la fonction optimiser, il sagit de choisir une mthode de
minimisation adapte au problme pos. Les mthodes doptimisation sont classes
selon Goldberg [25] en trois types : les mthodes numratives, les mthodes
dterministes et les mthodes non dterministes ou stochastiques.
Une fois cette analyse du problme termine, le processus doptimisation peut
dmarrer. La synthse des rsultats obtenus permet ensuite de tirer des conclusions
quant aux fourchettes de valeurs possibles des paramtres. La solution du problme
inverse nest pas garantie a priori [33 ; 60], elle est toujours lie la complexit des
systmes tudis et aux hypothses simplificatrices des mthodes de calcul associes.
En pratique, lobjectif du gotechnicien nest pas dobtenir un optimum absolu, mais
seulement une bonne solution et la garantie de linexistence dune solution
sensiblement meilleure [8].
1. Mthodes doptimisation 9
Pour atteindre cet objectif au bout dun temps de calcul raisonnable, il est ncessaire
davoir recours des mthodes doptimisation appeles heuristiques. Le mot
heuristique vient du grec heurein, qui signifie dcouvrir, et qualifie tout ce qui sert la
dcouverte, linvention et la recherche. Pour lalgorithmique, les heuristiques sont
des mthodes qui cherchent approcher une solution optimale, elles sont encore
appeles mthodes approches.
On trouve dans la littrature un grand nombre dheuristiques qui produisent des
solutions proches de loptimum. Elles ont t dveloppes pour les problmes
difficiles doptimisation combinatoire. Ces mthodes peuvent tre partages en deux
catgories. Celles qui permettent de dterminer un minimum local, ces mthodes sont
appeles mthodes de recherche locales; et celles qui sefforcent de dterminer un
optimum global, ces mthodes sont appeles mthodes de recherche globales. Le
terme doptimisation globale fait rfrence la recherche de loptimum global de la
fonction erreur. De ce point de vue, la mthode doptimisation globale vise la
dtermination de loptimum global du problme, en vitant le pigeage dans lun de
ses optima locaux [39].
1.3.1 Les mthodes numratives
Les mthodes numratives sont de principes simples. Dans un espace de recherche
fini et discrtis, un algorithme numratif value la valeur de la fonction optimiser
en chaque point de lespace solution. Par cette exploration exhaustive de lespace de
recherche des paramtres, lensemble des combinaisons possibles sur une plage de
variation limite par lutilisateur sont compares entre elles. La solution optimale est
celle pour laquelle la valeur de la fonction erreur est la plus faible.
1. Mthodes doptimisation 10
Dans la pratique beaucoup despaces de recherche sont trop grands pour que lon
puisse explorer toutes les possibilits une par une en ayant une chance dobtenir une
information utilisable. Cette mthode trs coteuse manque donc defficacit. Elle
suppose davoir une ide prcise de lordre de grandeur des paramtres et de ne pas
tre trop exigeant sur la prcision des rsultats, pour limiter au maximum le nombre
ditrations et donc le temps de calcul.
Une telle exploration exhaustive est aujourdhui essentiellement utilise pour tester
dautres mthodes plus labores. Elle permet pour des cas simples, de connatre
lallure de la fonction erreur sur le domaine de recherche [25].
La figure 1.2 prsente un exemple doptimisation par une mthode numrative. Cet
exemple concerne lidentification de deux paramtres du modle de Mohr-Coulomb, le
module de cisaillement Gref et langle de frottement partir de mesures
pressiomtriques [39]. Lvaluation de la fonction erreur Ferr pour une combinaison de
paramtres reprsente un point de la grille. Les points qui ont mme Ferr sont lis par
une ligne, cette ligne est analogue une ligne de niveau qui joigne les points de mme
altitude dune carte gographique.
Figure.1. 2 Exemple dexploration exhaustive de lespace de recherche [39]. Reprsentation de la fonction erreur Ferr sur lespace de recherche (Gref ,).
1. Mthodes doptimisation 11
1.3.2 Les mthodes dterministes
Le principe des mthodes dterministes est dexploiter au mieux linformation
connue sur un espace de recherche pour estimer loptimum. Les mthodes
dterministes correspondent principalement aux mthodes dites de gradient. Elles
nutilisent aucun concept statistique mais requirent des hypothses sur la fonction
optimiser. Celle-ci doit tre continue et drivable en tout point de lespace de
recherche. Dans la littrature, on trouve comme mthodes dterministes la mthode de
plus grande pente, celle du gradient conjugu, celle de Newton, celle de Levenderg-
Marquardt ou Quasi-Newton.
Il est reconnu que les mthodes dterministes manquent gnralement de
robustesse. Elles valuent la fonction erreur et ses drives localement. Les extrema
quelles atteignent sont optimaux dans le voisinage du point de dpart. Ainsi le fait de
trouver par ces mthodes un minimum pour la fonction erreur ne garantit pas quon ait
obtenu la solution du problme inverse.
De plus, les mthodes de gradient dpendent de lexistence de drives ce qui pose
un problme majeur car dans la pratique la fonction erreur, dont lestimation rsulte
dun calcul numrique, nest pas forcment drivable. Ces mthodes de calcul ne sont
donc adaptes qu une classe limite de problmes.
Il ressort que le calage dun modle sur des donnes exprimentales est difficile.
Dans beaucoup de problmes inverses, la dtermination des paramtres dun sol
dpend des valeurs initiales du schma doptimisation. De mme, lorsque les
paramtres recherchs sont corrls, lalgorithme doptimisation peine identifier ces
paramtres puisque soit de nombreux minima locaux apparaissent dans lespace des
1. Mthodes doptimisation 12
paramtres, soit la fonction erreur saplatit autour de loptimum. Pour ces cas, la
solution est non unique et instable.
1.3.3 Les mthodes stochastiques
Ce sont des mthodes de recherche alatoires qui explorent et mmorisent le
meilleur lment, parmi ces mthodes la plus simple est le type de Monte Carlo.
Malheureusement, elles sont robustes mais peu efficaces. On leur prfre souvent des
mthodes pseudo-alatoires telles que les algorithmes gntiques ou le recuit simul.
