Vous êtes sur la page 1sur 128

BADJI-MOKHTAR-ANNABA UNIVERSITY

UNIVERSITE BADJI-MOKHTAR-ANNABA

Facult des sciences de lingnieur

Anne 2012

Dpartement de Gnie Civil

THESE
Prsente en vue de lobtention du diplome de DOCTORAT DES SCIENCES

ANALYSE INVERSE DANS LE CALCUL


GEOTECHNIQUE
-APPLICATION AU CALCUL DE LA STABILITE DES
TALUSOption
Gotechnique
Prsente par :

Melle MENDJEL DJENATTE

SOUS LA DIRECTION DU:

Dr. MESSAST SALAH

M.C A-

Universit de Skikda

DEVANT LE JURY

Pr. HABITA Faouzi

Universit dAnnaba

Prsident

Pr. NOUAOURIA Med Salah

Unversit de Guelma

Examinateur

Dr. HIDJEB Moustapha

Universit de Skikda

Examinateur

Dr. CHELGHOUM Noureddine

Universit dAnnaba

Examinateur

Dr. SBARTAI Badreddine

Universit de Skikda

Examinateur

Remerciements
En terme de rdaction de cette thse, nous remercions tout instant notre dieu qui a
toujours clair notre vie par le savoir, et nous a guid dans le bon chemin.
Je tiens remercier tout dabord Pr. Mounir. HAMAMI, Que Dieu bnisse son me, pour
mavoir initi et pour mavoir donn loccasion de faire ce sujet pertinent, et dactualit ainsi
que pour son aide et son encadrement pendant les trois premires annes de recherche.
Bien videmment je remercie trs chaleureusement Dr. Salah MESSAST, pour lintrt
incessant quil a port au suivi de ce travail, en dpit de ses occupations et malgr la difficult
rencontre tout le long de cette tude. Jai beaucoup apprci ses mthodes de travail, la
libert quil ma laisse dans lorganisation de ces recherches et ses encouragements
nombreux et rguliers, qui mont toujours remont le moral dans les moments difficiles, ses
remarques, toujours pertinentes, ont t trs bnfiques lavancement de cette thse.
Je tiens vivement remercier Dr. Mourad MARDJAOUI de luniversit de Skikda, qui
ma aid dans les premires initiations des algorithmes gntiques.
Je remercie plus sincrement le professeur HABITA Faouzi. qui ma fait lhonneur de
prsider le jury de soutenance.
Mes plus sincres remerciements vont

galement

aux

membres de

jury :

Pr. NOUAOURIA Med Salah, Dr. HIDJEB Moustapha, Dr. CHELGHOUM Noureddine et
Dr. SBARTAI Badreddine, qui ont accept de relire et commenter cette thse.
Mes remerciements aussi au Pr. Guenfoud Mohamed directeur du laboratoire LGCH de
luniversit de Guelma pour leur mise en disposition le logiciel Plaxflow. Sans oublier Dr.
Lafifi Brahim chercheur au mme laboratoire pour ses conseils concernant lutilisation de
plaxflow.
Mes remerciements vont galement au corps administratif du dpartement de Gnie Civil
de luniversit dAnnaba.
Jadresse un grand merci qui je ddie cette thse, mes parents, mon soutien moral
mon frre Hacne, et sa femme, mes surs, et leurs maris, surtout Allel qui ma vraiment
aid. A mon bon frre Mourad que Dieu bnisse son me qui me manque, il a toujours voulu
me voir au plus haut grade.

ii

Pour couronner ces remerciements, je rends un hommage ma Mre, pour son


irremplaable et inconditionnel soutien. Ton amour maternelle, ton soutien, et tes
encouragements mont t dune aide prcieuse. MERCI et que Dieu puisse te prter longue
vie .

iii

Rsum
Les problmes gotechniques sont complexes, et les quations qui lient les paramtres du
sol sont gnralement irrversibles et non linaires, en plus des incertitudes sur ces
paramtres.
Loptimisation par algorithme gntique prsente un grand intrt dans la rsolution des
problmes complexes, elle montre son efficacit dans le domaine de la gotechnique et
surtout dans le calcul de la stabilit des talus. Dans un algorithme gntique la slection au fil
des gnrations sopre sur des individus. Ces individus voluent ensuite selon des
mcanismes gntiques de slections, croisements et de mutation.
Lanalyse de la stabilit des talus est gnralement faite en utilisant les mthodes
dquilibre limite.
Ce travail concerne lutilisation de loptimisation par algorithme gntique, pour le calcul
de la stabilit des talus

par mthodes dquilibre limite, ce qui revient chercher le

coefficient de scurit minimal et la surface de rupture correspondante.


Leau joue un rle important dans lanalyse de la stabilit des pentes, do la ncessit de
bien caractriser les sols en considrant un comportement hydromcanique coupl.
Une deuxime partie de cette thse est consacre au dveloppement dune mthode
doptimisation par algorithme gntique permettant lidentification de la permabilit des sols
non saturs en minimisant lcart entre les mesures exprimentales et les rsultats numriques.
Le comportement du sol sera caractris par les dplacements horizontaux qui seront
dtermins aprs un calcul en lments finis au moyen du code de calcul Plaxis, en
considrant un comportement hydromcanique du sol. Ces dplacements horizontaux seront
compars aux mesures inclinomtriques. Cette approche est applique lidentification de la
permabilit de la cit Ciloc Constantine - Algrie.
Mots cls : Analyse inverse ; Algorithme gntique ; Stabilit des talus ; Facteur de
scurit ; Sol non satur ; Plaxis

iv


.

.
.
.
.
.
.
.
.
.
.
Plaxis
.
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.

Table des matires

vi

Table des matires


Remerciements i
Rsum. iii
..................................................................................................................iv
Abstract. .. v
Table des matires.. vi
Liste des notations.. ix
Liste des figures.. xi
Liste des tableaux. .xvi
Introduction gnrale

Chapitre 1 : Mthodes doptimisation.

1.1 Introduction.

1.2 Principe danalyse inverse 5


1.3 Analyse inverse par mthode numrique directe : algorithmes doptimisation. 7
1.3.1 Les mthodes numratives...

1.3.2 Les mthodes dterministes.... 11


1.3.3 Les mthodes stochastiques 12
1.3.3.1 Les mthodes Monte Carlo. 12
1.3.3.2 Le recuit simul.. 14
1.3.3.3 Les algorithmes de voisinage. 15
1.3.3.4 Les rseaux de neurones. 17
1.3.3.5 Algorithmes volutionnaires.. 20
1.4 Conclusion. 21
Chapitre 2 : Optimisation par Algorithme Gntique 23
2.1 Introduction 23
2.2 Principe doptimisation

28

Codage, individu, population et espace de recherche.. 28

Table des matires

vii

Evaluation de la population.
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

processus de rsolution dquations

dquilibre limite comme approches doptimisation dans lanalyse de la stabilit


des talus... 52
4.1 Introduction. 52
4.2 Processus de rsolution par algorithme gntique (cas de surface de rupture
circulaire).... 53
4.2.1 Applications numriques. 55
4.3 Processus de rsolution par algorithme gntique (cas de surface de rupture
non circulaire).......... 66
a. Rsolution de lquation de Morgenstern-Price pour trouver le coefficient
de scurit qui assure lquilibre au maximum pour chaque surface de
rupture 67
b. Dtermination de la surface de rupture non circulaire critique 67
4.3.1 Applications numriques. 69
4.4 Conclusion 73

Table des matires

Chapitre 5 : Identification des paramtres hydromcaniques dun sol non satur


dun talus par algorithme gntique 76
5.1 Introduction. 76
5.2 Prsentation et modlisation du versant. 78
5.3 Principe doptimisation par algorithme gntique 81
5.4 Rsultats de lidentification.. 82
5.5 Conclusion... 85
Conclusion gnrale.. 87
Annexe A : Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)... 89
A.1 Introduction. 89
A.2 Code de calcul Plaxis v8.2. 91
A.2.1 Options par dfaut et solutions approches.. 92
A.2.2 Lois de comportement dans Plaxis.. 93
A.2.2.1 Modle de Mohr-Coulomb 93
A.2.2.2 Modle lastoplastique avec crouissage (Hardening Soil
Model H.S.M). 97
A.3 Code de calcul PlaxFlow. 100
Bibliographie. 102

viii

Liste des notations

ix

Liste des notations

Ferr

Fonction erreur

Nindividus

Nombre dindividus (taille de la population)

Nparamtre

Nombre de paramtres optimiser

Nbit

Nombre de bits codant un individu

Pimin et Pimax

borne infrieure et suprieure de chaque paramtre de la population

Pi

Incertitude accepte sur lvaluation des paramtres

Nombre de points de mesure

Uni

Dplacement horizontal calcul numriquement au point i

Uei

Dplacement horizontal mesur exprimentalement au point i

Pc

Probabilit de croisement

Pm

Probabilit de mutation

Ncoupure

Nombre de points de coupure lors de lopration de croisement

Coefficient de scurit

Angle entre la base du ime tranche et lhorizontale

Ntranches

Nombre des tranches dune surface de rupture

Largeur de la tranche du sol

c'

Cohsion effective du sol

'

