Académique Documents
Professionnel Documents
Culture Documents
UNIVERSITE BADJI-MOKHTAR-ANNABA
Anne 2012
THESE
Prsente en vue de lobtention du diplome de DOCTORAT DES SCIENCES
M.C A-
Universit de Skikda
DEVANT LE JURY
Universit dAnnaba
Prsident
Unversit de Guelma
Examinateur
Universit de Skikda
Examinateur
Universit dAnnaba
Examinateur
Universit de Skikda
Examinateur
Remerciements
En terme de rdaction de cette thse, nous remercions tout instant notre dieu qui a
toujours clair notre vie par le savoir, et nous a guid dans le bon chemin.
Je tiens remercier tout dabord Pr. Mounir. HAMAMI, Que Dieu bnisse son me, pour
mavoir initi et pour mavoir donn loccasion de faire ce sujet pertinent, et dactualit ainsi
que pour son aide et son encadrement pendant les trois premires annes de recherche.
Bien videmment je remercie trs chaleureusement Dr. Salah MESSAST, pour lintrt
incessant quil a port au suivi de ce travail, en dpit de ses occupations et malgr la difficult
rencontre tout le long de cette tude. Jai beaucoup apprci ses mthodes de travail, la
libert quil ma laisse dans lorganisation de ces recherches et ses encouragements
nombreux et rguliers, qui mont toujours remont le moral dans les moments difficiles, ses
remarques, toujours pertinentes, ont t trs bnfiques lavancement de cette thse.
Je tiens vivement remercier Dr. Mourad MARDJAOUI de luniversit de Skikda, qui
ma aid dans les premires initiations des algorithmes gntiques.
Je remercie plus sincrement le professeur HABITA Faouzi. qui ma fait lhonneur de
prsider le jury de soutenance.
Mes plus sincres remerciements vont
galement
aux
membres de
jury :
Pr. NOUAOURIA Med Salah, Dr. HIDJEB Moustapha, Dr. CHELGHOUM Noureddine et
Dr. SBARTAI Badreddine, qui ont accept de relire et commenter cette thse.
Mes remerciements aussi au Pr. Guenfoud Mohamed directeur du laboratoire LGCH de
luniversit de Guelma pour leur mise en disposition le logiciel Plaxflow. Sans oublier Dr.
Lafifi Brahim chercheur au mme laboratoire pour ses conseils concernant lutilisation de
plaxflow.
Mes remerciements vont galement au corps administratif du dpartement de Gnie Civil
de luniversit dAnnaba.
Jadresse un grand merci qui je ddie cette thse, mes parents, mon soutien moral
mon frre Hacne, et sa femme, mes surs, et leurs maris, surtout Allel qui ma vraiment
aid. A mon bon frre Mourad que Dieu bnisse son me qui me manque, il a toujours voulu
me voir au plus haut grade.
ii
iii
Rsum
Les problmes gotechniques sont complexes, et les quations qui lient les paramtres du
sol sont gnralement irrversibles et non linaires, en plus des incertitudes sur ces
paramtres.
Loptimisation par algorithme gntique prsente un grand intrt dans la rsolution des
problmes complexes, elle montre son efficacit dans le domaine de la gotechnique et
surtout dans le calcul de la stabilit des talus. Dans un algorithme gntique la slection au fil
des gnrations sopre sur des individus. Ces individus voluent ensuite selon des
mcanismes gntiques de slections, croisements et de mutation.
Lanalyse de la stabilit des talus est gnralement faite en utilisant les mthodes
dquilibre limite.
Ce travail concerne lutilisation de loptimisation par algorithme gntique, pour le calcul
de la stabilit des talus
iv
.
.
.
.
.
.
.
.
.
.
.
Plaxis
.
Inclinomtre
.
Ciloc -.
: Plaxis
Abstract
The problems of geotechnical are complex, and the equations which link the parameters of
soil are generally irreversible and nonlinear, in addition to the uncertainties on these
parameters.
The genetic algorithm optimization is of great interest in solving complex problems; it
shows its effectiveness in the field of geotechnical engineering and especially in the
calculation of slope stability. In a genetic algorithm selection over generations takes place on
individuals. These individuals then evolve according to the genetic mechanisms of selection,
crossing and mutation.
The analysis of slope stability is usually done using the limit equilibrium methods.
This work concerns the use of genetic algorithm optimization, the calculation of slope
stability using limit equilibrium methods, which amounts to the calculation of minimum
factor of safety and the corresponding critical failure surface.
Water has an important role in the analysis of slope stability; hence it is necessary to
characterize the soil by considering a coupled hydromechanics behavior.
This work is also designed for the development of a method of genetic algorithm
optimization. This method allows the identification of the permeability of unsaturated soils by
minimizing the discrepancy between experimental measurements and numerical results. Soil
behavior is characterized by horizontal displacements to be determined after a calculation
using the finite element code Plaxis calculation, considering a hydro-mechanical behavior of
soil. These horizontal displacements will be compared to inclinometer measurements. This
approach is applied for the identification of the permeability of the city Ciloc Constantine Algeria.
Keywords: Inverse analysis; Genetic algorithm; Slope stability; Factor of safety;
unsaturated
soil;
Plaxis.
vi
1.1 Introduction.
28
vii
Evaluation de la population.
Mcanisme dvolution de la population.
o
Slection
o
Croisement et mutation.
o
Critres darrt..
30
31
32
33
35
2.3 Conclusion. 35
Chapitre 3 : Analyse de la stabilit des talus. 37
3.1 Introduction 37
3.2 Mthodes de calcul de stabilit des talus 38
3.3 Mthodes de calcul la rupture. 39
3.3.1 Mthodes des blocs 40
3.3.2 Mthodes des tranches 41
3.3.2.1 Mthode de Fellenius (1927) 43
3.3.2.2 Mthode de Bishop (1955).. 43
3.3.2.3 Mthode de Morgenstern and Price (1965). 45
3.3.2.4 Mthode de Spencer (1967). 48
3.3.2.5 Mthode de Janbu simplifie 48
3.4 Conclusion 50
Chapitre 4 : Dveloppement de deux
viii
ix
Ferr
Fonction erreur
Nindividus
Nparamtre
Nbit
Pimin et Pimax
Pi
Uni
Uei
Pc
Probabilit de croisement
Pm
Probabilit de mutation
Ncoupure
Coefficient de scurit
Ntranches
c'
'
N'
Pression interstitielle
Poids de la tranche
Hauteur du talus
Angle du talus
Xi, Xi+1
Ei, Ei+1
Qi
qc
ah
av
f( )
Vitesse dcoulement
kx et ky
krel
Permabilit relative
Permabilit effective
Ksat
Sresidu
Saturation rsiduelle
Se
Gradient hydraulique
Position verticale
ga, gn et gi
xi
Figure. 2.3 Estimation de lerreur sur la solution entre des valeurs mesures Uei et
des valeurs calcules Uni. 31
Figure. 3.1 Schma de rupture plane 41
Figure. 3.2 Les inconnues dune mthode des tranches... 42
Figure. 3.3 Reprsentation des forces sur une tranche selon la mthode simplifie
de Bishop [83].. 44
Figure. 3.4 Reprsentation des forces sur une tranche selon la mthode simplifie
de Morgenstern et Price [55] 47
Figure. 3.5 Variation du coefficient de scurit fonction de [36]. 49
xii
xiii
xiv
81
xv
oedomtrique............................................................................................................... 99
xvi
34
35
57
Introduction gnrale
Introduction gnrale
La construction de nombreuses infrastructures ncessite la mise en place de talus.
Lanalyse de la stabilit de ces talus comporte, outre la connaissance du site, et le
choix des caractristiques mcaniques et hydrauliques des sols, un calcul de stabilit.
Les caractristiques des sols sont complexes, variables dans lespace et dans le
temps. De ce fait, les paramtres que lon doit introduire dans les calculs
gotechniques, sont souvent mal connus. De nombreux modles constitutifs de sols
existent pour reprsenter la plupart des comportements de sols rels, ces modles
approchs peuvent tre utiliss avec une certaine confiance dans les calculs,
condition de bien choisir les valeurs des paramtres [39]. Les quations dfinissant le
comportement des sols sont complexes et fortement non linaires, ainsi que dans
lanalyse des problmes gotechniques (comme lanalyse de la stabilit des talus) les
quations rsoudre sont souvent non linaires.
Introduction gnrale
Pour pallier au problme sus cit, on utilise le principe danalyse inverse dans
lidentification des paramtres du sol et/ou la rsolution des quations danalyse des
problmes gotechniques. Ce principe dans les problmes complexes de la
gotechnique
est
utilis
comme
mthodes
numriques
directes
(mthodes
doptimisation).
Introduction gnrale
Introduction gnrale
1. Mthodes doptimisation
Chapitre 1 :
Mthodes doptimisation
1.1 Introduction
Dans sa version automatise, lanalyse inverse est une procdure relativement
nouvelle dtude des problmes gotechniques.