Ces procdures dexploration utilisent un choix alatoire comme outil pour guider une
exploration intelligente dans lespace des paramtres cods.
Notons que ces mthodes itratives doptimisation ne garantissent pas datteindre
loptimum. Cependant, leur grande robustesse permet dans tous les cas didentifier une
ou plusieurs solutions proches de cet optimum.
1.3.3.1 Les mthodes Monte Carlo
Depuis le milieu des annes 80, les mthodes de Monte Carlo sont devenues de plus
en plus populaires auprs de gophysiciens pour rsoudre des problmes inverses. La
mthode Monte Carlo consiste tirer sur lespace de recherche, chaque itration, un
jeu de valeurs au hasard. La fonction erreur Ferr est value en ce point. La nouvelle
valeur de Ferr est compare la prcdente. Si elle est meilleure que la prcdente,
cette valeur est enregistre, ainsi que la solution correspondante, et le processus
continu. Sinon on conserve le point prcdent et on poursuit la procdure jusqu ce
que les conditions darrt soient atteintes.
Sambridge et Mosegaard [70] prsentent diffrentes mthodes globales du type
Monte Carlo pour lanalyse inverse de problmes gophysiques. La mthode Monte
1. Mthodes doptimisation 13
Carlo dessine la rgion o le modle est acceptable dans lespace des paramtres.
Linterprtation de cet chantillon donne la solution du problme.
Malkawi et al. [47] utilisent quant eux les mthodes Monte Carlo pour identifier la
surface de rupture dun talus donnant le plus petit facteur de scurit.
Selmi et al. [74] dveloppent un programme de calcul permettant lanalyse de la
stabilit des talus, tenant compte de la variabilit spatiale des paramtres dentrs, et
bas sur la simulation de Monte et Carlo, il fournit en rsultat le cercle critique, la
probabilit de ruine et lindice de fiabilit.
Par leur tude comparative, Sambridge et Mosegaard [70] indiquent que pour des
problmes complexes les mthodes de Monte Carlo sont plus favorables que les
mthodes dterministes. Comme elles se basent uniquement sur lvaluation de la
fonction erreur et non sur lvaluation de sa drive, elles sont plus stables. Elles
donnent galement des estimateurs de moyenne et autres moments statistiques qui
permettent une meilleure approche de la solution. Mais, linconvnient de la mthode
Monte Carlo est quelle est trs coteuse en calcul. Certaines zones de lespace des
solutions peuvent rester inexplores. Ces mthodes ne sont donc valables qu
condition de disposer dune puissance de calcul suffisante. Mieux vaut considrer la
mthode comme une aide linterprtation plutt que comme un rsultat absolu.
Lenveloppe estime des modles acceptables est un guide pour lhypothse dune
solution et non une conclusion ferme et dfinitive. Ainsi, la mthode de Monte Carlo
uniforme de base, prsente par Sambridge et Mosegaard [70], est inefficace et
inadapte pour identifier un grand nombre de paramtres en gophysique. Dautres
mthodes drives de la mthode Monte Carlo, utilisant un chantillon pseudo-
alatoire de combinaisons de paramtres, telles le recuit simul, lalgorithme de
1. Mthodes doptimisation 14
voisinage ou lalgorithme gntique, sont prfrables. Chacune de ces mthodes est
dveloppe ci-dessous.
1.3.3.2 Le recuit simul
Le recuit simul est une technique drive de la mthode de Monte Carlo. Cette
mthode est issue dune analogie avec le phnomne physique de refroidissement lent
dun corps en fusion, qui le conduit un tat solide, de basse nergie. Elle procde
alors comme un lissage de la topologie de Ferr faisant disparatre les minima locaux
limage dun fluide qui scoule sur les pentes de Ferr jusqu lquilibre. Initialement,
cette mthode a t dveloppe pour simuler les mcanismes statistiques de systmes
en quilibre mais rapidement ces principes ont t tendus aux problmes
doptimisation.
Lintrt du recuit simul est de pouvoir tre utilis lorsque la relation
modle/donnes est fortement non linaire et produit une fonction erreur multimodale.
Mais, son efficacit dpend fortement du choix des paramtres de contrle, dont le
rglage reste empirique. Malgr tout, ltude de Rothmann [65] montre que pour des
applications gophysiques, loptimum global est bien identifi. La figure.1.3,
reprsente le principe de la mthode du recuit simul [59].
Figure.1.3 Principe de la mthode du recuit simul.
1. Mthodes doptimisation 15
1.3.3.3 Les algorithmes de voisinage
Lalgorithme de voisinage est une nouvelle classe de recherche des paramtres
directe base sur la mthode de Monte Carlo. Lobjectif est dchantillonner la rgion
de lespace des paramtres o le modle est acceptable. Cette mthode utilise des
concepts gomtriques pour extraire des informations robustes sur lensemble des
modles obtenus.
La philosophie de cette mthode est de considrer quun point sur lespace de
recherche est reprsentatif de ses voisins. Le but est de construire approximativement
la topologie de la fonction erreur du problme partir de lvaluation de quelques jeux
de paramtres sur lespace.
Comme illustr la figure 1.4, un chantillon de solutions est initialement gnr
alatoirement sur lespace. Des cellules de Voronoi (polydres convexes) sont ensuite
construites selon lvaluation de chacune des combinaisons de paramtres. En fonction
de ces rsultats, lalgorithme volue ensuite progressivement sur lespace et de
nouvelles cellules de Voronoi sont construites.
Chaque nouvelle itration concentre les solutions autour du meilleur calage [70].
Ainsi, la taille des cellules tant inversement proportionnelle la densit de
lchantillon, la topologie de la fonction erreur du problme est value
approximativement partir de lvaluation de quelques jeux de paramtres sur
lespace.
