Apport Logique Floue Évaluation Aléa Mouvement Sol

Apport de la logique floue lvaluation de lala mouvement de terrain des sites gotechniques :
propositions pour une mthodologie gnrale
Or, quand on travaille pour demain, et pour

lincertain, on agit avec raison :
Car on doit travailler pour lincertain par la
rgle des partis qui est dmontre.
To
To
To
To
To
To
To
To
my late Dad who wished to see me today,

my Mum who wanted to be here but she wasnt able to,
Khaled and Yehya,
my lovely Mahinaz,
Cathy and Francois for their corrections, encouragements and support,
my dear Thierry for his guidance, support and help,
Marwan for his help and moral support, and .
everybody who has helped me to get this work out.
Yasser EL-SHAYEB
April 1999
ii
Apport de la logique floue lvaluation de lala mouvement de

terrain des sites gotechniques : propositions pour une
mthodologie gnrale.
TABLE DES MATIRES
Liste des figures
vii
Liste des tableaux
xi
Rsum
xiii
Abstract
xiv
Introduction gnrale
1.
2.
L'valuation des risques industriels et naturels
17
1-21
1.1. Introduction
1-21
1.2. Dfinitions de base
1-23
1.3. Vocabulaire du risque
1-25
1.4. Mthodologie gnrale pour l'valuation des risques
1-27
Lvaluation des risques dinstabilits des terrains
2-33
2.1. Les mthodes actuelles utilises pour lvaluation des risques dinstabilits
2-34
2.2. La mthode retenue.
2-39
3.
Les problmes rencontrs dans la pratique
3-45
4.
Solutions dans le cadre de la mthodologie classique
4-51
4.1. Solution au problme de la formule de sensibilit
4-51
iii
4.1.1. Systme RMR de Bieniawski [73]
4-53
4.1.2. Le Q-System de Barton, 1974
4-55
4.1.3. Le SMR de Romana [91]
4-57
4.2. Solutions au problme des limites de classes et des rgles de croisement
4-58
4.2.1. Les limites de classes
4-58
4.2.2. Les rgles de croisement
4-63
4.3. Solution la variabilit des donnes

4.3.1. Traitement de la variabilit des donnes par simulation
4-71
4-72
4.3.2. Problme des limites de classes avec des donnes variables traites par simulation
4-76
5.
4.3.3. Conclusion du chapitre
4-78
Une approche complte : La logique floue
5-81
5.1. La logique floue
5-82
5.1.1. Ensembles et Sous-ensembles flous
5-85
5.1.2. Variables linguistiques
5-93
5.1.3. Raisonnement approximatif
5-95
5.2. Utilisation de la logique floue en mcanique des terrains (recherche et essais

historiques)
5-107
5.3. Exemple de l'utilisation de la logique floue pour lvaluation de lala mouvement

de terrain sur le site de Pontoise.
5-111
5.3.1 Approche floue avec entres floues standard
5-111
5.3.2. Approche floue avec entres floues quelconques
5-117
5.4. Dveloppement mathmatique du concept de -coupes pour le raisonnement flou.

5-118
5.4.1. La mthode dagrgation Bellman Zadeh [70]
5-119
5.4.2. Application et gnralisation par les -coupes
5-121
5.4.3 Comparaison entre le raisonnement par les coupes et le raisonnement de Terano et
iv
al. [89].
5-127
5.4.4. Nombre de -coupes et temps de calcul
5-131
6.
tude des cas
6-135
6.1. Analyse de lala mouvement de terrain gotechnique dans la tombe de Ramss I

6-136
6.1.1. Cadre gologique de la Valle des Rois et caractristiques principales des matriaux
6-138
6.1.2. valuation de lala mouvement de terrain dans la tombe de Ramss I
6-139
6.2. Analyse de lala mouvement de terrain des falaises de Pontoise
6-151
6.2.1. Historique, urbanisation et gologie du site. (Tritsch et al. [96])
6-152
6.2.2. Analyse de lala mouvement de terrain
6-154
6.3. Conclusion du chapitre
6-174
Conclusion gnrale
177
Rfrences
183
Bibliographies
191
Annexes
199
LISTE DES FIGURES

Figure 1.1. Espace du danger
1-23
Figure 1.2. Exemple de principe du risque d'incendie dans une installation industrielle par exemple.
1-24
Figure 1.3. Protection et prvention dans l'espace du danger.
1-24
Figure 1.4. Risque acceptable ~ Risque inacceptable.
1-24
Figure 1.5. Procdure gnrale pour l'analyse du risque
1-28
Figure 1.6. Schma gnral de l'aide la dcision Leroy [92].
1-30
Figure 2.1. L'approche de l'INERIS pour l'valuation de lala naturel
2-38
Figure 2.2. Un espace dala dfinie par le tableau 2.6.
2-42
Figure 2.3. Programmation sur VBA de la mthodologie d'analyse.
2-42
Figure 4.1. Le schma gnral de la classification de Bieniawski [89]
4-54
Figure 4.2. Le problme des limites de classes sur le RQD.
4-59
Figure 4.3. L'effet de variation de PF sur les rsultats finale d'ala.
4-59
Figure 4.4. Valeur de lindice de Rsistance la compression simple. l'quation a t obtenue par rgression
linaire
4-61
Figure 4.5. Valeur de lindice dEspacement moyen des discontinuits. l'quation a t obtenue par rgression
linaire
4-61
Figure 4.6. Valeur de lindice de RQD. l'quation a t obtenue par rgression linaire
4-61
Figure 4.7. Ajustement pour l'tat hydrologique du massif
4-62
Figure 4.8. Ajustement pour la longueur moyenne des discontinuits
4-62
Figure 4.9. Ajustement pour l'ouverture des discontinuits
4-62
Figure 4.10. Quelques exemples possibles des rgles de la probabilit d'occurrence.
4-64
Figure 4.11. Comparaisons entre les rgles de croisement et les surfaces d'ajustements.
4-65
Figure 4.12. Quelques exemples possibles des rgles de lala.
4-66
4-66
Figure 4.14. La loi normale et la loi uniforme.
4-73
Figure 4.15. Remplacement des paramtres de la sensibilit par des distributions statistiques.
4-73
Figure 4.16. Un histogramme de sensibilit
4-74
Figure 4.17. Histogramme d'ala aprs 1000 simulations.
4-74
Figure 4.18. Histogramme d'ala aprs 1000 simulations. raisonnement par tableaux
4-77
Figure 4.19. Histogramme d'ala aprs 1000 simulations calculs par les quations analytiques
4-77
Figure 5.1. Les sous-ensembles Faible, Moyenne et Forte de l'ensemble flou Rsistance la
compression simple en MPa.
5-86
Figure 5.2. Deux formes de reprsentation pour le mme sous-ensemble flou
5-87
vii
Figure 5.3. Un sous-ensemble flou coup en 5 -coupes
5-89
Figure 5.4. Union et Intersection des deux sous-ensembles flous
5-91
Figure 5.5. La division de deux nombres flous par l'utilisation de leurs -coupes.
5-92
Figure 5.6. Les sous-ensembles flous et les variables linguistiques
5-94
Figure 5.7. Variable linguistique (V, X, Tv) dcrivant le dimensionnement d'un pilier en mtre.
5-94
Figure 5.8. Prsentation graphique des rgles de raisonnement flou suivant le tableau 5.2
5-96
Figure 5.9. Mcanisme de raisonnement approximatif
5-97
Figure 5.10. Raisonnement monotone.
5-98
Figure 5.11. Raisonnement approximatif par la mthode Min-Max
5-100
Figure 5.12. Raisonnement approximatif par la mthode additive.
5-101
Figure 5.13. La rduction en une mme valeur unique partir des deux nombres flous diffrents.
5-102
Figure 5.14. Raisonnement avec une entre sous forme de nombre flou daprs Terano et al. [89].
5-103
Figure 5.15. Deux nombres flous diffrents mais pouvant tre considrs comme quivalents si nous utilisons la
mthode de raisonnement de Terano et al. [89]
5-104
Dfuzzyfication par centre de gravit
5-106
Dfuzzyfication par la mthode du maximum
5-106
Figure 5.16. Mthodes de dfuzzyfication.
5-106
Figure 5.17. Comparaison entre un facteur de securite et un nombre flou qui reprsente le rsultat. Daprs
Sakura et al. [87].
5-110
Figure 5.18. Quatre classes floues qui dfinissent aussi bien les paramtres de sensibilit, d'activit, d'intensit
que la sensibilit, la probabilit d'occurrence, et l'ala.
5-111
Figure 5.19. Sensibilit obtenue par deux coupes dans un cas typique d'analyse.
5-112
Figure 5.20. Dfuzzyfication de la sensibilit et raisonnement par classes. (Daprs les rgles du tableau 2.5.)
5-113
Figure 5.21. Dcoupage de la sensibilit par intersection avec ces classes et l'effet sur l'ala.
5-114
Figure 5.22. La possibilit et l'impossibilit de dcoupage en portions par intersection.
5-116
Figure 5.23. La reprsentation des paramtres par des nombres flous proposs par l'intervenant.
5-117
Figure 5.24. Classes standard de sensibilit, de probabilit d'occurrence et d'ala.
5-121
Figure 5.25. Le dcoupage en coupes.
5-123
Figure 5.26. La sensibilit gauche et l'activit droite d'un cas d'analyse. Sensibilit = {45/0 | 51/1 | 59/1 |
90/0}, Activit = {13/0 | 26/1 | 32/1 | 47/0}.
5-124
Figure 5.27. Probabilit d'occurrence obtenue par raisonnement sur 11 coupes.
5-125
Figure 5.28. La probabilit d'occurrence obtenue par raisonnement sur les centres de gravit.
5-126
Figure 5.29. Les entres de l'analyse (Sensibilit gauche, Activit au milieu, et Intensit droite).
5-128
Figure 5.30. Le rsultat de l'ala par l'utilisation des -coupes 21 coupes.
5-128
Figure 5.31. Le rsultat de l'ala par l'utilisation de la mthode de raisonnement de Terano et al. [89].
5-129
viii
Figure 5.32. la sensibilit et l'activit d'un cas.
5-129
Figure 5.33. La probabilit d'occurrence par l'utilisation de 21 coupes.
5-130
Figure 5.34. La probabilit d'occurrence selon la mthode de Terano et al. [89].
5-130
Figure 5.35. Le temps de calcul et le nombre de -coupes.
5-131
Figure 6.1. Deux photos ariennes prises depuis la navette Challenger qui illustrent la localisation de Louxor
ainsi quun plan succinct de la ville montrant lemplacement de la Valle des Rois.
6-137
Figure 6.2. Plan et coupe verticale de la tombe de Ramss I avec ses fracturations
6-140
Figure 6.3. Corrlation entre le PF et le RQD
6-140
Figure 6.4. Transformation dun nombre flou qui prsente le RQD en un nombre flou qui prsente lindice
correspondant dans la classification RMR
6-143
Figure 6.5. Les indices flous pour les paramtres du RMR.
6-144
Figure 6.6. Les quantits flous utilises pour la dtermination de la sensibilit dans la zone I de la tombe de
Ramses I.
6-145
Figure 6.7. Les indices RMR obtenues dans les zones II et II de la tombe de Ramss I.
6-146
Figure 6.8. Activit et Intensit du site.
6-146
Figure 6.9. L'ala dans les zones I, II et III de la tombe de Ramss I reprsent par des quantits floues.
6-149
Figure 6.10 Soutnement en bois dans la zone III de la tombe de Ramss I.
6-150
Figure 6.11. La Location gographique de la ville de Pontoise.
6-151
Figure 6.12. Le Chou
6-155
Figure 6.13. L'Hermitage, cole prive
6-156
Figure 6.14. La cot de Larris
6-157
Figure 6.15. La sensibilit dans la zone J ( gauche) et de la zone M ( droite) de la cot de Larris.
6-161
Figure 6.16. Sensibilit, activit, intensit et l'ala de la zone L value par la mthode floue. Le rsultat obtenu
par la mthode discrte de lINERIS est Faible.
6-163
Figure 6.17. Exemples d'ala quantifis par la mthode floue sur diffrentes zones des falaises de Pontoise 6-164
Figure 6.18. Reprsentation floue des classes des paramtres F1, F2, F3, F4 du SMR.
6-166
Figure 6.19. La sensibilit, l'activit, l'intensit, et l'ala de la zone L value par la mthode floue et par
l'utilisation du SMR comme un moyen de quantification de la sensibilit. l'ala de faon discrte a t qualifi
comme Faible.
6-170
Figure 6.20. Alas dtermins par la mthode floue (avec utilisation du SMR pour caractriser la sensibilit) sur
diffrentes zones du site des falaises de Pontoise
6-171
Figure 6.21.Les nuages des points des corrlations pour les quatre classes d'ala.
6-173
ix
LISTE DES TABLEAUX

Tableau 2.1. Paramtres de sensibilit dans le site de Pontoise et ses indices. D'aprs Tritsch et al. [96]
2-40
Tableau 2.2. Quantification de la sensibilit. D'aprs Tritsch et al. [96].
2-40
Tableau 2.3. Qualification de l'activit. D'aprs Tritsch et al. [96].
2-40
Tableau 2.4. Qualification de l'intensit. D'aprs Tritsch et al. [96].
2-41
Tableau 2.5. Qualification de la probabilit d'occurrence (croisement entre les classes de sensibilit et de
l'activit). D'aprs Tritsch et al. [96].
2-41
Tableau 2.6. Qualification de l'ala (croisement entre la probabilit d'occurrence et l'intensit). D'aprs Tritsch
et al. [96].
2-41
Tableau 4.1. Comparaisons entre les rsultats de probabilit doccurrence (en considrant que ngligeable < 1.5,
1.5 < Faible < 2.5, 2.5 < Moyenne < 3.5, et Forte > 3.5).
4-68
Tableau 4.2. Comparaisons entre les rsultats d'ala (en considrant que ngligeable < 1.5, 1.5 < Faible < 2.5,
2.5 < Moyen < 3.5, et Fort > 3.5).
4-68
Tableau 4.3. Exemples d'utilisation des surfaces d'ajustements (en considrant que ngligeable < 1.5, 1.5 <
Faible < 2.5, 2.5 < Moyen < 3.5, et Fort > 3.5).
4-69
Tableau 4.4. Nouvelles limites de classes de l'activit et de lintensit.
4-73
Tableau 5.1. Les oprations classiques sur les intervalles (a,b), et (c,d)
5-91
Tableau 5.2. Tableau de raisonnement flou deux dimensions
5-95
Tableau 5.3. Rsum de travail effectu en mcanique des roches en utilisant la logique floue.
5-108
Tableau 5.4. Extrait de la base des rgles pour l'activit avec trois paramtres d'entres. la base complte pour
trois entres comporte 64 rgles
5-122
Tableau 5.5. Le dcoupage en coupes pour la sensibilit
5-124
Tableau 5.6. Le dcoupage en coupes pour l'activit
5-124
Tableau 5.7. L'application de la mthode de Min-Max sur les 16 rgles du tableau 2.5
5-125
Tableau 5.8. Comparaison entre le nombre de -coupes, le temps de calcul et rsultats obtenus.
5-131
Tableau 6.1. Caractristiques mcaniques du calcaire de la Valle des Rois
6-138
Tableau 6.2. Indices RMR pour les diffrentes zones de la tombe de Ramss I.
6-141
Tableau 6.3. La base des rgles pour la dtermination de lala dans la tombe de Ramss I.
6-147
Tableau 6.4 Calcul de la probabilit d'occurrence avec l'utilisation du RMR
6-148
Tableau 6.5 Calcul de lala avec l'utilisation de RMR
6-148
Tableau 6.6. Paramtres et Rsultats d'analyse sur les trois zones de Pontoise selon lapproche classique de
Tritsch et al [96].
6-158
Tableau 6.7. Les paramtres de sensibilit pour une analyse de type flou. (le mot vgtation signifie que nous ne
pouvons pas dcrire le paramtre cause dune vgtation dense, et la flche signifie que le paramtre est plutt
dans la premire classe que la seconde).
6-159
Tableau 6.8. L'activit et l'intensit des sites de Pontoise exprimes par les classes choisies
6-160
xi
Tableau 6.9. Les rsultats du calcul de sensibilit dans les trois zones de Pontoise (les quatre nombres donnent
les limites (x1, x2, x3, x4) d'un nombre flou de type trapzodal avec les participations suivantes : {x1/0 | x2/1 | x3/1
| x4/0}).
6-161
Tableau 6.10. Sensibilit, activit, et intensit des zones de Pontoise exprimes par des nombres flous
6-162
Tableau 6.11. L'ala des zones de Pontoise obtenu par calcul et raisonnement flou en utilisant les paramtres de
l'INERIS.
6-162
ableau 6.12. Expression des paramtres du SMR utilises pour la dtermination de la sensibilit.
6-168
Tableau 6.13a. Rgles de calcul de la probabilit doccurrence
6-169
Tableau 6.13b. Rgles de calcul de lala
6-169
Tableau 6.14. Sensibilit des zones selon le SMR
6-169
Tableau 6.15. L'ala des zones avec l'utilisation de SMR
6-169
Tableau 6.16. Les coefficients de corrlation entre les alas produits avec la formule de sensibilit INERIS, et le
SMR.
6-172
xii
RSUM
L'analyse des risques est pratique de plus en plus dans l'industrie depuis la
deuxime guerre mondiale. Elle a beaucoup volu et elle est maintenant trs
souvent mise en uvre dans les domaines de la scurit nuclaire, chimique, etc.
Pour les ouvrages gotechniques comme les tunnels, les mines et les carrires, il
n'existe pas aujourd'hui de mthodologie gnrale pour l'analyse et la
quantification des alas relatifs aux dangers inhrents ces types d'ouvrages
(chutes de blocs, boulements, etc.). L'une des raisons essentielles cela est
l'incertitude qui pse sur les donnes disponibles ou la mconnaissance mme des
valeurs des paramtres ncessaires ce type d'analyse.
Dans notre approche, lactivit, la sensibilit et lintensit dun site sont
exprimes en fonction de paramtres qui intgrent la variabilit, la complexit
ou lincertitude sous la forme de nombres flous, et lanalyse conduit la
dtermination de lala mouvement de terrain des terrains reprsent par un
nombre flou.
En nous appuyant sur la logique floue et ses outils, nous prsentons une approche
complte et intgre permettant de rsoudre lensemble des problmes
techniques (ou pratiques) rencontrs dans lutilisation des mthodes dvaluation
de lala mouvement de terrain mais aussi de traiter les pineuses questions de la
variabilit et de lincertitude des donnes. Nous exposons notamment le
dveloppement conceptuel et informatique que nous avons labor pour amliorer
la formalisation du raisonnement approximatif par les outils de la logique floue.
Des applications sont galement proposes avec notamment deux cas danalyse
rcurrents : la tombe de Ramss I dans la Valle des Rois Louxor, Egypte et les
falaises de Pontoise en rgion parisienne.
xiii
ABSTRACT
Since the World War II, industrial risk analysis has been applied with success to
many nuclear, petroleum, and chemical sites. The methods of risk analysis in the
industry are more or less standard and applicable.
On the other side, geotechnical sites such as tunnels, mines and quarries, or
cliffs, do not have standard or general methods for the evaluation of the risk
induced by these sites (block movements, block fallings, etc.). One of the
essential reasons for this fact is the uncertainty of the data collected and/or
the vagueness of the values of the parameters essential for such analysis.
In our approach, the activity, the sensitivity, and the intensity of a site are
defined as functions of site parameters that include the variability, the
complexity, and the uncertainty in the form of fuzzy numbers. The analysis lead
to the determination of the risk of ground instability, which is also presented in
the form of a fuzzy number.
With the help of the fuzzy logic, we are presenting a complete approach that
allowed us to solve the technical or practical problems faced during the use of
the methods of geotechnical risk analysis actually used by different
geotechnicians. And it also allowed the fine treatment of the problems of
variability and uncertainty of parameters values. We will explain also the
conceptual, logical and computer development that has been conducted in order
to improve the approximate fuzzy reasoning through the new concept of cuts.
We have applied this general methodology at two case studies in different sites:
one at the tomb of Ramsis I at the Valley of the Kings in Egypt, and the other at
the cliffs of Pontoise Northern Paris
xiv
INTRODUCTION GNRALE
Introduction gnrale
Introduction gnrale
Les travaux prsents dans ce mmoire sinscrivent dans le vaste champ de la gotechnique,
discipline consacre ltude du sol et du sous-sol pour en permettre lamnagement ou
lexploitation.
Ils portent en particulier sur lvaluation des risques dans les sites gotechniques, sites que
lon peut dfinir comme des ouvrages naturels ou artificiels, souterrains ou ciel ouvert qui
constituent une portion de lcorce terrestre, elle-mme constitue du sol et du sous-sol
correspondant, dans laquelle sexerce une activit humaine, Martin [76].
Or, un des caractres fondamentaux de ces sites est la stabilit. Quelle rsulte de lactivit
humaine ou non, cette instabilit induit des dangers sur lhomme ou ses ralisations. Cest la
mesure de ce danger qui nous intresse ici et cest cette mesure que nous appellerons le risque
dinstabilit.
Dans son acception la plus commune, le risque est dfini comme le produit de la probabilit
doccurrence de lvnement redout (ici linstabilit quelle quelle soit) par la gravit de ses
consquences. Dans le cas des sites gotechniques, on parle plus spcifiquement de lala
mouvement de terrain et de la vulnrabilit . L'ala intgre la probabilit d'occurrence et
l'intensit du phnomne tandis que la vulnrabilit reprsente la gravit estime des
consquences des phnomnes attendus sur les activits humaines.
On comprend aisment que lvaluation des risques dinstabilit implique la connaissance de
nombreux facteurs, externes ou internes au site considr. Parmi ces facteurs, on peut citer par
exemple, la frquentation du site, les fonctions du site, ses quipements, son environnement
physique, sa situation climatique, les proprits physiques et mcaniques des matriaux qui le
constituent, etc. Les consquences sont ainsi diffrents selon que le site tudi est situ en
zone sismique ou non, en montagne ou dans une valle, selon quil est ancien ou rcent, selon
quil est frquent par un public spcialis ou non, selon quil est excav dans un massif
argileux ou granitique. Nous limiterons ici nos investigations aux facteurs intrinsques aux
sites (les proprits gomtriques, physiques et mcaniques des sites) et nous nous attacherons
Page 17
Introduction gnrale
dterminer en fait ce que lon appelle les alas mouvement de terrain des sites
gotechniques.
Nous prsenterons donc dans un premier chapitre, les bases et la logique de lanalyse des
risques tant dans le domaine de lindustrie que dans le cas des risques dits naturels. Les
questions de vocabulaire y seront notamment abordes.
Dans le chapitre 2, nous prsenterons un tat des mthodes actuellement mises en uvre de
par le monde pour lvaluation des risques naturels en particulier. Nous prsenterons aussi les
approches franaises et plus en dtail l'approche retenue pour nos travaux.
Lvaluation de lala mouvement de terrain des sites gotechniques fait intervenir des
paramtres par nature difficiles saisir sans ambigut ou sans incertitude et de plus sujets
une variabilit spatiale. Il nous faudra donc tenir compte de ces aspects de la ralit. Par
ailleurs, des problmes pratiques sont rencontrs par ceux qui, sur le terrain, sont chargs de
faire lvaluation des alas mouvement de terrain au moyen des mthodes prsentes au
chapitre 2. Ces diffrents problmes propres aux mthodes employes seront poss au
chapitre 3 et nous verrons au chapitre 4 comment les rsoudre dans le cadre des mthodes
actuelles. Nous terminerons ce chapitre en critiquant les mthodes actuellement utilises et en
montrant les limites.
Dans le chapitre 5 nous prsentons la logique floue comme le support dune approche
complte et intgre permettant de rsoudre lensemble des problmes techniques (ou
pratiques) rencontrs dans lutilisation des mthodes dvaluation de lala mouvement de
terrain mais aussi de traiter les plus pineuses questions de la variabilit et de lincertitude des
donnes. Nous exposerons notamment le dveloppement conceptuel et informatique que nous
avons labor pour amliorer la formalisation du raisonnement approximatif par les outils de
la logique floue.
Enfin, dans le chapitre 6, nous exposerons des applications partir dune proposition de
mthodologie gnrale base sur lutilisation de la logique floue. Nous aborderons notamment
deux cas danalyse : la tombe de Ramss I dans la Valle des Rois Louxor et les falaises de
Pontoise en rgion parisienne.
Page 18
L'VALUATION DES RISQUES

INDUSTRIELS ET NATURELS
1. L'valuation des risques industriels et naturels
1.1. Introduction
Dans la pratique industrielle, l'valuation des risques est rendue ncessaire dans de
nombreuses situations. Cest le cas en particulier dans les installations de conception
nouvelle, dans les systmes complexes, dans les situations particulirement dangereuses ou
dans les installations ayant dj subi des accidents.
En effet, pour concevoir un systme, les concepteurs s'appuient en gnral beaucoup sur
l'exprience acquise sur des systmes analogues. Lorsque l'on dsire concevoir un systme
nouveau pour lequel aucune exprience antrieure n'est disponible, il est alors ncessaire
d'anticiper ce qui pourrait se produire lors de son exploitation relle, do la ncessit de
mettre en uvre une valuation des risques au moyen de mthodes adaptes la nature du
systme.
Par ailleurs, dans certains secteurs dactivit, les systmes modernes sont dans de plus en
plus complexes et leur conception fait appel des disciplines de plus en plus diverses
pratiques par des spcialistes. Chaque spcialiste conoit au mieux sa partie du systme,
mais les problmes se manifestent au moment o il faut raliser lintgration des
diffrentes parties. De plus, ces systmes sont en gnral composs de nombreux soussystmes dont les interactions sont souvent difficiles identifier, puis prendre en
compte.
Un systme qui ne prsenterait aucun danger d'accident ou de perte conomique, ne

conduit pas faire des tudes d'analyse ou d'valuation des risques. En revanche, pour les
industries hauts risques (nuclaires, chimiques, minires, etc), il est de plus en plus
courant de considrer que l'application des normes et rglementations, bien que restant
ncessaire, n'est plus une condition suffisante pour obtenir des systmes prsentant un
niveau de risque acceptable.
Enfin, la survenance d'accidents ou d'incidents graves amne les industriels exploitants

des systmes similaires se poser des questions. C'est souvent l'occasion pour eux, de
Chapitre 1-21
raliser des analyses de risques afin de faire le point sur les risques prsents par leurs
propres installations.
Les mthodes dvaluation et de gestion des risques telles que nous les concevons aujourdhui
ont t dveloppes essentiellement partir de la 2e guerre mondiale grce une prise de
conscience collective de linacceptabilit de certains risques pris ou rencontrs dans les
installations industrielles, en raison de la ncessit pour les industriels de matriser davantage
la fiabilit de leur installations devenues de plus en plus complexes et coteuses ainsi que par
lmergence dactivits industrielles dans lesquelles les accidents peuvent avoir des retombes
trs grande chelle (lindustrie nuclaire en particulier).
Si les mthodes dvaluation des risques ont connu un essor considrable et sont maintenant
trs souvent dployes dans lindustrie nuclaire et lindustrie chimique en particulier mais
aussi dans certains secteurs dactivits comme le transport arien par exemple, cela nest pas
encore le cas dans les activits lis lamnagement et lexploitation du sol. Ainsi, dans les
activits o sexprime la gotechnique, les mthodes dvaluation des risques (et en
particulier des risques dinstabilits) sont encore balbutiantes.
Chapitre 1-22
1.2. Dfinitions de base

Lorsquun vnement dangereux se produit, les consquences peuvent tre dramatiques. Ceci
conduit tout naturellement considrer le risque comme une entit deux dimensions :
Probabilit doccurrence du phnomne d'une part et Gravit des consquences d'autre part,
que l'on peut reprsenter dans ce qu'on appelle l'espace du danger, figure 1.1.
Dans cet espace, la reprsentation du risque peut, typiquement, prendre lallure des courbes de
la figure 1.2 (ici pour le risque incendie)
Les concepts de prvention et de protection apparaissent aussi clairement dans l'espace du
danger. La protection consiste rduire la gravit d'un accident en protgeant les personnes
ou les biens tandis que la prvention consiste rduire la probabilit d'occurrence d'un
accident en amliorant par exemple la fiabilit d'une installation. La figure 1.3 prsente
graphiquement ces deux concepts.
Nous pouvons aussi dfinir dans l'espace du danger une ligne qui spare ce que l'on considre
comme une situation acceptable d'une situation juge inacceptable. Cette courbe rsume la
dcision d'une collectivit humaine face au danger. Elle va dterminer le cot de la matrise
du risque et les objectifs de sret et de scurit. La figure 1.4. en montre un exemple
schmatique.
Probabilit
Risque constant
(Courbe d'isorisque)
Gravit
Figure 1.1. Espace du danger
Chapitre 1-23
Probabilit
Installation avec sprinkleurs

et dtecteur de fumes
Installation avec sprinkleur
Gravit
Figure 1.2. Exemple de principe du risque d'incendie dans une installation industrielle par exemple.
Probabilit
Prvention : rduire la probabilit
Protection : rduire la gravit

Gravit
Figure 1.3. Protection et prvention dans l'espace du danger.
Probabilit
Inacceptable
Acceptable
Gravit
Figure 1.4. Risque acceptable ~ Risque inacceptable.
Chapitre 1-24
1.3. Vocabulaire du risque

Le vocabulaire de lanalyse des risques prte parfois confusion car les mots utiliss
recouvrent des notions du langage courant et peuvent tre interprts de multiples manires.
Pour viter toute ambigut, il nous parat donc important de nous entendre sur certaines
dfinitions et notamment sur les notions de Danger, de Gravit, de Vulnrabilit, dAla, de
Risque, de Sret et de Scurit. Une liste plus complte du vocabulaire du risque industriel
ainsi que du risque naturel est donne en annexe A.1.
LActivit caractrise lvolution gomcanique actuelle du site.
LAla dun vnement redout peut se dfinir comme la probabilit que ce phnomne se
produise au cours d'une priode de rfrence donne et avec une intensit donne. Dans le
cas de lala mouvement de terrains dont nous allons traiter, on sera gnralement conduit
lexprimer dans une chelle de type : ngligeable, faible, moyen ou fort.
LIntensit est lamplitude de lvnement exprime en volume ou en nergie.
La Gravit dun accident correspond lensemble des dommages quil occasionne sur les
biens, les personnes ou sur lenvironnement. Elle peut sexprimer par exemple en nombre
de morts, en cots des destructions ou cots des rparations, etc.
La Probabilit doccurrence est la probabilit que lvnement se produise au cours

d'une priode de rfrence donne
La Scurit est lensemble des actions destines assurer la protection des personnes et
des biens contre les effets des vnements redouts.
La Sensibilit caractrise l'instabilit potentielle du site dun point de vue

gomorphologique.
La Sret est lensemble des dispositions prendre tous les stades de la conception, de
la construction, de l'exploitation ou de l'arrt d'un systme dans le but de rduire la
probabilit de sa dfaillance.
Chapitre 1-25
La Vulnrabilit dun milieu, dun bien ou dune personne, cest son aptitude subir un
dommage la suite d'un accident. On peut considrer que la vulnrabilit un vnement
redout est une estimation de ce que sera la gravit de cet vnement sil se produit.
Le Danger peut tre dfini comme toute situation susceptible dengendrer des vnements
indsirables.
Le Risque est une mesure du danger. Il s'exprime par la combinaison des deux
caractristiques dimensionnelles du danger : sa probabilit et sa gravit. En matire de
risques naturels, on combine plutt lala et la vulnrabilit, mais le rsultat est
quivalent.
Chapitre 1-26
1.4. Mthodologie gnrale pour l'valuation des risques