Angle de frottement effectif du sol

Poids volumique du sol

N'

Force normale la base de la tranche due la contrainte effective

Pression interstitielle

Poids de la tranche

Contrainte de cisaillement sur la surface de rupture


l

Projection de b sur la ligne de rupture

Hauteur du talus

Angle du talus

Xi, Xi+1

Composantes verticales des forces dinteraction

Ei, Ei+1

Composantes horizontales des forces dinteraction

Liste des notations

Qi

Rsultante des forces inter-tranches

qc

Surcharges sur le talus

ah

Coefficient pseudo-statique sismique horizontal

av

Coefficient pseudo-statique sismique vertical

Angle form par la rsultante et lhorizontale

f( )

Fonction de variation par rapport la distance le long de la surface de


glissement

Vitesse dcoulement

kx et ky

Composantes de la permabilit effective

krel

Permabilit relative

Permabilit effective

Ksat

Permabilit ltat de saturation

Sresidu

Saturation rsiduelle

Se

Degr de saturation effectif

Gradient hydraulique

Potentiel de pression des vides

Position verticale

Pression de fluide dans les vides

Poids volumique de leau

ga, gn et gi

Paramtres relatifs chaque matriau

Liste des figures

xi

Liste des figures


Figure. 1.1 Schma du principe dune analyse inverse par mthode analytique
inverse (a) et par mthode numrique directe (b)

Figure.1.2 Exemple dexploration exhaustive de lespace de recherche [39].


Reprsentation de la fonction erreur Ferr sur lespace de recherche (Gref ,). 10
Figure.1.3 Principe de la mthode du recuit simul................. 14
Figure.1. 4 Illustration du principe doptimisation par Algorithme de voisinage [68]
: cellules de Voronoi initiales (a), nouvelles cellules gnres par lalgorithme
diffrentes tapes du processus doptimisation (b,c), topologie de la fonction erreur
correspondante (d) ...... 16
Figure. 1.5 Schma dun rseau de neurones [28].. 18
Figure. 2.1 Schma dun algorithme gntique selon Orain et al. [57] 24
Figure. 2.2 (a) : Illustration schmatique des niveaux dorganisation dun algorithme
gntique,

(b) : Reprsentation dun individu. 30

Figure. 2.3 Estimation de lerreur sur la solution entre des valeurs mesures Uei et
des valeurs calcules Uni. 31
Figure. 3.1 Schma de rupture plane 41
Figure. 3.2 Les inconnues dune mthode des tranches... 42
Figure. 3.3 Reprsentation des forces sur une tranche selon la mthode simplifie
de Bishop [83].. 44
Figure. 3.4 Reprsentation des forces sur une tranche selon la mthode simplifie
de Morgenstern et Price [55] 47
Figure. 3.5 Variation du coefficient de scurit fonction de [36]. 49

Liste des figures

Figure.4.1 Principe doptimisation par Algorithme gntique (cas de la stabilit des


talus-rupture circulaire-)... 54
Figure.4.2 Utilisation de lexploration exhaustive de lespace de recherche pour
lapplication 1. Reprsentation de la fonction erreur F dans lespace de
recherche.. 56
Figure.4.3 Variation de la fonction objective avec le nombre de gnration de
lapplication 1 . 57
Figure.4.4 Surface de rupture circulaire critique de lapplication 1... 57
Figure.4.5 Variation de la fonction objective avec le nombre de gnration de
lapplication 2.. 58
Figure.4.6 Surface de rupture circulaire critique de lapplication 2.... 58
Figure.4.7 Variation de la fonction objective avec le nombre de gnration de
lapplication 3.. 58
Figure.4.8 Surface de rupture circulaire critique de lapplication 3 58
Figure.4.9 Variation de la fonction objective avec le nombre de gnration de
lapplication 4.. 58
Figure.4.10 Surface de rupture circulaire critique de lapplication 4. 58
Figure.4.11 Variation de la fonction objective avec le nombre de gnration de
lapplication 5. 59
Figure.4.12 Surface de rupture circulaire critique de lapplication 5. 59
Figure.4.13 Gomtrie de lapplication 6. 61
Figure.4.14 Variation de la fonction objective avec le nombre de gnration de
lapplication 6 (cas 1).. 61

xii

Liste des figures

Figure.4.15 Surface de rupture circulaire critique de lapplication 6 (cas 1) 61


Figure.4.16 Variation de la fonction objective avec le nombre de gnration de
lapplication 6 (cas 2).. 62
Figure.4.17 Surface de rupture circulaire critique de lapplication 6 (cas 2). 62
Figure.4.18 Gomtrie de lapplication 7. 63
Figure.4.19 Variation de la fonction objective avec le nombre de gnration de
lapplication 7 (cas 1).. 63
Figure.4.20 Surface de rupture circulaire critique de lapplication 7 (cas 1). 63
Figure.4.21 Variation de la fonction objective avec le nombre de gnration de
lapplication 7 (cas 2). 63
Figure.4.22 Surface de rupture circulaire critique de lapplication 7 (cas 2). 63
Figure.4.23 Variation de la fonction objective avec le nombre de gnration de
lapplication 7 (cas 3).. 64
Figure.4.24 Surface de rupture circulaire critique de lapplication 7 (cas 3). 64
Figure.4.25 Gomtrie de lapplication 8. 65
Figure.4.26 Variation de la fonction objective avec le nombre de gnration de
lapplication 8.. 65
Figure.4.27 Surface de rupture circulaire critique de lapplication 8.. 65
Figure.4.28 Paramtres dfinissant une rupture non circulaire 66
Figure.4.29 Principe doptimisation par Algorithme gntique (cas de la stabilit des
talus -rupture non circulaire -). 68
Figure.4.30 Surface de rupture non circulaire critique de lapplication 1... .. 70

xiii

Liste des figures

xiv

Figure.4.31 valeurs optimales des fonctions objectives (F et opt_eq) converges, par


la mthode de Morgenstern-Price de l'application 1.... 70
Figure.4.32 Surface de rupture non circulaire critique de lapplication 2... 70
Figure.4.33 valeurs optimales des fonctions objectives (F et opt_eq) converges, par
la mthode de Morgenstern-Price de l'application 2.... 70
Figure.4.34 Surface de rupture non circulaire critique de lapplication 4.. 71
Figure.4.35 valeurs optimales des fonctions objectives (F et opt_eq) converges, par
la mthode de Morgenstern-Price de l'application 4.... 71
Figure.4.36 Surface de rupture non circulaire critique de lapplication 9 .. 71
Figure.4.37 valeurs optimales des fonctions objectives (F et opt_eq) converges, par
la mthode de Morgenstern-Price de l'application 9.... 71
Figure. 5.1 La coupe gomtrique du modle.. 79
Figure.5.2 Maillage et conditions aux limites cinmatiques par lments finis.. 80
Figure.5.3 Conditions aux limites hydrauliques. 81
Figure.5.4 Principe doptimisation par Algorithme gntique (cas de paramtres
hydromcaniques)..

81

Figure.5.5 Evolution de la moyenne de Ferr sur la population parent en f onction


des gnrations.. 83
Figure.5.6 Identification de la permabilit effective des trois couches de sol K1, K2
et K3. Processus doptimisation par algorithme gntique : volution des individus
parents sur lespace de recherche chaque gnration. 84

Liste des figures

xv

Figure.5.7 Dplacement horizontal numrique (Un) de la dernire gnration et


exprimental (Ue) en fonction de la profondeur. 85
Figure. A.1 Modlisation dun essai de compression triaxiale avec le modle de
Mohr-Coulomb (a) et reprsentation des contraintes dans le plan de Mohr (b) 95
Figure.A.2Dfinition du module dYoung E 50% de la rupture.. 96
Figure.A.3 Reprsentation de la relation hyperbolique grant lcrouissage du
modle HSM 99
Figure.A.4 Dfinition du paramtre

partir des rsultats dun essai

oedomtrique............................................................................................................... 99

Liste des tableaux

xvi

Liste des tableaux


Tableau.2.1 L'oprateur de croisement dans le codage binaire

34

Tableau.2.2 L'oprateur de mutation dans le codage binaire

35

Tableau.3.1 Forces inter-tranches et quations satisfaire pour diffrentes mthodes


[36]. 42

Tableau.4.1La gomtrie et les paramtres des sols des applications 1, 2 et 3..

57

Tableau.4.2 La gomtrie et les paramtres de sol de lapplication 4 57

Tableau.4.3 La gomtrie et les paramtres de sol de lapplication 5... 59

Tableau 4.4 Proprits du sol pour lapplication 6.. 61

Tableau. 4.5 Proprits du sol de lapplication 7 62

Tableau. 4.6 Proprits du sol de lapplication 8. 64

Tableau. 4.7 La gomtrie et les paramtres de sol de lapplication 9 69


Tableau. 4.8 Rsultats de lapproche de rsolution de Morgenstern-Price, et ceux de
la littrature.. 69
Tableau. 5.1 Caractristiques physico-mcaniques des sols.. 79

Introduction gnrale

Introduction gnrale
La construction de nombreuses infrastructures ncessite la mise en place de talus.
Lanalyse de la stabilit de ces talus comporte, outre la connaissance du site, et le
choix des caractristiques mcaniques et hydrauliques des sols, un calcul de stabilit.