1. Mthodes doptimisation 16
Figure.1.4 Illustration du principe doptimisation par Algorithme de voisinage [68] :
cellules de Voronoi initiales (a), nouvelles cellules gnres par lalgorithme diffrentes tapes du processus doptimisation (b,c), topologie de la fonction erreur correspondante (d)
Comme pour les algorithmes gntiques ou le recuit simul, lalgorithme de
voisinage est une recherche globale contrle de lespace de recherche et na pas
besoin de calcul autre que celui de la fonction erreur. Lobjectif de lalgorithme de
voisinage est de trouver un ensemble de modles sur lespace de paramtres qui
reprsentent bien les donnes et non pas une solution unique [39].
Sambridge [68; 69] a introduit la notion dalgorithme de voisinage en gophysique
en lappliquant lexploitation dondes sismiques pour identifier les couches
terrestres. Avec Shibutani et al. [76], ils ont galement compar lutilisation dun
algorithme gntique et dun algorithme de voisinage pour ces problmes. Daprs
eux, il semble que lalgorithme de voisinage identifie mieux les couches terrestres que
lalgorithme gntique. Un algorithme gntique travaille sur un espace de recherche
discrtis (cf. chapitre 2). Lchantillon de solutions identifi par lalgorithme
gntique est limit par la taille du maillage de lespace de recherche. Diminuer le pas
de cette grille suppose daugmenter le temps de calcul. Lalgorithme de voisinage
1. Mthodes doptimisation 17
quant lui travaille sur un espace de recherche continu. Il devient alors plus prcis
dans la recherche dune rgion acceptable comme solution dun problme.
1.3.3.4 Les rseaux de neurones
Les rseaux neuronaux sont des mthodes inspires du fonctionnement crbral
principalement bas sur le concept de neurone. Cette mthode est connue pour sa
polyvalence et pour tre trs puissante dans la rsolution des problmes complexes,
non linaires et/ou bruits [62;75; 77]. Lide est de reproduire le mcanisme crbral
dapprentissage, soit ladaptation lente dun individu lexcution dune tche
nouvelle.
Bekkouche et al. [2] ont utilis les rseaux de neurones pour lestimation de la
vitesse maximale du sol sous les effets sismiques, Gouasmia et Djeghaba [26] ont
utilis ce type de mthode pour lanalyse dynamique non linaire de linteraction sol-
structure.
Hashash et al. dveloppent une mthode danalyse inverse pour la gotechnique
base sur un rseau de neurones [21; 27; 28]. Ils proposent notamment dappliquer ce
principe la dtermination des caractristiques du sol en identifiant un rseau de
neurones partir des tapes de la construction dune excavation. Leur but est de
dterminer une formulation de la matrice de rigidit, reliant le tenseur dentre au
tenseur de sortie, pour un problme analys par la mthode des lments finis. Ils
cherchent ainsi formuler la loi de comportement du sol dans un contexte particulier.
De mme, Yamagami et al. [85] sintressent aux rseaux de neurones pour tudier la
stabilit des pentes.
1. Mthodes doptimisation 18
Un rseau de neurones se dcompose en plusieurs couches de neurones
interconnectes reliant des donnes en entre, linput (par exemple, le tenseur des
dformations) et des donnes en sortie, loutput (par exemple, le tenseur des
contraintes) comme illustr la figure 1.5. Suite une phase dapprentissage, ces
interconnexions dfinissent les relations constitutives de sol. La phase dapprentissage
est une tape du processus doptimisation reliant contraintes et dformations sur
chaque point dintgration dun modle lments finis.
Figure. 1.5 Schma dun rseau de neurones [28]
Elle permet damliorer le rseau en calant mathmatiquement une fonction sur des
donnes exprimentales. Ce mcanisme consiste propager linformation disponible
sur lexcavation entre les diffrentes couches de neurones, en minimisant lerreur entre
le signal simul et le signal connu. La mthode la plus courante pour minimiser cette
erreur est lalgorithme de rtro-propagation de lerreur qui repose sur une
minimisation par descente de gradient dun critre derreur de type moindres carrs.
1. Mthodes doptimisation 19
Pour un vecteur dentre connu et sa solution en sortie connue, le rsidu sur chaque
paramtre est propag entre les diffrentes couches du rseau.
Les poids des interconnexions (les neurones) sont modifis dans ce sens
proportionnellement leurs contributions lerreur. Pendant ces deux phases, le
rseau converge vers un tat stable proche de lerreur minimale. Le rseau obtenu
reprsente le modle constitutif du problme particulier tudi. Si la phase
dapprentissage est suffisante, cette loi de comportement est gnralisable un autre
cas de charge pour le problme considr [62].
Loptimisation par rseaux de neurones est donc quivalente un processus de
dveloppement dun modle constitutif de sol conventionnel et au choix adquat des
proprits dun modle [77]. Elle ne ncessite aucune information a priori sur le
comportement du sol. Mais la loi de comportement dtermine dpend fortement de la
phase dapprentissage. Lapproximation du modle constitutif de sol sera dautant plus
prcise que la quantit dinformation disponible pour ces phases sera importante.
Ainsi, pour Yamagami et al. [85], un rseau de neurones est capable dapprendre des
relations complexes et fortement non linaires si une grande varit de donnes
dapprentissage est disponible. De mme, pour Pernot et Lamarque [61], bien quun
rseau de neurones ressemble une bote noire, il est capable de bien prendre en
compte les incertitudes exprimentales et de comprendre, mmoriser et gnraliser les
rgles de comportement des matriaux. Enfin, la robustesse et la bonne convergence
des rseaux de neurones pour la gotechnique sont dmontres par Hashash et al. [27].
Cependant, Shaopei et Boru [75] rappellent que si le rseau de neurones ainsi constitu
permet de bien caractriser le comportement tudi, la relation liant linput loutput
reste gnralement inconnue.
1. Mthodes doptimisation 20
1.3.3.5 Algorithmes volutionnaires
La thorie de l'volution dveloppe par Darwin a donn naissance des
algorithmes dits volutionnaires. Ces algorithmes visent faire voluer un ensemble
de solutions un problme donn vers un ensemble de meilleures solutions. A chaque
itration des oprateurs pseudo-alatoires cherchent reproduire le phnomne de
slection naturelle et modifient l'ensemble de solutions courant. Deb [13] prsente
quatre types d'algorithmes volutionnaires :
Les algorithmes gntiques
Les stratgies d'volution
La programmation volutionnaire
La programmation gntique.