L'valuation des risques dans un systme comporte plusieurs tapes ncessaires :
Dans un premier temps, les objectifs recherchs doivent tre clairement dfinis. Cette tape
parat triviale, mais elle est fondamentale : elle dtermine directement la suite des oprations.
ce niveau, il est trs facile de commettre des erreurs. Ces objectifs peuvent varier selon les
paramtres valuer (fiabilit, disponibilit, etc.), selon le type de systme tudier
(prototype ou oprationnel), selon l'tape de la conception (prliminaire, dtaille, etc.), et
aussi selon le niveau de dtail dsir Leroy [92].
Le systme tudi doit tre clairement dfini et dlimit. Cela concerne la dfinition technique
du systme, mais aussi les procdures d'installation, mise en route et exploitation, les
procdures et moyens d'intervention en cas d'accidents, ainsi que l'environnement du systme.
Bien entendu, selon la nature de l'tude raliser, seule une partie de ces renseignements peut
tre ncessaire Leroy [92].
Chapitre 1-27
Dfinition des objectifs

Dfinition du systme
Analyse fonctionnelle
Identification des risques
Modlisation du systme
Analyse qualitative
Analyse quantitative
Consultation de spcialistes
Synthse/dcisions
Spcifications
Programmes d'essais
Politique de maintenances
Quantification du risque
Figure 1.5. Procdure gnrale pour l'analyse du risque
On procde ensuite l'analyse fonctionnelle du systme. Cette analyse peut tre rduite une
recherche sommaire des diffrentes fonctions prsentes, voire un dcoupage simple dans le
cas de systmes simples. La mise en uvre de mthodes trs codifies est ncessaire dans le
cas des systmes complexes.
L'tape suivante consiste identifier les risques potentiels prsents dans le systme du point
de vue des objectifs fixs. Pour identifier les risques, les mthodes les plus largement utilises
sont de nature inductive (on part des causes pour remonter aux effets) : APR, HAZOP,
AMDEC, etc. En collaboration avec les spcialistes du systme tudi, ces mthodes
permettent de mettre en vidence et de hirarchiser les risques, Leroy [92].
Pour les systmes ne prsentant pas de redondance, l'application des mthodes d'identification
des risques peut suffire pour raliser l'tude dsire. Par contre, pour les systmes complexes
prsentant une forte redondance, il est en gnral ncessaire de procder une modlisation
plus avance.
Chapitre 1-28
La modlisation d'un systme fait appel des mthodes diffrentes selon sa nature et le
problme rencontr. Pour les systmes statiques dpendant peu ou pas du temps, c'est la
technique des arbres de dfaillances qui est la plus couramment mise en uvre. Cette
technique, l'inverse des mthodes prcdentes, procde d'une dmarche dductive (on
recherche les causes des effets redouts). Lorsque le systme prsente un comportement
dynamique qui ne peut pas tre pris en compte correctement par les arbres de dfaillances, on
fait appel des mthodes bases sur les processus stochastiques ou d'autres mthodes nonstatistiques comme la logique floue. En effet, si on suit l'volution d'un systme dynamique au
cours du temps, on le voit sauter d'tats en tats au bout de dures de sjour alatoires, en
fonction des dfaillances et des rparations auxquelles il est soumis. Un tel comportement est
dit stochastique ou alatoire. Pour modliser ce comportement, la technique des chanes
de Markov est la plus couramment utilise, car c'est la plus facile traiter mathmatiquement,
Leroy [92]. Cette technique est base sur l'identification des diffrents tats du systme tudi
et sur l'analyse des transitions le faisant passer de manire alatoire d'un tat un autre. Il est
ainsi possible d'valuer par des calculs analytiques des paramtres probabilistes de premire
importance comme la fiabilit, la disponibilit, etc. Lorsque le nombre d'tats devient trop
grand pour tre manipul sans risque d'erreur, des modles de comportement dynamique
bass sur les rseaux de Petri, sont parfois utiliss pour identifier les tats en question.
Lorsque le nombre d'tats prendre en compte pour obtenir une modlisation raliste devient
trop grand, ou lorsque les lois de probabilit prendre en compte ne sont pas exponentielles,
une autre solution consiste raliser des simulations de Monte-Carlo du comportement du
systme tudi.
Pour les cas o le comportement du systme est difficile quantifier ou quand les paramtres
sont difficiles mesurer ou vaguement mesurables, un modle bas sur la logique floue est
utilisable.
Lorsque le modle est ralis, l'tape suivante consiste l'utiliser pour en tirer les rsultats
dsirs. Cette analyse est qualitative ou quantitative selon les mthodes mises en uvre
auparavant. La figure 1.6 donne le schma gnral d'une analyse pour l'aide la dcision.
Chapitre 1-29
Donnes statistiques
Estimation statistiques
Estimation flou
Analyses logiques
Traitements
Calculs
Raisonnements
Probabilit
Possibilit
Paramtres contributifs
Chemins critiques
Comparaisons
Sensibilit
Aide la dcision
Figure 1.6. Schma gnral de l'aide la dcision Leroy [92].
Ces tudes et modlisations nous permettent d'tablir des spcifications pour les composants
les plus sensibles, et des programmes d'essai pour les composants nouveaux. Elles permettent
galement une quantification des risques prsents par le systme.
Plus le modle est conforme la ralit, plus les rsultats obtenus sont, bien entendu, valables.
La difficult consiste gnralement disposer des donnes ncessaires qui sont souvent mal
connues ou entaches d'une grande imprcision, ou mme totalement inconnues. Cette
remarque doit faire prendre conscience que les estimations probabilistes ou non probabilistes
qui peuvent tre faites sont surtout intressantes lorsqu'on les considre relativement les unes
aux autres pour comparer diverses solutions, hirarchiser les problmes ou mettre en vidence
la sensibilit des rsultats recherchs la variation de certains paramtres.
Chapitre 1-30
LVALUATION DES RISQUES

DINSTABILITS DES
TERRAINS
2. Lvaluation des risques dinstabilits des terrains
Ce chapitre dresse le panorama des mthodes actuellement employes ou proposes en France

et dans le Monde pour l'analyse et l'valuation des risques dinstabilits ou de mouvements
des terrains. Il couvre les risques lis aux ouvrages souterrains ainsi quaux ouvrages ciel
ouvert comme les falaises ou les talus. Nous prsenterons tout dabord les mthodes
actuellement employes travers les lments bibliographiques que nous avons pu runir.
Nous exposerons notamment le principe de ces mthodes, les calculs quelles mettent en
uvreainsi que les problmes quelles posent en pratique. Ensuite nous prsenterons plus en
dtail la mthode sur laquelle nous appuierons la suite de nos rflexions et travaux.
Chapitre 2-33
2.1. Les mthodes actuelles utilises pour lvaluation des

risques dinstabilits
Les mots risk , danger, hazard ou encore unstability apparaissent rgulirement dans les
publications internationales dont le sujet concerne de prs ou de loin lvaluation des risques
dinstabilits des terrains. Mais l'utilisation qui est faite de ce vocabulaire dans les travaux
prsents varie considrablement dune publication une autre ce qui rend difficile la
ralisation de la synthse que nous tentons ici de prsenter.
Les travaux de recherche qui visent valuer les risques dinstabilits des ouvrages sappuient
le plus souvent soit sur des mthodes analytiques relativement simples utiliser, soit sur des
mthodes de modlisation numrique plus dlicates employer et aux objectifs plus cibls.
Kawakami et al. [84] par exemple, tentent de dresser une cartographie des risques de
mouvements de terrains en valuant des paramtres quantitatifs ou qualitatifs tels que : la
densit des valles dans une zone, la hauteur de talus ou de falaise, la pente, la formation
gologique et la structure gologique. Le poids de chacun des paramtres utiliss est valu
par des experts pour chaque site tudi. Une fonction analytique reliant les paramtres permet
ensuite de donner un niveau de risque global chaque zone ainsi considre.
Nguyen [85] travaille aussi sur la stabilit des talus mais propose dautres paramtres
mesurer ou observer, et met en uvre une mthodologie d'analyse qui sappuie sur la
logique floue. Les paramtres quil utilise sont : la hauteur de falaise, sa pente, son tat
hydrologique, sa gologie, etc. Les pondrations sont aussi donnes par un jugement
dexperts, et un indice final est obtenu qui indique le risque potentiel de la falaise considre.
Hudson et al. [92] proposent une mthodologie gnrale d'valuation des paramtres base sur
la notion de systme. Cette mthodologie appele Rock Engineering System analyse les
paramtres d'un systme rocheux par l'valuation des interactions entre ses paramtres. Ces
interactions sont dfinies par le biais dune matrice d'interactions partir de laquelle on tire
une quation de pondration des paramtres qui donne un indice global du systme. Dans leur
communication, Hudson et al., donnent un exemple concernant ltat du massif autour du
barrage FEI-TSUI Taiwan. Cette mthodologie a t prsente en dtail dans l'ouvrage de
Hudson intitul Rock Engineering Systems : Theory and Practice (Hudson [92]). Elle a t
Chapitre 2-34
applique dans plusieurs domaines de la mcanique des roches, notamment dans les
publications de Hudson et al. [90], Hudson et al. [90-1], Ping et al [93], Jiao et al. [95], et
Mazzoccola et al. [96].
Nathanail et al. [92] prsentent une application de la mthodologie de Hudson ltude de la
stabilit des falaises dans un massif htrogne. Grce cette mthode, ils dfinissent une
quation globale pour l'valuation du risque dinstabilit en utilisant des paramtres dfinis
par des experts sur le site.
McMillan et al. [97] ont dfini une mthodologie d'analyse multi-phases pour lanalyse du
risque dinstabilit des talus dautoroutes. Cette mthodologie permet de donner un indice de
risque dans une premire phase et de donner, dans une deuxime phase, un taux de risque
dinstabilit partir dune tude dtaille du site.
Bien entendu, ces tudes ne sont pas les seules traiter la question de lvaluation de lala
mouvement de terrain des falaises ou des ouvrages souterrains, mais elles sont les plus
remarquables trouves dans la littrature scientifique disponible. Nous avons aussi relev des
travaux portant sur les mthodes de classification des massifs rocheux ou des falaises et sur
applications de ces mthodes de classification. Il en est ainsi des travaux de Romana [91] et
de Orr [92], mais aussi des travaux de Mehrotra et al. [95] et Romana [97] qui prsentent des
applications de ces mthodes lvaluation des sites.
Dautres mthodes moins classiques ont aussi t proposes. Cest le cas en particulier des
mthodes base de systmes dinformations gographiques (Ellenberger [81], Budetta et
al. [94], Ellison [78]) Ellenberger [81], par exemple, dfini une mthodologie de prdiction du
risque d'instabilit des falaises par l'utilisation dune mthode cartographique appele Overlay
technique (technique de superposition). Dans son article, il utilise des paramtres concernant
la stabilit de l'ouvrage et des paramtres concernant la gologie ou la morphologie. Cette
tude montre que l'utilisation d'un systme d'information gographique peut tre utile dans le
cas o lon disposerait de donnes statistiques et gographiques sur le site.
Parmi les auteurs ayant travaill sur la stabilit des talus, certains ont propos des approches
probabilistes pour valuer la stabilit des talus (Young [93] et le logiciel commercial GeoSlope)
Chapitre 2-35
Il se dgage de ce rapide panorama quil ny a pas une mais des mthodes dvaluation des
risques dinstabilit. Ces mthodes ont en commun le principe gnral d'valuer un ala ou un
risque partir de quelques paramtres ou observations relativement faciles dterminer sur le
terrain. Ces mthodes ne prennent nanmoins jamais en compte les scnarios envisags ni, a
fortiori, la probabilit que des accidents surviennent. Par ailleurs, il nest jamais fait mention
de la gravit des consquences de ces accidents. On parle donc bien dinstabilit potentielle et
non pas de risque potentiel au sens strict du terme. On retiendra que, en gnral, les auteurs
dterminent, le plus souvent, ce que nous appelons la sensibilit d'un site et parfois l'ala d'un
site et non pas le risque (dans sans acception franaise) comme ils le prtendent.
En France, de plus en plus de travaux scientifiques portent sur lvaluation des risques
naturels. Ils concernent les risques de glissement de terrains, les risques de fontis, les risques
deffondrements miniers ou deffondrement dimmeubles dans les zones urbaines par
exemple.
Evrard, H. [87] dans un article intitul Risques lis aux carrires souterraines abandonnes
de Normandie, se propose d'valuer l'ala dans un site sans dsordre dcelable en surface ou
l'estimation du danger rmanent, aprs un effondrement. L'article montre l'intrt d'un
document cartographique de synthse, tabli par commune et rassemblant tous les indices
pertinents. Le but de son tude est d'envisager la mise en uvre de diverses mthodes de
reprage des vides ou la ralisation d'tudes de stabilit. Son travail est principalement bas
sur la dtermination et la localisation des vides souterrains. Il discute aussi les causes
possibles des effondrements. Mais, il ne propose pas de classification des risques, ni ne
mentionne les notions de probabilit des vnements ou de gravit des consquences. L'tude
porte en fait sur la cartographie de la sensibilit l'instabilit, et non pas sur une cartographie
de risque ou d'ala naturel.
Fares, A. et al [94] ont travaill sur l'valuation des risques naturels lis aux mouvements de
terrains dans une rgion situe au Nord du Maroc. La mthodologie employe est base sur le
traitement mathmatique des indices relatifs la topographie, la lithologie et la
gomorphologie des versants. L'utilisation dune cartographie de ces trois facteurs permet de
dlimiter le cadre propice aux dclenchements des mouvements de terrains. Pour chaque zone
de terrain, la mthodologie donne un indice qui correspond une classe (4 classes pour la
topographie, 5 classes pour la lithologie et 5 classes pour la gomorphologie). Le traitement
Chapitre 2-36
mathmatique de ces indices (addition) ou bien le traitement probabiliste (chaque indice est
associ avec une probabilit), donne un indice global de risque qui est ensuite plac dans une
des quatre classes et constitue une cartographie du risque de mouvements de terrains.
Rezig, et al. [97] proposent une mthodologie probabiliste d'valuation du risque du
mouvement des terrains une approche gostatistique base sur l'valuation cartographique
de la gologie, l'tat hydrologique, les discontinuits tectoniques, la pente stratigraphique, la
vgtation et la pente. Ils utilisent la base de donnes de Trives du BRGM qui est une base
de donne rgionale prsentant les instabilits dans la rgion de Trives avec ses amplitudes.
Pour chaque paramtre, Rezig et al., proposent que l'utilisation des distributions spatiales de
chaque paramtres permette damliorer l'utilisation de la base de donnes.
Le travail de Millies-Lacrois [81] porte sur les diffrents systmes de classification des talus.
Il a tent de mettre en vidence les difficults de l'aspect arbitraire et subjectif des
classements. Il prsente brivement les classifications existantes et, en vue d'applications
pratiques, il s'interroge sur les critres prendre en considration. Il constate dans sa
conclusion que les classifications rgionales sont mieux adaptes la rsolution des
problmes pratiques d'amnagement urbain ou rural.
Un rapport publi par le ministre de l'environnement en 1994 et intitul les mouvements de
terrains donne un cadre global aux dangers et risques de mouvements de terrains sans
proposer une mthodologie gnrale d'analyse. Dans ce rapport, on prsente ce que sont la
vulnrabilit, la probabilit d'occurrence, et la gravit des phnomnes. On trouve aussi
quelques principes sur la surveillance des sites sensibles aux mouvements de terrains ainsi que
des principes de la prparation la gestion de crise.
En 1996, Tritsch et al. [96] ont rdig un rapport dans le cadre d'une tude mene par
l'INERIS sur l'valuation de lala du site de Pontoise en rgion parisienne. Ce rapport intitul
Mthodologie pour la connaissance et l'identification des risques de mouvements de terrain
prsente un panorama des problmes d'instabilits de falaise avec pour objectif lvaluation de
lala naturel. Tritsch et al. proposent de dfinir l'ala naturel comme le produit du croisement
entre la probabilit d'occurrence d'un phnomne et son intensit. La probabilit d'occurrence
est elle-mme estime comme le produit du croisement de la sensibilit d'un site vis vis de
Chapitre 2-37
l'instabilit redoute et de l'activit du site. Cette approche par tape qui a t adopte par
l'INERIS est illustre sur la figure 2.1.
Les ingnieurs de l'INERIS ont propos des qualifications pour les paramtres observer sur
site ainsi que des rgles de croisement entre les paramtres. Ces qualifications et croisements
ne sont valables que sur le site tudi.
Donnes et
Observations
Raisonnement
par croisement
Raisonnement
par croisement
Paramtres de
Sensibilit
Paramtres
dActivit
Probabilit
doccurrence
Ala
Figure 2.1. L'approche de l'INERIS pour l'valuation de lala naturel
Chapitre 2-38
Paramtres
dIntensit
2.2. La mthode retenue.

Pour nos travaux qui vont tre exposs par la suite, nous avons retenu la mthodologie de
Tritsch et al. [96]. Cette mthodologie d'analyse rassemble tous les lments d'une
mthodologie d'analyse dala. Nous allons expliquer en dtail cette mthode.
Dans le site des falaises de Pontoise, Tritsch et al. [96] ont analys les diffrents types
d'instabilits rencontrs sur le site ainsi que leurs caractres spcifiques. Ils ont retenu
l'hypothse que la sensibilit de ce site pouvait tre caractrise par cinq paramtres : le pas
de fracturation (PF) ou rseau de fractures (LF), lcartement et la rugosit des joints (ER),
lhumidit des fissures (HF), la direction structurale par rapport au front (DIR), et
l'inclinaison des fissures par rapport au front (PEN). Le tableau 2.1. prsente les fourchettes
de valeurs de ces paramtres ainsi que leurs quantifications par indices entre 0 et 3 chacun.
partir de ces indices, ils ont ensuite exprim la sensibilit du site par la formule suivante :
S = (4(PF ou LF) + 2 ER + HF + DIR + 2 PEN) x (10/3)
[1]
La sensibilit obtenue par cette formule est ensuite place dans une chelle de valeurs 4
classes comme le montre le tableau 2.2.
Pour l'activit du site et l'intensit des phnomnes, les tableaux 2.3. et 2.4. rcapitulent les
paramtres observer sur le site et leurs classifications.
Pour le site de Pontoise, Tritsch et al. [96] proposent ensuite de continuer l'analyse en
sappuyant sur certaines rgles. Ainsi, les rgles de croisement entre la sensibilit et l'activit
qui dfinissent le niveau de la probabilit d'occurrence sont prsentes dans le tableau 2.5 et
le tableau 2.6 prsente les rgles de croisement entre la probabilit d'occurrence et l'intensit
qui donnent l'ala.
Chapitre 2-39
Tableau 2.1. Paramtres de sensibilit dans le site de Pontoise et ses indices. D'aprs Tritsch et al. [96]
Pas de Fracturation (PF)
< 0.2 m
0.2 ~ 0.6 m
0.6 ~ 2 m
>2m
Rseau de fractures (LF)

> 10 m
3 ~ 10 m
1~3m
<1m
Indice
3
2
1
0
cartement et rugosit des joints (ER)

> 5 mm continue, remplissage argileux
< 5 mm, surface de glissement potentiel
< 1 mm, surface altre des lvres
Ferm, surface rugueuse pas altr
3
2
1
0
Humidit des fissures

Venue d'eau courante
Gouttes gouttes, suintements
Humidit
Sche
3
2
1
0
Direction structurale par rapport au front (DIR)

< 5
5 ~ 15
15 ~ 30
> 30
3
2
1
0
Inclinaison des fissures par rapport au front (PEN)

-15 ~ -5
-5 ~ +5
+5 ~ 15
> 15
3
2
1
0
Tableau 2.2. Quantification de la sensibilit. D'aprs Tritsch et al. [96].

Qualification de la sensibilit
Trs favorable
Favorable
Dfavorable
Trs dfavorable
Note calcule
< 25
25 ~ 49
50 ~ 75
> 75
Tableau 2.3. Qualification de l'activit. D'aprs Tritsch et al. [96].

Qualification du massif
Dormante
Inactive ou peu active
Frache
Active
Chapitre 2-40
Principaux indices d'activit

Traces morphologiques estompes,
Pas d'altration du massif
Pas de fractures mcaniques,
Aucune atteinte aux infrastructures ou l'environnement.
Traces morphologiques volues,
Altration superficielle,
Fractures mcaniques anciennes,
Pas d'atteinte manifeste aux infrastructures ou l'environnement.
Traces morphologiques fraches,
Altration profonde,
Fractures mcaniques dveloppes,
Atteinte possible aux infrastructures ou l'environnement.
Traces morphologiques,
Altration active,
Fractures mcaniques ouvertes et volutives,
Atteinte manifestes aux infrastructures et l'environnement.
Tableau 2.4. Qualification de l'intensit. D'aprs Tritsch et al. [96].

Indice volumtrique (m3)
lmentaire
En masse
< 10E-3 m3
< 1 m3
E-3
3
10 ~ 1 m
1 ~ 10 m3
3
>1m
10 ~ 10E4 m3
3
> 10 m
> 10E4 m3
Intensit du phnomne
Chutes de pierres
Chutes de blocs
boulements
boulements majeurs -croulement
Tableau 2.5. Qualification de la probabilit d'occurrence (croisement entre les classes de sensibilit et
de l'activit). D'aprs Tritsch et al. [96].
Sensibilit
Activit
Dormante
Frache
Active
Trs favorable
Favorable
Dfavorable
Trs dfavorable
Ngligeable
Faible
Moyenne
Forte
Faible
Faible
Forte
Forte
Faible
Moyenne
Forte
Forte
Moyenne
Moyenne
Forte
Forte
Tableau 2.6. Qualification de l'ala (croisement entre la probabilit d'occurrence et l'intensit).

D'aprs Tritsch et al. [96].
Probabilit d'occurrence
Intensit
Chutes de pierres
Chutes de blocs
boulements
boulements majeurs
Ngligeable
Faible
Moyenne
Forte
Ngligeable
Faible
Faible
Moyen
Faible
Faible
Moyen
Moyen
Faible
Moyen
Moyen
Fort
Moyen
Moyen
Fort
Fort
Lespace dala reprsente le produit de croisement, probabilit doccurrence et intensit. Cet

espace peut tre prsenter dans une faon similaire de celui du risque. Figure 2.2 reprsente
lespace dala base sur le tableau 2.6.
Dans un cas typique d'analyse, un ingnieur intervient sur le site pour faire les observations
sur les paramtres qui dfinissent la sensibilit, lactivit et lintensit. Ces paramtres sont
valus par l'ingnieur qui leur attribue ensuite (ou directement) un indice ou une classe ce
qui permet de dterminer facilement la probabilit d'occurrence et l'ala. Cela nest valable
que dans la zone de dpart, car pour les zones amont et avale, autres rgles de croisements
sont dfinies.
En appliquant cette mthode en diffrents points du site, Tritsch et al. [96], ont ainsi tabli une
carte de lala autour d'une falaise dans la rgion de Pontoise.
Pour tester l'influence et la sensibilit des paramtres dans cette mthode, nous avons
dvelopp un logiciel dans lenvironnement VBA sous Excel. Ce programme ralise
Chapitre 2-41
lensemble des oprations qui conduisent lala ds que les paramtres de lanalyse ont t
renseigns. Il est ensuite facile de faire varier un paramtre pour voir son incidence sur le
rsultat. La figure 2.3. prsente le fonctionnement de ce logiciel.
Probabilit
Moyen
Moyen
Fort
Fort
Faible
Moyen
Moyen
Fort
Faible
Faible
Moyen
Moyen
Ngligeable
Faible
Faible
Moyen
Intensit
Figure 2.2. Un espace dala dfinie par le tableau 2.6.
Paramtres de Sensibilit
Paramtres d'Activit
Paramtres d'Intensit
Pas de Fracturation
, - , m
Ecartement et rugosit des joints
Activit
Dormant
Intensit
Eboulements
E< mm, surface altre des lvres

DIR
>
PEN
Sensibilit
--
Dfavorable
Probabilit d'occurrence = Faible

Ala = Moyen
Figure 2.3. Programmation sur VBA de la mthodologie d'analyse.
Chapitre 2-42
LES PROBLMES RENCONTRS

DANS LA PRATIQUE
3. Les problmes rencontrs dans la pratique
La pratique de lvaluation des risques dinstabilits gotechniques telle quelle ressort des
travaux scientifiques mentionns prcdemment est confronte quelques problmes majeurs
que nous nous proposons maintenant de discuter.
Le premier problme concerne le type dobservations ou de mesures effectues sur les sites et
les informations qui en sont tires. Pour dcrire les milieux quils tudient, certains auteurs
utilisent les caractristiques mcaniques telles que la rsistance la compression simple ou
triaxiale, la rsistance la traction, le coefficient de Poisson, etc., ou les caractristiques
physiques telles que la densit, la porosit, la permabilit, etc. Dautres font appel aux
caractristiques minralogiques des milieux ou encore des caractristiques relatives aux
discontinuits comme lespacement entre joints, le RQD, louverture des joints, etc.
Lun des problmes rside dans le fait qu'on ne trouve pas une mthodologie standard de
description des milieux. Si certains paramtres sont valables pour certains sites, ils ne peuvent
pas tre adapts la description dautres sites. Par consquent, une mthodologie d'valuation
des risques base sur quelques observations typiques ne pourrait tre valable pour tous les
sites.
Les experts qui interviennent dans lvaluation des risques dinstabilits utilisent galement
des formulations empiriques pour la caractrisation de ltat du milieu ou massif tudi. C'est
le cas, par exemple, des falaises de Pontoise pour ltude desquelles les experts de lINERIS
ont dfini une formule empirique conduisant un indice de massif. Ces formules empiriques
que l'on trouve parfois dans les rfrences bibliographiques sont bases sur l'exprience
accumule sur les sites bien documents et ne sont pas forcment applicables dautres sites.
Dautre part, l'application des mthodes numriques pour l'analyse de la stabilit des ouvrages
gotechniques gagne de lintrt avec l'augmentation rapide de la puissance de calcul des
ordinateurs. Mais elle reste toujours limite par la taille des modles et la quantit
dinformation traiter. Jusqu aujourdhui, il est illusoire de vouloir modliser toutes les
caractristiques physiques et mcaniques des situations tudies et en particulier leur caractre
alatoire. Si la modlisation peut apporter des rsultats intressants concernant certains
Chapitre 3-45
aspects de la ralit tudie et donner des lments de rponse certaines questions poses
par lvaluation des risques, elle ne permet pas dvaluer les risques dinstabilit part entire
en particulier dans leur nature probabiliste.
Un autre problme rencontr dans la pratique concerne les mthodes de description des
massifs qui conduisent en gnral un dcoupage des valeurs des paramtres en classes. Ce
problme est en fait plus gnral puisquil se pose ds que nous rduisons linformation des
classes de valeurs. La transition entre les classes ntant pas continue, une faible variation de
la valeur dun paramtre (autour dune limite de classe) peut entraner une modification
significative dun rsultat. Dune manire gnrale, il se pose ici un problme de robustesse
des mthodes. Par ailleurs, les rgles de raisonnement entre les classes des paramtres sont le
plus souvent des rgles arbitraires. La transition entre les donnes et les rsultats au moyen de
ces rgles peut donc tre trs sensible une lgre modification de la valeur dun paramtre.
Un problme majeur qui pse sur les rsultats donns par les mthodes dvaluation des
risques concerne la variabilit naturelle des donnes releves sur les sites. En effet, les valeurs
des caractristiques quantitatives mesures sur le site peuvent tre considres comme des
ralisations de lois de distributions statistiques dont la connaissance est ncessaire dans le cas
de la mise en uvre de mthodes de simulation destines analyser leffet de la variabilit
des donnes. La connaissance des lois de distribution est malheureusement rarement
disponible sauf disposer dun grand nombre de donnes.
Un autre problme li aux observations concerne les paramtres qualitatifs toujours difficiles
intgrer dans un formalisme mathmatique conduisant lvaluation des risques. Il est
hasardeux, en particulier, dutiliser de tels paramtres dans des mthodes de simulation de
type Monte-Carlo.
Chapitre 3-46
Au cours de notre travail de recherche, nous avons essay de trouver des solutions la plupart
de ces problmes que nous allons exposer par la suite.
Nous avons group les problmes en quatre catgories :
la premire concerne le choix des paramtres et des formules empiriques utilises pour
caractriser ce que nous appelons la sensibilit dun site. Nous parlerons ce sujet de
formule de sensibilit ;
la deuxime catgorie concerne le problme des limites des classes ainsi que la dfinition
et la manipulation des rgles de croisement ;
la troisime catgorie concerne la variabilit des donnes ;
la quatrime catgorie concerne les paramtres qualitatifs et la mconnaissance des

paramtres.
Les solutions que nous avons envisages ces problmes seront systmatiquement prsentes
par la suite sur lexemple de lvaluation de lala dans le site de Pontoise.
Chapitre 3-47
SOLUTIONS DANS LE CADRE

DE LA MTHODOLOGIE
CLASSIQUE
4. Solutions dans le cadre de la mthodologie

classique
4.1. Solution au problme de la formule de sensibilit

Dans les diffrentes approches dvaluation de lala naturel telles que celles qui ont t
prsentes au chapitre 2, les ingnieurs dfinissent la sensibilit du site au moyen dune
formule empirique dfinie partir de lexprience acquise sur le site considr.
Pour dvelopper une mthodologie caractre plus gnral, il est donc important dvaluer la
sensibilit dune autre faon, partir de paramtres aussi standard que possible et
suffisamment faciles mesurer pour tre exploitables.
Nous nous sommes donc tourns du ct des systmes de classifications qui nous paraissaient
pouvoir caractriser la sensibilit dun site.
Il existe plusieurs types de systmes de classification :
Les classifications qui sappuient sur une description minralogique conduisant des
diffrenciations
telles
que
massif
carbonique,
massif
calcaire,
ou
roche
sdimentaire, volcanique , etc.
Les classifications dfinies partir des caractristiques mcaniques telles que rsistance
la compression simple ou rsistance la traction par exemple.
Les classifications analytiques des massifs comme l'analyse lastique dun massif
caractrise par la dformation du milieu, elle mme dfinie par des quations telles que :
e =
1
[s 3 n (s 1 + s 2 )]
E
[2]
dans laquelle :
est le coefficient de Poisson,
Chapitre 4-51
E est le module d'lasticit du massif,