Lestimation de cette stabilit vis--vis du

risque de rupture est lune des

importants problmes en gotechnique surtout dans le domaine des donnes limites


ou peu connues. Lambe [37] rappelait que les rsultats obtenus sont le produit de
mthodes de mesure, pour les paramtres, et de mthodes de calcul, et il prcisait que
les rsultats doivent tre apprcis en tenant compte de ces deux lments.

Les caractristiques des sols sont complexes, variables dans lespace et dans le
temps. De ce fait, les paramtres que lon doit introduire dans les calculs
gotechniques, sont souvent mal connus. De nombreux modles constitutifs de sols
existent pour reprsenter la plupart des comportements de sols rels, ces modles
approchs peuvent tre utiliss avec une certaine confiance dans les calculs,
condition de bien choisir les valeurs des paramtres [39]. Les quations dfinissant le
comportement des sols sont complexes et fortement non linaires, ainsi que dans
lanalyse des problmes gotechniques (comme lanalyse de la stabilit des talus) les
quations rsoudre sont souvent non linaires.

Introduction gnrale

Pour pallier au problme sus cit, on utilise le principe danalyse inverse dans
lidentification des paramtres du sol et/ou la rsolution des quations danalyse des
problmes gotechniques. Ce principe dans les problmes complexes de la
gotechnique

est

utilis

comme

mthodes

numriques

directes

(mthodes

doptimisation).

Pour S. Levasseur [39], lidentification des paramtres rpond sur la question :


quelles informations concernant les paramtres constitutifs du sol est-il possible
dobtenir partir de mesures in situ ? Une mthode directe de rsolution du problme
inverse est dveloppe. Des valeurs a priori sont donnes aux paramtres inconnus
pour simuler le problme direct associ, laide du code de calcul par lments finis
jusqu ce que lcart entre les rsultats du calcul numrique et les mesures in situ
(fonction erreur) soit minimal.

Lobjectif de ce travail est de dvelopper une approche danalyse inverse se basant


sur la notion doptimisation par algorithmes gntiques. Lapproche consiste
dterminer les paramtres du modle qui minimisent une certaine fonction, appele
fonction cot ou fonction erreur, en utilisant les paramtres gntiques les plus
performants.

Cette thse est structure en cinq chapitres comme suit :

Le chapitre 1, prsente en dtail la notion danalyse inverse, les mthodes


principalement utilises, et plus particulirement les mthodes doptimisation
stochastiques. Par rapport aux mthodes dterministes les mthodes stochastiques ne
ncessitent aucune information sur la drive de la fonction erreur, ces mthodes font

Introduction gnrale

appel des tirages de nombres alatoire. Elles permettent dexplorer lespace de


recherche plus efficacement, et de rsoudre des problmes de plus en plus complexes.

Plus particulirement, les algorithmes gntiques convergent rapidement vers les


bonnes rgions de lespace et leurs performances samliorent avec la taille du
problme [25]. Ils combinent la robustesse de lexploration de Monte Carlo une
exploitation efficace de linformation. Dans un algorithme gntique la slection au fil
des gnrations sopre sur des individus. Ces individus voluent ensuite selon des
mcanismes gntiques de slections, croisements et de mutation.

Le chapitre 2, prsente en dtail la mthode doptimisation par algorithme


gntique. Les paramtres optimaux caractrisant un algorithme gntique varient dun
problme un autre [12 ; 62 ; 80]. Cependant, il est important de bien choisir les
paramtres caractrisant les algorithmes gntiques pour leur bonne utilisation.

Le chapitre 3, prsente quelques mthodes danalyse de la stabilit des talus, et plus


particulirement les mthodes de calcul lquilibre limite. Par la suite dans le
chapitre 4, on sintresse rsoudre deux quations dquilibre limite du problme de
stabilit de talus en dterminant la surface de rupture critique circulaire ou non
circulaire et le coefficient de scurit correspondant. Pour cela et pour faire loigner la
difficult de trouver le coefficient de scurit global minimal deux mthodes
doptimisation ont t dveloppes en se basant sur lanalyse par algorithme gntique.
La qualit des rsultats dpend des valeurs de paramtres intrinsques choisies dans
lalgorithme gntique. La validation des programmes a t faite par plusieurs
exemples publis dans la littrature. Le traitement de ces exemples, a permis de
clarifier les principes de la mthode et de juger de sa pertinence rsoudre les
problmes de stabilit, en optimisant certains paramtres gntiques.

Introduction gnrale

Le chapitre 5 est consacr au dveloppement dune mthode doptimisation par


algorithme gntique pour lestimation dun paramtre inconnu (la permabilit de
sols) en se basant sur des mesures de dformations in situ, le problme donn doit tout
dabord tre modlis numriquement par un calcul lments finis. En fonction des
sollicitations imposes au modle et des paramtres supposs au modle du sol, une
rponse numrique est calcule. La rponse numrique obtenue est ensuite compare
aux donnes exprimentales. Cette comparaison se traduit par le calcul de lcart entre
les donnes observes et les valeurs calcules (fonction erreur Ferr). Cet cart est
ensuite minimis par algorithme gntique. Le programme est valid par lexemple du
versant de la cit Ciloc Constantine - Algrie.

1. Mthodes doptimisation

Chapitre 1 :
Mthodes doptimisation
1.1 Introduction
Dans sa version automatise, lanalyse inverse est une procdure relativement
nouvelle dtude des problmes gotechniques.

La premire partie de ce chapitre est consacre la prsentation de ce concept et


elle pose la problmatique de la thse. Ensuite, ce chapitre se poursuit par un tat des
lieux des recherches actuelles sur les mthodes inverses travers quelques applications
gotechniques. L'objectif n'est pas d'en faire une liste, mais de comprendre les
avantages et les inconvnients de chacun, afin d'tablir la mthodologie mettre en
place pour choisir l'algorithme adquat en fonction d'un problme donn. En fin une
attention particulire est porte la procdure danalyse inverse base sur la technique
dalgorithmes gntiques, avec quelques conclusions sur cette tude qui permettent la
justification de la mthode doptimisation choisie pour cette thse.

1.2 Principe danalyse inverse


Parker et Santamarina ont introduit la notion danalyse inverse pour la gophysique
et le gnie civil [60; 71]. Ils dcrivent deux types dapproches pour rsoudre les
problmes inverses :

Lapproche danalyse inverse par mthode analytique inverse,


schmatise la figure 1.1-(a).

Lapproche danalyse inverse par mthode numrique directe,


schmatise la figure 1.1-(b).

1. Mthodes doptimisation

(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).

Malheureusement, linversion analytique du problme est rarement possible en


gotechnique. Les systmes gomcaniques et les modles associs sont complexes et
fortement non linaires. Les quations de comportement sont irrversibles. Tout ceci
rend la solution du problme inverse non unique, voire inexistante, lorsque lon
cherche une solution exacte [81]. De plus les paramtres que lon doit introduire dans
les calculs gotechniques, sont souvent mal connus. A cela sajoutent les incertitudes
sur les sollicitations et les conditions aux limites ainsi que lerreur qui peuvent
introduire les hypothses et les approximations du modle mcanique utilis, donc
trouver une solution analytique devient difficile. La solution est sensible aux donnes
et aux erreurs sur ces donnes. Maier et Gioda [45] montrent quune rsolution par
minimisation directe de la "distance" entre des mesures in situ et des quantits

1. Mthodes doptimisation

numriques correspondantes est prfrable puisquelle vite linversion des quations


danalyse des contraintes. Cette procdure itrative value successivement une
fonction erreur caractrisant lcart entre les observations exprimentales et les
valuations numriques obtenues suite une analyse des contraintes du problme
gotechnique. En dcrivant le rle de loptimisation mathmatique, Maier et Gioda
montrent les potentialits des mthodes didentification par une approche directe pour
la gomcanique sur la base de problmes particuliers. Ces propos sont confirms par
Sakurai et Takeuchi [66] et par la suite par Levasseur [38 ; 39 ; 40 ; 41 ; 42] dans la
gotechnique. Les problmes gotechniques sont trop complexes et la dispersion des
donnes rend inapplicable lanalyse inverse par une approche inverse. La rsolution du
problme inverse peut se faire alors par mthode numrique directe figure 1.1-(b).

Nous venons de voir quil existe deux grandes approches danalyse inverse : une
approche par mthode analytique inverse et une approche par mthode numrique
directe, et quen gotechnique, il est prfrable dutiliser lapproche directe. Dans la
suite de cette thse, seule lanalyse inverse par mthode numrique directe est aborde.

1.3 Analyse inverse par mthode numrique directe : algorithmes doptimisation


Par sa dfinition, lanalyse inverse par mthode numrique directe est associe la
notion doptimisation. Pour bien poser un problme doptimisation, il convient tout
dabord danalyser le problme et doprer un certain nombre de choix :

Sur les variables du problme.

Avant de procder une analyse inverse, il faut se demander quels sont les
paramtres intressants optimiser.

1. Mthodes doptimisation

Sur lespace de recherche.

Une fois les paramtres slectionns, il faut dfinir dans quelles limites les faire
varier. Cela revient dfinir un espace de recherche.