Parmi les algorithmes volutionnaires cits par Deb [13], les plus utiliss sont les
algorithmes gntiques (AG) drivent des mthodes Monte Carlo dans le sens o les
paramtres dvolution de lalgorithme sont alatoires.
Goldberg [25] dfinit les algorithmes gntiques comme des algorithmes
dexploration fonds sur les mcanismes de la slection naturelle de Darwin. A chaque
gnration, un nouvel ensemble dindividus est cr en utilisant les meilleurs lments
de la gnration prcdente, ainsi que des nouveaux lments. Les algorithmes
gntiques exploitent efficacement linformation obtenue prcdemment pour spculer
sur la position de nouveaux points explorer avec lespoir damliorer les
performances. Cette mthode est lobjet principal de cette thse. Elle est dtaille au
chapitre 2.
1. Mthodes doptimisation 21
Les stratgies volutives (SE). Plus ou moins contemporains, leur fonctionnement
est trs proche des AG. Les stratgies volutives peuvent tre dfinies comme des AG
particuliers, plus prcisment des AG cods-rel et sans opration de croisement.
La Programmation Evolutionnaire (PE) est un algorithme volutionnaire bas sur la
mutation et appliqu des espaces de recherche discrets. La Programmation Gntique
(PG) est un algorithme gntique appliqu aux programmes informatiques afin de
dvelopper des programmes efficaces ddis la rsolution d'une tche. Le lecteur
intress pourra se rfrer [13] pour une description plus dtaille des algorithmes
volutionnaires autres que les AG.
1.4 Conclusion
Gnralement, un problme inverse en gotechnique est formul comme un
problme doptimisation. Dans la littrature, les principales mthodes doptimisation
peuvent tre rparties en trois types : les mthodes numratives, dterministes et
stochastiques.
Ce chapitre montre que les mthodes dterministes nont pas la mme efficacit
pour tous types de problmes. Ces mthodes sont efficace, lorsque la forme de la
fonction erreur est simple (continues, drivables). Contrairement aux mthodes de
types gradient, les mthodes stochastiques nutilisent que la valeur de la fonction
erreur, aucune information sur la drive de la fonction erreur nest ncessaire, ces
mthodes font appel des tirages de nombres alatoire. Elles permettent dexplorer
lespace de recherche plus efficacement.
De plus, les problmes gotechniques prsentent gnralement de nombreuses
incertitudes, la solution dun problme est par consquent rarement unique [81]. Il peut
1. Mthodes doptimisation 22
exister un nombre infini de modles qui satisfont les donnes de manire acceptable. Il
est souvent intressant de caractriser lensemble de ces solutions acceptables [60]. Or,
les mthodes de gradient nidentifient quune solution. Pour pallier les problmes de
non unicit, Zentar et al. [86] recommandent deffectuer plusieurs simulations
successives partir de diffrents points initiaux. Lutilisation de mthodes
stochastiques vite ce problme en identifiant les rgions de solutions acceptables sur
un espace de recherche [19 ; 70]. Les mthodes stochastiques aident interprter des
solutions possibles pour un problme et non pas de trouver une solution exacte.
Plus particulirement, les algorithmes gntiques ont une rapidit de convergence
vers les bonnes rgions de lespace et leurs performances samliorent avec la taille du
problme [25]. Ils combinent la robustesse de lexploration de Monte Carlo une
exploitation efficace de linformation.
Grace aux nombreux avantages de loptimisation par algorithme gntique,
aujourdhui cette mthode attire lattention de plusieurs chercheurs gotechniciens.
Elle est employe pour rsoudre les problmes de stabilit des talus [24 ; 48 ; 87], pour
lidentification des paramtres de sols sur des essais de laboratoire [58 ; 67], ainsi que
pour lidentification des paramtres de modles constitutifs de sols partir des
mesures in situ [39]. Dans cette thse nous avons choisi cette mthode pour rsoudre
le problme de stabilit des pentes, et aussi pour identifier les paramtres
hydromcaniques de sols partir de mesures in situ.
2. Optimisation par Algorithme gntique
23
Chapitre 2 :
Optimisation par Algorithme Gntique
2.1 Introduction
La mthode doptimisation par algorithme gntique est, initialement dveloppe
par John Holland [31] sur les systmes adaptatifs remontent 1962, elle utilise la
fois les principes de la survie des structures les mieux adaptes et les changes
dinformations pseudo-alatoires pour former un algorithme dexploration qui possde
certaines caractristiques de lvolution des espces.
La thorie de lvolution de Charles Darwin [10] dcrit lvolution des systmes
biologiques selon le principe de la slection naturelle. Cest sur ce concept dvolution
que se base la notion dalgorithme gntique. Dans un algorithme gntique la
slection au fil des gnrations sopre sur des individus. Ces individus voluent
ensuite selon des mcanismes gntiques de croisements et de mutation. Ces principes,
sont schmatiss par la figure 2.1.
2. Optimisation par Algorithme gntique
24
Figure. 2.1 Schma dun algorithme gntique selon Orain et al. [57]
Les algorithmes gntiques ont fait la preuve de leur capacit dans de nombreuses
tudes thoriques et exprimentales. Pour Forrest [19] et Goldberg [25], ces
mcanismes de slection, croisement et mutation permettent aux algorithmes
gntiques dvoluer vers les solutions dun problme doptimisation. Cependant, il est
important de souligner que par cette mthode seule une petite partie de lespace de
recherche est examine. Il nest donc pas raisonnable de penser quun algorithme
gntique identifie loptimum global de lespace, il identifie uniquement les bonnes
rgions de lespace. Mais, la puissance dun algorithme gntique est de converger
rapidement vers une zone privilgie de lespace de recherche. Loptimisation par
algorithmes gntiques a montr son efficacit dans de nombreux domaines.