1 est 2 sont les contraintes in situ horizontales et
3 est la contrainte in situ verticale.
Selon la valeur prise par cette dformation et le type de massif, nous pouvons placer le cas
tudi dans une classe particulire.
Les classifications de l'ingnieur, le plus souvent bases sur son exprience et qui font
intervenir des paramtres physiques et mcaniques du milieu tudi.
Une tude bibliographique largie nous a permis de nous rendre compte que les systmes de
classification les plus utiliss sont actuellement le Rock Mass Rating System (RMR) de
Bieniawski [73] et le Q-System de Barton [74]. Par ailleurs, pour la classification des talus et
falaises, il semble que lon fasse aussi assez souvent appel au Slope Mass Rating Sytem
(SMR) de Romana [91]. Les dtails de ces systmes de classification sont donns en
annexe A.2
Ces trois systmes se diffrencient des autres systmes de classification tels ceux de Terzaghi
[46], Lauffer [58], Deer [64], Weickham [72], Louis [74], Laubscher [77], AFTES [78] ou
encore ISRM [81], par leur facilit dutilisation. Les dtails de ces systmes de classification
sont donns en annexe A.2.
De point de vue de facilit dutilisation, on peut ajouter que le RMR de Bienawski est
certainement plus facile exploiter que le Q-System de Barton.
Nous allons prsenter ci-aprs les systmes RMR, Q et SMR qui nous paraissent pouvoir
constituer de bons indicateurs de la sensibilit dun site. Quant aux autres systmes pouvant
galement tre utiliss, les principaux lments qui les fondent sont prsents en annexe A.2.
Chapitre 4-52
4.1.1. Systme RMR de Bieniawski [73]

La premire version de la classification de Bieniawski a t tablie en 1973. Elle a subi
quelques modifications et pondrations depuis cette date. Nous prsentons ici la version de
1989 prsente dans l'ouvrage de Bieniawski : Rock Mass Classifications :
Les paramtres utiliss par Bieniawski sont :
La rsistance la compression simple (Rc) ;

Le R.Q.D. ;
L'espacement moyen des discontinuits ;
La qualit des discontinuits ;
Le dbit d'eau souterraine ;
La direction et le pendage des discontinuits.
La dtermination de chacun de ces paramtres permet de situer le massif rocheux tudi dans
l'une des cinq classes prdfinies auxquelles sont attachs des indices de pondration. Le
RMR ou Rock Mass Rating est l'indice global du massif. Il est obtenu en sommant tous les
indices individuels.
La classification de Bieniawski est utilise par de nombreux spcialistes pour caractriser, par
exemple, ltat de talus rocheux, Romana [97], elle est utilise en gnie civil pour le
percement de tunnels, Coggan [97], et en gnie minier, Daws [97]. Certains ajustements sont
parfois ncessaires pour tenir compte des contraintes in situ, de l'utilisation dexplosifs ou
bien pour le cas spcifique des mines de charbon.
Le schma gnral de la classification de Bieniawski [73] est illustr par la figure 4.1.
Chapitre 4-53
Rsistance la
compression simple
Indice : 0 ~ 15
Espacement moyen
des discontinuits
Indice : 5 ~ 20
RQD
Correction et ajustement pour la direction

et le pendage des discontinuits
Indice : 3 ~ 20
Indice : 0 ~ -60
Condition des joints

Indice : 0 ~ 30
Condition hydrologique
Indice : 0 ~ 15
RMR
Indice : 0 ~ 100
Figure 4.1. Le schma gnral de la classification de Bieniawski [89]
Chapitre 4-54
4.1.2. Le Q-System de Barton, 1974

partir de l'analyse des donnes de 200 cavits souterraines, Barton a tabli une corrlation
entre la qualit des massifs rocheux, mesure par un coefficient Q, et la pression de
soutnement ncessaire lors du creusement dune galerie dans ces massifs.
Le coefficient Q, indice de qualit de la roche est dtermin par 6 paramtres de la faon
suivante :
Q=
RQD J r J w
J n J a SRF
[3]
quation dans laquelle :
RQD est le Rock Quality Designation de Deer [64] ;

Jn est l'expression du nombre de familles principales de discontinuits. Jn prend des
valeurs comprises entre 0.5 et 20. Bieniawski [89].
Jr caractrise la rugosit des joints avec des valeurs comprises entre 0.5 et 4
Bieniawski [89]
Ja caractrise le degr d'altration des joints (paisseur du joint et matriau de
remplissage). La valeur de Ja est comprise entre 0.75 et 20 Bieniawski [89]
Jw caractrise les conditions hydrogologiques : importance des venues d'eau et sa
pression (valeurs comprises entre 0.05 et 1). Bieniawski [89]
SRF est le Stress Reduction Factor qui caractrise l'tat des contraintes dans le massif
avec des valeurs comprises entre 0.5 et 20 Bieniawski [89].
Barton a donn des tableaux dtaills pour le choix de chaque paramtre de son systme de
classification Bieniawski [89]. Il a aussi group ces paramtres par paires qui reprsentent :
RQD
, la taille moyenne des blocs rocheux
Jn
Jr
, la rsistance au cisaillement entre les blocs,
Ja
Jw
, les contraintes actives et les conditions hydrogologiques.
SRF
Chapitre 4-55
Barton a aussi propos une relation empirique donnant l'ouverture maximale dune cavit
pouvant rester stable sans soutnement, en fonction de Q :
Ouverture = 2 Q0.66
[4]
De mme, Bieniawski [89], a tabli une corrlation entre le RMR et le Q de Barton :

RMR = 9 Ln(Q) + 44
[5]
A titre dexemple, lanalyse du site de la tombe de Ramss I dans la valle des rois, en
gypte, nous a donn les rsultats suivants :
Dans la classification de Bieniawski :
Indice pour le Rc
Indice pour le RQD
Indice pour l'espacement moyen des discontinuits
Indice pour les conditions des discontinuits
Indice pour l'tat hydrologique
2.2
20
13
26
5
Indice Total du RMR
66.2
Dans la classification de Barton :
RQD
Jn
Jr
Ja
Jw
SRF
97
3
1.5
1
1
5
Qualit Total du massif daprs Barton
9.7
D'aprs la corrlation entre les deux systmes de classification, un Q de 9.7 correspond un

indice RMR de 64.5, ce qui confirme, sur cet exemple, la pertinence de cette corrlation.
Chapitre 4-56
4.1.3. Le SMR de Romana [91]

Romana [91] a dfini un systme de classification pour les talus et les falaises quil a nomm
le SMR pour Slope Mass Rating en s'appuyant sur le principe de la classification de
Bieniawski. Il a ainsi dfini le SMR par la formulation suivante :
SMR = RMR + (F1 . F2 . F3) + F4
[6]
Pour chaque paramtre, Romana [91] a donn un tableau dindices similaires ceux de
Bieniawski, mais il a donn aussi des formules empiriques pour F1 et F2. Voici la signification
de ces paramtres selon Romana [91] :
F1 est un facteur dpendant du paralllisme entre les discontinuits et la pente, qui

prend des valeurs comprises entre 0.15 et 1 (valeurs donnes par Romana [91]) et
peut tre dfinie par la formule suivante :
F1 = (1-Sin(A))2
[7]
expression dans laquelle A est l'angle entre les discontinuits et l'extension de la

pente.
F2 est li au pendage. Il prend des valeurs comprises entre 0.15 et 1 (valeurs

donnes par Romana [91]). Il est dfini par la formule suivante :
F2 = (Tan (B))2
[8]
o B est le pendage des discontinuits.
F3 est l'ajustement de Bieniawski pour les joints.
F4 dtermine le type de talus (naturel, artificiel, etc), qui varie entre 8 et +15
(valeurs donnes par Romana [91]) selon le type de talus.
Nous verrons dans les chapitres suivants comment ces systmes de classification peuvent tre
utiliss dans le cadre dune mthode dvaluation de lala mouvement de terrains des terrains
travers les exemples qui seront prsents.
Chapitre 4-57
4.2. Solutions au problme des limites de classes et des

rgles de croisement
4.2.1. Les limites de classes
Le problme de limite des classes que nous soulevons ici est commun tous les systmes de
classification. Il apparat partir du moment o lon transforme une grandeur continue en son
appartenance une classe de valeurs (qui peut ensuite tre affecte dune valeur dindice).
C'est parce que la transition entre les classes est discontinue que lon rencontre
potentiellement le problme voqu comme le montre graphiquement la figure 4.2.
Cette figure illustre la transformation de la valeur du RQD dans le systme dindices de la
classification de Bieniawski. Si lors dune mesure sur site nous obtenons un RQD gal 51%,
l'indice donn par la classification est de 13. Si par contre nous obtenons un RQD gal 49%,
l'indice retenir est de 8. Ainsi une diffrence de RQD trs faible se traduit par une diffrence
dindice importante, ce qui peut avoir des rpercussions significatives sur le rsultat final. Si
encore notre analyse nous conduit un RQD gal 50% nous ne pouvons dcider dans quelle
classe placer ce paramtre. Cet inconvnient favorise les choix personnels qui peuvent alors
avoir une importance exagre dans la solution finale.
Puisque les systmes de classification ne permettent pas une transition souple entre les
classes, les mthodes dvaluation des risques qui utilisent ces systmes tels quels ne sont pas
trs robustes. Ils sont potentiellement sensibles une faible variation dun paramtre. En
dautres termes, ce problme peut entraner des orientations de raisonnement diffrentes et
diriger l'analyse vers des rsultats incohrents. titre exemple, la figure 4.3. illustre l'effet
d'une faible variation du PF sur lexpression finale de lala dans le cadre de la mthodologie
de Tritsch et al. [96] d'valuation de lala de mouvement de terrain.
Chapitre 4-58
RQD = 50%
20
Indice = 13 ?
Index
15
Indice = 8 ?
10
5
0
0
25
50
R Q D (%)
75
100
Figure 4.2. Le problme des limites de classes sur le RQD.
Premier cas : avec une note gale 2 pour le PF

PF est 0.2 ~ 0.6 m Note = 2
ER est < 1 mm Note = 1
HF est humidit Note = 1
DIR est < 5 Note = 3
PEN est +5 ~ 15 Note = 1
Sensibilit = 53 Dfavorable
Paramtres et observations
Activit = Inactive ou peu active
Intensit = Chutes de blocs
Probabilit d'occurrence Moyenne
Ala Moyen
Deuxime cas: avec une note gale 1 pour le PF

PF est 0.6 ~ 2 m Note = 1
ER est < 1 mm Note = 1
HF est humidit Note = 1
DIR est < 5 Note = 3
PEN est +5 ~ 15 Note = 1
Sensibilit = 40 Favorable
Activit = Inactive ou peu active
Intensit = Chutes de blocs
Probabilit d'occurrence Faible
Ala Faible
Figure 4.3. L'effet de variation de PF sur les rsultats finale d'ala.
Chapitre 4-59
Une faon de rsoudre ce problme consiste remplacer les classes par une chelle continue
dindices compatibles, en moyenne, avec les indices discrets. Pour cela, il est possible
dlaborer un modle continu par rgression linaire partir des valeurs dindices initiaux
affectes aux milieux des classes. Dans le cas du RMR par exemple, Bieniawski [89] a
propos des courbes permettant de passer directement de certains paramtres aux indices
comme le montrent les figures 4.4 4.6. Ces figures montrent aussi les quations que nous
pouvons proposer par rgression.
Nous pouvons ainsi proposer des relations mathmatiques pour les autres paramtres de RMR
qui donnent des fonctions permettant de passer des paramtres mesurs aux indices
correspondant dans le systme de classification.
Concernant l'tat hydrologique, nous proposons une courbe qui passe par les points moyens
de chaque classe comme le montre la figure 4.7.
Pour ce qui concerne les conditions des discontinuits, nous nous sommes appuys sur les
tableaux de Bieniawski [89], dans le but de trouver des fonctions reprsentatives des
conditions des discontinuits : pour la longueur moyenne des discontinuits et l'ouverture des
discontinuits, les figures 4.8 et 4.9, montrent les classes proposes par Bieniawski avec les
courbes que nous avons propos pour reprsenter ces classes.
Par contre pour les paramtres qualitatifs comme la rugosit des fissures, l'tat de remplissage
de discontinuits et l'altration, nous ne pouvons pas proposer de formulation analytique. Ceci
limitera l'utilisation de ces formules dans l'analyse.
Chapitre 4-60
14
1.501 2.48x
0.25
1.551 x
12
Indice
10
8
6
4
2
80
120
160
Rsistance la compression HMPa L
40
200
240
Figure 4.4. Valeur de lindice de Rsistance la compression simple. l'quation a t obtenue par
rgression linaire
20
17.5
5.157+ 0.172 x + 0.004x
15
Ind ice
12.5
10
7.5
5
2.5
200
400
600
800
1000
1200
1400
Espacement moyen des discontinuits H mm L
1600
1800
2000
Figure 4.5. Valeur de lindice dEspacement moyen des discontinuits. l'quation a t obtenue par
rgression linaire
20
17.5
2
2.677+ 0.129x + 0.001x 0.072Log[ x ]
15
Indi ce
12.5
10
7.5
5
2.5
20
40
R.Q.D. H%L
60
80
100
Figure 4.6. Valeur de lindice de RQD. l'quation a t obtenue par rgression linaire
Chapitre 4-61
Indice
11.219 0.374 x 0.038x 0.413Log [ x ]
In Flow
m HLmin L
Figure 4.7. Ajustement pour l'tat hydrologique du massif
0.134
0.04x1.301Log[ x]
x
Indice
4.856
Longeur moyen des discontinuits
Figure 4.8. Ajustement pour la longueur moyenne des discontinuits
Indice
5.509 2.343 x 0.058x 0.053Log[ x ]
.
.
.
.
Ouverture moyen des discontinuits
Figure 4.9. Ajustement pour l'ouverture des discontinuits
Chapitre 4-62
4.2.2. Les rgles de croisement

Pour les rgles de croisement entre les diffrentes classes, nous pouvons galement proposer
une solution mathmatique permettant le remplacement des rgles de raisonnement ou de
croisement proposes par les experts du site pour la quantification de la probabilit
d'occurrence ou bien de l'ala.
Ces rgles de croisement sont dfinies, le plus souvent, par un ou plusieurs experts du site et
portent sur les caractres spcifiques ce site.
Nous pouvons essayer de modliser ces rgles de croisement par des fonctions mathmatiques
afin de disposer dune transition continue entre les rsultats produits par ces rgles.
Nous avons considr le tableau 2.5. comme un tableau numrique deux entres et nous
avons essay d'ajuster une fonction mathmatique en considrant la probabilit d'occurrence
comme une surface continue. Nous en avons fait de mme pour l'ala en utilisant le tableau
2.6 comme rfrence. Cet ajustement est ralis par la mthode des moindres carrs avec le
soutien de Mathematica. La figure 4.10 prsente quatre surfaces possibles pour ajuster les
rgles de croisement de la probabilit d'occurrence et la figure 4.11 prsente ces rgles de
croisement et des comparaisons avec les surfaces ajustes. Il en est de mme pour les rgles
de croisement de l'ala quillustrent les figures 4.12 et 4.13.
Chapitre 4-63
Surface 1
Surface 2
- 0.75 + 0.8 x + 1.2 y - 0.19 x y

2
R : 0.905607,
1.62 0.0073 E 0.034 E +
0.17 x +
0.67 x
+ 1.78 y 0.028 x y
y
R2: 0.933874,
Surface 3
Surface 4
2
0.119 0.31 x + 0.087 x + 1.51 y
0.19 x y 0.06 y 2 + 1.47 Log ( x )

R2: 0.9148,
1.25 + 1.81 x 0.38 x 2 + 0.042 x 3 3.358

0.19 x
y + 2.125 y 2 0.292 y 3
R2 : 0.9558,
Figure 4.10. Quelques exemples possibles des rgles de la probabilit d'occurrence.
Chapitre 4-64
- 0.75 + 0.8 x + 1.2 y - 0.19 x y
0.119 0.31 x + 0.087 x 2 + 1.51 y
0.19 x y 0.06 y 2 + 1.47 Log ( x )
1.62 0.0073 E x 0.034 E y + 0.17 x +

0.67 x
+ 1.78 y 0.028 x y
y
1.25 + 1.81 x 0.38 x 2 + 0.042 x 3 3.358 y

0.19 x
y + 2.125 y 2 0.292 y 3
Chapitre 4-65
Surface 1
0.6 x + 0.6 y - 0.04 x y
R2 : 0.9127,
Surface 2
-0.0706 + 0.479 x + 0.107 x/y + 0.657 y 0.014 x y
R2 : 0.9132,
Figure 4.12. Quelques exemples possibles des rgles de lala.
Surface 1
Surface 2
Chapitre 4-66
A partir des rsultats obtenus et illustrs par les figures prcdentes, nous pouvons retenir les
rsultats suivants :
Le meilleur des quatre ajustements proposs pour la probabilit d'occurrence est le

quatrime : 1.25 +1.81 x 0.38 x2 + 0.042 x3 3.358 y 0.19 x y +2.125 y2 0.292 y3 en
raison des indicateurs mathmatique de corrlation.
Le tableau 4.1 prsente des comparaisons entre des rsultats obtenus par le croisement
dans le tableau de probabilit d'occurrence et l'utilisation des diffrentes surfaces
d'ajustements.
Pour les mmes raisons des indicateurs mathmatiques, le meilleur ajustement pour l'ala
est le premier des ajustements proposs : 0.6 x + 0.6 y - 0.04 x y. Ce rsultat est logique
car les rgles de raisonnement que nous avons utilises pour l'ala sont plus naturelles que
celles qui sont utilises pour la probabilit doccurrence.
Le tableau 4.2 prsente des comparaisons entre des rsultats obtenus par le croisement
avec les rgles du tableau de lala et l'utilisation des diffrentes surfaces d'ajustements.
Chapitre 4-67
Tableau 4.1. Comparaisons entre les rsultats de probabilit doccurrence (en considrant que
ngligeable < 1.5, 1.5 < Faible < 2.5, 2.5 < Moyenne < 3.5, et Forte > 3.5).
Probabilit
d'occurrence
par tableau
Surface 1
Surface 2
Surface 3
Surface 4
<1.5
1.5< < 2.5
1.06
2.07
0.86
2.11
0.92
2.06
1.01
1.79
2.5< <3.5
>3.5
< 1.5
1.5< < 2.5
3.08
4.09
1.67
2.49
3.31
3.82
1.63
2.52
3.06
3.95
1.71
2.65
3.33
3.86
1.80
2.39
>3.5
>3.5
1.5< < 2.5
2.5< <3.5
3.31
4.13
2.28
2.91
3.59
4.01
2.35
2.88
3.47
4.17
2.24
3.00
3.74
4.08
2.33
2.75
>3.5
>3.5
2.5< <3.5
3.54
4.17
2.89
3.804
4.14
2.91
3.63
4.13
2.78
3.89
4.04
2.86
Inactive ou
peu active
Frache
2.5< <3.5
3.33
3.07
3.34
3.08
>3.5
3.77
3.86
3.78
4.05
Active
>3.5
4.21
4.12
4.09
4.01
Sensibilit
Activit
Trs favorable
Trs favorable
Dormante
Inactive ou
peu active
Frache
Active
Dormante
Inactive ou
peu active
Frache
Active
Dormante
Inactive ou
peu active
Frache
Active
Dormante
Trs favorable
Trs favorable
Favorable
Favorable
Favorable
Favorable
Dfavorable
Dfavorable
Dfavorable
Dfavorable
Trs
dfavorable
Trs
dfavorable
Trs
dfavorable
Trs
dfavorable
Tableau 4.2. Comparaisons entre les rsultats d'ala (en considrant que ngligeable < 1.5, 1.5 <
Faible < 2.5, 2.5 < Moyen < 3.5, et Fort > 3.5).
Probabilit
d'occurrence
Intensit
Ala par
tableau
Surface 1
Surface 2
Ngligeable
Chutes de
pierres
Chutes de
blocs
boulements
boulements
majeurs
Chutes de
pierres
Chutes de
blocs
boulements
boulements
majeurs
Chutes de
pierres
Chutes de
blocs
boulements
boulements
majeurs
Chutes de
pierres
Chutes de
blocs
boulements
boulements
majeurs
<1.5
1.16
1.15
1.5< <2.5
1.72
1.72
1.5< <2.5
2.5< <3.5
2.28
2.84
2.31
2.82
1.5< <2.5
1.72
1.72
1.5< <2.5
2.24
2.23
2.5< <3.5
2.5< <3.5
2.76
3.28
2.78
3.27
1.5< <2.5
2.28
2.29
2.5< <3.5
2.76
2.73
2.5< <3.5
>3.5
3.24
3.72
3.25
3.72
2.5< <3.5
2.84
2.87
2.5< <3.5
3.28
3.24
>3.5
>3.5
3.72
4.16
3.72
4.17
Ngligeable
Ngligeable
Ngligeable
Faible
Faible
Faible
Faible
Moyenne
Moyenne
Moyenne
Moyenne
Forte
Forte
Forte
Forte
Chapitre 4-68
Un exemple d'utilisation des surfaces d'ajustement

Le tableau 4.3 montre quelques exemples de l'utilisation des rgles de croisement ainsi que du
raisonnement par les surfaces d'ajustements.
Tableau 4.3. Exemples d'utilisation des surfaces d'ajustements (en considrant que ngligeable < 1.5,
1.5 < Faible < 2.5, 2.5 < Moyen < 3.5, et Fort > 3.5).
Sensibilit
Activit
Intensit
Trs
favorable
Favorable
Dormante
Trs
favorable
Trs
dfavorable
Favorable
Frache
Chutes de
blocs
Chutes de
pierres
boulements
Dfavorable
Trs
dfavorable
Dfavorable
Frache
Active
Inactive ou
peu active
Active
Frache
Dormante
boulements
majeurs
Chutes de
blocs
Chutes de
pierres
boulements
boulements
majeurs
Probabilit
Probabilit
d'occurrence d'occurrence
(par tableau) (par surface 4)
Ngligeable
1.01
(ngligeable)
Forte
3.74
(forte)
Moyenne
3.33
(moyenne)
Forte
4.01
(forte)
Faible
2.39
(faible)
Forte
4.05
(forte)
Forte
4.05
(forte)
Faible
2.33
(faible)
Ala (par
tableau)
Ala (par
surface 1)
Faible
1.73
(faible)
2.69
(Moyen)
3.39
(Moyen)
4.16
(Fort)
2.44
(faible)
2.87
(moyen)
3.74
(fort)
3.43
(moyen)
Moyen
Moyen
Fort
Faible
Moyen
Fort
Moyen
Chapitre 4-69
Interprtation des rsultats

L'ajustement par des surfaces des rgles de croisement semble donc pouvoir donner des
rsultats satisfaisants, en particulier lorsque les rgles de croisement sont naturelles, ce qui
permet denvisager un raccordement assez simple. Si les rgles sont arbitraires, il est difficile
de trouver une surface qui convienne parfaitement et cela conduit des diffrences entre les
rsultats donns par les rgles et ceux obtenus par les fonctions mathmatiques dajustement.
Bien sr, lintrt de travailler avec des fonctions mathmatiques est de rendre beaucoup plus
simple la programmation de la mthode de raisonnement qui conduit des donnes au rsultat
final qui est lala. Ce point deviendra fondamental, en particulier, quand nous introduirons le
calcul par simulation ou par logique floue. Par contre, cela soulve la difficult de la
recherche dune surface qui traduise convenablement les rgles de raisonnement exprimes
par les experts, mais quand le raisonnement est simple et naturel (ce qui est souvent
souhaitable), cette difficult est en principe facilement leve.
Dun point de vue mthodologique, lutilisation des tableaux de croisement ou des fonctions
mathmatiques ne change pratiquement rien. Les tableaux de raisonnement sont plus lisibles
et traduisent directement lavis dexpert ou le choix de dcision, les formules sont plus
pratiques pour le calcul, mais elles cachent le sens de la dcision.
Chapitre 4-70
4.3. Solution la variabilit des donnes

La simulation de Monte-Carlo est un moyen qui vient immdiatement lesprit pour
surmonter les problmes de variabilit des donnes ou dincertitude sur les donnes.
Pour tre capable de faire ce type de simulation, il faut connatre la loi de distribution des
paramtres, puis gnrer des nombres alatoires suivant cette loi de distribution. Des jeux de
valeurs sont ensuite tirs au hasard pour chaque paramtre, et chaque fois, l'analyse est faite
comme si les valeurs gnres taient des valeurs relles mesures par l'ingnieur sur le
terrain. Connatre les lois statistiques de chaque paramtre, cest connatre, par exemple, la
moyenne et lcart-type pour les lois normales, la valeur minimale et la valeur maximale pour
les lois uniformes, etc, selon les lois de distribution envisages.
Chapitre 4-71
4.3.1. Traitement de la variabilit des donnes par simulation

Nous avons essay d'appliquer le concept de simulation Monte-Carlo sur les paramtres et les
rgles du site de Pontoise, de la faon suivante :
Nous avons propos l'ingnieur d'observer la tendance de chaque paramtre sur le site.
Une loi uniforme peut tre propose avec un minimum et un maximum, ou bien une loi
normale avec une valeur minimale et une valeur maximale correspondant une
probabilit de 95%. La figure 4.14. illustre ces deux approches. Nous avons propos ces
deux lois seulement faute dinformation supplmentaire sur la vritable rpartition des
valeurs possibles pour les paramtres mesurs. Il est bien vident que lutilisation dautres
lois ne poserait aucune difficult pratique particulire.
En ce qui concerne la sensibilit, chaque paramtre qui intervient dans sa dfinition est
remplac par une distribution. L'ingnieur choisit une classe minimale, une classe
maximale, et une distribution statistique. La figure 4.15. montre un dialogue du
programme que nous avons ralis cette intention. En simulant des indices de ces
classes, nous pouvons calculer la sensibilit. Nous avons ralis 1000 simulations pour
chaque paramtre, et les rsultats sont rassembls sous la forme d'histogrammes. La figure
4.16. montre l'histogramme d'une sensibilit dans un cas typique.
Pour l'activit et l'intensit, une simulation directe sur les indices est ralise. Par contre,
pour les classer pour le croisement, nous avons dfini de nouvelles limites de classes.
Cette procdure est illustre par le tableau 4.4.
En appliquant ces nouvelles limites de classes, nous pouvons, pour chaque simulation
obtenir une classe de la probabilit d'occurrence et de lala. Ces valeurs sont rassembles
sous forme d'histogrammes. La figure 4.17. prsente un histogramme d'ala obtenu par
simulation.
Chapitre 4-72
95% du
surface
.
.
.
.
.
Figure 4.14. La loi normale et la loi uniforme.
Pas de Fracturation PF
Minimum
Maximum
>2 m
0,2 - 0,6 m
Loi Uniform
Loi Normale
Ecartement et rugosit des joints

Minimum
E ferm, surface rugueuse pas altre
Maximum
E>5 mm continue, remplissage argileux
Loi Uniform
Loi Normale

Minimum
Sches
Maximum
Direction structurale par rapport du front

Minimum
Maximum
<
Loi Uniform
Loi Normale
Loi Uniform
Loi Normale
Inclination des fissures par rapport au front

Minimum
+ -+
Maximum
Loi Uniform
Loi Normale
--
Figure 4.15. Remplacement des paramtres de la sensibilit par des distributions statistiques.
Tableau 4.4. Nouvelles limites de classes de l'activit et de lintensit.