1. Mthodes doptimisation
(a)
(b)
Sollicitations
Systme mcanique :
Modle EF + Paramtres ?
Sollicitations
Systme mcanique :
Modle EF+ Paramtres ?
Rponse
Rponse
Figure. 1.1 Schma du principe dune analyse inverse par mthode analytique inverse (a)
et par mthode numrique directe (b).
Classiquement, un problme est dit bien pos si les sollicitations, les conditions aux
limites et les paramtres du sol sont connus. Si le systme est stable, alors la rponse
du modle est unique. La rsolution du problme inverse peut alors se faire
analytiquement figure 1.1-(a).
1. Mthodes doptimisation
Nous venons de voir quil existe deux grandes approches danalyse inverse : une
approche par mthode analytique inverse et une approche par mthode numrique
directe, et quen gotechnique, il est prfrable dutiliser lapproche directe. Dans la
suite de cette thse, seule lanalyse inverse par mthode numrique directe est aborde.
Avant de procder une analyse inverse, il faut se demander quels sont les
paramtres intressants optimiser.
1. Mthodes doptimisation
Une fois les paramtres slectionns, il faut dfinir dans quelles limites les faire
varier. Cela revient dfinir un espace de recherche.
1. Mthodes doptimisation
Pour atteindre cet objectif au bout dun temps de calcul raisonnable, il est ncessaire
davoir recours des mthodes doptimisation appeles heuristiques. Le mot
heuristique vient du grec heurein, qui signifie dcouvrir, et qualifie tout ce qui sert la
dcouverte, linvention et la recherche. Pour lalgorithmique, les heuristiques sont
des mthodes qui cherchent approcher une solution optimale, elles sont encore
appeles mthodes approches.
1. Mthodes doptimisation
Dans la pratique beaucoup despaces de recherche sont trop grands pour que lon
puisse explorer toutes les possibilits une par une en ayant une chance dobtenir une
information utilisable. Cette mthode trs coteuse manque donc defficacit. Elle
suppose davoir une ide prcise de lordre de grandeur des paramtres et de ne pas
tre trop exigeant sur la prcision des rsultats, pour limiter au maximum le nombre
ditrations et donc le temps de calcul.
Une telle exploration exhaustive est aujourdhui essentiellement utilise pour tester
dautres mthodes plus labores. Elle permet pour des cas simples, de connatre
lallure de la fonction erreur sur le domaine de recherche [25].
La figure 1.2 prsente un exemple doptimisation par une mthode numrative. Cet
exemple concerne lidentification de deux paramtres du modle de Mohr-Coulomb, le
module de cisaillement Gref et langle de frottement partir de mesures
pressiomtriques [39]. Lvaluation de la fonction erreur Ferr pour une combinaison de
paramtres reprsente un point de la grille. Les points qui ont mme Ferr sont lis par
une ligne, cette ligne est analogue une ligne de niveau qui joigne les points de mme
altitude dune carte gographique.
10
1. Mthodes doptimisation
Il ressort que le calage dun modle sur des donnes exprimentales est difficile.
Dans beaucoup de problmes inverses, la dtermination des paramtres dun sol
dpend des valeurs initiales du schma doptimisation. De mme, lorsque les
paramtres recherchs sont corrls, lalgorithme doptimisation peine identifier ces
paramtres puisque soit de nombreux minima locaux apparaissent dans lespace des
11
1. Mthodes doptimisation
paramtres, soit la fonction erreur saplatit autour de loptimum. Pour ces cas, la
solution est non unique et instable.
12
1. Mthodes doptimisation
Carlo dessine la rgion o le modle est acceptable dans lespace des paramtres.
Linterprtation de cet chantillon donne la solution du problme.
Malkawi et al. [47] utilisent quant eux les mthodes Monte Carlo pour identifier la
surface de rupture dun talus donnant le plus petit facteur de scurit.
Par leur tude comparative, Sambridge et Mosegaard [70] indiquent que pour des
problmes complexes les mthodes de Monte Carlo sont plus favorables que les
mthodes dterministes. Comme elles se basent uniquement sur lvaluation de la
fonction erreur et non sur lvaluation de sa drive, elles sont plus stables. Elles
donnent galement des estimateurs de moyenne et autres moments statistiques qui
permettent une meilleure approche de la solution. Mais, linconvnient de la mthode
Monte Carlo est quelle est trs coteuse en calcul. Certaines zones de lespace des
solutions peuvent rester inexplores. Ces mthodes ne sont donc valables qu
condition de disposer dune puissance de calcul suffisante. Mieux vaut considrer la
mthode comme une aide linterprtation plutt que comme un rsultat absolu.
Lenveloppe estime des modles acceptables est un guide pour lhypothse dune
solution et non une conclusion ferme et dfinitive. Ainsi, la mthode de Monte Carlo
uniforme de base, prsente par Sambridge et Mosegaard [70], est inefficace et
inadapte pour identifier un grand nombre de paramtres en gophysique. Dautres
mthodes drives de la mthode Monte Carlo, utilisant un chantillon pseudoalatoire de combinaisons de paramtres, telles le recuit simul, lalgorithme de
13
1. Mthodes doptimisation
14
1. Mthodes doptimisation
Chaque nouvelle itration concentre les solutions autour du meilleur calage [70].
Ainsi, la taille des cellules tant inversement proportionnelle la densit de
lchantillon, la topologie de la fonction erreur du problme est value
approximativement partir de lvaluation de quelques jeux de paramtres sur
lespace.
15
1. Mthodes doptimisation
16
1. Mthodes doptimisation
quant lui travaille sur un espace de recherche continu. Il devient alors plus prcis
dans la recherche dune rgion acceptable comme solution dun problme.
Bekkouche et al. [2] ont utilis les rseaux de neurones pour lestimation de la
vitesse maximale du sol sous les effets sismiques, Gouasmia et Djeghaba [26] ont
utilis ce type de mthode pour lanalyse dynamique non linaire de linteraction solstructure.
17
1. Mthodes doptimisation
Elle permet damliorer le rseau en calant mathmatiquement une fonction sur des
donnes exprimentales. Ce mcanisme consiste propager linformation disponible
sur lexcavation entre les diffrentes couches de neurones, en minimisant lerreur entre
le signal simul et le signal connu. La mthode la plus courante pour minimiser cette
erreur est lalgorithme de rtro-propagation de lerreur qui repose sur une
minimisation par descente de gradient dun critre derreur de type moindres carrs.
18
1. Mthodes doptimisation
Pour un vecteur dentre connu et sa solution en sortie connue, le rsidu sur chaque
paramtre est propag entre les diffrentes couches du rseau.
Les poids des interconnexions (les neurones) sont modifis dans ce sens
proportionnellement leurs contributions lerreur. Pendant ces deux phases, le
rseau converge vers un tat stable proche de lerreur minimale. Le rseau obtenu
reprsente le modle constitutif du problme particulier tudi. Si la phase
dapprentissage est suffisante, cette loi de comportement est gnralisable un autre
cas de charge pour le problme considr [62].
19
1. Mthodes doptimisation
Parmi les algorithmes volutionnaires cits par Deb [13], les plus utiliss sont les
algorithmes gntiques (AG) drivent des mthodes Monte Carlo dans le sens o les
paramtres dvolution de lalgorithme sont alatoires.
20
1. Mthodes doptimisation
1.4 Conclusion
Gnralement, un problme inverse en gotechnique est formul comme un
problme doptimisation. Dans la littrature, les principales mthodes doptimisation
peuvent tre rparties en trois types : les mthodes numratives, dterministes et
stochastiques.
Ce chapitre montre que les mthodes dterministes nont pas la mme efficacit
pour tous types de problmes. Ces mthodes sont efficace, lorsque la forme de la
fonction erreur est simple (continues, drivables). Contrairement aux mthodes de
types gradient, les mthodes stochastiques nutilisent que la valeur de la fonction
erreur, aucune information sur la drive de la fonction erreur nest ncessaire, ces
mthodes font appel des tirages de nombres alatoire. Elles permettent dexplorer
lespace de recherche plus efficacement.
21
1. Mthodes doptimisation
22
exister un nombre infini de modles qui satisfont les donnes de manire acceptable. Il
est souvent intressant de caractriser lensemble de ces solutions acceptables [60]. Or,
les mthodes de gradient nidentifient quune solution. Pour pallier les problmes de
non unicit, Zentar et al. [86] recommandent deffectuer plusieurs simulations
successives partir de diffrents points initiaux. Lutilisation de mthodes
stochastiques vite ce problme en identifiant les rgions de solutions acceptables sur
un espace de recherche [19 ; 70]. Les mthodes stochastiques aident interprter des
solutions possibles pour un problme et non pas de trouver une solution exacte.
23
Chapitre 2 :
Optimisation par Algorithme Gntique
2.1 Introduction
La mthode doptimisation par algorithme gntique est, initialement dveloppe
par John Holland [31] sur les systmes adaptatifs remontent 1962, elle utilise la
fois les principes de la survie des structures les mieux adaptes et les changes
dinformations pseudo-alatoires pour former un algorithme dexploration qui possde
certaines caractristiques de lvolution des espces.