2. Optimisation par Algorithme gntique
25
Plus particulirement, les algorithmes gntiques permettent de rsoudre une large
gamme de problmes gophysiques ou gotechniques. En gophysique, Gallagher et
Sambridge [22; 23] utilisent des algorithmes gntiques pour le calage de propagations
dondes sismiques. Pour eux, le risque des mthodes de type Monte Carlo est de
raliser un grand nombre de calculs inutiles dans des zones dfavorables de lespace
de recherche. Il est prfrable dutiliser un algorithme gntique car il combine la
robustesse de lexploration Monte Carlo une exploitation efficace de linformation.
Simpson et Priest [78] sont parmi les premiers avoir voqu lutilisation
dalgorithmes gntiques pour loptimisation de problmes gotechniques. Ils
appliquent notamment cette mthode lidentification de la frquence de discontinuit
maximale dans des structures rocheuses complexes. Leur tude montre quune solution
proche de loptimum peut tre dtermine aprs le calcul dune petite fraction de
lespace de recherche.
McCombie et Wilkinson [48] utilisent quant eux un algorithme gntique pour
rsoudre des problmes de stabilit de pentes. Par une tude comparative entre un
algorithme gntique et une optimisation classique de type Monte Carlo, ils montrent
que cette mthode est plus efficace quune mthode traditionnelle doptimisation
numrique pour la caractrisation dune surface de rupture circulaire critique et du
coefficient de scurit correspondant. Zolfaghari et al. [87] tendent ces rsultats aux
surfaces de rupture non circulaires. Ils montrent que grce cet algorithme gntique,
une surface de rupture non circulaire avec un coefficient de scurit minimal est
identifiable en un faible temps de calcul. Ils conseillent dappliquer ce type dapproche
aux problmes de stabilit de barrages en terre, de pentes naturelles ou tout autre
problme gotechnique une ou plusieurs couches. De mme, Goh [24] utilise un
2. Optimisation par Algorithme gntique
26
algorithme gntique pour la recherche de surfaces critiques de glissement dans une
analyse de stabilit multi-coins. Il montre que cette mthode est suffisamment robuste
pour traiter des problmes multicouches et de couches minces. Sarat Kumar Das [11] a
utilis un algorithme gntique codage rel pour trouver la surface de rupture relle
et le coefficient de scurit correspondant par la mthode danalyse de stabilit des
trois coins.
De mme pour Mendjel et al. [49 ; 51] ont montr quune solution proche de
loptimum peut tre dtermine aprs le calcul dune petite fraction de lespace de
recherche pour lidentification de coefficient de scurit minimal et de surface
circulaire de la rupture correspondante.
Pal et al. [58] tout comme Samarajiva et al. [67] appliquent les algorithmes
gntiques au calage de paramtres de modles de comportement sur des essais de
laboratoire. Ils montrent que contrairement toute autre mthode de calage,
lutilisation dun algorithme gntique permet de tenir compte des caractristiques
globales des rsultats dessais de laboratoire selon chaque chemin de contrainte ou de
dformation. La mthode de calage traditionnelle est squentielle et un seul paramtre
est identifi la fois. Or, les paramtres de modles constitutifs sont souvent
interdpendants, la moindre erreur sur un paramtre affecte toute la chane
didentification. Comme un algorithme gntique identifie plusieurs paramtres
simultanment, il vite ce genre de problmes.
Levasseur et al. [38 ; 39 ; 40 ; 41 ; 42] et Malcot et al. [46] en gotechnique
expliquent quant eux quun algorithme gntique permet didentifier un plus grand
nombre de paramtres ainsi que des paramtres corrls ou peu sensibles
2. Optimisation par Algorithme gntique
27
contrairement aux mthodes de gradient qui fonctionnent plus difficilement dans ces
cas.
Levasseur [39] a pos la problmatique danalyse inverse en gotechnique comme
suit : quelles informations concernant les paramtres constitutifs du sol est-il possible
dobtenir partir de mesures gotechniques in situ ?
Ainsi, loptimisation par algorithme gntique savre tre un outil puissant pour
optimiser des problmes varis de gotechnique. Cependant comme le souligne Goh
[24], le principal inconvnient des algorithmes gntiques par rapport aux autres
mthodes est la puissance informatique ncessaire pour mener loptimisation. Le cot
de calcul dune optimisation par algorithme gntique est suprieur celui ncessaire
toute autre mthode doptimisation. Pour Simpson et Priest [78], un algorithme
gntique est une mthode fortement probabiliste. Plus le problme est mal pos, plus
le cot de calcul augmente [23], il est donc difficile de savoir lavance le nombre
dvaluations ncessaires lidentification de loptimum.
Les algorithmes gntiques ont comme principal objectif damliorer une solution.
Leur priorit est datteindre rapidement une performance de niveau satisfaisant. Ils
isolent rapidement des zones intressantes dun espace de recherche, et nont besoin
que des valeurs de la fonction optimiser associe chaque individu. Cette
caractristique fait des algorithmes gntiques une mthode trs gnrale compare
beaucoup de mthodes dexploration. Pour Renders [62] les algorithmes gntiques
sont une classe de stratgies de recherche ralisant un compromis quilibr et
raisonnable entre lexploration et lexploitation de lespace de recherche.
2. Optimisation par Algorithme gntique
28
Un algorithme gntique est une procdure itrative sur un chantillon de candidats
pour la rsolution dun problme doptimisation.
2.2 Principe doptimisation
Aprs avoir dfinit les paramtres optimiser, lalgorithme gntique recherche la
ou les extrema dune fonction dfinie sur un espace de donnes. Pour lutiliser on
dfinit les principales tapes doptimisation par les points suivants :
Codage, individu, population et espace de recherche
La concatnation des paramtres recherchs forme un individu, les individus sont
cods sous formes (dcimal, analogique ou binaire), comme le souligne Magnin [44],
le codage binaire facilite le codage de toutes sortes dobjets : des rels, des entiers, des
chaines de caractres
Renders [62] prcise quil garantit une meilleure indpendance du codage par
rapport au problme.
Dans cette tude les paramtres sont cods sous forme binaire, la chaine de bits
codant un paramtre sappelle un gne.