Note obtenue
par simulation
d'activit
0 ~ 0.99
1 ~ 1.99
2 ~ 2.99
3~4
Classe
Dormante
Frache
Active
Note obtenue par

simulation
d'intensit
0 ~ 0.99
1 ~ 1.99
2 ~ 2.99
3~4
Classe
Chutes de pierres
Chutes de blocs
boulements
boulements majeurs
Chapitre 4-73
Frquince
Frquence
Trs favorable
Favorable
Dfavorable
Trs dfavorable
Figure 4.16. Un histogramme de sensibilit
Frquence
Frquince
% cumul
,
Ngligeable
Faible
Moyen
Fort
Figure 4.17. Histogramme d'ala aprs 1000 simulations.
Chapitre 4-74
%
%

La simulation Monte-Carlo facilite la prise en compte des effets du hasard sur la mesure des
paramtres ou les effets de la variabilit des mesures. Ce type de simulation ncessite la
connaissance des lois de distributions de chaque paramtre, connaissance qui est rarement
disponible
Les rsultats de ce type de simulation, tels les histogrammes, montrent clairement la tendance
des rsultats.
Dans lanalyse de lala mouvement de terrain des terrains, l'applicabilit de cette approche
est confronte quelques contraintes :
Les lois de distribution de chaque paramtre sont rarement accessibles.
Pour les variables qualitatives, comme par exemple, les variables de l'activit, la
simulation de Monte-Carlo n'est pas du tout adapte car nous faisons une simulation sur
les indices, ce qui na pas beaucoup de sens sauf de traduire une forme dincertitude que
peut avoir celui qui effectue le relev dans le choix de telle ou telle classe.
Le problme des limites de classes est toujours prsent, et les jeux de hasard ne rsolvent
pas ce problme la base.
Pour le raisonnement, nous sommes obligs de dfinir de nouvelles rgles de classement

pour la probabilit d'occurrence, ce qui accentue le problme de limite des classes.
Chapitre 4-75
4.3.2. Problme des limites de classes avec des donnes

variables traites par simulation
Quand on traite des donnes variables par simulation, le problme des limites de classes ne se
pose plus de faon aussi aigu. Pour le montrer, nous avons ralis deux simulations : lune
dans laquelle le traitement est classique, fond sur le raisonnement par tableau ; lautre, dans
laquelle le raisonnement par tableau est remplac par une formule analytique de rgression
(sous-chapitre 4.2.2.).
Les figures 4.18 et 4.19 prsentent les histogrammes produit par l'utilisation de ces deux
approches avec les mmes jeux de donnes.
On constate que les deux approches fournissent sensiblement les mmes rsultats (le
problme des limites de classes ne se pose plus). Par contre, lutilisation des formulations
analytiques en lieu et place des tableaux, permet de donner un rsultat qui contient plus
dinformation grce une chelle continue (prsente sur la figure 4.19. par un histogramme).
Chapitre 4-76
Frquence
Ngligeable
Faible
Moyen
Fort
ou plus...
Ala
Figure 4.18. Histogramme d'ala aprs 1000 simulations. raisonnement par tableaux
Frquence
Moyen
Faible
Fort
...
,
,
pl
us
ou
Ala
,
,
,
,
Ngligeable
Figure 4.19. Histogramme d'ala aprs 1000 simulations calculs par les quations analytiques
Chapitre 4-77
4.3.3. Conclusion du chapitre

Au regard de la bibliographie, nous avons not que trois systmes de classifications sont
particulirement bien rpandus en gotechnique : le RMR, le Q-System et le SMR. Parmi ces
trois, le RMR (ou le SMR qui en est une variante pour les talus mais na pas encore le statut
de standard) est certainement le plus utilis. Cela nous permet de lenvisager comme moyen le
plus gnral permettant de dcrire ce quon dsigne par Sensibilit dun site. Mais dans des
cas spcifiques, ou avec une connaissance particulire ou pointue du site tudi on pourra,
bien entendu, utiliser nimporte quelle autre formulation pour dfinir la sensibilit.
Le problme des limites de classes apparat dans tous les systmes de classification standard
et il nous parat important de chercher surmonter ce problme. Nous pensons que la logique
floue est un moyen pour cela, ce que nous exposerons par la suite.
Nous avons trouv que la simulation Monte-Carlo n'est pas adapte pour ce type d'analyse qui
comporte la fois des paramtres qualitatifs et quantitatifs, et que pour mettre en uvre ce
type de mthode dans les croisements de tableaux, nous devons faire des hypothses que lon
ne peut pas vrifier ni statistiquement ni physiquement.
Une solution pour ce problme de classement consisterait travailler avec des fonctions
remplaant les classes comme expos prcdemment, mais cette solution reste confronte
lexistence des variables qualitatives qui savrent dlicates traiter.
Chapitre 4-78
UNE APPROCHE COMPLTE :

LA LOGIQUE FLOUE
5. Une approche complte : La logique floue
Dans le fonctionnement de l'esprit humain, les incertitudes sont particulirement

remarquables, par exemple dans les fonctions de reconnaissance et de raisonnement. La
capacit d'tablir des classes d'lments de la nature ayant des proprits analogues est trs
naturelle chez l'homme. Il sait connatre un chien, dterminer l'ge approximatif d'un individu
en l'observant. Il sait aussi rendre compte de donnes vagues Large ouverture, imprcises
de 3 5 m, soumises des erreurs 100 MPa 3% prs, mal dfinies massif altr,
dont la validit n'est pas absolue dans 85% des cas, soumises une incertitude trs
probable. Il est tout aussi naturel l'homme de traiter des donnes affectes d'incertitude,
inhrentes l'univers ou dues sa mconnaissance de certains facteurs, que d'utiliser des
critres subjectifs, donc imprcis. Bouchon [93].
Le souci d'automatiser ou d'assister de faon automatique les actions humaines, naturellement
empiriques et empreintes d'imprcisions, dans le cadre d'une aide la dcision ou du
diagnostic par exemple, renforce l'intrt des scientifiques pour l'approche floue et justifie son
intense dveloppement au cours de ces dernires annes. Bouchon [95]
C'est pour les possibilits quelle offre de grer lincertitude et limprcision, que nous nous
sommes intresss la logique floue.
Mais, avant de prsenter les dveloppements mathmatiques et informatiques que nous avons
raliss, il nous parat ncessaire d'expliquer en dtail les concepts et la thorie de base de
cette logique.
Chapitre 5-81
5.1. La logique floue

La logique floue suscite actuellement un intrt gnral de la part de tous ceux qui prouvent
le besoin de formaliser des mthodes empiriques, de gnraliser des modes de raisonnement
naturels, d'automatiser la prise de dcision dans leur domaine, de construire des systmes
artificiels effectuant les tches habituellement prises en charge par les humains.
Les connaissances dont nous disposons sur une situation quelconque sont gnralement
imparfaites, soit parce que nous avons un doute sur leur validit, soit parce que nous
prouvons une difficult les exprimer clairement, elles sont alors imprcises. Bouchon [93].
Une raison principale de l'imperfection des connaissances concerne l'obtention de ces

connaissances partir du rel, qui comporte une tape d'observation par des
intermdiaires instrumentaux ou humains, gnralement soumis des erreurs, des
incertitudes, et une tape de reprsentation, que ce soit par le langage naturel ou par des
nombres avec une prcision fixe. L'observation et la reprsentation entranent une perte
d'information par rapport au systme lui-mme. Ce type d'imprcisions rsulte lui-mme
de l'une ou l'autre des causes suivantes :
1. Les incertitudes peuvent correspondre un doute de la validit d'une connaissance.
Elle peut provenir d'une fiabilit relative de l'intermdiaire d'observation, peu sr de
lui ou susceptible de commettre des erreurs ou de donner intentionnellement des
informations errones ou encore d'une difficult dans l'obtention ou la vrification de
la connaissance.
2. Les incertitudes peuvent aussi correspondre une difficult dans l'nonc de la
connaissance, quand, par exemple, les termes du langage naturel utiliss pour qualifier
une caractristique du systme sont vagues. C'est le cas lorsque la connaissance est
exprime dans des termes tels que : Grande ouverture, proche de la surface, etc. Ce
type d'incertitude peut galement rsulter de l'insuffisance des instruments
d'observation : La taille des grains est comprise entre 5 et 7 mm.
3. Il y a aussi les incompltudes qui sont des absences de connaissances ou des
connaissances partielles sur certaines caractristiques du systme. Elles peuvent tre
Chapitre 5-82
dues l'impossibilit d'obtenir certains renseignements ou des difficults

quelconques au moment de l'acquisition de la connaissance. Elles peuvent tre aussi
associes l'existence de connaissances gnrales sur l'tat d'un systme,
habituellement vraies mais soumises des exceptions que l'on ne peut pas numrer
ou prvoir gnralement, nous n'avons pas besoin d'un dispositif de soutnement
pour une ouverture dans un massif volcanique, sauf s'il est Ces deux types
d'imperfection dans les connaissances n'ont cependant pas eu la mme importance
dans les proccupations des scientifiques.
En ce qui concerne l'incertain, il a t abord par la notion de probabilit ds le XVIIe sicle
par Pascal et Fermat. Cependant, celle-ci ne permet pas de traiter des croyances subjectives
comme on a longtemps pens qu'elle pouvait le faire, ni de rsoudre le problme pos par les
connaissances imprcises ou vagues.
Le deuxime type d'imprcision n'a t prise en considration qu' partir de 1965, lorsque
L.A. ZADEH, professeur l'Universit de Californie Berkeley, a introduit la notion
d'ensemble flou Fuzzy set, partir de l'ide d'appartenance partielle une classe, de
catgorie aux limites mal dfinies, de gradualit dans le passage d'une situation une autre,
dans une gnralisation de la thorie classique des ensembles, admettant des situations
intermdiaires entre le tout et le rien. Les dveloppements de cette notion fournissent des
moyens de reprsenter et de manipuler des connaissances imparfaitement dcrites, vagues ou
imprcises et ils tablissent une interface entre des donnes dcrites symboliquement (avec
des mots) et numriquement (avec des chiffres). La logique floue conduit raisonner sur de
telles connaissances. La thorie des possibilits qui a t introduite en 1978, galement par
L.A. ZADEH, constitue un cadre permettant de traiter des concepts d'incertitude de nature
non probabiliste. Lorsqu'elle est considre partir de la notion d'ensemble flou, la thorie des
possibilits constitue un cadre permettant d'exploiter, dans un mme formalisme, imprcisions
et incertitudes.
Un nombre important de scientifiques se sont intresss trs tt cette nouvelle thorie. La
logique floue et la thorie des possibilits se sont dveloppes depuis la fin des annes 60,
aussi bien en Europe qu'aux tats-Unis, en Chine et au Japon. Les premires ralisations de
commandes floues de processus industriels sont ainsi apparues en Europe au dbut des annes
Chapitre 5-83
70 et la mthode dveloppe a t transforme par les Japonais au dbut des annes 80 en

succs industriels.
La logique floue impose une standardisation de la signification des descriptions du systme
tudi exprimes linguistiquement tat d'altration du massif par exemple, ce qui peut
sembler rducteur par rapport une utilisation purement symbolique des descriptions
linguistiques. La logique floue prsente nanmoins l'avantage de permettre le passage de la
description d'un expert ou d'un observateur un autre et la mise au point d'une standardisation
consensuelle en cas de divergence de signification entre deux individus.
Insistons ici sur le fait que la logique floue est le seul cadre dans lequel puissent tre traites
des incertitudes qui ne peuvent l'tre par des modles ou des mthodes statistiques,
imprcisions qui ne peuvent pas tre traites par des modles statistiques, et qui autorise
galement le traitement de certaines incompltudes. C'est aussi le seul cadre dans lequel
puissent tre traites des connaissances numriques et des connaissances exprimes
symboliquement par des qualifications du langage naturel. Bouchon [95]
Aujourd'hui, le terme logique floue a deux acceptions :
La premire correspond tous les dveloppements concernant la thorie des possibilits.
La deuxime est une extension de la logique classique, dans le but de raisonner sur des
connaissances imparfaites par l'utilisation des - coupes et des rgles de raisonnement de
type flou.
L'utilisation de la logique floue que nous avons faite au cours de ce travail de thse s'inscrit
dans le cadre de la deuxime acception.
Chapitre 5-84
5.1.1. Ensembles et Sous-ensembles flous

La notion de sous-ensembles flous a pour but de permettre des gradations dans l'appartenance
d'un lment une classe, c'est--dire d'autoriser un lment appartenir plus ou moins une
classe prdfinie, plus la largeur d'une galerie se rapproche de 10 m, plus son appartenance
la classe des grandes galeries est forte. Cette notion permet l'utilisation de catgories
aux limites mal dfinies Large, de situations intermdiaires entre le tout et le rien presque
ouvert, le passage progressif d'une proprit une autre passage de peu profond
profond, l'utilisation de valeurs approximatives environ 12 mtres.
Cette prsentation vite l'utilisation arbitraire de limites rigides des classes et rpond au
besoin de prsenter des connaissances imprcises, soit parce qu'elles sont exprimes en
langage naturel on utilise aussi le terme variable linguistique, soit parce qu'elles sont
obtenues avec des instruments d'observations qui produisent des erreurs de mesure. Il serait
ainsi aberrant, pour reprendre les exemples voqus, de considrer qu'un massif rocheux de
RMR gal 75 est bon, mais qu'un massif de RMR gal 74 ne l'est pas. Ou qu'un individu
de 1,78 m est grand, mais qu'un individu de 1,775 m ne l'est pas.
La notion de sous-ensembles flous permet, dans ce contexte de traiter :
des catgories aux limites mal dfinies roche dure,

des situations intermdiaires entre le tout et le rien le massif est presque stable,
le passage progressif d'une proprit une autre de proche de la surface,
des valeurs approximatives environ 3m,
des classes en vitant l'utilisation arbitraire de limites rigides.
Le concept de sous-ensembles flous constitue un assouplissement de celui de sous-ensemble

d'un ensemble donn. On parle souvent d'ensemble flou et non de sous-ensemble flou, par
abus de langage conformment la traduction du terme original de fuzzy set.
Chapitre 5-85
Dfinition
tant donn un ensemble de rfrence X, on peut indiquer les lments de X qui
appartiennent une certaine classe de X et ceux qui n'y appartiennent pas. Cette classe est
alors un sous-ensemble de X. Si l'appartenance de certains lments de X une classe n'est
pas absolue, on peut indiquer avec quel degr chaque lment appartient cette classe. Celleci est alors un sous-ensemble flou de X. Bouchon [93]
Dfinition d'un sous-ensemble flou

Un sous-ensemble flou A de X est dfini par une fonction d'appartenance qui associe chaque
lment x de X, le degr mA(x), compris entre 0 et 1, avec lequel x appartient A :
mA
: X [0,1]
[9]
A = [ x , m A ( x )] x A, et A X
[10]
Le sous-ensemble flou A est un sous-ensemble classique de X dans le cas particulier ou mA ne

prend que des valeurs gales 0 ou 1. Un sous-ensemble classique est donc un cas particulier
de sous-ensembles flous.
La figure 5.1 montre les relations entre un ensemble flou et ses sous-ensembles.
Appart enance mx
.
Forte
.
.
Faible
Moyenne
Rsistance
Figure 5.1. Les sous-ensembles Faible, Moyenne et Forte de l'ensemble flou Rsistance la
compression simple en MPa.
Chapitre 5-86
Reprsentation des sous-ensemble flous

Un sous ensemble flou A de X est dcrit par les lments de son domaine avec les degrs
dappartenance de chacun de ses x. Par exemple, les sous-ensembles Proche et Moyen de
l'ensemble flou Distance peuvent tre reprsents comme :
Proche = 0/1 | 200/1 | 400/0
[11]
Moyen = 200/0 | 400/1 | 500/1 | 600/0
[12]
Un sous-ensemble peut tre reprsent graphiquement par un trapze ou une fonction plus
complexe. La figure 5.2. prsente deux formes de reprsentation.
Figure 5.2. Deux formes de reprsentation pour le mme sous-ensemble flou
On peut dfinir une fonction d'appartenance trapzodale l'aide de paramtres rels a, b, c, d

par :
0
x
a
+ (1 )
c
f A( x )= c
1
x
b
+ (1 +
d
d
si x a c ou si x b + d
si a c < x < a
si a x b
)
[13]
si b < x < b + d
Si a = b, la courbe est triangulaire. Dans le cas d'une fonction par exemple, la fonction
d'appartenance peut tre la suivante :
Chapitre 5-87
f A( x )=
a
b a
2a
2a
( x a )a ( b x ) b
[14]
o a et b sont le minimum et le maximum de l'univers de la fonction fA(x)

a
et b sont des constantes (2.42 selon Juang et al. [91]).
Il n'existe pas de rgles gnrales pour le choix entre ces formes de reprsentation. La
reprsentation par trapze est facile construire et manipuler, et elle vite toute ambigut
avec la reprsentation de la densit de probabilit de distributions statistiques. Nous pensons
donc qu'il est prfrable d'utiliser une prsentation sous forme de trapzode pour la
reprsentation d'un sous-ensemble flou.
Chapitre 5-88
Dfinition et proprit des a -coupes associes un sous-ensemble flou

Les -coupes constituent le moyen le plus utilis pour effectuer des calculs sur les sousensembles flous.
tant donn le sous-ensemble flou A de l'ensemble de rfrence X, on choisit un seuil entre
0 et 1. On construit le sous-ensemble ordinaire A de X associ A pour ce seuil, en
slectionnant tous les lments de X qui appartiennent A. Une -coupe de A est dfinie par :
Aa = { x X / f A ( x ) a } et telle que :
X A ( x ) = 1 si et seulement si f A ( x ) a
[15]
La figure 5.3 illustre le concept des -coupes.

La suite de toutes les -coupes d'un sous-ensemble flou A le reprsente compltement. De
faon image, on peut dire qu'il est coup en tranches et qu'en possdant toutes les tranches,
on en possde toute la substance.
: 50 ~ 65
0.75
0.75
a
0.5
a
0.25
a
0
0
10
20
30
40
0.5
: 22.5 ~ 58.8
: 20 ~ 67.5
0.25
: 17.5 ~ 77
: 25 ~ 70
50
60
70
80
90 100
Figure 5.3. Un sous-ensemble flou coup en 5 -coupes
Chapitre 5-89
Oprations sur les sous-ensembles flous

La compatibilit des oprations sur les ensembles flous avec les oprations de la thorie
classique des ensembles permet de vrifier que, pour tous les sous-ensembles flous A et B de
X, et pour tout niveau de [0, 1], il revient au mme d'effectuer des oprations floues sur A et
sur B, puis de construire les -coupes, ou de chercher d'abord les -coupes de A et B et
d'effectuer ensuite sur ces -coupes les oprations classiques correspondantes. Bouchon [95].
Donc, pour appliquer les oprations mathmatiques de base, nous pouvons les appliquer sur
les sous-ensembles flous ou utiliser les notions des calculs d'intervalles pour les -coupes.
Voici par exemple les oprations union et intersection appliques aux sous-ensembles flous et
illustres par la figure 5.4 :
L'union de deux sous-ensembles A et B, note A B, est dfinie par :
A B
( x ) = [ m A ( x ) m B ( x )] = max[ m A ( x ), m B ( x )]
[16]
L'intersection entre deux sous-ensembles A et B, note A B, est dfinie par :
A B
( x ) = [ m A ( x ) m B ( x )] = min[ m A ( x ), m B ( x )]
[17]
Avec les -coupes on peut donc crire :

(A B) a = Aa B a
[18]
(A B) a = Aa B a
[19]
Si A B alors Aa B a
[20]
Chapitre 5-90
Union
.
.
Intersection
.
Figure 5.4. Union et Intersection des deux sous-ensembles flous
Le tableau 5.1. prsente les diffrentes oprations classiques et leurs correspondances sur les
intervalles et la figure 5.5. prsente la division de deux nombres flous par l'utilisation de leurs
-coupes.
Tableau 5.1. Les oprations classiques sur les intervalles (a,b), et (c,d)
Opration
-
1
d
E
Log
+
-
Rsultat
(-b, -a)
1 1
,
b a
(ea, eb)
(log a, log b)
(a+c, b+d)
(a-d, b-c)
(a c, b d)
(a d, b c)
(b c, a d)
(b d, a c)
a b
,
d c
a b
,
c d
b a
,
d c
b a
,
c d
(ac, bd)
(bc, ad)
(ad, bc)
(bd, ac)
Conditions
>0
<0
>0
>0
> 0, > 0
< 0, >0
> 0, < 0
< 0, < 0
>0
>0
<0
>0
>0
<0
<0
<0
d [1, ), e >
0
d [1, ), e < 0
d [0,1], e > 0
d [0,1], e < 0
Chapitre 5-91
a :
a :
.
.
. ~
a :
. ~
a :
. ~
=
a : .
~
a
: .
.
.
: .
: .
~ .
~ .
a : .
.
~ .
~ .
.
Figure 5.5. La division de deux nombres flous par l'utilisation de leurs -coupes.
Chapitre 5-92
.
.
Les calculs sur les sous-ensembles flous par la simulation de Monte-Carlo

Contrairement aux mthodes classiques de calcul sur les sous-ensembles flous soit par les coupes soit par les calculs de la thorie des ensembles, Juang et al. [91], [92], [92-1], ont
propos une autre approche pour effectuer les calculs complexes sur les sous-ensembles flous.
Cette approche utilise les concepts de la simulation de Monte-Carlo comme elle a t
explique auparavant.
Juang et al. proposent de remplacer chaque sous-ensemble flou par une courbe -M
reprsente graphiquement droite sur la figure 5.2, et mathmatiquement par :
1
f A( x )=
a
b a
2a
2a
( x a )a ( b x ) b
[21]
o a et b sont le minimum et le maximum de l'univers de la fonction fA(x)

a
et b sont des constantes (gale 2.42 selon juang et al. [91]).
Ds que les sous-ensembles flous sont remplacs par des courbes -M, la simulation classique
de Monte-Carlo peut tre effectue sur ces sous-ensembles, et les rsultats finaux sont ajusts
sur une courbe -M qui constitue le rsultat de l'analyse ( condition que les oprations ne
conduisent pas un rsultat ayant une forme sensiblement diffrente de celle dune courbe ).
Cette mthodologie l'avantage dtre bien dfinie et vrifie scientifiquement. Mais le
dsavantage est quelle impose une forme unique des nombres flous qui n'est pas toujours
acceptable.
5.1.2. Variables linguistiques

Toutes les variables que l'on considre, en physique ou en conomie, par exemple, prennent
une valeur unique de leur ensemble de dfinition X dans une situation donne. Nanmoins, les
conditions d'observations ne permettent pas toujours de connatre parfaitement cette valeur
Chapitre 5-93
unique. Donc, une variable linguistique sert modliser les connaissances imprcises ou
vagues sur une variable dont la valeur prcise peut tre inconnue.
Pour reprsenter ces variables linguistiquement, nous pouvons utiliser des sous-ensembles
flous. Ces sous-ensembles flous tant qualifis sur une situation donne, nous donnons une
reprsentation des variables linguistiques suivant le schma expliqu par la figure 5.6.
Variables
Linguistiques
Qualification
Figure 5.6. Les sous-ensembles flous et les variables linguistiques
Une variable linguistique est un triplet (V, X, Tv), dans lequel V est une variable dfinie sur
un ensemble de rfrence X. L'ensemble Tv = {A1, A2, }, fini ou infini, contient des sousensembles flous normaliss de X, utilisables pour caractriser V. Selon l'utilisation qui doit
tre faite, le nombre d'lments de Tv est plus ou moins grand. La figure 5.7. illustre une
variable linguistique (V, X, Tv) utilise pour dcrire le dimensionnement d'un pilier
Immense
Grand
Moyen
Petit
Trs petit
souterrain.
V = Dimensionnement,
Tv= {Trs petit, Petit, Moyen, Grand, Immense}
Figure 5.7. Variable linguistique (V, X, Tv) dcrivant le dimensionnement d'un pilier en mtre.
Chapitre 5-94
5.1.3. Raisonnement approximatif

Il est toujours possible d'essayer de faire aussi bien que l'tre humain en disposant de mesures
prcises fournies par des capteurs et en utilisant les lois de la physique. Il faut cependant
penser que toutes les mesures sont soumises des imprcisions, et que le monde naturel est
trop complexe pour qu'il soit possible de prendre en compte toutes ses composantes. Il est
donc ncessaire de passer par des descriptions approximatives de son tat. De plus, certaines
situations ne sont pas connues par l'intermdiaire de capteurs, soit parce que les variables de
description mises en jeu ne sont pas numriques, soit parce que l'tat du monde est tel, qu'il
n'est pas possible de disposer de telles mesures.
Le raisonnement approximatif a t introduit par Zadeh [75]. Il a servi au raisonnement sur
des connaissances pour lesquelles des caractrisations rigides n'auraient pas de signification,
en particulier celles qui sont exprimes en langage naturel. La logique floue peut tre regarde
comme une approche du raisonnement des tres humains. Par exemple, le rgle si le prix est
infrieur a 600 francs, j'achte sera intuitivement utilisable si le prix est de 601 francs, mais
elle ne pourrait tre exploite en logique classique puisque le prix indiqu ne satisferait pas la
prmisse.
Contrairement aux logiques classiques dans lesquelles les rgles de raisonnement sont
values en srie, la logique floue permet d'valuer en parallle toutes les rgles de
raisonnement la fois, Cox [94]. Les rgles de type flou peuvent tre reprsentes par des
tableaux plusieurs dimensions, comme le montre le tableau 5.2. ou bien graphiquement, la
figure 5.8.
Tableau 5.2. Tableau de raisonnement flou deux dimensions

er
1 classe
e
2 classe
e
3 classe
e
4 classe
1er classe
Premire
Premire
Deuxime
Deuxime
2e classe
Premire
Deuxime
Deuxime
Troisime
3e classe
Deuxime
Deuxime
Troisime
Quatrime
4e classe
Deuxime
Troisime
Quatrime
Quatrime
Chapitre 5-95
Figure 5.8. Prsentation graphique des rgles de raisonnement flou suivant le tableau 5.2
La figure 5.9. illustre le mcanisme de raisonnement approximatif dans lequel, un certain

nombre de rgles dites propositions sont values en parallle. Chaque sous-ensemble
flou d'une variable linguistique est modifi par son modificateur linguistique trs, peu,
etc. , le rsultat est un sous-ensemble flou de la variable linguistique du rsultat. Pour trouver
une esprance unique du rsultat, nous pouvons passer par une mthode de dfuzzyfication.
Chapitre 5-96
Modificateurs
Rgle 1
Composition
(Raisonnement)
Dcomposition
(Dfuzzyfication)
Rgle 2
Rgle n
Valeur
Variable linguistique
Figure 5.9. Mcanisme de raisonnement approximatif
Chapitre 5-97
Raisonnement monotone (proportionnel)

Ce type de raisonnement est appliqu sur des rgles de raisonnement comme :
Si X est Y, alors Z est W
[22]
o X et Z sont des variables linguistiques, Y et W sont des sous-ensembles flous de

ces variables. Cox [94].
Cette forme de raisonnement est pratique en suivant l'algorithme suivant :
Pour chaque lment x de Y, trouvez son appartenance my(x).
Dans W, trouvez la valeur z qui correspond aux appartenances my(x).
Il est crit mathmatiquement sous la forme de :

z = f((x, Y), W)
[23]
Zw = f(my(x), Dw)
[24]
Et il est reprsent graphiquement par la figure 5.10
.
.
.
.
.
.
.
.
Figure 5.10. Raisonnement monotone.
Chapitre 5-98
Raisonnement par infrence compose

Contrairement au raisonnement monotone, le raisonnement par infrence permet de raisonner
l'aide de plusieurs rgles composes, et des variables linguistiques expliquent les tats des
systmes, nous pouvons raisonner et valuer les rsultats. En effet toutes les rgles floues sont
values en parallle. Pour effectuer ce type de raisonnement, il y a deux mthodes
principales intitules la mthode du Min-Max, et la mthode additive. Cox [94].
La mthode d'infrence Min-Max

La mthode Min-Max se dcompose en deux tapes : pour chaque rgle applique, le
minimum de degr d'appartenance est retenu dans le rsultat. Par contre, si plusieurs rgles
donnent un mme rsultat, le maximum de ces rsultats est retenu. Cox [94]. Ces oprations
sont expliques par :
m rsultat
= Min(mx1, mx2)
m rsultat finale
= Max (mrsultat1, mrsultat2, mrsultat n)
[25]
[26]
La figure 5.13 illustre ce type de raisonnement.
Chapitre 5-99
PRESSION
Min
Max
0.68
ACTION
0.32
+
TEMPERATURE
Basse lev
--
0.58
--
0.32 0.42
0.58
0.42
Si PRESSION est Minimale et TEMPERATURE

Si PRESSION est Minimale et TEMPERATURE
Si PRESSION est Maximale et TEMPERATURE
Si PRESSION est Maximale et TEMPERATURE
m+ = Min(m0.68,
m0 = Min(m0.68,
m0 = Min(m0.32,
m-- = Min(m0.32,
m0Finale
est Basse alors ACTION est Positive (+)

est leve alors ACTION est Zro (0)
est Basse alors ACTION est Positive (0)
est leve alors ACTION est Ngative(-)
m0.58)
m0.42)
m0.58)
m0.42)
= m0.58
= m0.42
= m0.32
= m0.32
m+Finale = m0.58
= Max(m0.42, m0.32) = m0.42
m--Finale = m0.32
Figure 5.11. Raisonnement approximatif par la mthode Min-Max
Chapitre 5-100
La mthode additive d'infrence

Contrairement la mthode Min-Max, le rsultat final d'infrence est le minimum entre un
1, et l'addition de toutes les appartenances individuelles, Cox [94]. Cette mthode est
reprsente par :
m rsultat
= Min(mx1, mx2)
m rsultat finale
[27]
= Min (1, mrsultat1 + mrsultat2 + mrsultat n)
[28]
La figure 5.12. illustre le rsultat de cette mthode applique sur les mmes sous-ensembles
flous que ceux montrs sur la figure 5.11. et en utilisant les mmes rgles d'infrences.
En comparant les figures 5.11. et 5.12. il est clair que la mthode additive exagre les
rsultats, surtout si nous rencontrons plusieurs cas pour lesquels nous devons ajouter les
appartenances.
PRESSION
Min
Max
0.68
ACTION
0.32
-+
TEPERATURE
Basse lev
--
0.58
0.32 0.42
0.58
0.42
m0Finale
m+Finale = m0.58
= Min(1, m0.42 + m0.32) = m0.74
m--Finale = m0.32
Figure 5.12. Raisonnement approximatif par la mthode additive.
Chapitre 5-101
Raisonnement avec une entre floue

Nous avons illustr les mthodes de raisonnement monotone, min-max et additive sur un cas
o l'entre est une valeur unique. Quand l'entre est aussi un nombre flou, nous pouvons
rduire ce nombre une valeur unique pour appliquer le raisonnement par la mthode minmax ou la mthode additive, mais dans ce cas, nous perdons beaucoup d'information sur la
variabilit des nombres comme il est illustr sur la figure 5.13.
Terano et al. [89], dans son ouvrage intitul Applied Fuzzy Systems a prsent une approche
de raisonnement flou dont les entres sont des nombres flous. Cette approche a t applique
par Dutta [93]. Cette mthode propose de raisonner sur l'intersection entre l'entre sous forme
de nombre flou et les variables linguistiques et a t propose pour un raisonnement de type
monotone. Cette mthodologie est illustre par la figure 5.14.
Linconvnient de ce type de raisonnement est quil ne tient compte que de la valeur
maximale d'un nombre flou aprs l'intersection avec les classes standard. A titre dexemple, la
figure 5.15 prsente deux nombres flous diffrents que cette mthodologie de raisonnement
considre comme quivalents.
Figure 5.13. La rduction en une mme valeur unique partir des deux nombres flous diffrents.
Chapitre 5-102
TEMPERATURE
PRESSION
Min
Max
Basse
leve
Si la PRESSION est prsente par
Si la Pression est Min
Alors la TEMPERATURE est Basse
Si la PRESSION est Max
Alors la TEMPERATURE est leve
Si la PRESSION est
Alors la TEMPERATURE est
Figure 5.14. Raisonnement avec une entre sous forme de nombre flou daprs Terano et al. [89].
Chapitre 5-103
Figure 5.15. Deux nombres flous diffrents mais pouvant tre considrs comme quivalents si nous
utilisons la mthode de raisonnement de Terano et al. [89]
Chapitre 5-104
Mthodes de dcomposition dfuzzyfication

Aprs un raisonnement et la composition d'un rsultat flou, nous sommes souvent obligs de
dduire une valeur unique des rsultats des fins dinterprtation ou de comparaison. Cette
valeur unique peut tre obtenue l'aide des mthodes de dcomposition des nombres flous
appeles mthodes de dfuzzyfication. La dfuzzyfication est la dernire tape du
raisonnement flou. Cox [94].
Il existe plusieurs mthodes de dfuzzyfication dont nous prsentons graphiquement quelques
exemples sur la figure 5.16 qui suffisent lexplication.
Chapitre 5-105
Dfuzzyfication par centre de gravit
Dfuzzyfication par la mthode du maximum
Dfuzzyfication par le minimum plateau gauche et le maximum plateau droite.