Sur la fonction erreur.

Un algorithme doptimisation ncessite gnralement la dfinition dune fonction


rendant compte de la pertinence des solutions potentielles, partir des grandeurs
optimiser. Il sagit de la fonction dadaptation (fitness function) encore appele
fonction objective ou fonction erreur. Elle dpend des objectifs atteindre.

Sur la mthode doptimisation.


Une fois dfinie la fonction optimiser, il sagit de choisir une mthode de
minimisation adapte au problme pos. Les mthodes doptimisation sont classes
selon Goldberg [25] en trois types : les mthodes numratives, les mthodes
dterministes et les mthodes non dterministes ou stochastiques.

Une fois cette analyse du problme termine, le processus doptimisation peut


dmarrer. La synthse des rsultats obtenus permet ensuite de tirer des conclusions
quant aux fourchettes de valeurs possibles des paramtres. La solution du problme
inverse nest pas garantie a priori [33 ; 60], elle est toujours lie la complexit des
systmes tudis et aux hypothses simplificatrices des mthodes de calcul associes.
En pratique, lobjectif du gotechnicien nest pas dobtenir un optimum absolu, mais
seulement une bonne solution et la garantie de linexistence dune solution
sensiblement meilleure [8].

1. Mthodes doptimisation

Pour atteindre cet objectif au bout dun temps de calcul raisonnable, il est ncessaire
davoir recours des mthodes doptimisation appeles heuristiques. Le mot
heuristique vient du grec heurein, qui signifie dcouvrir, et qualifie tout ce qui sert la
dcouverte, linvention et la recherche. Pour lalgorithmique, les heuristiques sont
des mthodes qui cherchent approcher une solution optimale, elles sont encore
appeles mthodes approches.

On trouve dans la littrature un grand nombre dheuristiques qui produisent des


solutions proches de loptimum. Elles ont t dveloppes pour les problmes
difficiles doptimisation combinatoire. Ces mthodes peuvent tre partages en deux
catgories. Celles qui permettent de dterminer un minimum local, ces mthodes sont
appeles mthodes de recherche locales; et celles qui sefforcent de dterminer un
optimum global, ces mthodes sont appeles mthodes de recherche globales. Le
terme doptimisation globale fait rfrence la recherche de loptimum global de la
fonction erreur. De ce point de vue, la mthode doptimisation globale vise la
dtermination de loptimum global du problme, en vitant le pigeage dans lun de
ses optima locaux [39].

1.3.1 Les mthodes numratives


Les mthodes numratives sont de principes simples. Dans un espace de recherche
fini et discrtis, un algorithme numratif value la valeur de la fonction optimiser
en chaque point de lespace solution. Par cette exploration exhaustive de lespace de
recherche des paramtres, lensemble des combinaisons possibles sur une plage de
variation limite par lutilisateur sont compares entre elles. La solution optimale est
celle pour laquelle la valeur de la fonction erreur est la plus faible.

1. Mthodes doptimisation

Dans la pratique beaucoup despaces de recherche sont trop grands pour que lon
puisse explorer toutes les possibilits une par une en ayant une chance dobtenir une
information utilisable. Cette mthode trs coteuse manque donc defficacit. Elle
suppose davoir une ide prcise de lordre de grandeur des paramtres et de ne pas
tre trop exigeant sur la prcision des rsultats, pour limiter au maximum le nombre
ditrations et donc le temps de calcul.

Une telle exploration exhaustive est aujourdhui essentiellement utilise pour tester
dautres mthodes plus labores. Elle permet pour des cas simples, de connatre
lallure de la fonction erreur sur le domaine de recherche [25].

La figure 1.2 prsente un exemple doptimisation par une mthode numrative. Cet
exemple concerne lidentification de deux paramtres du modle de Mohr-Coulomb, le
module de cisaillement Gref et langle de frottement partir de mesures
pressiomtriques [39]. Lvaluation de la fonction erreur Ferr pour une combinaison de
paramtres reprsente un point de la grille. Les points qui ont mme Ferr sont lis par
une ligne, cette ligne est analogue une ligne de niveau qui joigne les points de mme
altitude dune carte gographique.

Figure.1. 2 Exemple dexploration exhaustive de lespace de recherche [39].


Reprsentation de la fonction erreur Ferr sur lespace de recherche (Gref ,).

10

1. Mthodes doptimisation

1.3.2 Les mthodes dterministes


Le principe des mthodes dterministes est dexploiter au mieux linformation
connue sur un espace de recherche pour estimer loptimum. Les mthodes
dterministes correspondent principalement aux mthodes dites de gradient. Elles
nutilisent aucun concept statistique mais requirent des hypothses sur la fonction
optimiser. Celle-ci doit tre continue et drivable en tout point de lespace de
recherche. Dans la littrature, on trouve comme mthodes dterministes la mthode de
plus grande pente, celle du gradient conjugu, celle de Newton, celle de LevendergMarquardt ou Quasi-Newton.

Il est reconnu que les mthodes dterministes manquent gnralement de


robustesse. Elles valuent la fonction erreur et ses drives localement. Les extrema
quelles atteignent sont optimaux dans le voisinage du point de dpart. Ainsi le fait de
trouver par ces mthodes un minimum pour la fonction erreur ne garantit pas quon ait
obtenu la solution du problme inverse.

De plus, les mthodes de gradient dpendent de lexistence de drives ce qui pose


un problme majeur car dans la pratique la fonction erreur, dont lestimation rsulte
dun calcul numrique, nest pas forcment drivable. Ces mthodes de calcul ne sont
donc adaptes qu une classe limite de problmes.

Il ressort que le calage dun modle sur des donnes exprimentales est difficile.
Dans beaucoup de problmes inverses, la dtermination des paramtres dun sol
dpend des valeurs initiales du schma doptimisation. De mme, lorsque les
paramtres recherchs sont corrls, lalgorithme doptimisation peine identifier ces
paramtres puisque soit de nombreux minima locaux apparaissent dans lespace des

11

1. Mthodes doptimisation

paramtres, soit la fonction erreur saplatit autour de loptimum. Pour ces cas, la
solution est non unique et instable.

1.3.3 Les mthodes stochastiques


Ce sont des mthodes de recherche alatoires qui explorent et mmorisent le
meilleur lment, parmi ces mthodes la plus simple est le type de Monte Carlo.
Malheureusement, elles sont robustes mais peu efficaces. On leur prfre souvent des
mthodes pseudo-alatoires telles que les algorithmes gntiques ou le recuit simul.
Ces procdures dexploration utilisent un choix alatoire comme outil pour guider une
exploration intelligente dans lespace des paramtres cods.

Notons que ces mthodes itratives doptimisation ne garantissent pas datteindre


loptimum. Cependant, leur grande robustesse permet dans tous les cas didentifier une
ou plusieurs solutions proches de cet optimum.

1.3.3.1 Les mthodes Monte Carlo


Depuis le milieu des annes 80, les mthodes de Monte Carlo sont devenues de plus
en plus populaires auprs de gophysiciens pour rsoudre des problmes inverses. La
mthode Monte Carlo consiste tirer sur lespace de recherche, chaque itration, un
jeu de valeurs au hasard. La fonction erreur Ferr est value en ce point. La nouvelle
valeur de Ferr est compare la prcdente. Si elle est meilleure que la prcdente,
cette valeur est enregistre, ainsi que la solution correspondante, et le processus
continu. Sinon on conserve le point prcdent et on poursuit la procdure jusqu ce
que les conditions darrt soient atteintes.

Sambridge et Mosegaard [70] prsentent diffrentes mthodes globales du type


Monte Carlo pour lanalyse inverse de problmes gophysiques. La mthode Monte

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.

Selmi et al. [74] dveloppent un programme de calcul permettant lanalyse de la


stabilit des talus, tenant compte de la variabilit spatiale des paramtres dentrs, et
bas sur la simulation de Monte et Carlo, il fournit en rsultat le cercle critique, la
probabilit de ruine et lindice de fiabilit.

Par leur tude comparative, Sambridge et Mosegaard [70] indiquent que pour des
problmes complexes les mthodes de Monte Carlo sont plus favorables que les
mthodes dterministes. Comme elles se basent uniquement sur lvaluation de la
fonction erreur et non sur lvaluation de sa drive, elles sont plus stables. Elles
donnent galement des estimateurs de moyenne et autres moments statistiques qui
permettent une meilleure approche de la solution. Mais, linconvnient de la mthode
Monte Carlo est quelle est trs coteuse en calcul. Certaines zones de lespace des
solutions peuvent rester inexplores. Ces mthodes ne sont donc valables qu
condition de disposer dune puissance de calcul suffisante. Mieux vaut considrer la
mthode comme une aide linterprtation plutt que comme un rsultat absolu.
Lenveloppe estime des modles acceptables est un guide pour lhypothse dune
solution et non une conclusion ferme et dfinitive. Ainsi, la mthode de Monte Carlo
uniforme de base, prsente par Sambridge et Mosegaard [70], est inefficace et
inadapte pour identifier un grand nombre de paramtres en gophysique. Dautres
mthodes drives de la mthode Monte Carlo, utilisant un chantillon pseudoalatoire de combinaisons de paramtres, telles le recuit simul, lalgorithme de

13

1. Mthodes doptimisation

voisinage ou lalgorithme gntique, sont prfrables. Chacune de ces mthodes est


dveloppe ci-dessous.