Une population est un ensemble de Nindividus individus (chromosomes). Chaque
individu est un vecteur de Nparamtre paramtres il est reprsent sous forme dune
chaine de Nbit bits contenant toute linformation ncessaire la description dun point
dans lespace de recherche.
Levasseur [39] montre que lalgorithme gntique se caractrise par des constantes
telles que la taille de la population Nindividus et la longueur de la chaine de bits Nbit. La
2. Optimisation par Algorithme gntique
29
taille de lespace de recherche doit tre choisie en fonction des bornes minimale Pimin
et maximale Pimax supposes pour chaque paramtre Pi. La taille de la chaine de bits
doit tre choisie en fonction de lincertitude Pi accepte sur lvaluation des
paramtres dfinit comme suit :
=
/ ( . )
Les individus sont de taille Nbit telle que :
= / (2.2)
La taille de la population Nindividus joue un rle important sur lefficacit de
lalgorithme gntique [35]. Si la taille de la population est trop petite, lalgorithme
converge prmaturment avant didentifier loptimum. Si la taille de la population est
trop grande, la solution est meilleure mais le temps de calcul est beaucoup plus long
[22 ; 23; 44 ; 62; 67]. Par raison de simplicit, une taille de population constante est
couramment choisie dans la littrature [19]. Pour Goldberg [25], il ny a aucune raison
particulire pour garder la taille de la population constante au cours doptimisation.
Une population est donc un tableau dindividus dans lequel chaque lment reprsente
les paramtres cods (figures 2.2 (a)et 2.2(b)).
2. Optimisation par Algorithme gntique
30
Figure. 2.2 (a) : Illustration schmatique des niveaux dorganisation dun algorithme gntique, (b) : Reprsentation dun individu.
La taille de la population initiale choisie pour cette thse est deux fois plus grande
que la taille de la population des gnrations suivantes. Ce qui permet davoir une
bonne exploration initiale de lespace de recherche et facilite la convergence de
lalgorithme gntique.
Evaluation de la population
Les individus choisis dune population initiale gnre alatoirement, sont tests
pour qualifier chaque individu par une valuation numrique correspondant la
fonction erreur (fonction objective). Le peu dhypothses requises sur cette fonction
permet de traiter des problmes trs complexes.
Pour cette thse on a deux fonctions erreurs examiner selon les deux problmes
tudier.
La premire fonction erreur, correspond aux quations dquilibre limite pour
lanalyse de la stabilit des talus. Cette fonction est pour but de faire chercher le
(a) (b)
2. Optimisation par Algorithme gntique
31
coefficient de scurit minimal pour la surface de glissement critique. Elle dpend de
la mthode de rsolution du problme.
La deuxime fonction erreur, est faite pour lidentification de paramtres
hydromcaniques dun sol non satur. Elle est dfinit pour lestimation de lcart entre
une courbe calcule numriquement (dcrite par N points Uni) et une courbe de
rfrence mesure in situ (dcrite par N points Uei) est valu par la fonction dcart
type suivante note Ferr :
2/1
1
21
N
inieierr UUN
F (2.3)
Courbe de rfrence in situ
ime point de mesure
Figure. 2.3 Estimation de lerreur sur la solution entre des valeurs mesures Uei et des
valeurs calcules Uni
Mcanisme dvolution de la population
La population est volue vers les zones les plus favorables de lespace de recherche
aprs avoir valu chaque individu. Chaque nouvelle population correspond ce quon
appelle en biologie une nouvelle gnration. Une gnration correspond une itration
de lalgorithme.
Modlisation numrique
Uei
Uni
2. Optimisation par Algorithme gntique
32
Une nouvelle gnration est cre en utilisant des parties des meilleurs individus de
la gnration prcdente. Pour cela trois oprateurs se succdent : slection,
croisement et mutation.
Slection
La slection sert liminer dune population les individus dont la fonction
erreur est mauvaise. Dans la littrature, deux mthodes existent pour
slectionner les individus : une mthode dite roue de loterie biaise et une
mthode dite litiste [25].
Goldberg [25] montre que pour les fonctions erreurs unimodales, la mthode
litiste augmente significativement les performances de lalgorithme (stabilit,
efficacit et rapidit de convergence), alors que pour des fonctions erreurs
multimodales, la mthode litiste dtriore les performances.
Nous avons choisi dans notre problme unimodal la mthode de slection
litiste. Dans cette mthode les individus sont tris selon leur fonction erreur.
Seuls les individus aux plus faibles valeurs de fonction erreur sont slectionns
pour survivre dans la gnration suivante. Cette mthode assure la conservation
dun plus grand nombre dindividus performants dune gnration une autre.
Ainsi, aprs lvaluation de Ferr pour chaque individu de la gnration k, les
individus sont tris par ordre croissant de Ferr. Sur une population de Nindividus
individus, quelques individus sont conservs pour construire une nouvelle
gnration k+1, les autres sont limins. Les individus conservs forment ce
que lon appelle une population parent. Traditionnellement, le nombre
dindividus conserv est compris entre1/3 et 2/3 de lensemble des individus de
la population. Dans cette tude nous avons choisi 1/3 dindividus conservs
2. Optimisation par Algorithme gntique
33
chaque gnration, pour une diversit gntique et une convergence non
prmature.
Croisement et mutation
Ces mcanismes sont appliqus aux individus parent pour former une
population enfant. Le croisement caractrise la phase dchange dinformations
entre deux individus parents slectionns alatoirement. Ils sont croiss entre
eux pour former de nouveaux individus (Tableau.2.1), Pc dtermine le nombre
de combinaisons de paramtres recres chaque itration. De Jong [14] a
tudi limpact de ce taux de croisements sur le processus doptimisation. Il a
conclu que Pc =2/3 est un compromis raisonnable. Le croisement se fait entre
les morceaux coups des individus, lemplacement de Ncoupure coupures sur la
chaine de bits est choisi alatoirement et indpendamment des gnes, cela
signifie quun gne, peut tre coup en plusieurs morceaux comme tre ne pas
coup du tout. Pal et al. [59] montrent quutiliser un nombre de coupure gale
au nombre de paramtres (Ncoupure = Nparamtre), augmente la convergence dun
algorithme gntique pour la gotechnique. Cest notre choix dans cette thse.