Figure 5.16. Mthodes de dfuzzyfication.
Chapitre 5-106
5.2. Utilisation de la logique floue en mcanique des

terrains (recherche et essais historiques)
Aprs Zadeh [65] [68] [68_1] [75], et [78], le travail de dveloppement du concept et de
l'utilisation de la logique floue a t suivi par le travail d'autres auteurs travaillant sur la
logique floue et permettant la mise en valeur du raisonnement approximatif notamment :
Bellman et al. [70], Bonissone [82], Bouchon [93], Bouchon [95], Chang [69], Dutta [93],
Gupta et al. [77], Kandel [86], Nguyen [85], Wee [67], Cox [94], McNEILL et al. [94], Zadeh
et al. [75-1], Dubois et al. [80-1].
Paralllement au dveloppement de la logique floue et de sa valorisation, des scientifiques et
des ingnieurs du monde entier ont essay d'appliquer les concepts et le raisonnement par
l'approximation floue sur des cas spcifiques. La logique floue a donc investi presque tous les
domaines scientifiques et on en trouve des applications dans certains appareils
lectromnagers, en reconnaissance vocale ou en intelligence artificielle.
La mcanique des terrains fait partie des domaines concerns par le concept et le
dveloppement de la logique floue, et nous allons montrer quelques applications ayant t
envisages ou ralises.
La premire tentative d'application de la logique floue en mcanique des roches remonte
vraisemblablement 1979 par Brown [79], qui a publi un article intitul A fuzzy safety
measure dans The Journal of the American society of civil engineering. Mais ce n'est que
dans les annes 80, que l'application de la logique et du raisonnement flou a gagn l'attention
des ingnieurs et des chercheurs en mcanique des terrains. Le tableau 5.3 rsume la plupart
des travaux publis entre 1980 et aujourd'hui.
Chapitre 5-107
Tableau 5.3. Rsum de travail effectu en mcanique des roches en utilisant la logique floue.
Auteur(s) et anne
(Rao et al., [82])
Domaine d'application
Kriggage
(Kawakami et al., [84])
Cartographie des risques
(Fairhurst et al., [85])
Soutnement des tunnels
(Nguyen, [85])
Glissement de terrains
(Nguyen, [85-2])
Classification des massifs
(Nguyen et al. [85-3])
(Yao, et al., [86])
Traitement probabiliste des

vnements flous
(Wenxiu, [87])
Mouvement des massifs
(Sakura et al., [87])
Stabilit des talus
(Wang et al., [87])

(Kacewicz, [87])
Tremblement de terre
Stabilit des talus
(Juang et al., [92])
Liqufaction du sol
(Juang et al. [92-1])
Stabilit des talus
(Sui, [92])
valuation des terrains
(Doss, [92])
Tremblement de terre
Remarques
Explication d'une faon d'appliquer la thorie de la logique floue dans le kriggage avec
une synthse sur l'application dans l'exploration minire.
Application de la logique floue pour la dtermination des zones risque de glissement
de terrain base sur la hauteur, la morphologie, la pente, la densit des valles dans
une falaise, et la structure gologique.
Un essai pour qualifier le RMR par la logique floue ayant pour but de dduire un
systme permettant de connatre la dure de stabilit d'une galerie sans soutnement
artificiel.
Application de la logique floue pour la dtermination des zones risque de glissement
du terrain base sur la pente, les prcipitations, l'histoire du site, la limite de
cisaillement du massif, et le relchement du massif. Raisonnement par la mthode de
min-max.
Tentative d'appliquer de faon lmentaire le raisonnement de type min-max dans la
classification des massifs, mais la faon de dfinir les degrs d'apparition des nombres
flous n'est pas comprhensible. Dfuzzyfication par la mthode du maximum.
Calcul de nombres flous par coupes sur les systmes RMR et Q-systme.
Raisonnement par la mthode de min-max.
Synthse intressante sur les sources d'imprcisions. L'utilisation des mesures floues
est souligne. Cet article montre que l'utilisation de la logique floue et des mthodes
probabilistes peut tre complmentaire.
Un modle mathmatique pour analyser les dplacements et les dformations des
massifs sous l'influence d'excavations. L'utilisation de la thorie des possibilits est
applique.
La comparaison entre le facteur de scurit et le nombre flou qui prsente le risque est
assez spciale. La figure 5.17 illustre cette comparaison.
Prdiction de l'intensit des tremblements de terre avec la logique floue.
La description des paramtres du sol avec des nombres flous, peut conduire a une
analyse de stabilit de talus en utilisant la mthode des tranches (quilibre limite).
Synthse sur les incertitudes. Les calculs des nombres flous par simulation MonteCarlo.
Explication dtaille de la mthode de calcul par simulation Monte-Carlo avec une
application sur la stabilit des talus.
Application des concepts de systme d'information gographique pour l'valuation
d'urbanisme de terrains en utilisant la logique floue et le raisonnement flou.
Les auteurs ont dvelopp un systme expert pour la qualification des risques lies au
(Burrought et al., [92])

(Ping et al., [93])
(Valliappan et al., [93])
(Chuang, [95])
(Madhu et al., [96])
(Zhu et al., [96])

(Fukagawa et al., [96])
(Hammah et al., [98])
(Zettler et al., [98])
tremblement de terre en gypte.

La classification des terrains a l'aide des observations et topographie en appliquant le
concept de raisonnement flou.
Stabilit des ouvrages souterrains L'application de la logique floue dans les concepts de Rock Engineering Systems par
(Hudson, 92) a pour but d'analyser la stabilit d'un ouvrage. Un raisonnement flou
multi critre avec des pondrations. Dfuzzyfication du rsultat par la mthode de
maximum.
Fondation
Les calculs des lments finis sur des nombres flous en appliquant les concepts des
coupes. Application un problme de fondation et raisonnement par la mthode de
min-max.
Cisaillement des sols
Application de la logique floue pour l'valuation du cisaillement des sols en utilisant la
mthode de min-max de raisonnement et base sur trois facteurs : l'anisotropie du sol,
le taux de chargement.
Le concept de la logique floue est appliqu pour l'valuation d'un indice de massif en
utilisant le Q-systme de classification. Cette valuation est automatise par le
dveloppement d'un logiciel Q-EXPERT. Les calculs sur les nombres flous sont faits
par l'application des coupes.
Infrence du sol
Application de la logique floue dans le systme d'information gographique pour une
valuation globale et la cartographie des sols.
Estimation des proprits du sol
Raisonnement flou classique sur des rgles Si Alors
partir d'un forage vertical
Reconnaissance des joints
Classification des joints par l'algorithme flou de clustering
Systme de control
Le dveloppement d'un systme flou pour le contrle d'une tunnelier. Comparaison
entre le systme flou et une galerie pilote. Raisonnement par la mthode de min-max.
Classification des terrains
Facteur de scurit
Instable
Assez stable
Facteur de scurit
Peu stable
Facteur de scurit
Facteur de scurit
Stable
Figure 5.17. Comparaison entre un facteur de securite et un nombre flou qui reprsente le
rsultat. Daprs Sakura et al. [87].
Chapitre 5-110
5.3. Exemple de l'utilisation de la logique floue pour

lvaluation de lala mouvement de terrain sur le site de
Pontoise.
Pour tirer parti des avantages de la logique floue dans le raisonnement conduisant
lvaluation de lala mouvement de terrain, que ce soit pour rsoudre le problme des limites
de classes, pour intgrer la variabilit des donnes ou manipuler des paramtres qualitatifs
dans une valuation quantitative, nous avons procd en plusieurs tapes successives.
5.3.1 Approche floue avec entres floues standard

Cette approche est base sur la proposition de quatre classes floues pour chaque paramtre en
remplacement des classes traditionnelles comme le montre la figure 5.18.
er
eme
eme
eme
Figure 5.18. Quatre classes floues qui dfinissent aussi bien les paramtres de sensibilit, d'activit,
d'intensit que la sensibilit, la probabilit d'occurrence, et l'ala.
Dans ce cas, l'intervenant sur le site choisit une classe pour chaque paramtre de sensibilit,
d'activit et d'intensit. Deux -coupes suffisent pour les calculs de la sensibilit comme le
montre la figure 5.19. Le croisement entre la sensibilit et l'activit peut tre fait en suivant le
tableau de croisement et ainsi de suite pour le croisement entre la probabilit d'occurrence et
l'ala.
Chapitre 5-111
L'avantage de cette approche est que l'intervenant suit une procdure habituelle mais que le
problme des limites de classes n'existe plus car les nombres flous qui dfinissent les classes
se chevauchent. Le problme des paramtres qualitatifs peut galement tre rsolu en
dfinissant des classes floues se chevauchant pour ces paramtres.
.
Cas
Trs Favorable
Favorable
Dfavorable
.
Trs dfavorable
Figure 5.19. Sensibilit obtenue par deux coupes dans un cas typique d'analyse.
Pour croiser la sensibilit obtenue avec l'activit, nous proposons par exemple de
defuzzyfier la sensibilit et de la croiser avec l'activit. Cette approche, qui est illustre par
la figure 5.20, conduit nanmoins une perte d'information sur la sensibilit.
Mais puisque la surface de la sensibilit obtenue par les calculs avec les -coupes est ici gale
la surface de chacune des classes floues prdfinies pour la sensibilit, nous pouvons
effectuer un raisonnement plus labor en tenant compte de la partie de la sensibilit qui
recouvre chacune des classes standard. La surface de la sensibilit qui recouvre chacune des
classes standard est rapporte la surface totale de la sensibilit, ce qui donne le poids relatif
de chacune des classes standard dans la sensibilit. Le raisonnement est ensuite conduit avec
les classes standard. Il conduit des rsultats sinscrivant aussi dans des classes standard
auxquelles il suffit ensuite dattribuer un taux de participation gal aux proportions calcules
prcdemment. Cette approche est illustre par la figure 5.21.
Chapitre 5-112
Activit
Inactif ou peu actif
Cas
=1
Trs Favorable
Favorable
Dfavorable
.
Trs dfavorable
Activit
Chutes de blocs
=2
Une dfuzzyfication par centre de gravit donne

une valeur unique de 48
Favorable = 0.63
Dfavorable = 0.37
Faible = 0.63
Moyenne = 0.37
.
Trs Favorable
.
Favorable
Dfavorable
Ala
Faible = 0.63
Moyen = 0.37
Trs dfavorable
Figure 5.20. Dfuzzyfication de la sensibilit et raisonnement par classes. (Daprs les rgles du
tableau 2.5.)
Chapitre 5-113
.
Cas
Trs Favorable
Favorable
Dfavorable
.
Trs dfavorable
Activit
=1
.
Trs Favorable
.
Favorable
Dfavorable
Intensit
Chutes de blocs
Trs dfavorable
=2
Un dcoupage par intersection donne :

Trs favorable = 0.04
Favorable = 0.6
Dfavorable = 0.36
Ngligeable = 0.04
Faible = 0.60
Moyenne = 0.36
Ala (Par corrlation maximum)

Faible = 0.60
Moyen = 0.36
Trs Favorable
.
Favorable
Dfavorable
Trs dfavorable
Figure 5.21. Dcoupage de la sensibilit par intersection avec ces classes et l'effet sur l'ala.
Chapitre 5-114
L'approche floue standard met la disposition de l'ingnieur une mthode plus adapte aux
phnomnes naturels et aux paramtres qualitatifs que l'approche par simulation Monte-Carlo.
Cette approche est limite par le choix d'une classe prdfinie pour chaque paramtre.
Autrement dit, si le phnomne naturel stale entre deux classes, nous ne pouvons pas utiliser
cette approche.
Le dcoupage en portions par intersection nous a permis d'viter le problme de perte
d'information qui rsulte dune dfuzzyfication. Par contre, ce dcoupage en portions est limit
la validit de l'hypothse que la surface d'une sensibilit obtenue est gale la surface d'une
classe prdfinie. Si la surface d'un phnomne est diffrente, nous ne pouvons pas effectuer
ce dcoupage, et nous serons obligs d'appliquer la dfuzzyfication avec sa perte
d'information. La figure 5.22. illustre cet inconvnient.
Chapitre 5-115
er
eme
eme
.
eme
Dans l'hypothse ou la
surface du cas est
gale la surface d'un
cas spcifique, nous
pouvons dcouper
cette surface en
portions par
intersection
.
Trs Favorable
.
Favorable
Dfavorable
Trs dfavorable
er
eme
eme
eme
Par contre, si la
surface du cas est
diffrente. Nous
sommes obligs de
passer par la
dfuzzyfication.
Figure 5.22. La possibilit et l'impossibilit de dcoupage en portions par intersection.
Chapitre 5-116
5.3.2. Approche floue avec entres floues quelconques

Si l'intervenant sur site constate que les paramtres ont une variabilit qui ne peut pas tre
explique par une seule classe prdfinie, il peut dans cette approche dfinir un nombre flou
qui reprsente le mieux possible ces paramtres.
Les nombres flous ainsi choisis nont pas forcment la mme surface que les nombres
standard, ni la mme forme, comme le montre la figure 5.23. Nous devons alors calculer la
sensibilit en raisonnant avec ces nombres.
Figure 5.23. La reprsentation des paramtres par des nombres flous proposs par l'intervenant.
Le calcul de la sensibilit peut tre facilit par l'utilisation des -coupes, et tout type
dopration est envisageable avec cette mthode (addition, log, exponentielle, etc.,). Pour
avoir une bonne prcision sur les rsultats, il est ncessaire de travailler avec suffisamment d
-coupes
et le nombre d -coupes utiliser dpend essentiellement de la forme des nombres
flous proposs.
Dans loutil que nous avons ralis, lutilisateur peut choisir le nombre d' -coupes qui lui
convient (qui est de 201 par dfaut). videmment, plus leur nombre est grand, plus les calculs
peuvent tre longs.
Ds que l'on utilise des nombres flous dfinis par lutilisateur et non ceux qui sont prdfinis,
le problme du raisonnement apparat. Si nous suivons la dmarche classique de
dfuzzyfication, on assiste une perte importante d'information.
Pour rsoudre ce problme et viter cette perte d'informations, nous proposons une autre
solution base sur un concept nouveau que nous nous proposons dappeler le raisonnement
par -coupes.
Chapitre 5-117
5.4. Dveloppement mathmatique du concept de -coupes

pour le raisonnement flou.
Le concept de -coupes est un concept nouveau que nous proposons dutiliser pour faciliter le
raisonnement flou sur n'importe quel nombre ou sous-ensemble flou. Son objectif est dviter
la perte dinformation quengendre la dfuzzyfication. Pour tirer pleinement profit de
linformation contenue dans les nombres flous qui constituent les paramtres dentre du
raisonnement.
Ce concept de -coupes est bas dun point de vue thorique sur la mthode d'agrgation de
Bellman-Zadeh [70] qui a t applique dans plusieurs travaux de recherche et expose
notamment dans un article intitul Some fuzzy set applications in mining geomechanics .
Chapitre 5-118
5.4.1. La mthode dagrgation Bellman Zadeh [70]

Cette mthode d'agrgation montre qu'une relation floue R entre un sous ensemble A = {x,
mA(x)}
et un autre sous ensemble B = {x, mB(x)}, peut tre dfinie comme un sous ensemble
avec double apparition dans les deux sous ensembles A et B selon la formule suivante :
R=
AXB
[( x , y ), m R ( x , y )]
[29]
O m R ( x , y ) = m A ( x ) m B ( y ) = min[ m A ( x ) , m B ( y )]
Pour expliquer l'application de cette mthode, Nguyen [85-3] a donn un exemple
d'application simple, que nous montrerons avec quelques explications.
Si deux ensembles flous A et B sont dfinis par :
A = Fracturation = {2/0.1 | 4/0.3 | 6/0.5 | 8/0.7 | 10/1}
[30]
B = Humidit = {6/0.4 | 7/0.6 | 8/1 | 9/0.7 | 10/0.6}
[31]
Le taux d'apparition dans un sous ensemble flou qui est dfini par une relation floue R = A x B
est :
m R ( x1 , y 1 ) = m R ( 2 ,6 ) =
min[ 0.1,0.4 ] = 0.1
[32]
m R ( x 1 , y 2 ) = m R ( 2 ,7 ) =
min[ 0.1,0.6 ] = 0.1
[33]
Ainsi, une relation floue fracturation ET humidit peut tre prsente par :
2
4
6
8
10
6
0.1
0.3
0.4
0.4
0.4
7
0.1
0.3
0.5
0.6
0.6
Y
8
0.1
0.3
0.5
0.7
1.0
9
0.1
0.3
0.5
0.7
0.7
10
0.1
0.3
0.5
0.6
0.6
[34]
Chapitre 5-119
Si, dans un cas typique, nous avons trouv que l'humidit est dfinie par :
H = A' = {2/0 | 4/0.2 | 6/0.7 | 8/0.9 | 10/0.9}
[35]
Nous pouvons valuer la fracturation par :
[mfracturation] = {0, 0.2, 0.7, 0.9, 0.9}
0.1
0.3
0.4
0.4
0.4
0.1
0.3
0.5
0.6
0.6
0.1
0.3
0.5
0.7
1.0
0.1
0.3
0.5
0.7
0.7
0.1
0.3
0.5
0.6
0.6
[36]
Par l'application du concept Min-Max pour l'valuation de [mfracturation] :

mfracturation (y=1)
max [min(0,0.1), min(0.2,0.3), min(0.7,0.4), min(0.9,0.4), min(0.9,0.4)]
[37]
m fracturation (y=1)
[38]
m fracturation (y)
= max [0, 0.2, 0.4, 0.4, 0.4] = 0.4
= {0.4 ,0.6, 0.9, 0.7, 0.6}
[39]
Alors nous pouvons nous attendre une fracturation :

B' = {6/0.4 | 7/0.6 | 8/0.9 | 9/0.7 | 10/0.6}
Chapitre 5-120
[40]
5.4.2. Application et gnralisation par les -coupes

Nous allons expliquer ici, les dveloppements mathmatique et informatique auxquels nous
avons procd pour la gnralisation et l'application de la mthode d'agrgation Bellman
Zadeh par le concept des -coupes au service du raisonnement flou.
Afin que l'explication soit plus claire, nous prendrons lexemple du site de Pontoise, et
essaierons de raisonner avec la mthode classique et la mthode des -coupes.
La figure 5.24 prsente des classes standard pour la sensibilit, l'activit et l'intensit.
Supposons que l'intervenant sur le site ai dfini les paramtres lmentaires de sensibilit
PF, ER, HF, DIR, et PEN, les paramtres lmentaires pour l'activit l'tat de fracturation
mcanique, l'altration du massif, l'atteinte sur l'environnement ainsi que les traces
morphologiques, et aussi les paramtres d'intensit la taille lmentaire ou la taille
volumtrique. Supposons galement que les dfinitions de tous ces paramtres soient donns
sous forme de nombres flous qui n'ont pas la mme surface ou la mme forme qu'une classe
prdfinie.
.
Trs Favorable
Favorable
Dfavorable
Trs dfavorable
Ngligeable
Ngligeable
.
Faible
Faible
Moyenne
.
Forte
Moyen
Fort
Figure 5.24. Classes standard de sensibilit, de probabilit d'occurrence et d'ala.
Chapitre 5-121
Tout d'abord, pour faire des calculs numriques sur les paramtres lmentaires dfinis par
l'intervenant, nous utilisons le principe des -coupes qui va nous permettre de construire un
nombre flou reprsentant la sensibilit du site tudi. En ce qui concerne les paramtres
lmentaires d'activit et d'intensit, nous avons dfini une base de rgles quatre entres
pour l'activit et une autre base deux entres pour l'intensit. Le tableau 5.4. montre
une partie d'une base des rgles trois entres pour l'activit en omettant l'atteinte sur
l'infrastructure. Chaque rgle dans le tableau est traduite par : Si la classe de fracturation
mcanique est , et la classe des traces morphologiques est , et la classe d'altration du
massif est , alors, la classe d'activit est .
Tableau 5.4. Extrait de la base des rgles pour l'activit avec trois paramtres d'entres. la base
complte pour trois entres comporte 64 rgles
Fracturation mcanique
(classe)
1er
1er
1er
1er
1er
1er
1er
1er
1er
1er
1er
1er
1er
1er
er
1
1er
2e
2e
2e
Altration du massif
(classe)
1er
1er
1er
1er
2e
2e
2e
2e
3e
3e
3e
3e
4e
4e
e
4
4e
1er
1er
1er
Traces Morphologiques
(classe)
1er
2e
3e
4e
1er
2e
3e
4e
1er
2e
3e
4e
1er
2e
e
3
4e
1er
2e
3e
Classe d'activit
obtenue
1er
1er
2e
2e
1er
2e
2e
3e
2e
2e
3e
3e
2e
3e
e
3
4e
1er
2e
2e
Arriv l'tape de croisement entre un nombre flou qui reprsente la sensibilit et un autre
nombre flou qui prsente l'activit du site, nous devons appliquer les rgles de croisement du
tableau 2.5 pour quantifier la probabilit d'occurrence. Cest ce niveau que nous allons
mettre en uvre les coupes.
Chapitre 5-122
Lopration consiste dcouper verticalement le nombre flou qui reprsente la sensibilit,

en un nombre n de coupes. Ce sont les -coupes. Pour chaque -coupe, nous calculons le taux
de participation dans les diffrentes classes standard Pour la sensibilit par exemple, il faut
calculer pour chaque coupe verticale, mtrs
favorable,
mfavorable, mdfavorable, et mtrs dfavorable,
ainsi
que mcas . Ensuite, nous retenons, pour chaque classe standard et pour chaque coupe, la
plus faible de ces taux de participation. La figure 5.25 illustre cette procdure.
Le raisonnement est ensuite conduit, pour chaque -coupe, en suivant la procdure de
raisonnement du Min-Max. La figure 5.26 illustre un exemple de sensibilit et activit que
nous allons valuer avec les rgles du tableau 2.5.
Nous montrons ensuite une comparaison entre le raisonnement avec -coupes et le
raisonnement classique par dfuzzyfication par le centre de gravit.
.
er
eme
eme
eme
1 2 3 4
Coupe
1er
2e
3e
4e
cas
0
0
0
0
.
.
.
.
0
1
0.9
0.75
0.40
.
.
.
.
0
0
0.1
0.25
0.60
.
.
.
.
0.8
0
0
0
0
.
.
.
.
0.2
0
0.3
0.6
0.88
.
.
.
.
0
2
3
4
.
.
.
.
n
n
retenir
= Min (classes standard, cas)

(0,0,0,0)
(0,0.3,0.1,0)
(0,0.6,0.25,0)
(0,0.4,0.6,0)
.
.
.
.
(0,0,0,0)
Figure 5.25. Le dcoupage en coupes.
Chapitre 5-123
Figure 5.26. La sensibilit gauche et l'activit droite d'un cas d'analyse. Sensibilit = {45/0 |
51/1 | 59/1 | 90/0}, Activit = {13/0 | 26/1 | 32/1 | 47/0}.
Le dcoupage en -coupes pour la sensibilit et l'activit est illustr par les tableaux 5.5 et 5.6
respectivement. On notera que nous nous sommes ici limits 11 coupes.
Tableau 5.5. Le dcoupage en coupes pour la sensibilit

Coupe
1
2
3
4
5
6
7
8
9
10
11
X
45
49.5
54
58.5
63
67.5
72
76.5
81
85.5
90
1er
2e
3e
4e
cas
0
0
0
0
0
0
0
0
0
0
0
0.75
0.53
0.3
0.08
0
0
0
0
0
0
0
0.25
0.48
0.7
0.93
1
0.88
0.65
0.43
0.2
0
0
0
0
0
0
0
0.13
0.35
0.58
0.8
1
1
0
0.64
1
0.98
0.84
0.71
0.56
0.42
0.28
0.14
0
retenir

(0,0,0,0)
(0,0.53,0.48,0)
(0,0.3,0.7,0)
(0,0.08,0.93,0)
(0,0,0.84,0)
(0,0,0.71,0.13)
(0,0,0.56,0.35)
(0,0,0.42,0.42)
(0,0,0.2,0.28)
(0,0,0,0.14)
(0,0,0,0)
Tableau 5.6. Le dcoupage en coupes pour l'activit

Coupe
1
2
3
4
5
6
7
8
9
10
11
Chapitre 5-124
X
13
16.4
19.8
23.2
26.6
30
33.4
36.8
40.2
43.6
47
1er
2e
3e
4e
cas
1
0.93
0.76
0.59
0.42
0.25
0.08
0
0
0
0
0
0.07
0.24
0.41
0.58
0.75
0.92
1
0.99
0.82
0.65
0
0
0
0
0
0
0
0
0.01
0.18
0.35
0
0
0
0
0
0
0
0
0
0
0
0
0.28
0.57
0.85
1
1
0.97
0.73
0.49
0.24
0
retenir

(0,0,0,0)
(0.28,0.07,0,0)
(0.57,0.24,0,0)
(0.59,0.41,0,0)
(0.42,0.58,0,0)
(0.25,0.75,0,0)
(0.08,0.92,0,0)
(0,0.73,0,0)
(0,0.49,0.01,0)
(0,0.24,0.18,0)
(0,0,0,0)
Tableau 5.7. L'application de la mthode de Min-Max sur les 16 rgles du tableau 2.5
Coupe
er
Rgles de croisement
6
7e
8e
9e 10e 11e 12e
Probabilit d'occurrence obtenue
13e
14e
15e
16e
Quatrime
(Forte)
Quatrime
(Forte)
Troisime
(moyenne)
Troisime
(moyenne)
Quatrime
(Forte)
Quatrime
(Forte)
Troisime
(moyenne)
Deuxime
(Faible)
Quatrime
(Forte)
Quatrime
(Forte)
Deuxime
(Faible)
Deuxime
(Faible)
Quatrime
(Forte)
Troisime
(moyenne)
Deuxime
(Faible)
Premier
(Ngligeable)
1
2
3
4
5
6
7
8
9
10
11
Max
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.2
0.3
0.08
0
0
0
0
0
0
0
0.3
0
0.07
0.24
0.08
0
0
0
0
0
0
0
0.24
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.28
0.57
0.59
0.42
0.25
0.08
0
0
0
0
0.59
0
0
0.07
0
0.24
0
0.41
0
0.58
0
0.71
0
0.56
0
0.42
0
0.2 0.01
0
0
0
0
0.71 0.01
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.13
0.08
0
0
0
0
0.13
0
0
0
0
0
0
0
0
0
0
0.13
0
0.35
0
0.42
0
0.28 0.01
0.14 0.14
0
0
0.42 0.14
0
0
0
0
0
0
0
0
0
0
0
0
Les rsultats finaux de l'analyse sont : Probabilit d'occurrence : (mNgligeable = 0, mFaible =

0.59, mMoyenne = 0.71, mForte = 0.14). Ces rsultats sont illustrs graphiquement par la figure
5.27.
Ngligeable
(0)
Faible
(0.59)
Moyenne
(0.71)
Forte
(0.14)
Figure 5.27. Probabilit d'occurrence obtenue par raisonnement sur 11 coupes.
Chapitre 5-125
Si nous utilisons la mthode de raisonnement par dfuzzyfication sur le centre de gravit,

nous avons par contre les rsultats suivants :
Centre de gravit de la sensibilit : 61.25 qui correspond : (mTrs favorable = 0, mFavorable =

0, mDfavorable = 1, mTrs dfavorable = 0).
Centre de gravit de l'activit: 29.5 qui correspond : (mDormant = 0.28, mIn actif ou peu actif =
0.72, mFrais = 0, mActif = 0).
Ainsi, en procdant par la mthode du Min-Max et en appliquant les rgles de croisement du

tableau 2.5, nous obtenons : Probabilit d'occurrence = (mNgligeable = 0, mFaible = 0.28, mMoyenne
= 0.72, mForte = 0). La figure 5.28 illustre graphiquement ces rsultats.
Ngligeable
(0)
Faible
(0.28)
Moyenne
(0.71)
Forte
(0)
Figure 5.28. La probabilit d'occurrence obtenue par raisonnement sur les centres de gravit.
Chapitre 5-126
5.4.3 Comparaison entre le raisonnement par les coupes et le

raisonnement de Terano et al. [89].
Nous avons appliqu la mthode de raisonnement par coupes et la mthode de raisonnement
de Terano et al. [89] sur un cas. La figure 5.29 prsente les entres de l'analyse. La figure 5.30
prsente le rsultat de l'analyse obtenu par l'utilisation de la mthode des -coupes, et la figure
5.31 prsente la dmarche et le rsultat de l'analyse obtenu par l'utilisation de la mthode de
raisonnement de Terano et al. [89].
Pour produire un jugement sur les rsultats et dterminer la mthodologie qui donne des
meilleurs rsultats, nous avons analys un cas o la sensibilit et l'activit sont reprsentes
par la figure 5.32. La particularit de ce cas est que l'intersection entre le cas analyser et ses
classes standards, se produit des mmes niveaux de participation.
Avec les -coupes, le rsultat probabilit d'occurrence est reprsent par la figure 5.33. Par
contre, avec la mthode de Terano et al. [89], nous obtenons un rsultat diffrent qui est
illustr par la figure 5.34. Le concept de Terano et al. [89] considre dans ce cas, que la
sensibilit et l'activit sont reprsentes par la mme forme parce qu'elles interceptent les
classes standards aux mmes points.
Ceci illustre que l'utilisation du concept de -coupes a l'avantage de rendre compte de la
forme du nombre flou utilis en entre, et non pas seulement de son intersection avec les
classes standards qui servent au raisonnement. Cest pourquoi elles amliorent le
raisonnement approximatif.
Chapitre 5-127
.
.
.
.
.
.
.
.
.
.
.
.
Figure 5.29. Les entres de l'analyse (Sensibilit gauche, Activit au milieu, et Intensit droite).
.
.
Ngligeable
(0.3)
Faible
(0.9)
Moyen
(0.475)
Fort
(0)
.
.
Figure 5.30. Le rsultat de l'ala par l'utilisation des -coupes 21 coupes.
Chapitre 5-128
.
.
Ngligeable
(0.4)
Faible
(1)
Moyen
(0.5)
Fort
(0)
.
.
Figure 5.31. Le rsultat de l'ala par l'utilisation de la mthode de raisonnement de Terano et al. [89].
Figure 5.32. la sensibilit et l'activit d'un cas.
Chapitre 5-129
.
.
Ngligeable
(0.5)
Faible
(0.84)
Moyenne
(0)
Forte
(0)
.
.
Figure 5.33. La probabilit d'occurrence par l'utilisation de 21 coupes.
.
Ngligeable
(0.62)
Faible
(0.82)
Moyenne
(0)
Forte
(0)
.
.
Figure 5.34. La probabilit d'occurrence selon la mthode de Terano et al. [89].
Chapitre 5-130
5.4.4. Nombre de -coupes et temps de calcul

Pour avoir une prcision infinie sur les rsultats, il faut utiliser un nombre infini de -coupes.
videmment, cela nest pas possible en pratique. Dans lexemple donn prcdemment, 11 coupes ont t utilises. Le temps de calcul dpend bien entendu du nombre de -coupes
utilis. Le tableau 5.8 et la figure 5.35 permettent de se faire une ide de la relation entre le
nombre de -coupes utilises et le temps de calcul. Ces calculs ont t raliss en utilisant la
version 3.0.1 de Mathematica sur un ordinateur Gateway 2000 Solo 2100 avec Intel
Pentium 150 MHz sous Windows 95 avec 40 MB de mmoire vive.
Tableau 5.8. Comparaison entre le nombre de -coupes, le temps de calcul et rsultats obtenus.
Temps en seconds
1
4
6
8
11
16
21
31
41
51
101
0.22
0.61
1.37
2.36
4.55
9.99
18.51
40.54
70.47
114.41
452.12
Rsultat obtenu (participation aux classes

de la probabilit d'occurrence)
(0, 0.28, 0.72, 0)
(0, 0.533, 0.47, 0)
(0, 0.57, 0.58, 0.01)
(0, 0.62, 0.63, 0.11)
(0, 0.59, 0.71, 0.14)
(0, 0.65, 0.69, 0.12)
(0, 0.68, 0.7, 0.14)
(0, 0.66, 0.71, 0.14)
(0, 0.67, 0.71, 0.14)
(0, 0.68, 0.72, 0.15)
(0, 0.68, 0.72, 0.15)
Temps en secondes
Nombre de coupes
Nombre des coupes
Figure 5.35. Le temps de calcul et le nombre de -coupes.
On notera dans le tableau prcdent une stabilisation des rsultats partir de 21 -coupes.
Mais il conviendrait dapprofondir ce point pour dterminer le nombre idal de -coupes
employer.
Chapitre 5-131
TUDES DES CAS
tude des cas
6. tude des cas
Ce chapitre prsente deux sites tudis du point de vue des alas mouvement de terrain: le
premier est un ouvrage historique souterrain, la tombe de Ramss I situe dans la valle des
rois, en gypte, tandis que le deuxime concerne le site des falaises de Pontoise dj voqu
dans ce mmoire plusieurs reprises.
Chapitre 6-135
tude des cas
6.1. Analyse de lala mouvement de terrain gotechnique

dans la tombe de Ramss I
Ramss I est le fondateur de la XIXe dynastie (1307 1196 av. J.-C) de lhistoire gyptienne.
Pendant environ deux ans, il a gouvern l'gypte, et comme la plupart des rois gyptiens du
Nouvel Empire (1550 1070 av. J.-C.), il a construit sa tombe dans la Valle des Rois situe
sur la rive ouest du Nil au niveau de lactuelle ville de Louxor, figure 6.1.
Chapitre 6-136
tude des cas
Figure 6.1. Deux photos ariennes prises depuis la navette Challenger qui illustrent la localisation de
Louxor ainsi quun plan succinct de la ville montrant lemplacement de la Valle des Rois.
Chapitre 6-137
tude des cas
6.1.1. Cadre gologique de la Valle des Rois et caractristiques

principales des matriaux
La Valle des Rois se situe en grande partie dans un massif marno-calcaire, datant de
lEocne infrieur et faisant partie de la formation de Thbes. Il sagit dune formation
subhorizontale o le calcaire tendre alterne avec des lits de silex et des bancs consistance
marneuse. Cet ensemble repose sur une formation essentiellement argilo-marneuse appele
Esna Shale. Cette srie peut s'observer le long de la route d'accs la Valle ainsi que sur les
nombreuses falaises, en particulier celle du temple de Deir-el-Bahari. L'observation des
affleurements montre une intense fracturation du massif calcaire et la sensibilit des marnes
sous-jacentes, l'eau.
Les donnes mcaniques sont extrmement importantes pour apprhender la stabilit du site
ainsi que pour l'analyse de lala. Sur ce point, nous avons runi quelques lments
bibliographiques donns dans le tableau 6.1
Tableau 6.1. Caractristiques mcaniques du calcaire de la Valle des Rois