Figure. 2.1 Schma dun algorithme gntique selon Orain et al. [57]
Les algorithmes gntiques ont fait la preuve de leur capacit dans de nombreuses
tudes thoriques et exprimentales. Pour Forrest [19] et Goldberg [25], ces
mcanismes de slection, croisement et mutation permettent aux algorithmes
gntiques dvoluer vers les solutions dun problme doptimisation. Cependant, il est
important de souligner que par cette mthode seule une petite partie de lespace de
recherche est examine. Il nest donc pas raisonnable de penser quun algorithme
gntique identifie loptimum global de lespace, il identifie uniquement les bonnes
rgions de lespace. Mais, la puissance dun algorithme gntique est de converger
rapidement vers une zone privilgie de lespace de recherche. Loptimisation par
algorithmes gntiques a montr son efficacit dans de nombreux domaines.
24
Simpson et Priest [78] sont parmi les premiers avoir voqu lutilisation
dalgorithmes gntiques pour loptimisation de problmes gotechniques. Ils
appliquent notamment cette mthode lidentification de la frquence de discontinuit
maximale dans des structures rocheuses complexes. Leur tude montre quune solution
proche de loptimum peut tre dtermine aprs le calcul dune petite fraction de
lespace de recherche.
25
De mme pour Mendjel et al. [49 ; 51] ont montr quune solution proche de
loptimum peut tre dtermine aprs le calcul dune petite fraction de lespace de
recherche pour lidentification de coefficient de scurit minimal et de surface
circulaire de la rupture correspondante.
Pal et al. [58] tout comme Samarajiva et al. [67] appliquent les algorithmes
gntiques au calage de paramtres de modles de comportement sur des essais de
laboratoire. Ils montrent que contrairement toute autre mthode de calage,
lutilisation dun algorithme gntique permet de tenir compte des caractristiques
globales des rsultats dessais de laboratoire selon chaque chemin de contrainte ou de
dformation. La mthode de calage traditionnelle est squentielle et un seul paramtre
est identifi la fois. Or, les paramtres de modles constitutifs sont souvent
interdpendants, la moindre erreur sur un paramtre affecte toute la chane
didentification. Comme un algorithme gntique identifie plusieurs paramtres
simultanment, il vite ce genre de problmes.
26
contrairement aux mthodes de gradient qui fonctionnent plus difficilement dans ces
cas.
Ainsi, loptimisation par algorithme gntique savre tre un outil puissant pour
optimiser des problmes varis de gotechnique. Cependant comme le souligne Goh
[24], le principal inconvnient des algorithmes gntiques par rapport aux autres
mthodes est la puissance informatique ncessaire pour mener loptimisation. Le cot
de calcul dune optimisation par algorithme gntique est suprieur celui ncessaire
toute autre mthode doptimisation. Pour Simpson et Priest [78], un algorithme
gntique est une mthode fortement probabiliste. Plus le problme est mal pos, plus
le cot de calcul augmente [23], il est donc difficile de savoir lavance le nombre
dvaluations ncessaires lidentification de loptimum.
Les algorithmes gntiques ont comme principal objectif damliorer une solution.
Leur priorit est datteindre rapidement une performance de niveau satisfaisant. Ils
isolent rapidement des zones intressantes dun espace de recherche, et nont besoin
que des valeurs de la fonction optimiser associe chaque individu. Cette
caractristique fait des algorithmes gntiques une mthode trs gnrale compare
beaucoup de mthodes dexploration. Pour Renders [62] les algorithmes gntiques
sont une classe de stratgies de recherche ralisant un compromis quilibr et
raisonnable entre lexploration et lexploitation de lespace de recherche.
27
Renders [62] prcise quil garantit une meilleure indpendance du codage par
rapport au problme.
Dans cette tude les paramtres sont cods sous forme binaire, la chaine de bits
codant un paramtre sappelle un gne.
Levasseur [39] montre que lalgorithme gntique se caractrise par des constantes
telles que la taille de la population Nindividus et la longueur de la chaine de bits Nbit. La
28
29
taille de lespace de recherche doit tre choisie en fonction des bornes minimale Pimin
et maximale Pimax supposes pour chaque paramtre Pi. La taille de la chaine de bits
doit tre choisie en fonction de lincertitude Pi accepte sur lvaluation des
paramtres dfinit comme suit :
( . )
(2.2)
(a)
30
(b)
Figure. 2.2 (a) : Illustration schmatique des niveaux dorganisation dun algorithme
gntique,
(b) : Reprsentation dun individu.
La taille de la population initiale choisie pour cette thse est deux fois plus grande
que la taille de la population des gnrations suivantes. Ce qui permet davoir une
bonne exploration initiale de lespace de recherche et facilite la convergence de
lalgorithme gntique.
Evaluation de la population
Les individus choisis dune population initiale gnre alatoirement, sont tests
pour qualifier chaque individu par une valuation numrique correspondant la
fonction erreur (fonction objective). Le peu dhypothses requises sur cette fonction
permet de traiter des problmes trs complexes.
Pour cette thse on a deux fonctions erreurs examiner selon les deux problmes
tudier.
31
U
i 1
ei
U ni
1/ 2
(2.3)
Courbe de
rfrence in situ
Uei
Uni
Modlisation
numrique
ime point
de mesure
Figure. 2.3 Estimation de lerreur sur la solution entre des valeurs mesures Uei et des
valeurs calcules Uni
La population est volue vers les zones les plus favorables de lespace de recherche
aprs avoir valu chaque individu. Chaque nouvelle population correspond ce quon
appelle en biologie une nouvelle gnration. Une gnration correspond une itration
de lalgorithme.
Une nouvelle gnration est cre en utilisant des parties des meilleurs individus de
la gnration prcdente. Pour cela trois oprateurs se succdent : slection,
croisement et mutation.
Slection
Goldberg [25] montre que pour les fonctions erreurs unimodales, la mthode
litiste augmente significativement les performances de lalgorithme (stabilit,
efficacit et rapidit de convergence), alors que pour des fonctions erreurs
multimodales, la mthode litiste dtriore les performances.
32
Croisement et mutation
Ces mcanismes sont appliqus aux individus parent pour former une
population enfant. Le croisement caractrise la phase dchange dinformations
entre deux individus parents slectionns alatoirement. Ils sont croiss entre
eux pour former de nouveaux individus (Tableau.2.1), Pc dtermine le nombre
de combinaisons de paramtres recres chaque itration. De Jong [14] a
tudi limpact de ce taux de croisements sur le processus doptimisation. Il a
conclu que Pc =2/3 est un compromis raisonnable. Le croisement se fait entre
les morceaux coups des individus, lemplacement de Ncoupure coupures sur la
chaine de bits est choisi alatoirement et indpendamment des gnes, cela
signifie quun gne, peut tre coup en plusieurs morceaux comme tre ne pas
coup du tout. Pal et al. [59] montrent quutiliser un nombre de coupure gale
au nombre de paramtres (Ncoupure = Nparamtre), augmente la convergence dun
algorithme gntique pour la gotechnique. Cest notre choix dans cette thse.
33
34
(2.4)
Critres darrt
2.3 Conclusion
Un algorithme gntique est une mthode stochastique itrative doptimisation qui
opre sur des ensembles de points cods, partir dune population initiale, et qui est
bti laide de trois oprateurs : croisement, mutation et slection. Les deux premiers
sont des oprateurs dexploration de lespace, tandis que le dernier fait voluer la
population vers les optima dun problme. Une petite partie de lespace de recherche
est examine, il nest donc pas raisonnable de penser quun algorithme gntique
35
36
37
Chapitre 3 :
Analyse de la stabilit des talus
3.1 Introduction
La rupture par glissement d'un talus se manifeste habituellement par un
dplacement en bloc d'une partie du massif. Lanalyse de la stabilit des talus est lune
des importants problmes en gotechnique. Lestimation de la scurit relle vis--vis
du risque de rupture est une question complexe surtout dans le domaine des donnes
limites ou peu connues.
Ltude dun talus comporte, outre la connaissance du site (la gomtrie, les
surcharges au sommet et au pied, et les effets dynamiques ou sismiques), et le choix
des caractristiques mcaniques des sols et hydrauliques, un calcul de stabilit.
En 1973, le professeur Lambe [37] rappelait que les rsultats obtenus sont le produit
de mthodes de mesure, pour les paramtres, et de mthodes de calcul, et il prcisait
que les rsultats doivent tre apprcis en tenant compte de ces deux lments.
38
Les mthodes dquilibre limite sont largement utilises pour leurs formes simples
et leurs rsultats qui se rapprochent aux mthodes rigoureuses [24]. Dans ce travail on
sintresse ces mthodes la rupture.
Ces hypothses fortes des calculs lquilibre limite, distinguent une partie
potentiellement mobile, spare dune partie fixe du massif, par une courbe de rupture
dfinissant une rupture cinmatiquement admissible. Dans ce cas :
39
40
( )=
O ( .