1.3.3.2 Le recuit simul


Le recuit simul est une technique drive de la mthode de Monte Carlo. Cette
mthode est issue dune analogie avec le phnomne physique de refroidissement lent
dun corps en fusion, qui le conduit un tat solide, de basse nergie. Elle procde
alors comme un lissage de la topologie de Ferr faisant disparatre les minima locaux
limage dun fluide qui scoule sur les pentes de Ferr jusqu lquilibre. Initialement,
cette mthode a t dveloppe pour simuler les mcanismes statistiques de systmes
en quilibre mais rapidement ces principes ont t tendus aux problmes
doptimisation.

Lintrt du recuit simul est de pouvoir tre utilis lorsque la relation


modle/donnes est fortement non linaire et produit une fonction erreur multimodale.
Mais, son efficacit dpend fortement du choix des paramtres de contrle, dont le
rglage reste empirique. Malgr tout, ltude de Rothmann [65] montre que pour des
applications gophysiques, loptimum global est bien identifi. La figure.1.3,
reprsente le principe de la mthode du recuit simul [59].

Figure.1.3 Principe de la mthode du recuit simul.

14

1. Mthodes doptimisation

1.3.3.3 Les algorithmes de voisinage


Lalgorithme de voisinage est une nouvelle classe de recherche des paramtres
directe base sur la mthode de Monte Carlo. Lobjectif est dchantillonner la rgion
de lespace des paramtres o le modle est acceptable. Cette mthode utilise des
concepts gomtriques pour extraire des informations robustes sur lensemble des
modles obtenus.

La philosophie de cette mthode est de considrer quun point sur lespace de


recherche est reprsentatif de ses voisins. Le but est de construire approximativement
la topologie de la fonction erreur du problme partir de lvaluation de quelques jeux
de paramtres sur lespace.

Comme illustr la figure 1.4, un chantillon de solutions est initialement gnr


alatoirement sur lespace. Des cellules de Voronoi (polydres convexes) sont ensuite
construites selon lvaluation de chacune des combinaisons de paramtres. En fonction
de ces rsultats, lalgorithme volue ensuite progressivement sur lespace et de
nouvelles cellules de Voronoi sont construites.

Chaque nouvelle itration concentre les solutions autour du meilleur calage [70].
Ainsi, la taille des cellules tant inversement proportionnelle la densit de
lchantillon, la topologie de la fonction erreur du problme est value
approximativement partir de lvaluation de quelques jeux de paramtres sur
lespace.

15

1. Mthodes doptimisation

Figure.1.4 Illustration du principe doptimisation par Algorithme de voisinage [68] :


cellules de Voronoi initiales (a), nouvelles cellules gnres par lalgorithme diffrentes
tapes du processus doptimisation (b,c), topologie de la fonction erreur correspondante (d)

Comme pour les algorithmes gntiques ou le recuit simul, lalgorithme de


voisinage est une recherche globale contrle de lespace de recherche et na pas
besoin de calcul autre que celui de la fonction erreur. Lobjectif de lalgorithme de
voisinage est de trouver un ensemble de modles sur lespace de paramtres qui
reprsentent bien les donnes et non pas une solution unique [39].

Sambridge [68; 69] a introduit la notion dalgorithme de voisinage en gophysique


en lappliquant lexploitation dondes sismiques pour identifier les couches
terrestres. Avec Shibutani et al. [76], ils ont galement compar lutilisation dun
algorithme gntique et dun algorithme de voisinage pour ces problmes. Daprs
eux, il semble que lalgorithme de voisinage identifie mieux les couches terrestres que
lalgorithme gntique. Un algorithme gntique travaille sur un espace de recherche
discrtis (cf. chapitre 2). Lchantillon de solutions identifi par lalgorithme
gntique est limit par la taille du maillage de lespace de recherche. Diminuer le pas
de cette grille suppose daugmenter le temps de calcul. Lalgorithme de voisinage

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.

1.3.3.4 Les rseaux de neurones


Les rseaux neuronaux sont des mthodes inspires du fonctionnement crbral
principalement bas sur le concept de neurone. Cette mthode est connue pour sa
polyvalence et pour tre trs puissante dans la rsolution des problmes complexes,
non linaires et/ou bruits [62;75; 77]. Lide est de reproduire le mcanisme crbral
dapprentissage, soit ladaptation lente dun individu lexcution dune tche
nouvelle.

Bekkouche et al. [2] ont utilis les rseaux de neurones pour lestimation de la
vitesse maximale du sol sous les effets sismiques, Gouasmia et Djeghaba [26] ont
utilis ce type de mthode pour lanalyse dynamique non linaire de linteraction solstructure.

Hashash et al. dveloppent une mthode danalyse inverse pour la gotechnique


base sur un rseau de neurones [21; 27; 28]. Ils proposent notamment dappliquer ce
principe la dtermination des caractristiques du sol en identifiant un rseau de
neurones partir des tapes de la construction dune excavation. Leur but est de
dterminer une formulation de la matrice de rigidit, reliant le tenseur dentre au
tenseur de sortie, pour un problme analys par la mthode des lments finis. Ils
cherchent ainsi formuler la loi de comportement du sol dans un contexte particulier.
De mme, Yamagami et al. [85] sintressent aux rseaux de neurones pour tudier la
stabilit des pentes.

17

1. Mthodes doptimisation

Un rseau de neurones se dcompose en plusieurs couches de neurones


interconnectes reliant des donnes en entre, linput (par exemple, le tenseur des
dformations) et des donnes en sortie, loutput (par exemple, le tenseur des
contraintes) comme illustr la figure 1.5. Suite une phase dapprentissage, ces
interconnexions dfinissent les relations constitutives de sol. La phase dapprentissage
est une tape du processus doptimisation reliant contraintes et dformations sur
chaque point dintgration dun modle lments finis.

Figure. 1.5 Schma dun rseau de neurones [28]

Elle permet damliorer le rseau en calant mathmatiquement une fonction sur des
donnes exprimentales. Ce mcanisme consiste propager linformation disponible
sur lexcavation entre les diffrentes couches de neurones, en minimisant lerreur entre
le signal simul et le signal connu. La mthode la plus courante pour minimiser cette
erreur est lalgorithme de rtro-propagation de lerreur qui repose sur une
minimisation par descente de gradient dun critre derreur de type moindres carrs.

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].

Loptimisation par rseaux de neurones est donc quivalente un processus de


dveloppement dun modle constitutif de sol conventionnel et au choix adquat des
proprits dun modle [77]. Elle ne ncessite aucune information a priori sur le
comportement du sol. Mais la loi de comportement dtermine dpend fortement de la
phase dapprentissage. Lapproximation du modle constitutif de sol sera dautant plus
prcise que la quantit dinformation disponible pour ces phases sera importante.
Ainsi, pour Yamagami et al. [85], un rseau de neurones est capable dapprendre des
relations complexes et fortement non linaires si une grande varit de donnes
dapprentissage est disponible. De mme, pour Pernot et Lamarque [61], bien quun
rseau de neurones ressemble une bote noire, il est capable de bien prendre en
compte les incertitudes exprimentales et de comprendre, mmoriser et gnraliser les
rgles de comportement des matriaux. Enfin, la robustesse et la bonne convergence
des rseaux de neurones pour la gotechnique sont dmontres par Hashash et al. [27].
Cependant, Shaopei et Boru [75] rappellent que si le rseau de neurones ainsi constitu
permet de bien caractriser le comportement tudi, la relation liant linput loutput
reste gnralement inconnue.

19

1. Mthodes doptimisation

1.3.3.5 Algorithmes volutionnaires


La thorie de l'volution dveloppe par Darwin a donn naissance des
algorithmes dits volutionnaires. Ces algorithmes visent faire voluer un ensemble
de solutions un problme donn vers un ensemble de meilleures solutions. A chaque
itration des oprateurs pseudo-alatoires cherchent reproduire le phnomne de
slection naturelle et modifient l'ensemble de solutions courant. Deb [13] prsente
quatre types d'algorithmes volutionnaires :
Les algorithmes gntiques
Les stratgies d'volution
La programmation volutionnaire
La programmation gntique.

Parmi les algorithmes volutionnaires cits par Deb [13], les plus utiliss sont les
algorithmes gntiques (AG) drivent des mthodes Monte Carlo dans le sens o les
paramtres dvolution de lalgorithme sont alatoires.

Goldberg [25] dfinit les algorithmes gntiques comme des algorithmes


dexploration fonds sur les mcanismes de la slection naturelle de Darwin. A chaque
gnration, un nouvel ensemble dindividus est cr en utilisant les meilleurs lments
de la gnration prcdente, ainsi que des nouveaux lments. Les algorithmes
gntiques exploitent efficacement linformation obtenue prcdemment pour spculer
sur la position de nouveaux points explorer avec lespoir damliorer les
performances. Cette mthode est lobjet principal de cette thse. Elle est dtaille au
chapitre 2.