Origine
Archives
LCPC*
LRPC
Essais
(LCPC*)
Lyon**
Masse volumtrique relle (kg/m3)
2696
Masse volumtrique apparente (kg/m3)
1930 ~ 2000 1870 ~ 2050
1920
Masse volumtrique sature (kg/m3)
1910 ~ 1980 2130 ~ 2180
Porosit
28.6 %
Rc sec (MPa)
27 ~ 42
58.5
52.4
Rc satur (MPa)
21 ~ 23
13.5
27.4
Rt sec (MPa)
9
Rt satur (MPa)
2
Module de Young (MPa)
22680
13900
Coefficient de Poisson
0.19
0.19
* LCPC : Laboratoire Central des Ponts et Chausses. Evrard [95]
** LRPC Lyon : Laboratoire Rgional des Ponts et Chausses de Lyon. Evrard [95]
Chapitre 6-138
Helal et al. [91]

2400
12.8
12000
0.21
tude des cas
6.1.2. valuation de lala mouvement de terrain dans la tombe de

Ramss I
Pour analyser lala mouvement de terrain dans cette tombe historique, nous avons mis en
uvre la mthodologie gnrale prsente plus tt en utilisant le RMR comme indicateur de
la sensibilit et les paramtres donns par Tritsch et al. [96] pour caractriser lactivit et
lintensit.
La figure 6.2. montre un plan de cette tombe avec les relevs de fracturation que nous y avons
effectues. Compte tenu de la gomtrie de la tombe et des relevs de fracturation, nous avons
distingu trois zones distinctes selon la densit de fracturation. Ces trois zones sont indiques
sur la figure 6.2.
Quantification du RMR dans la tombe de Ramss I

La dtermination du RMR est fonde sur les paramtres suivants :
Espacement entre fractures (mm),

RQD (%),
Rsistance la compression simple (MPa),
Etat des discontinuits,
Humidit,
Ajustement pour l'orientation des discontinuits,
Pour la dtermination de lespacement entre fractures, nous avons utilis la mthode du Scan
line survey Priest et al. [81], en travaillant sur les plans de la tombe et les relevs de
fracturation.
Pour dterminer le RQD, nous avons utilis la relation mathmatique propose par Bieniawski
[89] et illustre par la figure 6.3.
La rsistance la compression simple a t tire du tableau 6.1.
Chapitre 6-139
tude des cas
Figure 6.2. Plan et coupe verticale de la tombe de Ramss I avec ses fracturations
100
30
90
25
R.Q.D. Maximum
80
27
70
21
60
Indice combin entre le

R.Q.D. et l'espacement
moyen des discontinuits
50
40
Courbe de
corrlation
16
30
20
8
10
0
10
11
60
R.Q.D. Minimum
200
600
Espacement moyen des discontinuits (mm)
Figure 6.3. Corrlation entre le PF et le RQD
Chapitre 6-140
2000
tude des cas
Ltat des joints et les conditions dhumidit ont t observs sur le site et nous avons retenu
un ajustement de l'orientation des discontinuits correspondant la classe III, ce qui conduit
une correction de -5 sur le RMR obtenu par les autres paramtres.
Ainsi sont rpertoris dans le tableau 6.2 tous les lments qui dterminent le RMR de
chacune des trois zones considres dans la tombe. Dans ce tableau, nous avons donn les
valeurs maximales et les valeurs minimales pour chaque paramtre. Ces valeurs sont issues
des rsultats dobservations ou des donnes bibliographiques et leur variabilit se traduit
globalement par une variabilit de lindice RMR.
Tableau 6.2. Indices RMR pour les diffrentes zones de la tombe de Ramss I.
Zone
I
II
III
PF (m)
0.64 ~ 1.2
0.91 ~ 1.23
1.14 ~ 1.55
Etat des
discontinuits (classe)
2~3
2~3
2~3
Indice
12 ~ 15
14 ~ 15
15
Indice
20 ~ 25
20 ~ 25
20 ~ 25
RQD (%)
96 ~ 100
100
100
Humidit
(classe)
2~3
2~3
2~3
Indice
7 ~ 10
7 ~ 10
7 ~ 10
Indice
19 ~ 20
20
20
Indice
RMR
60 ~ 74
63 ~ 74
74
Rc (MPa)
12.8 ~ 27.4
12.8 ~ 27.4
12.8 ~ 27.4
Indice
2~4
2~4
2~4
Indice RMR
aprs ajustement
55 ~ 69
58 ~ 69
69
Classe
RMR
II ~ III
II ~ III
III
Chapitre 6-141
tude des cas
Utilisation de la logique floue pour la dtermination de la sensibilit.

partir des valeurs minimales et maximales de chaque paramtre du RMR, nous avons
construit un nombre flou et calcul ensuite la reprsentation floue de lindice RMR
correspondant. Cette transformation a t mene par le biais de formulations mathmatiques
donnes par Bienawski. La figure 6.4 illustre cette opration pour le RQD.
Nous avons ainsi dtermin les indices flous de chaque paramtre constituant lexpression du
RMR comme le montre la figure 6.5. Notons que les largeurs des nombres flous dpendent de
la classe originale de chaque paramtre une grande classe est remplace par un nombre flou
plus large quune petite classe
Par la mthode des -coupes nous avons ensuite calcul dans chaque zone de la tombe,
lindice RMR par sommation des indices flous correspondant chaque paramtre. La figure
6.6. prsente les quantits floues que nous avons utilises dans la zone I, ainsi que le RMR
obtenu et la figure 6.7. prsente les RMR obtenus dans les autres zones de la tombe.
Pour la continuation de l'analyse, nous avons dfini les deux autres quantits floues que sont
l'activit du site et son intensit. La figure 6.8. prsente ces deux quantits floues.
Plutt que doprer en 2 tapes (calcul de la probabilit doccurrence puis de lala), nous
avons effectu un croisement direct entre sensibilit, activit et intensit de faon produire
directement lala (ce qui ne change rien la mthode). Le tableau 6.3. prsente ainsi la base
des rgles que nous avons utilises pour combiner ces trois entres. Cette base est le rsultat
de la combinaison entre les rgles donnes dans le tableau 6.4 pour le raisonnement de la
probabilit d'occurrence et celles donnes dans le tableau 6.5 pour le raisonnement conduisant
l'ala.
Par l'utilisation du programme dvelopp sous Mathematica mettant en uvre la mthode
des -coupes que nous avons dveloppe et prsente dans le chapitre 5, nous avons obtenu
les rsultats illustrs par la figure 6.9 qui reprsente l'ala obtenu dans les trois zones de la
tombe de Ramss I.
Chapitre 6-142
tude des cas
Un nombre flou
reprsentant
l'indice du RQD
Le nombre flou
reprsentant le
RQD dune
zone tudie
L'quation de transformation du RQD en

indice pour le calcul du RMR, d'aprs
Bieniawski [89]
2.68 + 0.13 x + 0.001 x2 0.07 Log[x]
Figure 6.4. Transformation dun nombre flou qui prsente le RQD en un nombre flou qui prsente
lindice correspondant dans la classification RMR
Chapitre 6-143
tude des cas
Nombres flous pour les indices de la

Rsistance la compression simple Rc
Nombres flous pour les indices des distances

moyennes entre les discontinuits PF
Nombres flous pour les indices de RQD
Nombres flous pour les indices d'humidit
.
.
.
.
Nombres flous pour les indices des

conditions des joints
Figure 6.5. Les indices flous pour les paramtres du RMR.
Chapitre 6-144
tude des cas
Quantification de Rc dans la zone I
Quantification de PF dans la zone I
Quantification du RQD dans la zone I
Quantification de l'humidit dans la zone I
Quantification de ltat des joints dans la zone I
L'indice du RMR
Figure 6.6. Les quantits flous utilises pour la dtermination de la sensibilit dans la zone I de la
tombe de Ramses I.
Chapitre 6-145
tude des cas
Figure 6.7. Les indices RMR obtenues dans les zones II et II de la tombe de Ramss I.
Dormante
Inactif ou
peu actif
Chutes de
pierres
Chutes
de blocs
.
Frache
boulements boulements
majeurs
Active
L'activit gauche et l'intensit dro ite de la zone I

Dormante
Inactif ou
peu actif
Chutes de
pierres
Chutes
de blocs
.
Frache
majeurs
Active
L'activit gauche et l'intensit droite de la zone II

Dormante
Inactif ou
peu actif
Chutes de
pierres
Chutes
de blocs
.
Frache
Active
majeurs
L'activit gauche et l'intensit droite de la zone II
Figure 6.8. Activit et Intensit du site.
Chapitre 6-146
tude des cas
Tableau 6.3. La base des rgles pour la dtermination de lala dans la tombe de Ramss I.
Sensibilit Activit
(classe) (classe)
1e
1e
e
1
1e
e
1
1e
e
1
1e
e
1
2e
e
1
2e
e
1
2e
e
1
2e
1e
3e
e
1
3e
e
1
3e
e
1
3e
e
1
4e
e
1
4e
e
1
4e
1e
4e
e
2
1e
e
2
1e
e
2
1e
e
2
1e
e
2
2e
e
2
2e
e
2
2e
e
2
2e
e
2
3e
e
2
3e
e
2
3e
2e
3e
e
2
4e
e
e
2
4
e
e
2
4
e
e
2
4
e
e
3
1
e
3
1e
e
3
1e
e
3
1e
e
3
2e
e
3
2e
3e
2e
e
3
2e
e
3
3e
e
3
3e
e
3
3e
e
3
3e
e
e
3
4
e
3
4e
e
3
4e
e
3
4e
Intensit
(classe)
1e
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
1e
e
2
e
3
e
4
e
1
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
e
1
2e
3e
4e
Classe
d'ala
1e
1e
1e
2e
1e
1e
2e
2e
1e
2e
2e
2e
2e
2e
2e
3e
1e
1e
2e
2e
1e
2e
2e
2e
2e
2e
2e
3e
2e
e
2
e
3
e
3
e
1
2e
2e
2e
2e
2e
2e
3e
2e
2e
3e
3e
e
2
3e
3e
3e
Sensibilit Activit
(classe) (classe)
4e
1e
e
4
1e
e
4
1e
e
4
1e
e
4
2e
e
4
2e
e
4
2e
e
4
2e
4e
3e
e
4
3e
e
4
3e
e
4
3e
e
4
4e
e
4
4e
e
4
4e
4e
4e
e
5
1e
e
5
1e
e
5
1e
e
5
1e
e
5
2e
e
5
2e
e
5
2e
e
5
2e
e
5
3e
e
5
3e
e
5
3e
5e
3e
e
5
4e
e
e
5
4
e
e
5
4
e
e
5
4
Intensit
(classe)
1e
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
1e
2e
3e
4e
1e
e
2
e
3
e
4
Classe
d'ala
2e
2e
2e
3e
2e
2e
3e
3e
2e
3e
3e
3e
3e
3e
3e
4e
2e
2e
3e
3e
2e
3e
3e
3e
3e
3e
3e
4e
3e
e
3
e
4
e
4
Chapitre 6-147
tude des cas
Tableau 6.4 Calcul de la probabilit d'occurrence avec l'utilisation du RMR

Sensibilit (RMR)
Activit
Dormant
Frais
Actif
Trs
Favorable
Ngligeable
Faible
Faible
Moyenne
Favorable
Moyen
Dfavorable
Ngligeable
Faible
Moyenne
Forte
Faible
Faible
Forte
Forte
Faible
Moyenne
Forte
Forte
Trs
dfavorable
Moyenne
Moyenne
Forte
Forte
Tableau 6.5 Calcul de lala avec l'utilisation de RMR

Intensit
Chutes de pierres
Chutes de blocs
boulements
boulement majeur
Chapitre 6-148
Ngligeable
Faible
Moyenne
Forte
Ngligeable
Faible
Faible
Moyen
Faible
Faible
Moyen
Moyen
Faible
Moyen
Moyen
Fort
Moyen
Moyen
Fort
Fort
tude des cas
Ala de la zone I
Ngligeable
(1)
Faible
(1)
Moyen
(0)
Fort
(0)
Ala de la zone II
Ngligeable
(1)
Faible
(0.95)
Moyen
(0)
Fort
(0)
Ala de la zone III
Ngligeable
(0.7)
Faible
(1)
Moyen
(0.05)
Fort
(0)
Figure 6.9. L'ala dans les zones I, II et III de la tombe de Ramss I reprsent par des quantits
floues.
Chapitre 6-149
tude des cas

Lanalyse discrte avec une seule entre donne un rsultat de faible ala sur les trois zones de
la tombe.
Par contre, les rsultats de l'analyse floue montrent que la zone III demande plus d'attention
que les zones I et II. En raison dune ouverture plus grande et dune situation plus profonde
de cette zone par rapport aux autres, nous pouvions esprer ce rsultat.
Actuellement, dans la tombe de Ramss I, seule la zone III a attir l'attention du Haut Conseil
des Antiquits gyptiennes qui y a fait installer un dispositif de soutnement du toit en bois.
La figure 6.10 montre une photographie de ce dispositif.
Figure 6.10 Soutnement en bois dans la zone III de la tombe de Ramss I.
Chapitre 6-150
tude des cas
6.2. Analyse de lala mouvement de terrain des falaises de

Pontoise
La ville de Cergy-Pontoise est situe en rgion parisienne, environ 40 km au Nord de Paris.
La figure 6.11 en donne la situation gographique. Un PPR (Plan de prvention des risques) y
a t conduit sur le principe de la mthodologie explique en dtail au chapitre 2. Nous allons
ici prsenter quelques caractristiques du site tudi puis nous montrerons comment peut tre
dtermin lala mouvement de terrain de diffrentes zones de ce site selon la mthode
employe.
Figure 6.11. La Location gographique de la ville de Pontoise.
Chapitre 6-151
tude des cas
6.2.1. Historique, urbanisation et gologie du site. (Tritsch et al.

[96])
Le site de Pontoise a t occup de faon continue depuis la priode nolithique.
L'urbanisation s'est dveloppe progressivement le long de la valle de l'Oise dans deux
secteurs diffrents : le plateau St Martin au Sud, qui constitue apparemment un secteur
urbanis et le centre ville mdival (et actuel), entre la valle de la Viosne et le ruisseau de
l'Hermitage, situ en partie sur un peron et limit par les remparts.
Les autres secteurs de Pontoise sont rests peu ou pas urbaniss jusqu'au XIXme sicle.
L'extension actuelle de l'agglomration s'effectue principalement vers l'Ouest sur le plateau.
Les fonds et les bordures de valle sont plutt occups par un habitat dispers de type
pavillonnaire assez rcent.
Les remparts de la ville mdivale se situent autour du centre ville actuel sur la butte St.
Maclou. Certains fosss de l'enceinte de dfense de la ville pourraient avoir une profondeur de
l'ordre de 8 10m. Ils semblent avoir laiss des traces se manifestant par un dnivel artificiel
important ( ne pas confondre avec des falaises naturelles) notamment vers le Nord du centre
ville qui est situ au droit du Jardin Public.
Les muraillements des grands pans de falaise au-dessus de la place du Pont (rue de l'htel
Dieu) ne correspondent pas des fortifications historiques. Il s'agirait de renforcements
effectus au XVIIIme sicle suite des boulements survenus dans ce secteur, et ayant
entran une srie de procs entre la ville et le pouvoir royal (propritaire du chteau).
Enfin, lors de la seconde guerre mondiale, les secteurs de la gare et du principal pont sur
l'Oise ( proximit des pans de falaises en centre ville) ont t violemment bombards. De
nombreuses photos et des tmoignages semblent indiquer que les fronts de falaise apparents et
les muraillements anciens de cette zone ont t affects par ces bombardements.
Le secteur d'tude se situe au cur du Bassin Parisien dans une zone d'affleurement du
Lutcien li l'encaissement de la valle de l'Oise. Au sommet du plateau, on trouve les sries
sableuses et calcaro-marneuses du Bartonien. La plaine alluviale de l'Oise et de ses affluents
s'appuient sur l'paisse formation de l'Yprsien.
Chapitre 6-152
tude des cas
A l'chelle du site, les informations lithologiques indiquent une succession stratigraphique de

type monoclinale. On observe ainsi de la base vers le sommet :
Les sables de Cuise (Yprsien suprieur) qui sont des sables fins essentiellement
quartzeux et glauconieux, sans squence argileuse dans le secteur de Pontoise.
Un facis de calcaire sableux glauconieux verdtre du Luttien infrieur, aux
caractristiques mcaniques plutt mdiocres et de 7 8 m dpaisseur.
Le calcaire grossier du Luttien moyen prsentant une paisseur moyenne d'une douzaine
de mtres, qui a t activement exploit pour la pierre btir sous le territoire de la
commune
Les marnes et caillasses constituant la partie suprieure du Luttien et dune paisseur
moyenne de l'ordre de la dizaine de mtres. Des bancs plus indurs prdominent vers la
base.
Les sables de Beauchamp regroupant l'ensemble des squences sableuses du Bartonien
infrieur.
Chapitre 6-153
tude des cas
6.2.2. Analyse de lala mouvement de terrain

La dtermination de lala autour des falaises de Pontoise ncessite l'observation sur site des
paramtres permettant la dtermination de la sensibilit, de l'activit, et de l'intensit dans
chacune des zones tudies.
Pour conserver son caractre gnral la mthodologie danalyse La mthodologie que
nous avons propose , nous avons choisi dutiliser le SMR de Romana [91] pour caractriser
la sensibilit.
Nous avons procd trois analyses et les avons appliques trois zones diffrentes illustres
par les figures 6.12, 6.13 et 6.14. Pour chaque zone tudie, nous avons :
vrifi sur site lanalyse et la quantification des donnes ralises par des ingnieurs dans
le cadre du PPR. Cette tape nous a permis de comprendre la faon de quantifier les
paramtres.
requantifi les paramtres sur site en donnant pour chacun, une fourchette de valeurs de
type flou.
calcul lala flou, partir de ces donnes floues en utilisant dune part la mthode
INERIS et dautre part le SMR pour caractriser la sensiblit.
Dans chaque cas, nous avons conserv les rgles de croisement dfinies dans le cadre du PPR
ralis.
Dans le tableau 6.6, nous prsentons les paramtres et les rsultats trouvs par lapproche
INERIS. Nous avons not que, mme dans le cas dune analyse discrte telle que celle de
lINERIS, il arrive que lingnieur ne soit pas capable de donner une valeur unique pour les
proprits ncessaires l'analyse, et quil prfre, dans ce cas, donner directement le numro
de la classe laquelle ces proprits appartiennent. Ce constat montre le besoin d'un type
diffrent d'analyse de celle employe jusqu maintenant, en particulier pour tenir compte de
la variabilit et de l'incertitude sur les paramtres ou leur observation.
Chapitre 6-154
tude des cas
Figure 6.12. Le Chou
Chapitre 6-155
tude des cas
Figure 6.13. L'Hermitage, cole prive
Chapitre 6-156
tude des cas
Figure 6.14. La cot de Larris
Chapitre 6-157
tude des cas
Tableau 6.6. Paramtres et Rsultats d'analyse sur les trois zones de Pontoise selon lapproche
classique de Tritsch et al [96].
Zone
Le Chou
L'hermitage,
Ecole prive
Nom
sur la
carte
A
Hauteur du
front
Sensibilit
Activit
Intensit
Probabilit
d'occurrence
Ala
7m
Dfavorable
Active
Forte
Moyen
5m
Dfavorable Peu active
Moyenne
Fort
C
D
10 m
12 m

Dfavorable
Active
Moyenne
Forte
Moyen
Moyen
3m
Chutes de
blocs
boulements
majeurs
boulements
Chutes de
pierres
Chutes de
pierres
boulements
Chutes de
blocs
Chutes de
blocs
Chutes de
blocs
Chutes de
pierres
Chutes de
pierres
Chutes de
blocs
boulements
Chutes de
pierres
Chutes de
blocs
boulements
Faible
Faible
Forte
Moyenne
Fort
Moyen
Moyenne
Moyen
Faible
Faible
Faible
Faible
Forte
Moyen
Faible
Faible
Faible
Forte
Moyen
Moyen
Faible
Faible
Moyenne
Moyen
B
C
Cot de
Larris
Chapitre 6-158
40
Peu active
< 66
Frache
10 ~ 12 m
< 60
Peu active
10 m
< 42
Peu active
10 m
Favorable
Peu active
5m
Favorable
Active
3~6m
Favorable
Peu active
J
K
8m
8m
Favorable
Favorable
Peu active
Frache
7m
Favorable
Peu active
5m
tude des cas
Fuzzification des paramtres

Pour l'application de la logique floue sur les paramtres de sensibilit dfinie par l'INERIS,
nous avons utilis les classes dfinies par la Figure 5.18. Les paramtres de sensibilit (PF,
ER, Humidit, DIR, et PEN) sont aussi quantifis par l'utilisation de quatre classes similaires.
Nous sommes intervenus sur les trois sites concerns pour observer et quantifier les diffrents
paramtres de telle faon que le traitement avec la logique floue soit possible. Le tableau 6.7.
souligne la manire de rassembler les donns pour les paramtres de sensibilit. Et le tableau
6.8. illustre les rsultats des observations sur l'activit et l'intensit.
Par l'utilisation des -coupes et la formule de sensibilit dfinie par l'INERIS, nous avons pu
calculer la sensibilit en termes de quantits floues. Un exemple de sensibilit est illustr sur
la figure 6.15. Le tableau 6.9 donne les autres rsultats de sensibilit.
Tableau 6.7. Les paramtres de sensibilit pour une analyse de type flou. (le mot vgtation signifie
que nous ne pouvons pas dcrire le paramtre cause dune vgtation dense, et la flche signifie que
le paramtre est plutt dans la premire classe que la seconde).
PF (classe)
ER (classe)
Humidit
(classe)
Le Chou
Nom
sur la
carte
A
B
C
D
2e
3e
2e
e
e
2 ~3
1e
1e
e
1 ~ 2e
e
1
4e
4e
4e
e
3
1e
1e
1e
e
e
1 ~2
L'Hermitage,
Ecole Prive
A
B
1 ~3
e
e
2 ~3
1 ~3
e
e
2 ~3
2
e
3
1
e
e
1 ~2
3 ~4
e
e
2 ~3
C
D
E
1e ~ 2e
3e
Vgtation
1e ~ 3e
1e ~ 2e
Vgtation
3e
e
2 ~ 3e
2e ~ 3e
1e
1e
Vgtation
4e
4e
Vgtation
1e ~2e
2e ~ 3e
3e
1e
2e ~ 3e
1e ~ 2e
3e ~ 4e
2e
2e
2e ~ 3e
I
J
J bis
K
1e
e
1 ~ 2e
2e
e
2 ~ 3e
2e ~ 3e
3e ~ 4e
1e ~ 3e
1e ~2e
2e
3e
3e
3e
1e ~ 3e
2e ~ 3e
1e
1e
1e
1e
1e
2e
3e
3e
1e
1 ~ 2e
1e ~ 2e
1e ~ 2e
Zone
DIR (classe) PEN (classe)
4e
4e
4e
e
4
La cot de
Larris
L
M
2e
1e
2e ~ 3e
1e ~ 2e
Chapitre 6-159
tude des cas
Tableau 6.8. L'activit et l'intensit des sites de Pontoise exprimes par les classes choisies
Zone
Le Chou
Nom sur la
carte
A
B
C
Activit
(classe)
2e ~ 3e
2e
e
2 ~ 3e
Intensit
(classe)
2e
2e
e
1 ~ 2e
D
A
B
C
D
E
G
H
2e
3e
3e
2e
e
2 ~ 3e
Vgtation
3e
e
2 ~ 3e
1e
1e
2e
1e
1e
Vgtation
2e ~ 3e
1e
I
J
2e ~ 3e
2e ~ 3e
L'Hermitage,
Ecole Prive
La cot de
Larris
1e ~ 2e
1e ~ 2e
J bis
3e
2e ~ 3e
K
L
2e
e
1 ~ 2e
1e
1e
2e
1e ~ 2e
Chapitre 6-160
tude des cas
Tableau 6.9. Les rsultats du calcul de sensibilit dans les trois zones de Pontoise (les quatre nombres
donnent les limites (x1, x2, x3, x4) d'un nombre flou de type trapzo dal avec les participations
suivantes : {x1/0 | x2/1 | x3/1 | x4/0}).
Zone
Le Chou
L'Hermitage, cole prive
La cot de Larris
Nom sur la carte

A
B
C
D
A
B
C
D
E
G
H
I
J
J bis
K
L
M
x1
25.5
35.5
25.5
23
9.5
16
17
30.5
x2
39.5
49.5
39.5
37
15.5
34
23
44.5
x3
50.5
60.5
55.5
54.5
64.5
59.5
57
62
x4
64.5
74.5
69.5
70.5
80.5
79.5
73
78
10
20
50
16
28
57
4.5 10.5 32.5
13.5 21.5 52
10
20
40
19
33
50
13
27
45
4
6
27.5
70
73
52.5
68
60
70
65
47.5
Figure 6.15. La sensibilit dans la zone J ( gauche) et de la zone M ( droite) de la cot de Larris.
Chapitre 6-161
tude des cas
La qualification de l'activit et de l'intensit est aussi conduite d'une faon floue et par
l'utilisation des rgles de croisement donnes par l'INERIS. Le tableau 6.10. prsente la
sensibilit, lactivit et lintensit des diffrentes zones tudies sous forme de nombres flous
et le tableau 6.11. prsente l'ala obtenu dans ces zones. La figure 6.16 prsente la sensibilit,
l'activit, l'intensit, et l'ala dans la zone L de la cot de Larris, et la figure 6.17 prsente
lala sur diffrentes zones des falaises de Pontoise.
Tableau 6.10. Sensibilit, activit, et intensit des zones de Pontoise exprimes par des nombres flous
Zone
Nom sur
Sensibilit
la carte
X1, X2, X3, X4
Le Chou
A
25.5, 39.5, 50.5, 64.5
B
35.5, 49.5, 60.5, 74.5
C
25.5, 39.5, 55.5, 69.5
D
23, 37, 54.5, 70.5
A
9.5, 15.5, 64.5, 80.5
B
16, 34, 59.5, 79.5
C
17, 23, 57, 73
D
30.5, 44.5, 62, 78
E
La cot de Larris
G
10, 20, 50, 70
H
16, 28, 57, 73
I
4.5, 10.5, 32.5, 52.5
J
13.5, 21.5, 52, 68
J bis
10, 20, 40, 60
K
19, 33, 50, 70
L
13, 27, 45, 65
M
4, 6, 27.5, 47.5
Activit
X1, X2, X3, X4
15, 35, 65, 85
15, 35, 40, 60
15, 35, 65, 85
15, 35, 40, 60
40, 60, 65, 85
40, 60, 65, 85
15, 35, 40, 60
15, 35, 65, 85
0, 0, 30, 50
40, 60, 65, 85
15, 35, 55, 75
15, 35, 65, 85
25, 45, 65, 85
40, 60, 65, 85
15, 35, 40, 60
10, 10, 40, 60
15, 35, 40, 60
Intensit
X1, X2, X3, X4
15, 35, 40, 60
15, 35, 40, 60
0, 0, 30, 50
0, 0, 15, 35
0, 0, 15,35
15, 35, 40, 60
0, 0, 40, 60
0, 0, 40, 60
0, 0, 15, 35
15, 35, 65, 85
0, 0, 15, 35
0, 0, 40, 60
0, 0, 30, 50
15, 35, 55, 75
0, 0, 15, 35
0, 0, 15, 35
10, 10, 40, 60
Tableau 6.11. L'ala des zones de Pontoise obtenu par calcul et raisonnement flou en utilisant les
paramtres de l'INERIS.
Zone
Le Chou
La cot de Larris
Chapitre 6-162
Nom sur la carte

A
B
C
D
A
B
C
D
E
G
H
I
J
J bis
K
L
M
Ala {Ngligeable, Faible, Moyen, Fort}

{0.225, 0.85, 0.64, 0.45}
{0, 0.64, 0.9, 0.45}
{0.255, 0.94, 0.75, 0.25}
{0.225, 0.9, 0.48, 0}
{0,0.45, 0.9, 0}
{0, 0.45, 0.9, 0.45}
{0.34, 0.75, 0.68, 0.4}
{0, 0.76, 0.89, 0.4}
{0, 0.45, 0.85, 0.7}
{0.38, 1, 0.525, 0}
{0.35, 0.81, 0.85, 0.4}
{0.2, 0.74, 0.69, 0.25}
{0, 0.45, 0.75, 0.68}
{0.29, 0.9, 0.48, 0}
{0.58, 0.88, 0.47, 0}
{0.45, 0.76, 0.44, 0.44}
tude des cas
.
.
.
.
.
Sensibilit
.
.
Activit
.
.
Intensit
Fort, m = 0.0
Moyen, m = 0.47
Faible, m = 0.88
Ngligeable, m = 0.58
Ala
Figure 6.16. Sensibilit, activit, intensit et l'ala de la zone L value par la mthode floue. Le
rsultat obtenu par la mthode discrte de lINERIS est Faible.
Chapitre 6-163
tude des cas
Ala dans la zone D (Le Chou), l'ala obtenu par

lapproche discrte a t qualifi de Moyen
Ala dans la zone B (L'Hermitage), l'ala obtenu

par lapproche discrte a t qualifi de Fort
Ala dans la zone D (L'Hermitage), l'ala obtenu par

lapproche discrte a t qualifi de Moyen
Ala dans la zone H (La cot de Larris), l'ala obtenu

par lapproche discrte a t qualifi de Moyen
mFort = 0
mMoyen = 0.48
mFaible = 0.9
mNgligeable = 0.29
mFort = 0
mMoyen = 0.525
mFaible = 1
mNgligeable = 0.38
mFort = 0.4
mFaible = 0.76
mMoyen = 0.89
mNgligeable = 0
mFort = 0.45
mMoyen = 0.9
mFaible = 0.45
mNgligeable = 0
mFort = 0
Ala dans la zone B (Le Chou), l'ala obtenu par

lapproche discrte a t qualifi de Fort
mMoyen = 0.48
mFaible = 0.9
mNgligeable = 0.225
mFort = 0.45
mMoyen = 0.9
mFaible = 0.64
mNgligeable = 0
Ala dans la zone K (La cot de Larris), l'ala obtenu

par lapproche discrte a t qualifi de Moyen
Figure 6.17. Exemples d'ala quantifis par la mthode floue sur diffrentes zones des falaises de
Pontoise
Chapitre 6-164
tude des cas