La mutation fabrique des erreurs de recopie, pour diversifier les individus de la
nouvelle population (inversion dun bit dun gne) (Tableau.2.2). Comme ce
phnomne est rare dans la nature, le taux de mutation doit tre faible [58].
Goldberg [25] recommande dutiliser un taux de mutation Pm entre 0.001 et
0.1. Davis [12], comme Stoffa et Sen [80], considrent quun taux de mutation
de lordre de 0.01 est un choix raisonnable. Pour combattre la perte prmature
de chaines de bits, il est souvent conseill daugmenter le taux de mutation.
Pour Magnin [44], les probabilits de mutation doivent dpendre du gne
2. Optimisation par Algorithme gntique
34
considr et de la taille de la population. Levasseur [39] montre que fixer un
taux de mutation chaque gnration en fonction du nombre de paramtres
permet une bonne convergence de lalgorithme et limite le temps de calcul. Ces
rfrences montrent que la littrature est floue sur le choix de Pm.
Pour cette thse on a pris, pour lapplication sur lanalyse de stabilit des talus
Pm =0.09. Et pour lidentification de paramtres partir de mesures in situ, on a
pris le choix fait par Levasseur [39] :
= 2 / (2.4)
Les deux phases de croisement et de mutation crent de nouveaux individus qui
ont des chances dtre meilleurs. Daprs Davis [12], la combinaison des deux
mcanismes de croisement et de mutation pour gnrer de nouvelles
combinaisons de paramtres permet de mieux converger vers une solution que
lutilisation dun seul de ces mcanismes. La phase de croisement est une tape
trs importante de lalgorithme gntique. Cest elle qui caractrise la mthode,
la rende diffrente des autres algorithmes doptimisation. En combinant des
blocs de bonnes solutions sur divers individus, le croisement acclre le
processus de recherche. La phase de mutation sert introduire de la diversit
dans une population dindividus. Ce mcanisme vite lalgorithme de
converger prmaturment vers un minimum local.
Tableau.2.1 L'oprateur de croisement dans le codage binaire Individus Parents Parent A: 1100 110 10011101 11100 Points de croisement : Parent B: 0110 001 01111011 00111 Individus Enfants Enfant A : 1100 001 10011101 00111 Points de croisement : Enfant B : 0110 110 01111011 11100
2. Optimisation par Algorithme gntique
35
Critres darrt
Les deux tapes dvaluation et dvolution de la population sont rptes
jusqu ce quun critre darrt soit satisfait. Les critres darrt envisageables
pour les algorithmes gntiques sont :
- Un nombre maximal de gnration : si lalgorithme ne converge pas
vers une solution, la procdure est stoppe aprs un nombre maximal
de calculs.
- La convergence vers loptimum : si la fonction erreur ou la moyenne
sur la fonction erreur converge vers la solution.
2.3 Conclusion
Un algorithme gntique est une mthode stochastique itrative doptimisation qui
opre sur des ensembles de points cods, partir dune population initiale, et qui est
bti laide de trois oprateurs : croisement, mutation et slection. Les deux premiers
sont des oprateurs dexploration de lespace, tandis que le dernier fait voluer la
population vers les optima dun problme. Une petite partie de lespace de recherche
est examine, il nest donc pas raisonnable de penser quun algorithme gntique
Tableau.2.2 L'oprateur de mutation dans le codage binaire Individu avant mutation Individu : 110000110 0 1110100111 Bit slectionn: Individu aprs mutation Individu mut: 110000110 1 1110100111
2. Optimisation par Algorithme gntique
36
identifie coup sr loptimum global de lespace de recherche. Malgr tout, il isole
rapidement les zones intressantes.
Les paramtres optimaux caractrisant un algorithme gntique varient dun
problme un autre [12 ; 62 ; 80]. Il semble peu raliste dattaquer le problme de
front, en analysant mathmatiquement et rigoureusement les phnomnes intervenants
dans les algorithmes gntiques, pour essayer den tirer une thorie applicable tout
type de problme gotechnique [39]. Cependant, il est important de bien choisir les
paramtres caractrisant les algorithmes gntiques pour leur bonne utilisation.
Ces particularits de la mthode doptimisation par algorithme gntique justifient
son intrt pour la gotechnique. Pour montrer lefficacit de la mthode, deux
programmes ont t labors et valids par des exemples tirs de la littrature pour
lanalyse de la stabilit des talus en dterminant la surface de glissement critique et le
coefficient de scurit minimal correspondant. Un autre programme est conu pour
lestimation de la permabilit dun versant multicouches en se basant sur des
mesures in situ.
3. Analyse de la stabilit des talus
37
Chapitre 3 :
Analyse de la stabilit des talus
3.1 Introduction
La rupture par glissement d'un talus se manifeste habituellement par un
dplacement en bloc d'une partie du massif. Lanalyse de la stabilit des talus est lune
des importants problmes en gotechnique. Lestimation de la scurit relle vis--vis
du risque de rupture est une question complexe surtout dans le domaine des donnes
limites ou peu connues.
Ltude dun talus comporte, outre la connaissance du site (la gomtrie, les
surcharges au sommet et au pied, et les effets dynamiques ou sismiques), et le choix
des caractristiques mcaniques des sols et hydrauliques, un calcul de stabilit.
Le problme rside dans la dtermination de la surface critique de rupture et le
facteur de scurit correspondant (F). Il est plus appropri dutiliser la dfinition du
coefficient de scurit de la mcanique des sols, c'est--dire le rapport entre la
rsistance au cisaillement du sol la contrainte de cisaillement s'exerant le long de la
surface de rupture.
En 1973, le professeur Lambe [37] rappelait que les rsultats obtenus sont le produit
de mthodes de mesure, pour les paramtres, et de mthodes de calcul, et il prcisait
que les rsultats doivent tre apprcis en tenant compte de ces deux lments.