20

1. Mthodes doptimisation

Les stratgies volutives (SE). Plus ou moins contemporains, leur fonctionnement


est trs proche des AG. Les stratgies volutives peuvent tre dfinies comme des AG
particuliers, plus prcisment des AG cods-rel et sans opration de croisement.

La Programmation Evolutionnaire (PE) est un algorithme volutionnaire bas sur la


mutation et appliqu des espaces de recherche discrets. La Programmation Gntique
(PG) est un algorithme gntique appliqu aux programmes informatiques afin de
dvelopper des programmes efficaces ddis la rsolution d'une tche. Le lecteur
intress pourra se rfrer [13] pour une description plus dtaille des algorithmes
volutionnaires autres que les AG.

1.4 Conclusion
Gnralement, un problme inverse en gotechnique est formul comme un
problme doptimisation. Dans la littrature, les principales mthodes doptimisation
peuvent tre rparties en trois types : les mthodes numratives, dterministes et
stochastiques.

Ce chapitre montre que les mthodes dterministes nont pas la mme efficacit
pour tous types de problmes. Ces mthodes sont efficace, lorsque la forme de la
fonction erreur est simple (continues, drivables). Contrairement aux mthodes de
types gradient, les mthodes stochastiques nutilisent que la valeur de la fonction
erreur, aucune information sur la drive de la fonction erreur nest ncessaire, ces
mthodes font appel des tirages de nombres alatoire. Elles permettent dexplorer
lespace de recherche plus efficacement.

De plus, les problmes gotechniques prsentent gnralement de nombreuses


incertitudes, la solution dun problme est par consquent rarement unique [81]. Il peut

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.

Plus particulirement, les algorithmes gntiques ont une rapidit de convergence


vers les bonnes rgions de lespace et leurs performances samliorent avec la taille du
problme [25]. Ils combinent la robustesse de lexploration de Monte Carlo une
exploitation efficace de linformation.

Grace aux nombreux avantages de loptimisation par algorithme gntique,


aujourdhui cette mthode attire lattention de plusieurs chercheurs gotechniciens.
Elle est employe pour rsoudre les problmes de stabilit des talus [24 ; 48 ; 87], pour
lidentification des paramtres de sols sur des essais de laboratoire [58 ; 67], ainsi que
pour lidentification des paramtres de modles constitutifs de sols partir des
mesures in situ [39]. Dans cette thse nous avons choisi cette mthode pour rsoudre
le problme de stabilit des pentes, et aussi pour
hydromcaniques de sols partir de mesures in situ.

identifier les paramtres

2. Optimisation par Algorithme gntique

23

Chapitre 2 :
Optimisation par Algorithme Gntique

2.1 Introduction
La mthode doptimisation par algorithme gntique est, initialement dveloppe
par John Holland [31] sur les systmes adaptatifs remontent 1962, elle utilise la
fois les principes de la survie des structures les mieux adaptes et les changes
dinformations pseudo-alatoires pour former un algorithme dexploration qui possde
certaines caractristiques de lvolution des espces.

La thorie de lvolution de Charles Darwin [10] dcrit lvolution des systmes


biologiques selon le principe de la slection naturelle. Cest sur ce concept dvolution
que se base la notion dalgorithme gntique. Dans un algorithme gntique la
slection au fil des gnrations sopre sur des individus. Ces individus voluent
ensuite selon des mcanismes gntiques de croisements et de mutation. Ces principes,
sont schmatiss par la figure 2.1.

2. Optimisation par Algorithme gntique

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

2. Optimisation par Algorithme gntique

Plus particulirement, les algorithmes gntiques permettent de rsoudre une large


gamme de problmes gophysiques ou gotechniques. En gophysique, Gallagher et
Sambridge [22; 23] utilisent des algorithmes gntiques pour le calage de propagations
dondes sismiques. Pour eux, le risque des mthodes de type Monte Carlo est de
raliser un grand nombre de calculs inutiles dans des zones dfavorables de lespace
de recherche. Il est prfrable dutiliser un algorithme gntique car il combine la
robustesse de lexploration Monte Carlo une exploitation efficace de linformation.

Simpson et Priest [78] sont parmi les premiers avoir voqu lutilisation
dalgorithmes gntiques pour loptimisation de problmes gotechniques. Ils
appliquent notamment cette mthode lidentification de la frquence de discontinuit
maximale dans des structures rocheuses complexes. Leur tude montre quune solution
proche de loptimum peut tre dtermine aprs le calcul dune petite fraction de
lespace de recherche.

McCombie et Wilkinson [48] utilisent quant eux un algorithme gntique pour


rsoudre des problmes de stabilit de pentes. Par une tude comparative entre un
algorithme gntique et une optimisation classique de type Monte Carlo, ils montrent
que cette mthode est plus efficace quune mthode traditionnelle doptimisation
numrique pour la caractrisation dune surface de rupture circulaire critique et du
coefficient de scurit correspondant. Zolfaghari et al. [87] tendent ces rsultats aux
surfaces de rupture non circulaires. Ils montrent que grce cet algorithme gntique,
une surface de rupture non circulaire avec un coefficient de scurit minimal est
identifiable en un faible temps de calcul. Ils conseillent dappliquer ce type dapproche
aux problmes de stabilit de barrages en terre, de pentes naturelles ou tout autre
problme gotechnique une ou plusieurs couches. De mme, Goh [24] utilise un

25

2. Optimisation par Algorithme gntique

algorithme gntique pour la recherche de surfaces critiques de glissement dans une


analyse de stabilit multi-coins. Il montre que cette mthode est suffisamment robuste
pour traiter des problmes multicouches et de couches minces. Sarat Kumar Das [11] a
utilis un algorithme gntique codage rel pour trouver la surface de rupture relle
et le coefficient de scurit correspondant par la mthode danalyse de stabilit des
trois coins.

De mme pour Mendjel et al. [49 ; 51] ont montr quune solution proche de
loptimum peut tre dtermine aprs le calcul dune petite fraction de lespace de
recherche pour lidentification de coefficient de scurit minimal et de surface
circulaire de la rupture correspondante.

Pal et al. [58] tout comme Samarajiva et al. [67] appliquent les algorithmes
gntiques au calage de paramtres de modles de comportement sur des essais de
laboratoire. Ils montrent que contrairement toute autre mthode de calage,
lutilisation dun algorithme gntique permet de tenir compte des caractristiques
globales des rsultats dessais de laboratoire selon chaque chemin de contrainte ou de
dformation. La mthode de calage traditionnelle est squentielle et un seul paramtre
est identifi la fois. Or, les paramtres de modles constitutifs sont souvent
interdpendants, la moindre erreur sur un paramtre affecte toute la chane
didentification. Comme un algorithme gntique identifie plusieurs paramtres
simultanment, il vite ce genre de problmes.

Levasseur et al. [38 ; 39 ; 40 ; 41 ; 42] et Malcot et al. [46] en gotechnique


expliquent quant eux quun algorithme gntique permet didentifier un plus grand
nombre de paramtres ainsi que des paramtres corrls ou peu sensibles

26

2. Optimisation par Algorithme gntique

contrairement aux mthodes de gradient qui fonctionnent plus difficilement dans ces
cas.

Levasseur [39] a pos la problmatique danalyse inverse en gotechnique comme


suit : quelles informations concernant les paramtres constitutifs du sol est-il possible
dobtenir partir de mesures gotechniques in situ ?

Ainsi, loptimisation par algorithme gntique savre tre un outil puissant pour
optimiser des problmes varis de gotechnique. Cependant comme le souligne Goh
[24], le principal inconvnient des algorithmes gntiques par rapport aux autres
mthodes est la puissance informatique ncessaire pour mener loptimisation. Le cot
de calcul dune optimisation par algorithme gntique est suprieur celui ncessaire
toute autre mthode doptimisation. Pour Simpson et Priest [78], un algorithme
gntique est une mthode fortement probabiliste. Plus le problme est mal pos, plus
le cot de calcul augmente [23], il est donc difficile de savoir lavance le nombre
dvaluations ncessaires lidentification de loptimum.

Les algorithmes gntiques ont comme principal objectif damliorer une solution.
Leur priorit est datteindre rapidement une performance de niveau satisfaisant. Ils
isolent rapidement des zones intressantes dun espace de recherche, et nont besoin
que des valeurs de la fonction optimiser associe chaque individu. Cette
caractristique fait des algorithmes gntiques une mthode trs gnrale compare
beaucoup de mthodes dexploration. Pour Renders [62] les algorithmes gntiques
sont une classe de stratgies de recherche ralisant un compromis quilibr et
raisonnable entre lexploration et lexploitation de lespace de recherche.

27

2. Optimisation par Algorithme gntique

Un algorithme gntique est une procdure itrative sur un chantillon de candidats


pour la rsolution dun problme doptimisation.

2.2 Principe doptimisation


Aprs avoir dfinit les paramtres optimiser, lalgorithme gntique recherche la
ou les extrema dune fonction dfinie sur un espace de donnes. Pour lutiliser on
dfinit les principales tapes doptimisation par les points suivants :

Codage, individu, population et espace de recherche

La concatnation des paramtres recherchs forme un individu, les individus sont


cods sous formes (dcimal, analogique ou binaire), comme le souligne Magnin [44],
le codage binaire facilite le codage de toutes sortes dobjets : des rels, des entiers, des
chaines de caractres

Renders [62] prcise quil garantit une meilleure indpendance du codage par
rapport au problme.