(3.1)
) est la force
Ce principe dquilibre, illustr par ce cas simple, est la base de toutes les
mthodes de calcul la rupture. Il est dvelopp avec toutes les hypothses
simplificatrices ncessaires pour modliser le cas rel et le rduire une quation que
lon rsout. La description des autres mthodes consiste prciser les hypothses
choisies et le mode de rsolution utilis.
Parmi les mthodes multi blocs on rencontre: Sarma 1979; Hoek 1987; Donald
and Giam 1989a. [72 ; 30 ; 15]
41
42
43
Il existe plusieurs mthodes des tranches, on dfinit parmi les plus utilises, les
suivantes :
3.3.2.1 Mthode de Fellenius (1927)
Cette mthode nglige les forces qui existent entre les tranches, elle consiste
admettre que, la rsultante de Ei et Xi est gale Ei+1 et Xi+1 avec une ligne daction qui
concide. Cette rsultante parallle la base de la tranche. Quand les tranches
adjacentes ont diffrentes inclinaison de la base, cette hypothse simplificatrice
conduit des erreurs [1].
+[
(3.2)
44
W sin
E2
E1
W
f
l sin
F
l
N' cos
ul
ul cos
Figure. 3.3 Reprsentation des forces sur une tranche selon la mthode simplifie de
Bishop[83].
f
c'l N' tan'
0 Wsin l Wsin
F
F
(3.3)
(3.4)
(3.5)
45
1
W sin
c ' b (W
ub ) tan 'sec
tan tan '
1
F
(3.6)
Il existe une autre version rigoureuse pour Bishop qui justifie toutes les quations
dquilibre mais, lcart entre la version rigoureuse et la version simplifie ntant que
de 1% [7].
O :
(3.7)
est une constante qui doit tre value pour le calcul du facteur de scurit ;
46
est la normalisation linaire des coordonnes xi, avec les valeurs des deux bouts
de la surface de rupture gales zro et .
Cette mthode satisfait toutes les conditions dquilibre statique pour chaque
tranche, ainsi que lquilibre des moments et lquilibre des forces dans la direction
horizontale, pour lensemble de la masse qui glisse suivant une surface de rupture
circulaire ou non circulaire.
. .
. .
).(
. .
).
(3.8)
Lquilibre des moments dans chaque tranche est pris par rapport au point E dfini
sur la figure, il permet de trouver le point dapplication de la rsultante :
= .
. = 0
(3.9)
(3.10)
47
( .
)=0
(3.11)
( .
)=0
(3.12)
= ( .
)=0
(3.13)
Pour trouver les deux inconnues, F et , on rsout lquation (3.11) (ou (3.12)) et
lquation (3.13). Et on assure la thorie algbrique suivante :
| + |( .
)| = ( .
) + |( .
)| = 0
(3.14)
Figure. 3.4 Reprsentation des forces sur une tranche selon la mthode simplifie de
Morgenstern et Price [55]
En 1977, Fredlund et Krahn [20] ont dmontr dans une tude comparative des
mthodes d'analyse, que le choix de la fonction f(x) dans la mthode de Morgenstern et
Price a une faible influence sur la valeur du facteur de scurit.
48
Spencer [79] a prsent cette mthode pour une surface de rupture circulaire,
Wright [84] la dvelopp pour une surface non circulaire.
Dans cette mthode les forces verticales inter-tranches sont supposes nulles. Le
facteur de scurit est calcul partir dquilibre des forces horizontales, puis un
facteur de correction empirique est multipli par ce coefficient de scurit pour pallier
au manque de leffet des forces verticales inter-tranches. Lquilibre des moments
nest pas satisfait.
donnes, n'excdent pas de plus de 4% pour l'ensemble des mthodes utilises (Bishop
simplifie, Spencer, Janbu simplifie, Janbu rigoureuse, Morgenstern et Price). Dans
ces cas l, la diffrence entre le facteur de scurit obtenu par la mthode de Bishop
simplifie et celui obtenu par les mthodes de Spencer et Morgenstern-Price (avec
choisi pour satisfaire les forces et les moments d'quilibre), ne dpasse pas 0.4%.
Pour cette raison, il est prfrable d'utiliser une mthode d'analyse o le moment
d'quilibre est satisfait.
49
3.4 Conclusion
Les massifs de terre limits par des talus amnags ou par des versants naturels
peuvent perdre leur stabilit par dtachement et glissement dun volume de terre au
long dune surface critique de rupture, par la suite de dpassement de la rsistance au
cisaillement sur cette surface.
Il existe des dizaines de mthodes de calcul de stabilit ayant toutes des avantages
et des inconvnients. Aucune n'est parfaite, car aucune ne tient compte de la
dformabilit du sol.
Selon Fredlund et Krahn [20], la mthode de Bishop simplifie donne des rsultats
aussi prcis que dautres mthodes rigoureuses.
50
51
Chapitre 4 :
Dveloppement de deux processus de rsolution
dquations dquilibre limite comme approches
doptimisation dans lanalyse de la stabilit des
talus
4.1 Introduction
Pour valuer la stabilit des talus par une mthode dquilibre limite, il existe des
mthodes linaires et non linaires. Les mthodes linaires sont des mthodes directes
de calcul du coefficient de scurit F et les mthodes non linaires ncessitent un
processus itratif.
Parmi les mthodes non linaires, on a choisi la mthode de Bishop modifie pour
une rupture circulaire. Pour une rupture non circulaire on a utilis la mthode de
Morgenstern et Price.
Le principe gnral consiste, tracer des surfaces de rupture arbitraires pour le talus
tudi. Puis chercher parmi ces surfaces celle qui est la plus dfavorable au point de vu
scurit. A cette surface, dite surface critique, correspond un coefficient de scurit
minimal Fmin.
Pour dterminer la surface de rupture critique, et pour faire loigner la difficult
dobtenir le coefficient de scurit global minimal deux processus doptimisation ont
t dveloppes en se basant sur lanalyse par algorithme gntique.
52
53
54
(4.1)
Evaluation du coefficient de
scurit (F) par lquation3.6
Critres
darrt ?
Oui
Fin
Non
Slection
Population
Parent
Croisement
Nouvelle
Population
Population
Enfant
Mutation
Figure.4.1 Principe doptimisation par algorithme gntique (cas de la stabilit des talusrupture circulaire- )
Les limites de chaque paramtre (Pmax, Pmin) sont dtermines par la mthode
numrative (cf. paragraphe : 1.3.1). La rduction de lespace de recherche, permet de
raffiner le maillage qui influe sur la prcision des rsultats. On calcule la fonction
objective ( partir de lquation 3.6) pour chaque individu, et on vrifie le critre
darrt (dans ce cas F soit minimal, et la valeur moyenne des coefficients de scurit
soit gale ce F ; ou datteindre le nombre maximal de gnration Gcmax=50). Si, le
critre darrt est garanti le processus sarrte, et on prend ce F comme Fmin. Si, non
les oprateurs gntiques suivants seront appliqus :
Une slection de type litiste de 1/3 des individus, qui ont t tris par ordre
croissant pour former une population parent, puis pour former une population enfant
loprateur de croisement avec un taux de croisement : Pc =2/3 et un nombre de
coupure de lindividu gal au nombre de paramtres identifier, et loprateur de
mutation avec un taux de : Pm =0.09, seront appliqus lindividu parent. Lensemble
population parent et population enfant forme une nouvelle gnration, le processus
doptimisation se rpte, jusqu lobtention dun bon individu qui satisfait le critre
darrt. Chaque solution est cre par un codage binaire de Nbit=6+6+6, qui ncessite
dtre dcod.
55
56
AR Zolfaghari et al.[87] ; et trois autres cas de talus homognes avec et sans nappe
deau calculs par la mthode de Bishop dans Slide version 5.0, selon Rocscience, Inc.
[63 ; 64].
Les tableaux 4.1 et 4.2, reprsentent respectivement les paramtres des trois cas
tirs de [11], et du cas de talus homogne tir de [87].
Plusieurs paramtres influencent la convergence des rsultats, parmi ces paramtres
on a, la taille et le maillage de lespace de recherche. Pour minimiser le nombre des
itrations et par consquence le temps de calcul, il est ncessaire de faire rduire
lespace de recherche.
La mthode numrative, permet de connatre lallure de la fonction erreur sur le
domaine de recherche [25]. De cela on peut restreint lespace de recherche dans la
bonne rgion de la fonction objective F, en donnant un bon choix des bornes de cet
espace.
La figure 4.2 prsente lutilisation de cette mthode sur la premire application.