Bien que la mthode floue soit diffrente de la mthode discrte, en utilisant les mmes
paramtres descriptifs, nous avons obtenu des rsultats similaires en tendance. L'ala obtenu
par la mthode floue dans une zone o lapproche discrte a donn un ala fort est plus grand
que dans une zone o lapproche discrte a donn un ala moyen. Par contre, si l'ala qui a t
trouv par lapproche discrte est fort, le centre de gravit de l'ala obtenue par lapproche
floue, ne tombe pas forcment dans la zone de fort ala. Nous pouvons expliquer cette
diffrence d'une part par la variation des paramtres. D'autre part, lorsque l'ingnieur sur le
site est oblig de donner une valeur discrte, il a souvent une attitude pessimiste et donne des
estimations excessives. C'est essentiellement pour cette raison que les rsultats obtenus par
lapproche discrte sont gnralement suprieurs ceux donns par la mthode mettant en
uvre la logique floue.
Chapitre 6-165
tude des cas
Analyse de lala par la logique floue et par l'utilisation du SMR

Sur le mme principe mis en uvre dans le cas de la tombe de Ramss I, nous avons mis en
uvre, sur le site des falaises de Pontoise) une valuation de lala mouvement de terrain en
utilisant le SMR (au lieu du RMR) comme caractristique de la sensibilit. Il sagit donc ici
dune approche caractre gnral permettant de se passer dune formule de sensibilit
dtermine empiriquement pour le site tudi. Le calcul de lala ncessite donc la
dtermination de classes floues pour les paramtres du SMR.
Le SMR ajoute au RMR, les quatre paramtres F1, F2, F3, et F4. Pour les paramtres du RMR,
nous avons utilis les mmes classes que celles utilises pour lanalyse de la tombe de Ramss
I et qui ont t illustres par la figure 6.5. Pour les quatre paramtres supplmentaires, nous
avons propos les classes donnes sur la figure 6.18.
Paramtre F3
Paramtre F4
Figure 6.18. Reprsentation floue des classes des paramtres F1, F2, F3, F4 du SMR.
Chapitre 6-166
Trs favorable
Favorable
Moyen
Dfavorable
Trs Dfavorable
Trs Dfavorable
Dfavorable
Moyen
Favorable
Trs favorable
Paramtre F2
Trs Dfavorable
Paramtre F1
Dfavorable
.
.
Moyen
Favorable
Trs favorable
Trs Dfavorable
Dfavorable
Moyen
Favorable
Trs favorable
tude des cas
Aprs intervention sur site, nous avons dtermin les valeurs des paramtres permettant le
calcul de la sensibilit. Le tableau 6.12 donne ces valeurs dans les trois zones tudies. Le Rc
a t estim d'aprs la bibliographie avec des valeurs souvent utilises pour ce type de massif
calcaire, Goodman [89]. Tous les autres paramtres ont t caractriss sur le site. Pour le
raisonnement, nous avons t obligs de construire une base de rgles comportant 5 classes de
sensibilit (selon le SMR), 4 classes d'activit (selon la mthode INERIS), et 4 classes
d'intensit (selon la mthode INERIS ). Cette base de rgles est donne dans le tableau 6.13.
Le tableau 6.14. montre les rsultats obtenus pour la sensibilit des sites selon le SMR et le
tableau 6.15. prsente les alas obtenus. La figure 6.19 prsente la sensibilit, l'activit,
l'intensit et l'ala dans la zone L de la cot de Larris, et la figure 6.20 prsente des exemples
d'ala obtenus dans diffrentes zones du site des falaises de Pontoise.
Chapitre 6-167
tude des cas
ableau 6.12. Expression des paramtres du SMR utilises pour la dtermination de la sensibilit.
Zone
Le Chou
Nom sur
la carte
A
B
Rc
(classe)
e
e
1 ~3
e
e
1 ~3
RQD
(classe)
e
3
e
2
PF
(classe)
e
3
e
2
1 ~3
1 ~3
1 ~3
1 ~3
1e ~ 3e
2e ~ 3e
2e ~ 3e
D
E
1e ~ 3e
1e ~ 3e
4e
G
H
I
J
1e ~ 3e
1e ~ 3e
1e ~ 3e
1e ~ 3e
J bis
K
1e ~ 3e
1e ~ 3e
L
M
1e ~ 3e
1e ~ 3e
Etat des dicontinuites

(classe)
e
e
2 ~3
e
e
3 ~4
Humidit
(classe)
e
1
e
1
F1
(classe)
e
5
e
5
F2
(classe)
e
1
e
1
F3
(classe)
e
e
2 ~3
e
e
2 ~3
2 ~3
3 ~5
2 ~3
4 ~5
4 ~5
2e ~ 4e
2e
4e
Vgtation
2e ~ 3e
2e ~ 3e
2e ~ 3e
4e ~5e
4e ~ 5e
4e
e
4 ~ 5e
4e ~5e
4e ~ 5e
4e
e
4 ~ 5e
3e ~ 4e
2e ~ 3e
3e ~ 4e
3e
4e
e
2 ~ 3e
4e
e
2 ~ 3e
3e ~ 4e
2e ~ 3e
3e
5e
3e
5e
3e
e
3 ~ 4e
2 ~3
2 ~3
3 ~4
5e
2 ~3
3 ~5
3 ~5
2 ~3
2 ~3
2 ~3
L'Hermitage, Ecole prive
F4
(classe)
e
2
e
2
1e
2e ~ 3e
1e
5e
Vgtation
1e
2e ~ 3e
1e
2e
3e
3e
2e
5e
4e
e
3 ~ 5e
3e ~ 4e
1e
1e
1e
1e
3e
2 ~ 3e
3e ~ 4e
3e ~ 4e
1e
1e
1e
1e
2e
2e
5e
5e
1e
1e
2e
2e
5e
e
4 ~ 5e
1e
1e
La cot de Larris
Chapitre 6-168
4e
2 ~ 3e
e
1e
1e
4e
3 ~ 4e
e
1e
1e
tude des cas
Tableau 6.13a. Rgles de calcul de la probabilit doccurrence

Sensibilit (SMR)
Activit
Dormant
Frais
Actif
Trs
Favorable
Ngligeable
Faible
Faible
Moyenne
Favorable
Moyen
Dfavorable
Ngligeable
Faible
Moyenne
Forte
Faible
Faible
Forte
Forte
Faible
Moyenne
Forte
Forte
Trs
dfavorable
Moyenne
Moyenne
Forte
Forte
Tableau 6.13b. Rgles de calcul de lala

Intensit
Chutes de pierres
Chutes de blocs
boulements
boulement majeur
Ngligeable
Faible
Moyenne
Forte
Ngligeable
Faible
Faible
Moyen
Faible
Faible
Moyen
Moyen
Faible
Moyen
Moyen
Fort
Moyen
Moyen
Fort
Fort
Tableau 6.14. Sensibilit des zones selon le SMR

Zone
Le Chou
L'Hermitage, Ecole prive
La cot de Larris
Nom sur
la carte
A
B
C
D
A
B
C
D
G
H
I
J
J bis
K
L
M
Sensibilit
x1, x2, x3, x4
42.4, 48.8, 76.3, 81.8
45.6, 52.4, 82, 87.8
42.6, 49, 78.9, 85
26, 31, 70.1, 76.5
22.9, 25.2, 65.4, 71.8
34.7, 38.9, 77.5, 84
27.6, 32, 79, 85.8
25.6, 29.8, 61.3, 67.4
18, 20.3, 55.8, 61.6
21.4, 23.5, 57.4, 63.4
19, 22.9, 51.8, 57.6
24.4, 26.4, 55.7, 61.2
20.8, 24.8, 52.8, 56.6
35.2, 39.5, 79, 85.8
32.6, 32.7, 56.4, 60.2
17.6, 19.5, 46.5, 51.9
Tableau 6.15. L'ala des zones avec l'utilisation de SMR

Zone
Le Chou
La cot de Larris
Nom sur la carte

A
B
C
D
A
B
C
D
G
H
I
J
J bis
K
L
M
Ala {Ngligeable, Faible, Moyen, Fort}

{0.3, 0.68, 0.85, 0.45}
{0.45, 0.92, 0.9, 0.28}
{0.35, 0.766, 0.75, 0.25}
{0.225, 0.7, 0.38, 0}
{0,0.64, 0.88, 0}
{0, 0.68, 0.97, 0.45}
{0.23, 0.9, 0.45, 0.4}
{0.35, 0.85, 0.6, 0.4}
{0.5, 0.8, 0.48, 0}
{0, 0.3, 0.85, 0.46}
{0.3, 0.97, 0.52, 0}
{0.35, 0.85, 0.6, 0.4}
{0.2, 0.83, 0.71, 0.25}
{0, 0.4, 0.77, 0.45}
{0.23, 0.82, 0.4, 0}
{0.3, 0.87, 0.45, 0}
Chapitre 6-169
tude des cas
.
.
.
.
.
.
Sensibilit
.
.
Activit
.
.
Intensit
Fort, m = 0.0
Moyen, m = 0.4
Faible, m = 0.82
Ngligeable, m = 0.23
Ala
Figure 6.19. La sensibilit, l'activit, l'intensit, et l'ala de la zone L value par la mthode floue et
par l'utilisation du SMR comme un moyen de quantification de la sensibilit. l'ala de faon discrte
a t qualifi comme Faible.
Chapitre 6-170
tude des cas
Ala dans la zone B (Le Chou), l'ala obtenu par

la mthode discrte a t qualifi de Fort
Ala dans la zone D (Le Chou), l'ala obtenu par

la mthode discrte a t qualifi de Moyen
Ala dans la zone B (L'Hermitage), l'ala obtenu

par la mthode discrte a t qualifi de Fort
mFort = 0.45
mMoyen = 0.77
mFaible = 0.44
Ala dans la zone D (L'Hermitage), l'ala obtenu

par la mthode discrte a t qualifi de Moyen
mNgligeable = 0
mFort = 0.46
mMoyen = 0.85
mFaible = 0.3
mNgligeable = 0
mFort = 0.4
mMoyen = 0.64
mFaible = 0.85
mNgligeable = 0.35
mFort = 0.45
mMoyen = 0.97
mFaible = 0.68
mNgligeable = 0
mFort = 0
mMoyen = 0.38
mFaible = 0.7
mNgligeable = 0.225
mFort = 0.28
mMoyen = 0.9
mFaible = 0.92
mNgligeable = 0.45
Ala dans la zone H (La cot de Larris), l'ala obtenu

Ala dans la zone K (La cte de Larris), l'ala obtenu

Figure 6.20. Alas dtermins par la mthode floue (avec utilisation du SMR pour caractriser la
sensibilit) sur diffrentes zones du site des falaises de Pontoise
Chapitre 6-171
tude des cas

Les rsultats de cette dernire analyse montrent une forte corrlation entre les rsultats
obtenus en utilisant la sensibilit de l'INERIS ou en utilisant le SMR pour caractriser la
sensibilit.
Pour illustrer cette corrlation des rsultats, nous avons cre deux listes des valeurs pour
chaque classe standard d'ala et pour les 16 zones de Pontoise pour lanalyse avec la
formule de sensibilit dINERIS, nous avons cre quatre listes de 16 lments chacune. La
premire liste est compos des taux dapparitions dans la classe ngligeable ala, la deuxime
est les taux dapparition dans la classe faible ala, etc. . En crant les mmes listes pour
lala avec le SMR, nous avons t en mesure de faire des corrlations entre les diffrentes
listes. Le tableau 6.16 reprsente les coefficients de corrlation entre ces rsultats et la figure
6.21. reprsente limage des points de corrlation pour les quatre classes standards d'ala.
Cela permet denvisager la possibilit de gnraliser la mthode dvaluation de lala en
sappuyant sur des outils standard comme le SMR (ou le RMR) plutt quen dveloppant,
pour chaque site tudi, une formulation spcifique de la sensibilit.
Reste dfinir, pour chaque type de situation rencontre, les rgles de croisement entre les
sensibilit, activit et intensit qui conduisent, par lintermdiaire de la probabilit
doccurrence, la dtermination de lala.
Ala avec
le SMR
Tableau 6.16. Les coefficients de corrlation entre les alas produits avec la formule de sensibilit
INERIS, et le SMR.
Chapitre 6-172
Ngligeable
Faible
Moye
Fort
Ala avec la formule de sensibilit INERS

Ngligeable
Faible
Moyen
0.796
0.922
0.921
Fort
0.992
tude des cas
.
.
.
.
Nuage des points de corrlation pour la

classe ngligeable d'ala coefficient de
corrlation 0.796

classe faible d'ala coefficient de
corrlation 0.922
.
.
.
.
.
.
.
.

classe moyen d'ala coefficient de
corrlation 0.921

classe fort d'ala coefficient de corrlation
0.992
Figure 6.21.Les nuages des points des corrlations pour les quatre classes d'ala.
Chapitre 6-173
tude des cas
6.3. Conclusion du chapitre

Nous avons montr deux exemples de l'utilisation dune mthodologie gnrale dvaluation
de lala mouvement de terrain gotechnique. Ces deux cas d'analyse ont montr que
l'utilisation du RMR ou du SMR pour la dtermination de la sensibilit du site, pouvait tre
gnralise lanalyse de tous les sites o ces ratio sont dj utiliss pour caractriser
habituellement ltat du site tudi.
Cette gnralisation offrirait lavantage de travailler avec une chelle dala absolue (car ne
dpendant pas dune formule de sensibilit labore spcifiquement mais dune ratio devenu
standard de fait pour la caractrisation des massifs rocheux ou des pentes et talus) et
permettrait une meilleure comparaison entre sites diffrents.
L'utilisation de la logique floue permet de mettre l'accent sur la variabilit des paramtres
mesurs ou observs sur site et de la traduire dans lanalyse. De mme, elle permet de corriger
linfluence de loprateur de lanalyse et elle rsout le problme concret de limites des classes.
Chapitre 6-174
CONCLUSION GNRALE
Conclusion gnrale
Conclusion gnrale
Dans le domaine de la gotechnique, l'approche industrielle de lanalyse et de lvaluation des

risques est gnralement mal approprie en raison de la variabilit intrinsque des
caractristiques des matriaux et milieux naturels tudis, de la mconnaissance des
phnomnes en jeu ou de lincertitude qui pse sur de nombreux paramtres. Dune certaine
faon, les gotechniciens intgrent ces lments dans les mthodes dvaluation de lala
mouvement de terrain quils emploient. En effet, les mthodes quils mettent en uvre sont
conduites partir de quelques paramtres reprsentatifs dune situation globale dinstabilit
potentielle. La ou le(s) valeur(s) prise(s) par ces paramtres sont places facilement dans des
classes de valeurs prdtermines partir desquelles les raisonnements sont mens. Si cette
faon de procder tolre donc une certaine variabilit ou incertitude sur les paramtres
(limportant cest la classe laquelle ils appartiennent), elle ne permet pas den exprimer les
effets sur le rsultat obtenu. En dautres termes, on accepte une certaine variabilit des
paramtres mais on ne sait pas comment cette variabilit influence le rsultat. Cest sur ce
terrain-l que nos travaux ont port avec la volont dexprimer ou de caractriser la variabilit
ou lincertitude sur les paramtres dentre et intgrer cette variabilit dans lexpression du
rsultat.
Aprs avoir tent une extension des mthodes existantes par les mthodes de simulation de
Monte-Carlo, nous nous sommes rapidement tourns vers la logique floue. En effet la
simulation exige une bonne connaissance des distributions statistiques que suivent les
paramtres mesurs. Cette connaissance est rarement disponible car elle exige la disponibilit
de nombreuses mesures sur le site tudi. Par ailleurs, elle permet difficilement de rendre
compte de la variabilit de paramtres qualitatifs. Au contraire, la logique floue permet de
manipuler des informations par nature imprcise, entaches dincertitude ou de variabilit que
lingnieur, par son jugement propre est capable de transcrire assez simplement. Par ailleurs,
elle offre une mthode de reprsentation des informations qualitatives trs naturelle. Enfin,
elle autorise une manipulation mathmatique des informations, ce qui a permis denvisager la
programmation informatique de la mthode dvaluation.
Page 177
Conclusion gnrale
Dans les trois premiers chapitres de ce mmoire, nous avons montr les limites et les
dsavantages des mthodes utilises actuellement pour lvaluation de lala mouvement de
terrain des ouvrages en gotechnique.
En premier lieu, nous avons dress un panorama des mthodes utilises et avons dgag une
mthode de raisonnement qui nous a paru reprsentative de lensemble des travaux publis et
bien adapte lvaluation de lala mouvement de terrain. Cette mthode procde en trois
tapes : dtermination de la sensibilit et de lactivit dun site partir de paramtres mesurs
ou relevs sur le site et dtermination de lintensit de lvnement redout ; croisement de
lintensit et de lactivit pour dterminer la probabilit doccurrence de lvnement
redout ; croisement de la probabilit doccurrence et de lintensit qui donne lala. Les
croisements sont raliss sur la base de rgles dfinies par un groupe dexpert.
Cette mthodologie d'analyse a nanmoins des limites ou prsente quelques inconvnients que
nous avons souligns. Nous avons particulirement relev le problme de la variabilit des
donnes puis le problme pratique li lutilisation de classes de valeurs (problme dit des
limites de classes).
Nous avons ensuite tent dapporter des rponses ces problmes en explorant tout dabord
les mthodes de simulation. Mais cest en mettant en uvre des outils de la logique floue que
nous avons pu apporter une solution globale aux questions souleves et proposer une
mthodologie qui sen imprgne.
Nous avons, en particulier, dvelopp le concept de -coupes qui permet de conduire un
raisonnement complet sans perte dinformation significative. Nous avons expos sa mise en
uvre dans le cas de lvaluation de lala mouvement de terrain et montr ses avantages par
rapport aux mthodes de raisonnement existantes qui conduisent une perte dinformation
certaines tapes. Ainsi, les calculs flous que nous avons montrs (et programms dans
lenvironnement Mathematica) sont mens par le biais des -coupes et les raisonnements
(croisement de deux grandeurs pour en fournir une troisime) sont conduits par le biais de coupes. Nous pensons, ce sujet, que le concept de -coupes dpasse bien entendu
lutilisation que nous en avons faite dans ce mmoire. Elle constitue une mthode gnrale
pouvant tre employe dans toutes mthodes de raisonnement utilisant la logique floue.
Page 178
Conclusion gnrale
Finalement, au cours de notre travail mathmatique, nous avons dvelopp des outils
informatiques avec Excel et Mathematica capables d'aider la dcision d'experts et bases
sur les concepts dvelopps.
Nous avons propos une mthodologie standard d'valuation de lala mouvement de terrain
des sites gotechniques, qui utilise la logique floue pour les calculs et les raisonnements. Cette
mthode peut constituer un appui significatif un travail dingnieur sur le terrain. Elle lui
permettra notamment de traduire la variabilit pressentie des paramtres ou les incertitudes de
ses choix et lui fournira des lments de rponse qui en tiennent compte.
Nous en avons fait la dmonstration sur deux exemples principaux : les falaises de Pontoise
en rgion parisienne ; et la tombe de Ramss I en gypte.
Quelques perspectives ce travail peuvent tre envisages. Il en est ainsi de ladaptation des
standards actuels tels que RMR ou SMR lvaluation de la sensibilit dun site. Des
amliorations ou simplifications sont possibles et des mthodes dacquisition de donnes
peuvent tre proposes et il serait intressant de revenir sur lchelle utilise pour dterminer
ces ratios et linfluence de cette chelle sur les rsultats dune valuation dala.
Par ailleurs, il nous parat important de poursuivre le dveloppement du concept de -coupes,
en particulier, dun point de vue plus thorique afin den mesurer la potentialit.
Nous essayerons dappliquer la mthodologie dveloppe au cours de ce travail de thse
dautres sites que ceux mentionns dans le mmoire, et notamment aux autres tombes de la
valle des rois en gypte. Dans le domaine des monuments historiques, les mthodes
dvaluation dala pourraient certainement apporter une autre vision des problmes et de
lurgence de leur traitement.
A plus long terme, les solutions et mthodes proposes dans ce travail pourraient tre
intgres dans un systme dinformation gographique et il serait intressant, ce sujet, de
rflchir la faon de reprsenter sur des cartes, les alas flous que le SIG pourrait se charger
de dterminer automatiquement .
Page 179
Conclusion gnrale
Page 180
RFRENCES
Rfrences
Rfrences
BARTON, N. [1974]. Engineering classification of rock masses for design of tunnel support. Rock
mechanics, vol. 6, no. 4
BELLMAN, R.E., ZADEH, L.A. [1970]. Decision Making in a Fuzzy Environment. Management
Science. Vol. 17, pp. B141-B164.
BIENIAWSKI, Z. [1973]. Engineering classification of jointed rock masses. Transaction of South
African institute of civil engineering Vol. 15, pp. 335-344.
BIENIAWSKI, Z. [1989]. Engineering rock mass classifications. John Wiley and sons.
BIENIAWSKI, Z.T. [1979]. The geomechanics classification in rock engineering applications. 4th
International congress on rock mechanics, ISRM Montreux. Balkema. pp. 41-48.
BONISSONE, P.P. [1982] A fuzzy sets based linguistic approach : theory and applications.
Approximate reasoning in decision analysis. North-Holland publishing company, pp. 329-339.
BOUCHON-MEUNIER, B. [1993]. La logique floue, Edition Que sais-je?, Presses universitaire de
France.
BOUCHON-MEUNIER, B. [1995]. La logique floue et ses applications. Editions Addison-Wesley
France, SA.
BROWN, C.B. [1979]. A Fuzzy Safety Measure. Journal of Engineering Mechanical Division
American Society Civil Engineering. pp. 855-872.
BUDETTA, P., CALCATERRA, D., SANTO, A., [1994]. Engineering-geological zoning of
potentially unstable rock slopes in Sorrentine Peninsula (Southern Italy) . 7th International IAEG
congress.
BURROUGH, PA., MACMILLAN, R.A., VANDEURSEN, W. [1992]. Fuzzy classification methods
for determining land suitablity from soil profile observation and topography. Journal of soil
science. Vol. 43, pp. 193-210.
CHANG, S.S.L. [1969]. Fuzzy Dynamic Programming and Decision Making Process. Proceeding
of 3rd Princton Conference on Information Sciences and Systems. pp. 200-203.
CHUANG, P.H. [1995]. Use of fuzzy sets for evaluating shear strength of soils. Computers and
geotechnics. Vol. 17, pp. 425-446.
COGGAN, J., WETHERELT, A., SHAIL, R. [1997]. Use of rock mass classification in tunneling
projects within the south west region of the United Kingdom. Proceeding of Tunneling under
difficult conditions and rock mass classification, Basel, Switzerland, pp. 33-43.
COX, E. [1994]. The fuzzy systems handbook. Academic press.
DAWS, G. [1997]. The role of rock mass classification systems in the design and operation of room
and pillar mining system. Proceeding of Tunneling under difficult conditions and rock mass
classification, Basel, Switzerland, pp. 17-31.
DEER, D., MILLER, R. [1966]. Engineering classification and index properties of intact rock. Air
force laboratory technical report no. AFNL-TR-65-116, Albuquerque, NM.
Page 183
Rfrences
DOSS, A. [1992]. An Expert System for Seismic Risk Assessement. PhD, Faculty of Engineering,
Cairo University.
DUBOIS, D., PRADE, H. [1980]. Fuzzy sets and systems : Theory and application. Academic
press.
DUTTA, S. [1993]. Fuzzy Logic Applications: Technological and Strategic Issues. IEEE
Transaction on Engineering Management. Vol. 40, pp. 237-254.
ELLISON, R. D. [1978]. Underground Mine Hazard Analysis Techniques. Proceeding of 1st.
International Symposium on Stability in Coal Mining. pp. 299-318.
EVRARD, H. [1987]. Risques Lis aux carrires souterraines abandonnes de Normandie. Bul.
Liaison Labo. P. et Ch.. Vol. , pp. 96-108.
EVRARD, H. [1995]. Rapport finale sur l'analyse de stabilit dans la tombe de Ramses II, Vallee des
Rois, Egypte. Mission L.C.P.C. 1995. Laboratoire centrale des Ponts et Chausses.
FAIRHURST, C., LIN, D. [1985]. Fuzzy methodology in tunnel support design. Research and
Engineering Application in rock mass. pp. 269-278.
FARES, A., ROLLET, M., BROQUET, P. [1994]. Mthodologie de la cartographie des risques
naturels lis aux mouvements de terrain. Revue Franais gotechnique. Vol. 69, pp. 63-72.
FUKAGAWA, R., MURO, T., HOZUMI, K, MATSUIKE, T. [1996]. Estimation of ground
properties based on a fuzzy reasoning method during vertical hole excavation. Journal
Mathematical Analysis and Applications. Vol. 33, pp. 103-112.
GOODMAN, R. [1989]. Introduction to rock mechanics. John Wiley & sons.
GUPTA, M., SARIDIS, G. [1977]. Fuzzy Automata and Decision Processes.
HAMMAH, R.E., CURRAN, J.H. [1998]. Optimal delination of joint sets using a fuzzy clustering
algorithm. Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-5.
HELAL, H., ABDALLAH, T, BAROUDI, H. [1991]. Behaviour of ancient cavities in discontinuous
media : the baboon tomb case study, Saqqarah. Intenational symposium on static and dynamic
considerations in rock engineering. Roya Swazi SPA Swaziland.
HUDSON, J. A. [1992]. Rock Engineering Systems : Theory and Practice.
HUDSON, J.A., DE PUY, M.A. [1990]. Rock characterization according to Engineering objectives.
Proceeding of 3rd conference on rock mechanics & engineering 26-29 Nov. 1990.
HUDSON, J.A., HARRISON, J.P. [1990]. A new approach for studying complete rock engineering
problem. Quarterly Journal of Engineering Geology. Vol. 25, pp. 93-105.
HUDSON, J.A., SHENG, J., ARNOLD, P.N. [1992]. Rock engineering risk assessement through
critical mechanisms and parameter evaluation. Proceeding of 6th. Australia-Newzealand
conference on geomech. pp. 442-447.
International Society for Rock Mechanics [1981]. Basic geotechnical description of rock masses.
International journal of rock mechanics and mining sciences, vol. 18, pp. 85-110.
JIAO, Y., HUDSON, J.A. [1995]. The fully-coupled model for rock engineering systems.
International journal of rock mechanics, mining sciences and geomechanics abstracts. Vol. 32, pp.
491-512.
JUANG, C. H., HUANG, X. H., ELTON, D. J. [1991]. Fuzzy Information Processing by the MonteCarlo Simulation Techniques. Civil Engineering Systems. Vol. 8, pp. 19-25.
Page 184
Rfrences
JUANG, C.H., HUANG, X.H. [1992]. Modelling and Analysis of Non-Random Uncertainties, Fuzzy
Set Approach. International journal for numerical and analytical methods in geomechanics. Vol.
16, pp. 335-350.
JUANG, C.H., LEE, D.H. [1992]. Mapping Slope Failure Potential Using Fuzzy Sets. Journal of
Geotechnical Engineering. pp. 475-494.
KACEWICZ [1987]. Fuzzy slope stability method. Mathematical Geology. Vol. 19, pp. 757-767.
KANDEL, A. [1986]. Fuzzy Mathematics Techniques with Applications. Addison-Wesley.
KAWAKAMI, H., SAITO, Y. [1984]. Landslide Risk Mapping by a Quantification Method.
Proceeding of 4th. International Symposium on Landslides. Vol. 2, pp. 535-540.
LAUBSCHER, D. [1977]. Geomechanical classification of jointed rock masses - mining
applications Transaction of the institute of mining and metallurgy, vol. 86, pp. A1-A7.
LAUFFER, H. [1958]. Gebirgsklassifizierung fr den Stollenbau Geol. Bauwesen, Vol. 74, pp. 4651.
LEROY, A. SIGNORET, J.P. [1992]. Le risque technologique, Edition Que sais-je?, Presses
universitaire de France.
LOUIS, C. [1974]. Reconnaissance des massifs rocheux par sondages et classifications
gotechniques des roches. Ann. Inst. Tech. Paris, no. 108, pp. 97-122.
MADHU, S., JUANG, C. H., CHEN, J. W., LEE, D. H. [1995]. A knowledge based approach to rock
mass classification and tunnel support system. Civil Engineering Systems. Vol. 12, pp. 307-325.
MARTIN, P. [1976]. Essai sur la gotechnique. Edition Masson, Paris.
MAZZOCCOLA, DF., HUDSON, J. A. [1996]. A comprehensive method fr rock mass
characterization for indicating natural slope instability. Quarterly Journal of Engineering Geology.
Vol. 29, pp. 37-56.
McKMILAN, P., MATHESON, G. D. [1997]. A two stage system for highway rock slope risk
assessement. International journal of rock mechanics, mining sciences and geomechanics
abstracts. Vol. 34.
McNEILL, F.M., THRO, E. [1994]. Fuzzy logic : A practical approach. Academic press.
MEHROTRA, G.S., SARKAR, S., KANUNGO, D.P., HARAGOPAL, M. [1995]. Slope stability
assessement using slope mass rating technique. Rock mechanics and rock engineering. Vol. , pp.
91-96.
MILLIES-LACROIX, A. [1981]. Classification des talus et versant instables. Bul. Liaison Labo. P.
et Ch. pp. 55-62.
NATHANAIL, C. P., HUDSON, J. A. [1992]. Stability hazard indicator system for slope failure in
heterogenous strata. EUROCK 92 Symposium, Chester UK. Thomas Telford Ltd.. Vol. , pp. 111116.
NGUYEN, V.U. [1985]. Overall Evaluation of Geotechnical hazard Based on Fuzzy Set Theory.
Soils and Foundations. Vol. 25, pp. 8-18.
NGUYEN, V.U. [1985]. Some Fuzzy Set Applications in Mining Geomechanics. International
journal of rock mechanics, mining sciences and geomechanics abstracts. Vol. 22, pp. 369-379.
NGUYEN, V.U. [1985]. Tender Evaluation of Fuzzy Sets. ACSE, Journal Engineering
Construction and Management. Vol. 111, pp. 231-243.
Page 185
Rfrences
NGUYEN, V.U., SHWORTH, E.A. [1985]. Rock Mass Classification by Fuzzy Sets. 26th US
Symposium on Rock Mechanics. pp. 937-945.
ORR, C.M., [1992]. Assessement of rock slope stability using the Rock Mass Rating (RMR)
system . The Australian IMM proceedings. No. 2.
PING, L., HUDSON, J.A. [1993]. A Fuzzy Evaluation Approach to the Stability of Underground
Excavations. Eurock. pp. 615-623.
PRIEST, S.D., HUDSON, J.A. [1981]. Estimation of discontinuity spacing and trace length using
scanline surveys. International journal of rock mechanics, mining sciences and geomechanics
abstracts. Vol. 18, pp. 183-197.
RAO, S.V., PARSAD, J. [1982]. Definition of kriging in terms of fuzzy logic. Mathematical
Geology. Vol. 14, pp. 37-42.
REZIG, S., FAVRE, J., LEROI, E. [1997]. The probabilistic evaluation of the risk ground
movement. ESREL 97, European Society for Safety and RELiability. pp. 1543-1550.
ROMANA, M. [1991]. SMR Classification. 7th International congress rock mechanics. Vol. , pp.
955-960.
ROMANA, M. [1997]. The geomechanical classification SMR for slope correction. Proceeding of
Tunneling under difficult conditions and rock mass classification, Basel, Switzerland, pp. 1-16.
SAKURA, S., SHIMIZU, N. [1987]. Assessement of rock slope stability by fuzzy set theory. ISRM.
pp. 503-506.
SUI, DZ. [1992]. A Fuzzy GIS modeling approach for urban land evaluation. Computers,
environment and urban systems. Vol. 16, pp. 101-115.
TERANO, T., ASAI, K., SUGENO, M. [1989]. Applied Fuzzy Systems. AP Professional, 955
Massachusetts Avenue, Cambredge, MA 02139.
TERZAGHI, K. [1946]. Rock defects and loads on tunnel support. Rock tunneling with steel
supports, ed. R. V. Procter and T. White, Commercial sharing co., Youngstown, OH, pp. 15-99.
TRITSCH, J.J., DIDIER, C. [1996]. Mthodologie pour la connaissance et l'identification des risques
de mouvements de terrain. Rapport finale de projet de recherche, INERIS, France.
VALLIAPPAN, S., PHAM, TD. [1993]. Fuzzy finite element analysis of a foundation on an elastic
soil medium. International journal for numerical and analytical methods in geomechanics. Vol.
17, pp. 771-789.
WANG, G.Y., OU, JP. [1987]. Fuzzy random models of future earthquake ground motion. 3rd.
International conference on soil dynamics and earthquake engineering, Southampton. pp. 361-371.
WEE, W.G. [1967]. On Generalization of Adaptive Algorithms and Application of the Fuzzy Sets
Concept to Pattern Classification. Technical Report, Purdue Univ.
WENXIU, LI. [1987]. Fuzzy probability analysis for displacement of rock mass. Science sinica.
series B. Vol. 30, pp. 1109-1120.
Wickham, G., Tiedemann, H., Skinner, E. [1972]. Support determination based on geologic
predictions. Proceeding of rapid excavation and tunneling conference, AIME, New York, pp. 4364.
YAO, J., FURUTA, H. [1986]. Probabilistic Treatment of Fuzzy Events in Civil Engineering.
Journal Probabilistic Engineering Mechanics. Vol. 1, pp. 58-64.
Page 186
Rfrences
YOUNG, D.S. [1993]. Probabilistic slope analysis for structural failure. International journal of
rock mechanics, mining sciences and geomechanics abstracts. Vol. 30, pp. 1623-1629.
ZADEH, L.A. [1965]. Fuzzy Sets. Information and Control. Vol. 8, pp. 338-353.
ZADEH, L.A. [1968]. Fuzzy Algorithms. Information and Control. Vol. 12, pp. 94-102.
ZADEH, L.A. [1968]. Probability Measures of Fuzzy Events. Journal Mathematical Analysis and
Applications. Vol. 10, pp. 421-427.
ZADEH, L.A. [1975]. The Concept of a Linguistic Variable and Its Application to Approximate
Reasoning. Information Science. pp. 199-249.
ZADEH, L.A. [1978]. Fuzzy Sets as a Basis for Theory of Possibility. International Journal Fuzzy
Sets and Systems. Vol. 1, pp. 3-28.
ZADEH, L.A., FU, K.S., TANAKA, K., SHIMURA, M. [1975]. Fuzzy sets and their applications to
cognitive and decision process. Academic press.
ZETTLER, A., POISEL, R. LAKOVITS, D., KASTNER, W. [1998]. Control system for tunnel
boring machines (TBM) : A first investigation towards a hyprid control system. Int. J. of Rock
Mech. & Min. Sci. Vol. 35, No. 4-5.
ZHU, A.X., BAND, L.E. [1996]. Automated soil inference under fuzzy logic. Geological
modelling. Vol. 90, pp. 123-145.
Page 187
BIBLIOGRAPHIES
Bibliographies
Bibliographies
ABOUSLEIMAN, Y., BAI, M., ZHANG, H., EKOBTE, S., LIU, T., ROEGIERS, J.C. [1998]. ASRS
- A unified approach in reservoir mechanics. Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-5.
AFROUZ, A.A. [1992]. Practical Handbook of Rock Mass Classification Systems and Modes of
Ground Failure. Boca Raton Press.
ANDERSON, C., LOYNES, R. [1987]. The Tecahing of Practical Statistics.
ANDERSON, J. [1997]. World wide research points to the need for new approaches to control
tunneling risks. Proceeding Tunneling under difficult conditions and rock mass classification. pp.
87-95.
AZZON, A., BARBERA, L.A. [1995]. Analysis and prediction of rockfalls using mathematical
model. International journal of rock mechanics, mining sciences and geomechanics abstracts. Vol.
32, pp. 709-724.
BANDOPADHYAY, S., SUNDARARAJAN, A. [1987]. Simulation of a Longwall Development
Extraction Network. CIM Bulletin. Vol. 80, pp. 62-70.
BAROUDI, H. [1986]. Classification des massifs rocheux pour le choix de soutnement.
Laboratoire de mcanique des terrains, CERCHAR, France.
BEER, G., MEEK, J. [1982]. Design curves for roofs and hanging walls in bedded rock based on
voussoir beam and plate solutions. IMM transactions. Vol. A91, pp. 18-22.
BELSITO, S., BANERJEE, S. [1997]. Artificial Neural networks for leak detection in pipelines.
ESREL 97, European Society for Safety and RELiability. pp. 733-741.
BERNSTEIN, G., CARLSON, E., FELDER, R., BOKENY, R. [1993]. A simulation-based decision
support system for a Pharmacuticals manufacturing plant. Process Safety Progress. Vol. 12, pp.
71-75.
BISCHOFF, K., BRETSCHNEIDER, M. [1997]. The limited applicability of fuzzy set theory to fault
tree analysis - negative probabilities and other anomalies. ESREL 97, European Society for Safety
and RELiability. pp. 2423-2430.
BLAYO, F., VERLEYSEN, M. [1996]. Les reseaux de neurones artificiels, Que sais-je?. Press
Universitaire de France.
BLOCKLEY, D.A. [1982]. Fuzzy Systems in Civil Engineering. Approximate Reasonning and
Decision Analysis. pp. 103-115.
BRISBOIS, J. [1990]. Mthodes d'Evaluation Quantitative des Risques Dus Aux Centrales
Nuclaires. Journees Scientifiques et Prix UAP.
BRISBOIS, J., LANORE, J. M. [1990]. Les Etudes Probabilistes de Scurit des Centrales Nuclaires
Francaises de 900 et 1300 MW. RGN. pp. 522-535.
BURNS, W. J., SLOVIC, P., KASPERSON, R., KASPERSON, J. [1993]. Incorporating structural
Models into Research on the Social Amplification of Risk : Implications for Theory Construction
and decision Making. Risk Analysis. Vol. 13, pp. 611-623.
BURROUGH, PA. [1989]. Fuzzy mathematical methods for soil survey and land evaluation.
Journal of soil science. Vol. 40, pp. 477-492.
Page 191
Bibliographies
CARLIER, J., CHETIENNE, P. [1982]. Un Domain Trs Ouvert: Les Problmes d'Ordonancement.
Operations Research. Vol. 16, pp. 175-217.
CASCIATI, F., FARAVELLI, L., YAO, T. [1995]. The Tuning of Fuzzy Controllers for Active
Structural Control. Application of Statistics and Probabilitty ICASP 7. Vol. 2, pp. 741-745.
CELEDA, B., GONZALEZ, A. [1997]. Rock mass characterisation of the weak zones at the perthus
tunnel. Proceeding Tunneling under difficult conditions and rock mass classification. pp. 75-86.
CHAN, S.Y.J. [1993]. An Alternative Approach to the Modeling of Probability Distributions. Risk
Analysis. Vol. 13, pp. 97-102.
CHANDA, E.C.K. [1990]. An Application of Integer Programming and Simulation to Production
Planning for a Stratiform Ore Body. Mining Science and Technology. Vol. 11, pp. 165-172.
CHANG, C.L. [1968]. Fuzzy Topological Spaces. Journal Mathematical Analysis and Applications.
Vol. 24, pp. 182-190.
CHILES, J.P. [1988]. Fractals and geostatistical methods for modeling of a fracture network.
Mathematical Geology. Vol. 20, pp. 631-654.
CHOWDHURY, R.N. [1986]. Geomechanics Risk Model for Multible Failures Along Rock
Discontinuities. International journal of rock mechanics, mining sciences and geomechanics
abstracts. Vol. 23, pp. 337-346.
CHOWDHURY, R.N., AUST, F.I., ZHANG, S., LI, J. [1992]. Geotechnical risk and the uses of grey
extrapolation technique. Proceeding of 6th. Australia-Newzealand conference on geomech. pp.
432-435.
CLAY, R., TAKACS, A. [1997]. Anticipating the unexpected - flood, fire overbreak, inrush,
collapse. Proceeding Tunneling under difficult conditions and rock mass classification. pp. 223242.
COMOTTI, D., DI GIULIO, A., GHISLINI, T., SINISI, M. [1997]. Fault tree analysis with fuzzy
failure rates. ESREL 97, European Society for Safety and RELiability. pp. 2415-2420.
CORNELL, M.E. [1983]. Acceptable Decision Processes and Acceptable Risks in Public Sector
Regulations. IEEE Transaction on Systems, Man, and Cybernetics. Vol. SMC-13, pp. 113-124.
CORNELL, M.E. [1984]. Fault Trees vs. event Trees in Reliability Analysis. Risk Analysis.
CORNELL, M.E. [1985]. Fire Risks in Oil Refineries : Economic Analysis of Camera Monitoring.
Risk Analysis. Vol. 5, pp. 277-288.
CORNELL, M.E. [1986]. Probability and Uncertainty in Nuclear Safety Decisions. Nuclear
Engineering and Design. pp. 319-327.
CORNELL, M.E. [1986]. Warning Systems in Risk Management. Risk Analysis. Vol. 6, pp. 223234.
CORNELL, M.E. [1989]. Organizational Control of System reliability - A Probabilistic Approach
with Application to the Design of Offshore Platforms. Control - Theory and Advanced
Technology. Vol. 5, pp. 549-568.
CORNELL, M.E. [1990]. Organizational Aspects of Engineering System Safety : The Case of
Offshore Platforms. Science. Vol. 250, pp. 1210-1217. .
CORNELL, M.E. [1993]. Learning from Piper Alpha Accident : A Postmortem Analysis of
Technical and Organizational Factors. Risk Analysis. Vol. 13, pp. 215-232.
Page 192
Bibliographies
CORNELL, M.E., BEA, R.G. [1992]. Management Errors and System Reliability : A Probabilistic
Approach and Application to Offshore Platforms. Risk Analysis. Vol. 12, pp. 1-18.
CORNELL, M.E., BOYKIN, R. [1987]. Probabilistic Risk Analysis and Safety Regulation in the
Chemical Industry. Journal of Hazardous Materials. Vol. 15, pp. 97-122.
COX, D.C., FREEMAN, L.C.G. [1990]. Managing the Development of a New Mine Project.
IMinE. Vol. , pp. 277-283.
DUNHAM, R. K., LLOYD, P. W., REDDISH, D. J., WHITTLES, D. N. [1997]. The application of
rock mass classification principles to coal mine design. 5th. International Conference on Mining,
Petroleum, and Metallurgical. Vol. 2, pp. 9-19.
ELLENBERGER, J.L. [1981]. Hazard prediction model Development : The Multiple Overlay
Technique. SME-AIME Annual Meeting.
EL-SHAYEB, Y. [1998]. Analyse des risques en gotechnique : Approches par simulation et par
logique floue , XVIeme Rencontres Universitaires de Gnie Civil, Prix Jeunes chercheurs. Reims
- France. 28 ~ 29 Avril 1998.
EL-SHAYEB, Y., VERDEL, T. [1998]. Geotechnical risk analysis in historical sites : Application at
the valley of the kings, Egypt , 8 Congress of the International Association for Engineering
Geology and the Environment, Vancouver, Canada. 21 ~ 25 Sept. 1998.
EL-SHAYEB, Y., VERDEL, T. [1998]. L'incertitude dans la gotechnique : comment la surmonter ?
Application l'analyse des risques , Sminaire annuel de l'cole doctorale PROMEMA. Nancy France. 18 ~ 19 Mai 1998.
EL-SHAYEB, Y., VERDEL, T. [1998]. Overcoming uncertainties in geotechnical risk analysis : the
discrete, simulation, and fuzzy logic approaches , Computer simulation in risk analysis and hazard
mitigation (Risk Analysis 98), Valencia, Spain. 6 ~ 8 Oct. 1998.
EL-SHAYEB, Y., VERDEL, T., DIDIER, C. [1997]. Computer simulation and risk analysis around
unstable cliffs. Application to a French case. ESREL 97, European Society for Safety and
RELiability. Vol. 2, pp. 1171-1179.
EL-SHAYEB, Y., VERDEL, T., DIDIER, C. [1997]. Fuzzy reasoning for the analysis of risks in
geotechnical engineering. Application to a French case. IDEA 97, Intelligent Design in
Engineering Applications.Aachen - Germany. 11 September 1997. pp. 101-105
EL-SHAYEB, Y., VERDEL, T., EL-WAGEEH, M. [1997]. Simulation as a tool to overcome
uncertainties in the development cycle of driving a roadway : case study at the Anna mine,
France. 5th. International Conference on Mining, Petroleum, and Metallurgical Engineering,
MPM 97, Suez - Egypt. 24 ~ 26 February 1997.
EL-WAGEEH, M., KAREEM, M. A. [1978]. A computerized method for solving mine ventilation
networks. 2nd. Metallurgical Conference in A.R.E. Vol. 1.
ESTERHUIZEN, G.S., ACKERMANN, K.A. [1998]. Stochastic keyblock analysis for stope support
design. Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-5.
EVANS, N. [1986]. Computer Applications in Mine Planning and Design. Mining Science and
Technology. Vol. 3, pp. 167-172.
FENG, X.T., WEBBER, S.J., OZBAY, M.U. [1997]. Applicability of artificial intelligence
techniques for assessing rockburst risks in deep gold mines. 1st. South African rock engineering
symposium. pp. 190-196.
GARIN, H. [1994]. AMDEC/AMDE l'essentiel de la Methode.
Page 193
Bibliographies
GOKAY, M., HUDSON, J. A. [1993]. Recognition of excavation failure conditions by using