Dans cette tude les paramtres sont cods sous forme binaire, la chaine de bits
codant un paramtre sappelle un gne.

Une population est un ensemble de Nindividus individus (chromosomes). Chaque


individu est un vecteur de Nparamtre paramtres il est reprsent sous forme dune
chaine de Nbit bits contenant toute linformation ncessaire la description dun point
dans lespace de recherche.

Levasseur [39] montre que lalgorithme gntique se caractrise par des constantes
telles que la taille de la population Nindividus et la longueur de la chaine de bits Nbit. La

28

2. Optimisation par Algorithme gntique

29

taille de lespace de recherche doit tre choisie en fonction des bornes minimale Pimin
et maximale Pimax supposes pour chaque paramtre Pi. La taille de la chaine de bits
doit tre choisie en fonction de lincertitude Pi accepte sur lvaluation des
paramtres dfinit comme suit :

( . )

Les individus sont de taille Nbit telle que :

La taille de la population Nindividus

(2.2)

joue un rle important sur lefficacit de

lalgorithme gntique [35]. Si la taille de la population est trop petite, lalgorithme


converge prmaturment avant didentifier loptimum. Si la taille de la population est
trop grande, la solution est meilleure mais le temps de calcul est beaucoup plus long
[22 ; 23; 44 ; 62; 67]. Par raison de simplicit, une taille de population constante est
couramment choisie dans la littrature [19]. Pour Goldberg [25], il ny a aucune raison
particulire pour garder la taille de la population constante au cours doptimisation.
Une population est donc un tableau dindividus dans lequel chaque lment reprsente
les paramtres cods (figures 2.2 (a)et 2.2(b)).

2. Optimisation par Algorithme gntique

(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.

La premire fonction erreur, correspond aux quations dquilibre limite pour


lanalyse de la stabilit des talus. Cette fonction est pour but de faire chercher le

2. Optimisation par Algorithme gntique

31

coefficient de scurit minimal pour la surface de glissement critique. Elle dpend de


la mthode de rsolution du problme.

La deuxime fonction erreur, est faite pour lidentification de paramtres


hydromcaniques dun sol non satur. Elle est dfinit pour lestimation de lcart entre
une courbe calcule numriquement (dcrite par N points Uni) et une courbe de
rfrence mesure in situ (dcrite par N points Uei) est valu par la fonction dcart
type suivante note Ferr :
Ferr

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

Mcanisme dvolution de la population

La population est volue vers les zones les plus favorables de lespace de recherche
aprs avoir valu chaque individu. Chaque nouvelle population correspond ce quon
appelle en biologie une nouvelle gnration. Une gnration correspond une itration
de lalgorithme.

2. Optimisation par Algorithme gntique

Une nouvelle gnration est cre en utilisant des parties des meilleurs individus de
la gnration prcdente. Pour cela trois oprateurs se succdent : slection,
croisement et mutation.

Slection

La slection sert liminer dune population les individus dont la fonction


erreur est mauvaise. Dans la littrature, deux mthodes existent pour
slectionner les individus : une mthode dite roue de loterie biaise et une
mthode dite litiste [25].

Goldberg [25] montre que pour les fonctions erreurs unimodales, la mthode
litiste augmente significativement les performances de lalgorithme (stabilit,
efficacit et rapidit de convergence), alors que pour des fonctions erreurs
multimodales, la mthode litiste dtriore les performances.

Nous avons choisi dans notre problme unimodal la mthode de slection


litiste. Dans cette mthode les individus sont tris selon leur fonction erreur.
Seuls les individus aux plus faibles valeurs de fonction erreur sont slectionns
pour survivre dans la gnration suivante. Cette mthode assure la conservation
dun plus grand nombre dindividus performants dune gnration une autre.
Ainsi, aprs lvaluation de Ferr pour chaque individu de la gnration k, les
individus sont tris par ordre croissant de Ferr. Sur une population de Nindividus
individus, quelques individus sont conservs pour construire une nouvelle
gnration k+1, les autres sont limins. Les individus conservs forment ce
que lon appelle une population parent. Traditionnellement, le nombre
dindividus conserv est compris entre1/3 et 2/3 de lensemble des individus de
la population. Dans cette tude nous avons choisi 1/3 dindividus conservs

32

2. Optimisation par Algorithme gntique

chaque gnration, pour une diversit gntique et une convergence non


prmature.

Croisement et mutation

Ces mcanismes sont appliqus aux individus parent pour former une
population enfant. Le croisement caractrise la phase dchange dinformations
entre deux individus parents slectionns alatoirement. Ils sont croiss entre
eux pour former de nouveaux individus (Tableau.2.1), Pc dtermine le nombre
de combinaisons de paramtres recres chaque itration. De Jong [14] a
tudi limpact de ce taux de croisements sur le processus doptimisation. Il a
conclu que Pc =2/3 est un compromis raisonnable. Le croisement se fait entre
les morceaux coups des individus, lemplacement de Ncoupure coupures sur la
chaine de bits est choisi alatoirement et indpendamment des gnes, cela
signifie quun gne, peut tre coup en plusieurs morceaux comme tre ne pas
coup du tout. Pal et al. [59] montrent quutiliser un nombre de coupure gale
au nombre de paramtres (Ncoupure = Nparamtre), augmente la convergence dun
algorithme gntique pour la gotechnique. Cest notre choix dans cette thse.

La mutation fabrique des erreurs de recopie, pour diversifier les individus de la


nouvelle population (inversion dun bit dun gne) (Tableau.2.2). Comme ce
phnomne est rare dans la nature, le taux de mutation doit tre faible [58].
Goldberg [25] recommande dutiliser un taux de mutation Pm entre 0.001 et
0.1. Davis [12], comme Stoffa et Sen [80], considrent quun taux de mutation
de lordre de 0.01 est un choix raisonnable. Pour combattre la perte prmature
de chaines de bits, il est souvent conseill daugmenter le taux de mutation.
Pour Magnin [44], les probabilits de mutation doivent dpendre du gne

33

2. Optimisation par Algorithme gntique

34

considr et de la taille de la population. Levasseur [39] montre que fixer un


taux de mutation chaque gnration en fonction du nombre de paramtres
permet une bonne convergence de lalgorithme et limite le temps de calcul. Ces
rfrences montrent que la littrature est floue sur le choix de Pm.
Pour cette thse on a pris, pour lapplication sur lanalyse de stabilit des talus
Pm =0.09. Et pour lidentification de paramtres partir de mesures in situ, on a
pris le choix fait par Levasseur [39] :
= 2

(2.4)

Les deux phases de croisement et de mutation crent de nouveaux individus qui


ont des chances dtre meilleurs. Daprs Davis [12], la combinaison des deux
mcanismes de croisement et de mutation pour gnrer de nouvelles
combinaisons de paramtres permet de mieux converger vers une solution que
lutilisation dun seul de ces mcanismes. La phase de croisement est une tape
trs importante de lalgorithme gntique. Cest elle qui caractrise la mthode,
la rende diffrente des autres algorithmes doptimisation. En combinant des
blocs de bonnes solutions sur divers individus, le croisement acclre le
processus de recherche. La phase de mutation sert introduire de la diversit
dans une population dindividus. Ce mcanisme vite lalgorithme de
converger prmaturment vers un minimum local.
Tableau.2.1 L'oprateur de croisement dans le codage binaire
Individus Parents
Parent A:
1100 110 10011101 11100
Points de croisement :
Parent B:
0110 001 01111011 00111
Individus Enfants
Enfant A :
1100 001 10011101 00111
Points de croisement :
Enfant B :
0110 110 01111011 11100

2. Optimisation par Algorithme gntique

Tableau.2.2 L'oprateur de mutation dans le codage binaire


Individu avant mutation
Individu :
110000110 0 1110100111
Bit slectionn:
Individu aprs mutation
Individu mut:
110000110 1 1110100111

Critres darrt

Les deux tapes dvaluation et dvolution de la population sont rptes


jusqu ce quun critre darrt soit satisfait. Les critres darrt envisageables
pour les algorithmes gntiques sont :

Un nombre maximal de gnration : si lalgorithme ne converge pas


vers une solution, la procdure est stoppe aprs un nombre maximal
de calculs.

La convergence vers loptimum : si la fonction erreur ou la moyenne


sur la fonction erreur converge vers la solution.

2.3 Conclusion
Un algorithme gntique est une mthode stochastique itrative doptimisation qui
opre sur des ensembles de points cods, partir dune population initiale, et qui est
bti laide de trois oprateurs : croisement, mutation et slection. Les deux premiers
sont des oprateurs dexploration de lespace, tandis que le dernier fait voluer la
population vers les optima dun problme. Une petite partie de lespace de recherche
est examine, il nest donc pas raisonnable de penser quun algorithme gntique

35

2. Optimisation par Algorithme gntique

identifie coup sr loptimum global de lespace de recherche. Malgr tout, il isole


rapidement les zones intressantes.