3. Analyse de la stabilit des talus
38
Dans ce chapitre on dfinit quelques mthodes de calcul de stabilit des talus, et
plus particulirement les mthodes de calcul la rupture.
3.2 Mthodes de calcul de stabilit des talus
Les chercheurs gotechniciens proposent plusieurs mthodes d'valuation et de
prdiction des catastrophes naturelles engendrs par les glissements de terrain. Parmi
ces mthodes on trouve essentiellement selon Faure [17] :
les mthodes de calcul la rupture : Lorsquune masse rigide peut se dplacer
le long dune surface de gomtrie bien dfinie, le comportement est contrl
par la loi de Mohr- Coulomb, qui donne la rsistance au cisaillement f. Les
mthodes dites dquilibre limite sont trs appropries car on peut crire
facilement les quations qui relient les variables ; mais, sauf pour les cas les
plus simples, le nombre des variables est bien suprieur au nombre dquations.
Pour pouvoir rsoudre les quations, il faut alors introduire des hypothses
supplmentaires et simplificatrices, de manire galiser le nombre
dinconnues et le nombre dquations.
Les mthodes volumiques ou mthodes sans hypothse sur la surface de rupture
(de type lments finis) : avant la rupture, au stade de la pr-rupture, le massif
de sol ou de roche est continu et son comportement ne peut tre analys par des
mthodes dquilibre limite, car on ne peut pas mettre en vidence une surface
de rupture. Les phnomnes dcrire sont nombreux et complexes (lasto-
plasticit, fluage, rupture progressive). Il est alors ncessaire de considrer des
mthodes volumiques prenant en compte lensemble du volume pour analyser
les mouvements ainsi que leur volution dans le temps.
3. Analyse de la stabilit des talus
39
Les mthodes nergtiques : lamplitude et la vitesse des mouvements
dpendent essentiellement de la redistribution de lnergie potentielle devenant
disponible au moment de la rupture. Pour les grandes vitesses et les grands
dplacements, il faut alors considrer des approches nergtiques.
Les mthodes dquilibre limite sont largement utilises pour leurs formes simples
et leurs rsultats qui se rapprochent aux mthodes rigoureuses [24]. Dans ce travail on
sintresse ces mthodes la rupture.
3.3 Mthodes de calcul la rupture
Les mthodes de calcul la rupture sont des mthodes o lanalyse et le calcul sont
locaux, limits sur une ligne ou une surface de rupture, et sopposent donc aux
mthodes volumiques. Elles sont bases sur les hypothses suivantes : le massif en
mouvement peut tre dcompos en un ensemble de blocs rigides indformables qui
frottent les uns sur les autres. Le comportement de linterface est presque toujours
dfini par la loi de Coulomb.
Ces hypothses fortes des calculs lquilibre limite, distinguent une partie
potentiellement mobile, spare dune partie fixe du massif, par une courbe de rupture
dfinissant une rupture cinmatiquement admissible. Dans ce cas :
- Le calcul dquilibre est fait la rupture ;
- Les quations rsolvantes sont des quations de la statique ;
- Le coefficient de scurit F est spatialement bien dtermin (on peut
considrer par exemple F constant par tout).
3. Analyse de la stabilit des talus
40
Parmi ces mthodes on distingue selon Faure [17] :
3.3.1 Mthodes des blocs
Cas statiquement dfinis (rupture plane dun talus) :
On crit lquilibre de la masse potentiellement instable sur un plan inclin dun
angle () (figure. 3.1), et lon obtient la formule suivante :
( ) = . . .
(3.1)
O ( . ) est la force dentranement et ( + . . ) est la force
rsistante obtenue par la loi de Coulomb applique la raction normale de la masse
en mouvement sur le sol fixe. On retient la ligne de rupture dfinie par () qui
minimise F.
Cette formule surestime gnralement le coefficient de scurit. En effet, les
simplifications loignent de la ralit, et on traite un mcanisme plus rsistant que le
mcanisme rel, qui correspond un minimum. Une analyse critique du rsultat peut
conduire le rejeter, si par exemple cette surface de rupture est incompatible avec la
structure gologique du terrain.
Ce principe dquilibre, illustr par ce cas simple, est la base de toutes les
mthodes de calcul la rupture. Il est dvelopp avec toutes les hypothses
simplificatrices ncessaires pour modliser le cas rel et le rduire une quation que
lon rsout. La description des autres mthodes consiste prciser les hypothses
choisies et le mode de rsolution utilis.
3. Analyse de la stabilit des talus
41
Figure. 3.1 Schma de rupture plane.
Cas statiquement indfinis (quilibre de plusieurs blocs) :
Une bonne faon daborder le problme consiste faire linventaire des inconnues.
Parmi les mthodes multi blocs on rencontre: Sarma 1979; Hoek 1987; Donald
and Giam 1989a. [72 ; 30 ; 15]
3.3.2 Mthodes des tranches
Le dcoupage de la masse en mouvement en tranches verticales (figure. 3.2) a
permis le dveloppement dun trs grand nombre de mthodes. Trois hypothses sont
ajoutes par rapport la mthode des blocs : - les bords des blocs sont devenus
verticaux ; - le point de passage de la force la base de la tranche est situ au centre de
cette base ; - le coefficient de scurit est unique et ne sapplique qu la base des
tranches.
Ces mthodes issues de lanalyse de lquilibre dune tranche, le dnombrement des
inconnues et des quations du problme permet de comparer facilement les mthodes.
Par tranche, il y a les forces situes droite et gauche (deux forces et leurs points de
passage, soit 6n inconnues, n est le nombre des tranches), les forces la base 2n
3. Analyse de la stabilit des talus
42
inconnues, et le coefficient de scurit qui est pris constant le long de la courbe de
rupture, ce qui fait au total 8n+1 inconnues. Le principe daction et de raction entre
tranches fournit 3(n-1) quations, lquilibre de chaque tranche 3n quations ; on a
aussi n quations de type Coulomb la base des tranches et les 6 quations
correspondant des forces nulles aux extrmits du glissement, ce qui fait au total
7n+3 quations. Il manque (n-2) quations pour rsoudre. Le choix