knowledge bases. International symposium on assessement and prevention of failure phenomena
in rock engineering. pp. 785-789.
GREGORY, R., LICHTENSTEIN, S. [1994]. A Hint of Risk : Tradeoffs Between Quantitative and
Qualitative Risk Factors. Risk Analysis. Vol. 14, pp. 199-206.
GRIVAS, D., SHEN, Y., SHULTZ, B. C., [1995]. Damage Assessement Methodologies for Civil
Infrastructure. Application of Statistics and Probabilitty ICASP 7. Vol. 2, pp. 747-752.
HAYASHI, C. [1950]. On the Quantification of Qualitative Data from Mathematico-Statistical Point
of View. Annals of Statistical Mathematics. Vol. 2, pp. 35-47.
HENDRY, J.W. [1987]. Computer Assisted Mine Production Planning. CIM Bulletin. Vol. 81, pp.
27-30.
HERNERT, P. [1995]. Les algorithmes, Que sais-je?. Press Universitaire de France.
HOEK, E. [1998]. Reliability of Hoek-Brown Estimates of Rock Mass Properties and their Impact on
Design. International journal of rock mechanics, mining sciences and geomechanics abstracts.
Vol. 35, pp. 63-68.
HOEK, E., BROWN, E.T. [1997]. Practical estimates of rock mass strength. International journal of
rock mechanics, mining sciences and geomechanics abstracts. Vol. 34, pp. 1165-1186.
HONG, Y., APOSTOLAKIS, G. [1993]. Conditional Influence Diagrams in Risk Management.
Risk Analysis. Vol. 13, pp. 625-636.
HONISCH, K. [1997]. Rock mass strength parameters and classification for cavern support design.
Proceeding Tunneling under difficult conditions and rock mass classification. 175-185.
HONISCH, K., NAGEL, K. [1998]. Practical use of rock mass classification for cavern & tunnel
support. Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-5.
HUDSON, J.A., HUDSON, J.L. [1993]. Establishing potential behavioral modes of rock engineering
systems by computer simulation of interaction matrix energy flux. International journal of rock
mechanics, mining sciences and geomechanics abstracts. Vol. 30, pp. 457-468.
HURT, K., BIGBY, D. [1997]. Mine tunnel reinforcement using the observational method.
Proceeding Tunneling under difficult conditions and rock mass classification. pp. 119-129.
HYUN-KOO, M, SANG-MIN, N. [1995]. Artificial nural network integrated with expert system for
preliminary design of tunnels and slopes. 8th International ISRM congress [Fuji ed.], Balkema.
Vol. 2, pp. 901-905.
JAWED, M. [1985]. Systems Approach to Production Planning and Scheduling with Special
Reference to Coal Mine : A Case Study. Journal of Mines, Metals & Fuels. Vol. , pp. 37-40.
JENDO, S., NICZYJ, J. [1997]. Failure estimation of trusses by fuzzy sets. ESREL 97, European
Society for Safety and RELiability. pp. 1609-1616.
JOLIVALT, B. [1995]. La simulation et ses techniques, Que sais-je?. Press Universitaire de France.
KABBAJ, R., BAROUDI, H. [1989]. Traitment statistique de la fracturation. tude
Bibliographique. Ecole des Mines de Nancy, INPL.
KANJ, M., REOGIERS, J.C. [1998]. A neural approach to sand production prediction in wells. Int.
J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-5.
Page 194
Bibliographies
KARA-ZAITRI, C., FLEMING, P. [1997]. Application of fuzzy inference methods to failure modes
effects and criticality analysis (FMECA). ESREL 97, European Society for Safety and
RELiability. pp. 2403-2414.
KARLAFRIS, A. [1997]. A neural network approach to rock mass classification. Proceeding
Tunneling under difficult conditions and rock mass classification. pp. 45-55.
KERVREN, G., RUBISE, P. [1991]. l'Archipel du Danger.
KHEDER, K. [1996]. Methodologie d'Etudes de la Stabilit des Carrieres Souterraines Complexes
Exploites par Chambres et Pilliers Abandonnes. PhD Ecole des Mines de Nancy, INPL.
KIJKO, A. [1994]. The Assessement of Seismic Hazards in Mines. The Journal of South African
Institute of Mining and Metallurgy.
KLETZ, T. [1986]. HAZOP & HAZAN, notes on the Identification and Assessement of Hazards.
KOSMOWSKI, K.T. [1997]. An approach to the human reliability assessement in the context of the
probabilistic safety analysis of complex plants. ESREL 97, European Society for Safety and
RELiability. Vol. , pp. 155-165.
LAGADEC, P. [1994]. Apprendre a gere les crises, Societe vulnerable - acteurs responsables.
LAGADEC, P. [1995]. Cellules de Crise, Les conditions d'une conduite efficase.
LAUBSCHER, D.H. [1975]. Class distinction in rock mass. Coal, Gold and base minerals of
Southern Africa. pp. 37-50.
LEE, I., LEE, M. [1998]. Optimization of rock slopes using reliability concepts. Int. J. of Rock
Mech. & Min. Sci. Vol. 35, No. 4-5.
LEONELLI, P., BONVICINI, S., SPADONI, G. [1997]. Quantified risk analysis in transport of
dangerous substances : a comparison between pipelines and roads. ESREL 97, European Society
for Safety and RELiability. pp. 725-732.
LEUNG, C.F., KHEOK, S.C. [1987]. Computer aided analysis of rock slope stability. Rock
mechanics and rock engineering. pp. 111-122.
LIENDORFER, G. B. [1970]. Bounding Distributions for a Stochastic Acyclic Network. Operations
Research. pp. 1586-1601.
LONDICHE, H. [1991]. Securit et Fiabilit Industrielles.
LOOK, B. [1994]. SpreadSheet Geomechanics.
LUSTEVES, P., LATHAM, J. [1994]. A continuous quantitative coding approach to the interaction
matrix in rock engineering systems based on grey systems approach. Interantional congress,
International association of engineering geology. Vol. 6, pp. 4761-4770.
MAHMOUD, Y. S. [1994]. Longwall Production Planning Scheduling Using Network Technique.
3rd. International Conference on Mining, Petroleum, and Metallurgical.
MANI, M. S., GEHRING, H., VOGT, W. [1985]. Time Scheduling of Equipping and
Commissioning of Neyveli II Legnite mine With the Aid of Network Planning Technique. Journal
of Mines, Metals & Fuels. pp. 195-216.
McCRACKEN, A., STRACEY, T. R. [1989]. Geotechnical Risk Assessement for Large Diameter
Raise-Bored Shafts. Shafts Engineering Conference. pp. 309-316.
MILLAR, D., JIAO, Y. [1994]. A rock engineering systems approach to risk assessement.
Proceeding of IMM conference risk in Materials extraction industry.
Page 195
Bibliographies
MITCHELL, A., MACKASEY, W.O. [1997]. A systematic inventory of abandoned mines - a

powerful tool for risk management. International Journal of Surface Mining, Reclamation and
Environment. Vol. 11, pp. 83-90.
MUNOZ, A., MARTORELL, S., SERRADELL, V. [1997]. Numerical absolute & constrained
optimization of maintenance based on risk and cost criteria using genetic algorithms. ESREL 97,
European Society for Safety and RELiability. pp. 1749-1756.
MURRAY, D., BURMASTER, D. [1997]. Review of RiskQ : An interactive aproach to Probability,
uncertainty, and statistics for use with Mathematica. Risk Analysis. Vol. 13, pp. 479-477.
NEUMANN, P. [1995]. Computer Related Risks.
PALMSTORM, A. [1982]. The volumetric joint count - a useful and simple measure of the degree of
rock jointing. Proceeding of 4th international congress of international association of engineering
geology, Delhi, vol. 5, pp. 221-228.
PAULA, H.M., CAMPBELL, D.J., GUTHRIE, V. [1993]. Analysis of Uncertainties in Interactive
Probabilistic Safety Analysis Models. Risk Analysis. Vol. 13, pp. 165-175.
PELLS, P. [1997]. Classification systems - good for communication but not always for design.
PITIOT, C., GUINARD, S.C. [1995]. Scurit des Etablissements Recevant du Public. Prventique;
Securit, Supplment Sciences et Techniques.
POON, H.C. [1995]. Use of fuzzy sets for evaluating shear strength of soils. Computational
Geotechnics. Vol. 17, pp. 425-446.
PRIEST, S.D., HUDSON, J.A. [1976]. Discontinuity spacing in rock. International journal of rock
mechanics, mining sciences and geomechanics abstracts. Vol. 13, pp. 135-148.
PULLY, A.S. [1993]. Utilization and Results of Hazard and Operability Studies in a Petroleum
Refinery. Process Safety Progress. Vol. 12, pp. 106-110.
ROMANA, M. [1995]. The geomechanical classification SMR for slope correction. 8th
International ISRM congress [Fuji ed.], Balkema. pp. 1085-1092.
ROSENBLUETH, E. [1981]. Two-point estimates in probabilities. Appl. Math. Modeling. Vol. 5,
pp. 329-335.
SADEK, A., SAMAAN, S., DOSS, A. [1994]. Knowledge Based System for Seismic Risk
Assessement of Buildings in Egypt. CEES 1994, The First Cairo Earthquake Engineering
Symposium, Cairo. pp. 283-292.
SANCHEZ-SILVA, M., TAYLOR, C., BLOCKLEY, D. A. [1995]. Hazard Management of Projects
in an Earthquake. Application of Statistics and Probabilitty ICASP 7. Vol. 2, pp. 757-763.
SATO, T. [1985]. Data Processing and Prediction of Slope Failure Based on Fuzzy Set Theory.
Annual Report: Natural Hazard Mitigation Disaster Prevention Kyoto Univ. Vol. 28, pp. 63-86.
SIGISMOND, J., DOUCERAIN, T. [1983]. Centrales Nuclaire de Nogent-Sur-Seine :
Dimensionnement d'un ecran etanche par essais de pompage a l'interieur d'enceintes
experimentales.. Bulletin of the Internation Association of Engineering Geology. Vol. 26-27, pp.
493-500.
SILIOTTI, A. [1996]. Guide to the Valley of the Kings and to the Theban nicropolis and temples.
A.A. Gadis & sons publishers.
SMITH, L. D. [1987]. Inflation in Project Evaluation. CIM Bulletin. Vol. 83, pp. 935.
Page 196
Bibliographies
STACEY, T. PAGE, C. [1986]. Practical Handbook for Underground Rock Mechanics. Trans tech
publications.
STEMPFEL, B., SCHAEREN, G. [1997]. The control of a major geological accident in a gallery.
TAKACS, A., CLAY, R. [1997]. Rock mass classification practical application under site
conditions. Proceeding Tunneling under difficult conditions and rock mass classification. pp. 5773.
TAPIA, M.A., VALVERDE, M.A., AMADEI, B., MADRIGAL, H. [1998]. The REX expert system
: A new alternative for rock excavation design. Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 45.
TSIAMBAOS, G., TELLI, D. [1991]. Application of rock mass classification systems on stability of
limestone slopes. Landslides. pp. 1065-1069.
VALLIAPPAN, S., PHAM, TD. [1995]. Fuzzy logic applied to numerical modelling of engineering
problems. Computational geomechanics advances.. Vol. 2, pp. 213-281.
VERDEL, T. [1993]. Gotechnique et Monuments historiques : Mthodes de modlisation
appliques des cas gyptiens. Thse de doctorat INPL, Nancy, France.
VERDEL, T. [1997]. L'essentiel de Mathematica. RITME informatique.
VERDEL, T., PIGUET, J.P., HELAL, H., ABDALLAH, T. [1993]. tude de l'videmment du Ixe
pylone de temple de Karnak par la mthode des elements distincts - recherche d'une
mthodologie. Revue Franais gotechnique. pp. 57-66.
VERVOORT, A., DE WIT, K. [1997]. Use of rock mass classifications fro dredging. International
journal of rock mechanics, mining sciences and geomechanics abstracts. Vol. 34, pp. 859-864.
WANG, J., SAEED, A., DE LEMOS, R. [1997]. Subjective safety analysis for software
development. ESREL 97, European Society for Safety and RELiability. Vol. , pp. 389-396.
WEINSTEIN, N., SANDMAN, P. [1993]. Some Criteria for Evaluating Risk Messages. Risk
Analysis. Vol. 13, pp. 103-114.
WRIGHT, E. [1990]. Open Pit Mine Design Models.
XU, B.C., DUSSEAULT, M.B., CHI, Y.L. [1998]. Geophysical methods and GIS for waste disposal
assessement and environmental monitoring. Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-5.
ZHAO, G., LI, Y. [1995]. Application of Fuzzy Random Probability Theory to Structural
Reliability. Application of Statistics and Probabilitty ICASP 7. Vol. 2, pp. 753-755.
Page 197

Apport Logique Floue Évaluation Aléa Mouvement Sol

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apport Logique Floue Évaluation Aléa Mouvement Sol

Transféré par

Droits d'auteur :

Formats disponibles

Apport de la logique floue lvaluation de lala mouvement de terrain des sites gotechniques :

propositions pour une mthodologie gnrale

Or, quand on travaille pour demain, et pour

my late Dad who wished to see me today,

Apport de la logique floue lvaluation de lala mouvement de

Liste des tableaux

L'valuation des risques industriels et naturels

1.2. Dfinitions de base

1.3. Vocabulaire du risque

1.4. Mthodologie gnrale pour l'valuation des risques

Lvaluation des risques dinstabilits des terrains

2.2. La mthode retenue.

Les problmes rencontrs dans la pratique

Solutions dans le cadre de la mthodologie classique

4.1. Solution au problme de la formule de sensibilit

4.1.1. Systme RMR de Bieniawski [73]

4.1.2. Le Q-System de Barton, 1974

4.1.3. Le SMR de Romana [91]

4.2. Solutions au problme des limites de classes et des rgles de croisement

4.2.1. Les limites de classes

4.2.2. Les rgles de croisement

4.3. Solution la variabilit des donnes

4.3.3. Conclusion du chapitre

Une approche complte : La logique floue

5.1. La logique floue

5.1.1. Ensembles et Sous-ensembles flous

5.1.2. Variables linguistiques

5.1.3. Raisonnement approximatif

5.2. Utilisation de la logique floue en mcanique des terrains (recherche et essais

5.3. Exemple de l'utilisation de la logique floue pour lvaluation de lala mouvement

5.3.1 Approche floue avec entres floues standard

5.3.2. Approche floue avec entres floues quelconques

5.4. Dveloppement mathmatique du concept de -coupes pour le raisonnement flou.

5.4.2. Application et gnralisation par les -coupes

5.4.3 Comparaison entre le raisonnement par les coupes et le raisonnement de Terano et

5.4.4. Nombre de -coupes et temps de calcul

tude des cas

6.1. Analyse de lala mouvement de terrain gotechnique dans la tombe de Ramss I

6.2. Analyse de lala mouvement de terrain des falaises de Pontoise

6.2.1. Historique, urbanisation et gologie du site. (Tritsch et al. [96])

6.2.2. Analyse de lala mouvement de terrain

6.3. Conclusion du chapitre

LISTE DES FIGURES

Figure 1.3. Protection et prvention dans l'espace du danger.

Figure 1.4. Risque acceptable ~ Risque inacceptable.

Figure 1.5. Procdure gnrale pour l'analyse du risque

Figure 1.6. Schma gnral de l'aide la dcision Leroy [92].

Figure 2.1. L'approche de l'INERIS pour l'valuation de lala naturel

Figure 2.2. Un espace dala dfinie par le tableau 2.6.

Figure 2.3. Programmation sur VBA de la mthodologie d'analyse.

Figure 4.1. Le schma gnral de la classification de Bieniawski [89]

Figure 4.2. Le problme des limites de classes sur le RQD.

Figure 4.3. L'effet de variation de PF sur les rsultats finale d'ala.

Figure 4.7. Ajustement pour l'tat hydrologique du massif

Figure 4.8. Ajustement pour la longueur moyenne des discontinuits

Figure 4.9. Ajustement pour l'ouverture des discontinuits

Figure 4.10. Quelques exemples possibles des rgles de la probabilit d'occurrence.

Figure 4.12. Quelques exemples possibles des rgles de lala.

Figure 4.14. La loi normale et la loi uniforme.

Figure 4.16. Un histogramme de sensibilit

Figure 4.17. Histogramme d'ala aprs 1000 simulations.

Figure 5.2. Deux formes de reprsentation pour le mme sous-ensemble flou

Figure 5.3. Un sous-ensemble flou coup en 5 -coupes