3
2.5
2.5
2
1.5
1
1.5
0.5
1
0
0
0
-50
15
200
150
-100
10
100
-150
yo(m)
-5
5
50
-200
xo(m)
y0(m)
-10
x0(m)
57
F(2)
F(1)
H(m)
()
Application 1
11.6
45
15
22
19.10
1.105 1.130
Application 2
3.8
65
7.5
28
19.04
1.131 1.178
Application3
8.3
78
7.5
28
19.04
0.616 0.663
c'(kN/m
'()
(kN/m )
Application
4
(1)
c'
'
(1)
H(m)
()
(kN/m2)
()
(kN/m3)
8.5
26.565
15
20
19
Mthode de Mthode de
Mthode
Morgenstern Morgensternde Bishop
-Price
Price (rupture
(rupture
(rupture
non
circulaire)
circulaire)
circulaire)
1.74
1.741
1.76
1.75
1.55
F Moyen
*
*
1.5
y(m)
F Minimum
F=1.105
F Maximum
Objective
function F F
Fonction
Objective
1.45
1.4
-5
1.35
1.3
-10
1.25
1.2
-15
1.15
1.1
4
5
6
Generation
number
Nombre
de gnrations
-20
-10
-5
10
15
20
25
30
x(m)
ObjectiveObjective
function F F
Fonction
F=1.131
y(m)
F Minimum
F Maximum
1.45
F Moyen
*
*
58
-1
1.4
-2
1.35
-3
1.3
-4
1.25
-5
1.2
-6
1.15
1.1
4
5
6
NombreGeneration
de gnrations
number
-7
-1
10
*
*
0.95
Fonction Objective F
10
x(m)
-2
y(m)
F Moyen
F Minimum
F Maximum
F=0,616
-4
0.9
-6
0.85
0.8
-8
0.75
-10
0.7
-12
0.65
Nombre de gnrations
12
14
16
18
20
22
24
x(m)
*
*
2.05
Fonction
ObjectiveObjective
function F F
-14
10
F Moyen
y(m)
FM inimum
F=1.741
-6
F Maximum
-8
1.95
-10
1.9
-12
1.85
-14
1.8
1.75
-16
1.7
-18
0
10
12
Generation
number
Nombre
de gnrations
-10
-5
10
15
x(m)
20
59
Lapplication 5, est un talus quatre couches avec une couche mince [87], les
donnes gomtriques et les caractristiques des sols sont reprsentes par le tableau
4.3.
Les figures 4.11 et 4.12 illustrent les rsultats de ce cas dapplication.
Tableau.4.3La gomtrie et les paramtres de sol de lapplication 5.
c'1
H1
1()
m
kN/m2
Application
5
4()
15
c'4
(kN/m2)
'4 ()
35
28
12.06
(1)
26.56
5
8.5
'1
H2
'2
H3
()
2() kN/m2 ()
20
0.5 3.18
c'2
1= 2= 3= 4
(kN/m3)
F(1)
19
1.454
17
3()
'3
c'3
H4
kN/m2 () M
21 4.4 12.17
10 4.7
F(2)
Mthode
de Bishop
(rupture
circulaire
Mthode de
Morgenstern
-Price
(rupture
circulaire)
Mthode de
Morgenstern
-Price
(rupture non
circulaire)
1.475
1.50
1.24
2.8
F Moyen
*
*
2.6
-16
F Minimum
F=1.454
F Maximum
-18
Objective
function F
Fonction
Objective
2.4
-20
1
2.2
-22
2
3
-24
1.8
4
-26
1.6
-28
1.4
0
10
15
x(m)
20
Nombre
de gnrations
Generation
number
Les rsultats trouvs par cette approche, sont compars avec ceux de la littrature.
On constate que, les rsultats trouvs par lapproche dveloppe dans cette thse
base sur le principe de rsolution par algorithme gntique, en considrant une
rupture circulaire pour les cinq talus de sol sec homogne ou non homogne, sont
infrieurs de (0.1 4.7)% ceux tirs de la littrature bases sur le mme principe de
rsolution (calculs par la mthode des trois wedges [11], la mthode de Bishop
simplifie et la mthode de Morgenstern -Price pour talus homogne (Application 4)
pour une rupture circulaire ou non ; ainsi que le talus htrogne (de lapplication 5)
pour une rupture circulaire [87]).
Pour le talus htrogne de lapplication 5, le coefficient de scurit dtermin par
cette approche qui est de 1.454 est suprieur de 21.4% celui obtenu par Zolfaghari et
al. pour une rupture non circulaire [87]. Ce qui montre que ce coefficient F pour les
talus htrognes est sur estim dans le cas dune rupture circulaire.
Les trois applications suivantes, pour talus homognes sec et avec une pression
deau sont analyses par la mme approche dalgorithme gntique propose dans
cette thse. Les rsultats ont t compars avec ceux calculs par la mthode de
Bishop dans Slide version 5.0 [63 ; 64].
Lanalyse nous a permis de trouver les rsultats suivants, le coefficient de scurit
change au cours des gnrations et converge vers un minimum aprs un nombre limit
de gnration comme illustrent les figures (4.14 ; 4.16 ; 4.19 ; 4.21 ; 4.23 ; 4.26), les
figures (4.15 ; 4.17 ; 4.20 ; 4.22 ; 4.24 ; 4.27) montrent les surfaces de rupture critique
circulaire de chaque application.
60
61
(kN/m2)
()
41.65
15
Application 6
(2)
F(1)
F(1)
F(2)
F(2)
(66, 35)
W
(66, 32)
(48, 29)
(30, 23)
(0, 15)
(10, 15)
(66, 0)
(0, 0)
Fonction
Objective
Objective
FunctionFF
1.58
1.56
*
*
1.54
-10
Average F
F=1,406
Minimum F
Maximum
-15
1.52
-20
1.5
1.48
-25
1.46
1.44
-30
1.42
1.4
-35
-10
-5
10
15
20
25
30
Generation
Nombre
de gnrations
Number
35
ObjectiveObjective
Function F F
Fonction
*
*
*
62
-5
F Moyen
F=1,112
F Minimum
F Maximum
-10
1.2
-15
-20
1.15
-25
1.1
0
0.5
1.5
2.5
3.5
4.5
-30
-30
-20
-10
10
20
Nombre
de gnrations
Generation
Number
(psf) () (pcf)
Application 7 600 20
(1)
: Rsultats de ce travail ;
120
(2)
Ru
F(1)
F(1)
F(1)
F(2)
F(2)
F(2)
Cas 1 Cas 2
Cas 3
Cas 1 Cas 2
Cas 3
1.703
2.079
1.763
1.833
30
(120, 60)
(180, 60)
W
W
(0, 20)
63
(180, 40)
(40, 20)
(180, 0)
(0, 0)
Objective
Function F
F
Fonction
Objective
2.08
F Moyen
*
*
*
2.07
2.06
F=2,010
F Minimum
2020
F Maximum
00
2.05
-20
-20
2.04
-40
-40
2.03
-60
-60
2.02
-80
-80
2.01
-100
-100
2
0
10
-120
-120
12
-60
-40
-40
-20
00
20
20
40
40
6060
80
80
100
Generation
Number
Nombre
de gnrations
Fonction
Objective
Objective
Function F
F
1.825
*
*
*
1.82
F Moyen
F=1.802
2020
F Minimum
F Maximum
00
-20
-20
1.815
-40
-40
1.81
-60
-60
-80
-80
1.805
-100
-100
1.8
0
0.5
1.5
2.5
3.5
4.5
Generation
Number
Nombre
de gnrations
-200
-120
-60
-60
-40
-40
-20
-20
00
20
20
40
40
60
60
80
80
100
100
40
40
*
*
*
1.77
Fonction Objective F
64
1.76
F Moyen
F=1,703
F Minimum
20
20
F Maximum
00
1.75
-20
-20
1.74
-40
-40
1.73
-60
-60
1.72
-80
-80
1.71
-100
-100
-120
1.7
-120
0.5
1.5
2.5
3.5
-60
-60
-40
-40
-20
-20
20
20
40
40
60
60
80
Nombre de gnrations
Application 8
(1)
: Rsultats de ce travail;
(2)
(psf)
()
(pcf)
300
30
120
F(1)
F(2)
1.291
1.288
100
100
65
(170, 150)
(100, 150)
W
(170, 140)
(100, 140)
(-75, 100)
(0, 100)
(170, 75)
(-75, 75)
*
*
*
1.35
1.35
-40
-40
F=1,291
-50
-50
-60
-60
Objective Function F
Objective Function F
Fonction Objective F
1.36
1.36
FAverage
Moyen F
FMinimum
Minimum F
FMaximum
Maximum F
1.34
1.34
-70
-70
1.33
1.33
1.32
1.32
-80
-80
1.31
1.31
-90
-90
1.3
1.3
-100
-100
1.29
1.29
22
44
66
10
12
88
10
12
Generation Number
14
14
16
16
-110
1818 -110
-50
-50
00
50
50
100
Nombre
de gnrations
Generation
Number
On constate, pour les applications 6, 7 et 8, que les rsultats trouvs par cette
approche sont infrieurs ceux trouvs par Slide (basant sur la mthode de Monte
Carlo) publis dans [63 ; 64]. Cette diffrence est entre (0.3 et 6.9)%.
La surface de rupture non circulaire est dfinie par : la coordonne du premier point
x1 appartient au sommet de talus,
x1 et
(x1, y1)
1
2
i-1
i
(xf, yf)
(xi-1, yi-1)
i+1
i
(xi, yi)
(xi+1, yi+1)
66
67
combinaison
_
de
= ( .
et
(F
.
),
en
utilisant
) + ( .
lquation
(3.14) :
Les individus sont classs en ordre croissant par rapport la fonction objective. Le
processus sarrte si le critre darrt (opt_eq soit minimale), si non, le processus
continu en appliquant les oprateurs de : slection (1/3 des individus), croisement (de :
Pc =2/3) et mutation (Pm =0.09), pour crer une nouvelle gnration, le processus
doptimisation se rpte, jusqu lobtention dun bon individu qui satisfait le critre
darrt. Cet individu est le coefficient de scurit qui correspond un quilibre garanti
au maximum. Ce dernier et opt_eq seront sauvegards pour la surface de rupture
correspondante.
b. Dtermination de la surface de rupture non circulaire critique
Les individus sont tris par ordre croissant du coefficient de scurit F, si une
surface de rupture ne coupe pas la gomtrie du talus, on affecte F une valeur lev
68
F=1000
Non
Surface de
rupture coupe la
gomtrie
Oui
Critres
darrt (F
minimal)?
Oui
( .
) +
( .
Non
Critres
darrt (opt_eq
minimal)?
Non
Slection
Slection
Population
Population
Parent
Parent
Croisement
Croisement
Nouvelle
Population
Population
Enfant
Mutation
Mutation
Population
Enfant
Nouvelle
Population
Figure.4.29 Principe doptimisation par algorithme gntique (cas de la stabilit des talus rupture non circulaire -)
69
Application 9
H(m)
()
3.8
30
c'(kN/m
'()
7.5
(kN/m3)
28
19.04
Les rsultats trouvs par cette approche ainsi que les rsultats de comparaison sont
rsums par le tableau 4.8.
Tableau.4.8 Rsultats de cette approche en utilisant la mthode de Morgenstern-Price, et
celles de la littrature.
F(2)
F(1)
Mthode de MorgensternPrice (rupture non circulaire)
F(3)
Mthode de Mthode de
Mthode de
Bishop
Bishop
Morgenstern(rupture
(rupture
Price (rupture
circulaire) circulaire) non circulaire)
Mthode de
Mthode de
Morgenstern
Bishop
-Price
(rupture
(rupture non
circulaire)
circulaire)
F(4)
1
tranche
2
tranches
3
tranches
Application 1
1.578
1.375
1.106
1.105
1.106
1.082
1.130
Application 2
1.328
1.328
1.131
1.131
1.139
1.085
1.178
Application 4
3.418
1.803
1.731
1.741
1.751
1.711
1.75
Application 9
3.520
2.125
2.062
2.099
2.105
2.056
(1)
: Rsultats de ce travail;
tirs de [11].
(2)
(3)
1.74
/
/
(4)
1.190
: Rsultats
70
Les figures (4.30 ; 4.32 ; 4.34 ; 4.36), prsentent les surfaces de rupture non
circulaires de ces applications. Et les figures (4.31 ; 4.33 ; 4.35 ; 4.37), reprsentent les
valeurs optimales des fonctions objectives (F et opt_eq) converges, par la mthode de
Morgenstern-Price.
opt_eq
F=1.106
10
y(m)
10
10
-5
-10
10
-15
10
-1
-2
10
-20
-10
-5
10
15
20
25
30
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
x(m)
F=1.131
10
y(m)
10
1
0
10
-1
10
-2
-3
-1
10
-4
-5
-6
-2
-5
-4
-3
-2
-1
4
x(m)
5 10
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
71
F=1.731
y(m)
-6
10
10
-8
-10
10
-12
10
-14
-16
-1
10
-18
-10
-5
10
15
x(m) 20
-2
10
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
F=2.062
2
y(m)
10
10
0
-1
10
-2
-1
10
-3
-4
-10
-2
-5
x(m)
10
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
Le choix dune seule tranche a donn des valeurs de coefficient de scurit (F)
leves par rapport la ralit, laugmentation deux tranches a permis de diminuer
les rsultats, mais avec des valeurs toujours suprieures. A partir de la troisime
tranche les rsultats ont devenu comparables aux diffrentes mthodes de comparaison
cites dans le tableau.4.8.
Pour lapplication 1, le rsultat trouv de 1.106, concide bien avec F calcul par la
mthode de Bishop dans Slope/w, il est suprieur de 0.1% par rapport lapproche de
Bishop dfinie dans cette thse, et suprieur de 2.4% la mthode de MorgensternPrice pour 30 tranches calcule dans Slope/w, par rapport la mthode des trois
wedges tir de [11] il est infrieur de 2.4%.
Pour lapplication 9, ce calcul a donn F=2.062, comparant avec les autres rsultats,
cette valeur est infrieure de 3.7% celle calcule par lapproche de Bishop dfinie
dans cette thse, elle est infrieure de 4.3% par rapport la mthode de Bishop dans
72
On constate aussi que les rsultats de cette approche avec trois tranches, sont
suprieurs dau plus de 4.6% au cas de 30 tranches dans Slope/w, et infrieur de 1.9%
pour le cas de 150 tranches tir de [87].
4.4 Conclusion
Dans ce chapitre lanalyse de la stabilit des talus a t faite, en utilisant les deux
mthodes dquilibre limite : Bishop simplifie et Morgenstern-Price.
Plusieurs applications ont t faites sur des talus homognes, et une sur un talus
htrogne.
La comparaison des rsultats trouvs par les deux approches dveloppes dans ce
travail avec ceux publis dans la littrature montre lefficacit de ces approches.
73
En comparant les deux approches dveloppes dans cette thse entre eux. La
mthode de Bishop est plus rapide est simple rsoudre par rapport la mthode de
Morgenstern-Price qui demande un nombre de calcul plus lev.
Pour le talus htrogne, la surface de rupture circulaire par mthode de Bishop sur
estime le coefficient de scurit par rapport la surface de rupture non circulaire.
74
Les coefficients de scurit obtenus par la premire approche sont un peu infrieurs
ceux trouvs dans la littrature, et la convergence de ces coefficients se faite aprs un
nombre ditration trs limit. Cest due leffet des paramtres gntiques (taille et
maillage de lespace de recherche), qui sont optimiss dans cette tude, par la
limitation des bornes de lespace de recherche, et du nombre des paramtres
identifis en trois paramtres.
75
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
Chapitre 5 :
Identification des paramtres hydromcaniques
dun sol non satur dun talus par algorithme
gntique
5.1 Introduction
La mcanique des sols et des roches sest gnralement intresse dans le pass
ltude des matriaux totalement saturs en eau ou parfaitement secs. Or, en gnie
civil, en ingnierie de lenvironnement ou en ingnierie des rservoirs, on rencontre
frquemment des problmes qui impliquent des sols ou des roches sous saturation
partielle.
Par rapport aux sols saturs, les sols non saturs ont des proprits de dformabilit
et de rupture changeantes avec la teneur en eau. Il en rsulte des couplages complexes
entre les mouvements deau, la redistribution des contraintes internes et la rponse des
massifs en termes de dformations [9].
Linteraction air eau solide rend le comportement mcanique ainsi que les
aspects hydriques beaucoup plus compliqus que dans un sol satur. En outre, la
pression deau est toujours infrieure la pression dair dans un sol non satur. Cette
diffrence de pression entre lair et leau, appele succion, est lorigine de certains
comportements hydromcaniques particuliers du sol non satur. En effet, plusieurs
sources de non linarit sont introduites lors de la formulation dun problme : la
saturation varie lorsque la succion varie et le coefficient de permabilit dpend de la
76
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
Les ruptures dans les pentes et les talus sont souvent lies des modifications du
degr de saturation qui dpend de mme de la permabilit du sol.
77
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
Lestimation de la permabilit des sols rencontrs dans un site bien connu est
instrumente par des inclinomtres pour la mesure des dplacements horizontaux. Ce
site est la cit Ciloc Constantine, Algrie.
La cit Ciloc Constantine situ sur un versant faible pente (10 15) qui a
subi un glissement en 1987 sur une centaine de mtres.
78
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
B
A
C
D
x
Figure. 5.1 La coupe gomtrique du modle
d
kN/m3
sat
kN/m3
C
kN/m
01
02
03
17
15
18
19.5
17.5
21.5
15
8
55
E50ref
() () kN/m
12 0 2100
21 0 2200
22 0 6600
ref
E oed
kN/m
2100
2200
6600
E urref
kN/m
6300
6600
19800
0.33
0.30
0.30
79
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
Nous imposons des dplacements horizontaux nuls selon laxe X sur les parois
verticales et au fond, et verticaux nuls selon laxe Y sur le fond du massif.
Pour les conditions hydrauliques, on considre une nappe deau a niveau constant,
avec un coulement permanent, les parois verticales sont permables par contre le
substratum est considr impermable. La figure 5.3 reprsente les conditions aux
limites du modle numrique.
80
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
26
17
8
25
16
7
24
23
15 2227
1429
20
12
5
11
4
13
6 28
21
81
19
10
3
18
9
2
1
La figure 5.4, illustre les diffrentes tapes, qui suit lapproche doptimisation par
algorithme gntique dfinit dans ce travail.
Population
Initiale
Calcul MEF
Critres
darrt ?
Oui
Fin
Non
Slection
Population
Parent
Croisement
Nouvelle
Population
Population
Enfant
Mutation
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
Pour identifier la permabilit ltat satur (K) du sol en se basant sur les mesures
inclinomtriques. La formulation du principe doptimisation schmatis par la figure
5.4 est crite en langage Matlab. On choisi une gnration initiale de 3 paramtres (K1,
K2, K3, les indices 1,2 et 3 corresponds aux couches du sol), et de 30 individus. Puis
on passe un calcul par lments finis dans Plaxis, la gnration des pressions
interstitielles se fait par le module Plaxflow pour prendre en considration le non
saturation du sol. Les dplacements horizontaux sont ensuite intgrs dans le
programme pour trouver la fonction erreur Ferr (quation.2.3), Si la condition darrt
nest pas satisfaisante on applique les trois mcanismes doptimisation par algorithme
gntique (slection (1/3 des individus), croisement (Pc =2/3) et mutation (Pm de
lquation.2.4) pour former une nouvelle gnration, ensuite en rpte les mmes
tapes que la gnration prcdente jusqu ce que Ferr soit minimale.
Partant dune population initiale de petite taille uniformment rpartie sur lespace
de recherche (Figure 5.5) et (Figure 5.6), les individus voluent ds la premire
gnration du processus doptimisation vers une zone de lespace o Ferr est minimale.
Ensuite, les individus parents voluent progressivement entre la 1ere et la 4me
gnration. Enfin, la population parent se stabilise ds la 4me gnration pour donner
dans la 9me gnration un ensemble de deux individus de mme Ferr et dun ordre de
grandeur raisonnable pour les types de sol des trois couches (comparant la
permabilit donne par le systme de classification internationale des sols Staring
donn par Plaxflow).
82
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
83
Individu 1 :
Individu 2 :
K1= 7.75*10-3 m/j ; K1=6.63*10-3m/j
K2= 0.3 m/j
; K2=0.3 m/j
K3=6.34*10-3 m/j ; K3=3.75*10-2 m/j
0.7
0.68
0.66
0.64
0.62
0.6
0.58
0.56
0.54
0.52
0.5
Nbre de gnrations
Population initiale
Premire gnration
0.04
0.04
0.03
K3 (m/ j)
K3 (m/j)
0.03
0.02
0.01
0.02
0.01
0
0.5
0.4
0.01
0.008
0.3
0.006
0.004
0.2
K2 (m/j)
0.1
0
0.5
0.4
0.01
0.008
0.3
0.002
0.006
0.004
0.2
K1 (m/j)
K2 (m/ j)
0.1
0.002
0
K1 (m/ j)
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
Deuxime gnration
Troisime gnration
0.04
0.04
0.03
0.03
K3 (m/ j)
K3 (m/ j)
84
0.02
0.01
0.02
0.01
0
0.5
0
0.5
0.4
0.01
0.008
0.3
0.006
0.2
0.1
K2 (m/ j)
0.4
0.01
0.006
0.004
0.2
0.002
0
0.008
0.3
0.004
K1 (m/ j)
K2 (m/ j)
0.1
0.002
0
K1 (m/ j)
0.04
K3 (m/ j)
0.03
0.02
0.01
0
0.5
0.4
0.01
0.008
0.3
0.006
0.004
0.2
K2 (m/ j)
0.1
0.002
0
K1 (m/ j)
Figure.5.6 Identification de la permabilit effective des trois couches de sol K1, K2 et K3.
Processus doptimisation par algorithme gntique : volution des individus parents sur
lespace de recherche chaque gnration.
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
0
10
15
20
Ue
Un de lindividu 1
Un de lindividu 2
25
30
35
-15
-10
-5
10
15
5.5 Conclusion
85
5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
86
Conclusion gnrale
87
Conclusion gnrale
Gnralement, un problme inverse en gotechnique est formul comme un
problme doptimisation. Les mthodes stochastiques nutilisent que la valeur de la
fonction erreur, ils font appel des tirages de nombres alatoire. Elles permettent
dexplorer lespace de recherche plus efficacement.
Conclusion gnrale
88
89
Annexe A:
Code de calcul par lments finis (Plaxis v8.2 et
PlaxFlow)
A.1 Introduction
Lorsque le comportement du sol est modlis de faon non linaire et irrversible,
les mthodes de rsolution numrique les plus frquemment utilises dans la pratique
sont : la mthode des diffrences finies et la mthode des lments finis [56].
La mthode des diffrences finies consiste partir dun milieu continu, crire les
quations qui rgissent ces milieux en imposant les lois de conservation et de
comportement, puis discrtiser les quations obtenues en transformant un systme
dquations diffrentielles en quations algbriques.
Ces mthodes de rsolution numrique ne sont pas discutes dans cette thse;
cependant selon Nova [56], lexprience montre que dans de nombreux cas
gotechniques, la mthode des lments finis est plus performante et plus prcise que
la mthode des diffrences finies.
Pour rsoudre un problme danalyse inverse, nous avons donc choisi de modliser
le versant selon la mthode des lments finis.
Les mthodes de calcul par lments finis visent donner une solution numrique
approche un problme spcifique au moyen dun modle mathmatique
reprsentatif dune ralit physique [52].
Et elle permet de :
90
91
92
Dans Plaxis, il existe plusieurs types de modles, on dfinit dans la suite deux
modles lastoplastiques.
A.2.2.1 Modle de Mohr-Coulomb
Le modle de Mohr-Coulomb est un modle souvent utilis pour reprsenter la
rupture par cisaillement dans les sols et les roches tendres. Cette loi se caractrise par
une lasticit linaire isotrope de Hooke, une surface de charge et un potentiel
plastique. Les rgles dcoulement sont non associes. A lintrieur de la surface de
rupture, le comportement du matriau est suppos lastique linaire isotrope ou
93
Plusieurs tudes ont t ralises concernant linfluence de divers facteurs sur ces
paramtres [53]. La valeur de langle de frottement est couramment comprise entre
15 et 45. Les valeurs infrieures ou autour de 30 sont typiques des argiles, tandis
que des valeurs suprieures, entre 25 et 45, caractrisent les sables. A compacit
donne, langle de frottement est pratiquement indpendant de la teneur en eau du sol,
mais il augmente avec le diamtre moyen des grains. Langle de frottement dpend
galement de la forme et de ltat de surface des grains.
94
(a)
(b
)
Figure. A.1 Modlisation dun essai de compression triaxiale avec le modle de MohrCoulomb (a) et reprsentation des contraintes dans le plan de Mohr (b).
Les sols pulvrulents nont pratiquement pas de cohsion, 0 < c < quelques
kiloPascals. On parle de cohsion capillaire ou de cimentation en place. Les sols
cohrents ont une cohsion comprise entre quelques kiloPascals et plusieurs centaines
de kiloPascals.
Langle de dilatance est quant lui gnralement compris entre 0 et 15. Dune
manire gnrale, langle de frottement est pratiquement toujours suprieur langle
de dilatance. La valeur de peut tre simplement dtermine partir de la pente de
dilatance observe dans les essais triaxiaux (cf. figure A.1(a)). Il existe galement une
95
96
relation empirique simple, gnralement bien vrifie pour les sables denses, reliant
langle de dilatance et langle de frottement interne :
=
30
(A. 1)
Il est conseill de prendre une valeur de 0.2 0.4 pour le coefficient de poisson.
Celle-ci est raliste pour lapplication du poids propre (procdure K0 ou chargement
gravitaires). Pour certains problmes, notamment en dcharge, on peut utiliser des
valeurs plus faibles.
97
98
pour tenir compte de la plasticit du sol. Les plastifications peuvent tre de deux
natures : lies au cisaillement ou la compression.
Le modle HSM ncessite donc principalement les huit paramtres suivant, qui
comme pour le modle de Mohr-Coulomb sont identifiables partir dessais
oedomtriques ou triaxiaux comme illustr figures A.3 et A.4 :
rfrence pref ;
pour
et
Dun point de vue qualitatif, ce type de modle bas sur la thorie de la plasticit
avec crouissage est capable de prendre en compte les aspects majeurs du
comportement du sol et de reproduire avec suffisamment de prcision lvolution
observe lors dessais exprimentaux [56]. Il peut alors tre considr comme une
approximation au deuxime ordre du comportement rel dun sol.
99
100
q x k x
( . )
q y k y
( . )
p
w
( . )
p
w
101
( . )
O y est la position verticale, P est la pression de fluide dans les vides, et w est le
poids volumique de leau. p est le potentiel de pression des vides.
La permabilit effective K est relie la saturation comme suite :
K k rel s K sat
( . )
Le modle dcoulement non satur est gnralement bas sur la description de Van
Genuchten. Suivant ce modle la saturation dpende du potentiel de pression effective
p :
1 g n
gn ( g )
n
( . )
En gnral la condition de saturation des vides nest pas compltement remplie par
leau, lair peut tre pig et la saturation devienne infrieure un. Van Genuchten
adopte une saturation rsiduelle Sresidu qui dcrit part le fluide dans les vides. Les
paramtres ga, gn et gi sont mesurs pour chaque matriau. La permabilit relative est
lie la saturation effective :
Se
S S residu
S sat S residu
( . )
La permabilit relative selon Van Genuchten, est maintenant crite comme suit :
k rel (S )
g n 1
gn
gn
g
S e i .1 1 S e g n 1
( . )
Bibliographie
102
Bibliographie
[1] L.W. Abramson , T.S. Lee, S. Sharma, and G.M. Boyce. Slope stability and
stabilization methods. 2nd ed., John Wiley &Sons, New York. pp. 374, 2002.
[2] A. Bekkouche, B. Derras, et D. Zendagui. Estimation de la vitesse maximale du sol
par la mthode des rseaux de neurones artificiels, 1er Symposium mditerranen de
gotechnique (SMGE09), Alger, Algrie, pp. 134-142, 2009.
[3] A.W. Bishop. The use of the slip circle in the stability analysis of slopes.
Gotechnique, Vol. 5, N 1, pp. 717, 1955.
[4] F. Blondeau. Les mthodes danalyse de stabilit des talus, Lab. des ponts et
chausses, Vol. 1, pp. 56, 1976.
[5] R.B.J. Brinkgreve. Plaxis v8 manuel de rfrence, Delft University of Technology
& PLAXIS bv, Pays-Bas, 2003.
[6] R.B.J. Brinkgreve. Plaxflow v1 scientific manuel , Delft University of Technology
& PLAXIS bv, The Netherlands, 2003.
[7] W. Bruno, G.J. Louis, L.William. Stabilit des pentes, T.P. Universit Libre de
Bruxelles (ULB), Facult des Sciences Appliques, cole Polytechnique,
IRCNST-4, 2005.
[8] R. Chelouah. Adaptation aux problmes variables continues de plusieurs
mtaheuristiques doptimisations combinatoires. PhD thesis, Universit de CergyPontoise, 1999.
[9] Y.J. Cui and P. Delage, Sols non saturs - Applications au calcul des ouvrages,
Techniques de lingnieur, 2003.
[10] C. Darwin. Ebauche de lorigine des espces. Diderot - Paris, 1844.
Bibliographie
[11] S. K. Das. Slope stability analysis using genetic algorithm. Research Scholar,
Department of Civil Engineering, Indian Institute of Technology Kanpur, India,
2005.
[12] L. Davis. Handbook of genetic algorithm. Van Norstand Reinhold - New York,
1991.
[13] K. Deb. Multi-Objective Optimization using Evolutionary Algorithms. Wiley,
2001.
[14] K.A. DeJong. An analysis of the behavior of a class of genetic adaptative systems.
PhD thesis, University of Michigan, 1975.
[15] I.B. Donald, and P.S.K. Giam. Improved comprehensive limit equilibrium
stability analysis. Department of Civil Engineering Report No. 1/1989, Monash
University, Melbourne, Australia, , 1989a.
[16] J.M. Duncan and Y.Y. Chang. Nonlinear analysis of stress and strain in soils.
Journal of the Soil Mechanics and Foundations Division. ASCE, Vol.96, pp.1629
1653, 1970.
[17] R.M.Faure. Lvolution des mthodes de calcul en stabilit des pentes. Partie I :
Mthodes la rupture, Revue Franaise de Gotechnique, N92, 2000.
[18] W. Fellenius. Erdstatische berechnungen mit reibung und kohaesion W. Ernst.
1927.
[19] S. Forrest. Genetic algorithms: principles of natural selection applied to
computation, Science, Vol. 261, pp. 872878, 1993.
[20] D.G. Fredlund, and J. Krahn. Comparison of Slope Stability Methods of
Analysis, Canadian GeotechnicaI Journal, Vol. 14, N 3, pp 429-439, 1977.
103
Bibliographie
104
Bibliographie
105
Bibliographie
106
Bibliographie
107
Bibliographie
108
Bibliographie
[64] Rocscience, Inc. Phase2. 2D elasto-plastic finite element program for slope and
excavation stability analyses. Slope Stability Verification Manual Part I, 2009.
[65] D.H. Rothman. Automatic estimation of large residual statics corrections.
Geophysics, Vol. 51, N2, pp. 332346, 1986.
[66] S. Sakurai and K. Takeuchi. Back analysis of measured displacements of tunnels.
Rock mechanics and rock engineering, Vol. 16, pp.173180, 1983.
[67] P. Samarajiva, E.J. Macari, and W. Wathugala. Genetic algorithms for the
calibration of constitutive models of soils. International Journal of Geomechanics,
Vol. 5, N3, pp. 206217, 2005.
[68] M. Sambridge. Geophysical inversion with neighboorhood algorithm. 1 searching a parameter space. Geophys. J. Int., Vol. 138, pp. 479494, 1999.
[69] M. Sambridge. Geophysical inversion with neighboorhood algorithm. 2 appraising the ensemble. Geophys. J. Int., Vol. 138, pp. 727746, 1999.
[70] M. Sambridge and K.Mosegaard. Monte carlo methods in geophysiscal inverse
problems. Reviews of Geophysics, Vol. 40, N3, 2002.
[71] J.C. Santamarina and D. Fratta. Introduction to discrete signals and inverse
problems in civil engineering. ASCE Press, 1998.
[72] S.K. Sarma. Stability analysis of embankments and slopes. Journal of the
Geotechnical Engineering Division, ASCE, Vol. 105, N12, pp. 15111524, 1979.
[73] T. Schanz, P.A. Vermeer, and P.G. Bonnier. Formulation and verification of the
hardening soil model. In Computational Geotechnics, pp. 281290, 1999.
[74] M. Selmi, M. Ltifi et H. Hassis. Effet de lincertitude sur la stabilit des pentes.
Colloque, Sols et Matriaux Problmes, Tunisie, 2007.
109
Bibliographie
[75] C. Shaopei and D. Boru. Modeling of fuzzy machine learning and fuzzy neural
network in structural design, chapter Uncertainty modeling and analysis in civil
engineering, CRC Press, pp. 337355, 1998.
[76] T. Shibutani, M. Sambridge, and B. Kennett. Genetic algorithm inversion for
receiver functions with application to crust and uppermost mantle structure beneath
eastern australia. Geophysical research letters, Vol. 23, N14, pp. 18291832, 1996.
[77] H.S. Shin and G.N. Pande. On self-learning finite element codes based on
monitored response of structure. Computers and Geotechnics, Vol. 27, pp. 161178,
2000
[78] A.R. Simpson and S.D. Priest. The application of genetic algorithms to
optimisation problems in geotechnics. Computer and Geotechnics, Vol. 15, pp.
119, 1993.
[79] E. Spencer. A method of analysis of the stability of embankments assuming
parallel interslice forces. Gotechnique, Vol. 17, N1, pp. 1126, 1967.
[80] P.L. Stoffa and M.K. Sen. Nonlinear multiparameter optimization using genetic
algorithms: inversion of plane-wave seismograms. Geophysics, Vol. 56, N11, pp.
17941810, 1991.
[81] A. Tikhonov and V. Arsenine. Mthodes de rsolution des problmes mal poss.
Mir Editions, 1976.
[82] M.T. Van Genuchten, A closed-form equation for predicting the hydraulic
conductivity of unsatured soils, J. of Soil Sci. Soc. Am, Vol. 44, pp. 892-898, 1980.
[83] R. Whitlow. Basic Soil Mechanics, 3rd edn. Longman, Harlow, Essex. (New
edition in press by Pearson Education, Harlow, Essex.), 1995.
110
Bibliographie
[84] S.G. Wright, F.G. Kulhawy and J.M. Duncan. Accuracy of equilibrium slope
stability analysis, ASCE, J. SMFD, S.M., Vol. 99, N10, pp. 791-793, 1973.
[85] T. Yamagami, J.C. Jiang, and Y. Ueta. Back calculation of strength parameters
for landslide control works using neural networks. In Proceedings of the 9th Int.
Conf. On Computer methods and advances in geomechanics, Wuhan, China, 1997.
[86] R. Zentar, Hicher P.Y., and G. Moulin. Identification of soil parameters by
inverse analysis. Computer and Geotechnics, Vol. 28, pp. 129144, 2001.
[87] AR Zolfaghari, A.C. Heath, and P.F. McCombie. Simple genetic algorithm search
for critical non-circular failure surface in slope stability analysis. Computer and
Geotechnics, Vol. 32, pp. 139152, 2005.
111