Les paramtres optimaux caractrisant un algorithme gntique varient dun


problme un autre [12 ; 62 ; 80]. Il semble peu raliste dattaquer le problme de
front, en analysant mathmatiquement et rigoureusement les phnomnes intervenants
dans les algorithmes gntiques, pour essayer den tirer une thorie applicable tout
type de problme gotechnique [39]. Cependant, il est important de bien choisir les
paramtres caractrisant les algorithmes gntiques pour leur bonne utilisation.

Ces particularits de la mthode doptimisation par algorithme gntique justifient


son intrt pour la gotechnique. Pour montrer lefficacit de la mthode, deux
programmes ont t labors et valids par des exemples tirs de la littrature pour
lanalyse de la stabilit des talus en dterminant la surface de glissement critique et le
coefficient de scurit minimal correspondant. Un autre programme est conu pour
lestimation de la permabilit dun versant multicouches en se basant sur des
mesures in situ.

36

3. Analyse de la stabilit des talus

37

Chapitre 3 :
Analyse de la stabilit des talus

3.1 Introduction
La rupture par glissement d'un talus se manifeste habituellement par un
dplacement en bloc d'une partie du massif. Lanalyse de la stabilit des talus est lune
des importants problmes en gotechnique. Lestimation de la scurit relle vis--vis
du risque de rupture est une question complexe surtout dans le domaine des donnes
limites ou peu connues.

Ltude dun talus comporte, outre la connaissance du site (la gomtrie, les
surcharges au sommet et au pied, et les effets dynamiques ou sismiques), et le choix
des caractristiques mcaniques des sols et hydrauliques, un calcul de stabilit.

Le problme rside dans la dtermination de la surface critique de rupture et le


facteur de scurit correspondant (F). Il est plus appropri dutiliser la dfinition du
coefficient de scurit de la mcanique des sols, c'est--dire le rapport entre la
rsistance au cisaillement du sol la contrainte de cisaillement s'exerant le long de la
surface de rupture.

En 1973, le professeur Lambe [37] rappelait que les rsultats obtenus sont le produit
de mthodes de mesure, pour les paramtres, et de mthodes de calcul, et il prcisait
que les rsultats doivent tre apprcis en tenant compte de ces deux lments.

3. Analyse de la stabilit des talus

Dans ce chapitre on dfinit quelques mthodes de calcul de stabilit des talus, et


plus particulirement les mthodes de calcul la rupture.

3.2 Mthodes de calcul de stabilit des talus


Les chercheurs gotechniciens proposent plusieurs mthodes d'valuation et de
prdiction des catastrophes naturelles engendrs par les glissements de terrain. Parmi
ces mthodes on trouve essentiellement selon Faure [17] :

les mthodes de calcul la rupture : Lorsquune masse rigide peut se dplacer


le long dune surface de gomtrie bien dfinie, le comportement est contrl
par la loi de Mohr- Coulomb, qui donne la rsistance au cisaillement f. Les
mthodes dites dquilibre limite sont trs appropries car on peut crire
facilement les quations qui relient les variables ; mais, sauf pour les cas les
plus simples, le nombre des variables est bien suprieur au nombre dquations.
Pour pouvoir rsoudre les quations, il faut alors introduire des hypothses
supplmentaires et simplificatrices, de manire galiser le nombre
dinconnues et le nombre dquations.

Les mthodes volumiques ou mthodes sans hypothse sur la surface de rupture


(de type lments finis) : avant la rupture, au stade de la pr-rupture, le massif
de sol ou de roche est continu et son comportement ne peut tre analys par des
mthodes dquilibre limite, car on ne peut pas mettre en vidence une surface
de rupture. Les phnomnes dcrire sont nombreux et complexes (lastoplasticit, fluage, rupture progressive). Il est alors ncessaire de considrer des
mthodes volumiques prenant en compte lensemble du volume pour analyser
les mouvements ainsi que leur volution dans le temps.

38

3. Analyse de la stabilit des talus

Les mthodes nergtiques : lamplitude et la vitesse des mouvements


dpendent essentiellement de la redistribution de lnergie potentielle devenant
disponible au moment de la rupture. Pour les grandes vitesses et les grands
dplacements, il faut alors considrer des approches nergtiques.

Les mthodes dquilibre limite sont largement utilises pour leurs formes simples
et leurs rsultats qui se rapprochent aux mthodes rigoureuses [24]. Dans ce travail on
sintresse ces mthodes la rupture.

3.3 Mthodes de calcul la rupture


Les mthodes de calcul la rupture sont des mthodes o lanalyse et le calcul sont
locaux, limits sur une ligne ou une surface de rupture, et sopposent donc aux
mthodes volumiques. Elles sont bases sur les hypothses suivantes : le massif en
mouvement peut tre dcompos en un ensemble de blocs rigides indformables qui
frottent les uns sur les autres. Le comportement de linterface est presque toujours
dfini par la loi de Coulomb.

Ces hypothses fortes des calculs lquilibre limite, distinguent une partie
potentiellement mobile, spare dune partie fixe du massif, par une courbe de rupture
dfinissant une rupture cinmatiquement admissible. Dans ce cas :

Le calcul dquilibre est fait la rupture ;

Les quations rsolvantes sont des quations de la statique ;

Le coefficient de scurit F est spatialement bien dtermin (on peut


considrer par exemple F constant par tout).

39

3. Analyse de la stabilit des talus

40

Parmi ces mthodes on distingue selon Faure [17] :


3.3.1 Mthodes des blocs
Cas statiquement dfinis (rupture plane dun talus) :
On crit lquilibre de la masse potentiellement instable sur un plan inclin dun
angle () (figure. 3.1), et lon obtient la formule suivante :

( )=

O ( .

(3.1)

) est la force dentranement et (

) est la force

rsistante obtenue par la loi de Coulomb applique la raction normale de la masse


en mouvement sur le sol fixe. On retient la ligne de rupture dfinie par () qui
minimise F.

Cette formule surestime gnralement le coefficient de scurit. En effet, les


simplifications loignent de la ralit, et on traite un mcanisme plus rsistant que le
mcanisme rel, qui correspond un minimum. Une analyse critique du rsultat peut
conduire le rejeter, si par exemple cette surface de rupture est incompatible avec la
structure gologique du terrain.

Ce principe dquilibre, illustr par ce cas simple, est la base de toutes les
mthodes de calcul la rupture. Il est dvelopp avec toutes les hypothses
simplificatrices ncessaires pour modliser le cas rel et le rduire une quation que
lon rsout. La description des autres mthodes consiste prciser les hypothses
choisies et le mode de rsolution utilis.

3. Analyse de la stabilit des talus

Figure. 3.1 Schma de rupture plane.

Cas statiquement indfinis (quilibre de plusieurs blocs) :


Une bonne faon daborder le problme consiste faire linventaire des inconnues.

Parmi les mthodes multi blocs on rencontre: Sarma 1979; Hoek 1987; Donald
and Giam 1989a. [72 ; 30 ; 15]

3.3.2 Mthodes des tranches


Le dcoupage de la masse en mouvement en tranches verticales (figure. 3.2) a
permis le dveloppement dun trs grand nombre de mthodes. Trois hypothses sont
ajoutes par rapport la mthode des blocs : - les bords des blocs sont devenus
verticaux ; - le point de passage de la force la base de la tranche est situ au centre de
cette base ; - le coefficient de scurit est unique et ne sapplique qu la base des
tranches.

Ces mthodes issues de lanalyse de lquilibre dune tranche, le dnombrement des


inconnues et des quations du problme permet de comparer facilement les mthodes.
Par tranche, il y a les forces situes droite et gauche (deux forces et leurs points de
passage, soit 6n inconnues, n est le nombre des tranches), les forces la base 2n

41

3. Analyse de la stabilit des talus

inconnues, et le coefficient de scurit qui est pris constant le long de la courbe de


rupture, ce qui fait au total 8n+1 inconnues. Le principe daction et de raction entre
tranches fournit 3(n-1) quations, lquilibre de chaque tranche 3n quations ; on a
aussi n quations de type Coulomb la base des tranches et les 6 quations
correspondant des forces nulles aux extrmits du glissement, ce qui fait au total
7n+3 quations. Il manque (n-2) quations pour rsoudre. Le choix de ces (n-2)
quations diffrencie les mthodes. Le tableau 3.1 prsente cette diffrence entre
diffrentes mthodes :

Figure. 3.2 Les inconnues dune mthode des tranches

Tableau.3.1 Forces inter-tranches et quations satisfaire pour diffrentes mthodes [36]

42

3. Analyse de la stabilit des talus

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].

La mthode satisfait lquilibre des moments, et le coefficient de scurit a la forme


linaire suivante:

+[

(3.2)

3.3.2.2 Mthode de Bishop (1955)


Bishop ne nglige plus les forces horizontales inter-tranches, dans sa mthode
simplifie la rsultante verticale des forces inter-tranches est nulle, do : Xi = Xi+1
mais Ei Ei+1 (figure 3.3)
Cette mthode satisfait, lquilibre des forces verticales de chaque tranche ainsi que
lquilibre des moments par rapport au centre du cercle de rupture.

3. Analyse de la stabilit des talus

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].

Selon Huang [32], R. Whitlow [83] a formul lquation de la mthode de Bishop


comme suit:
Lquilibre le long de la base de la tranche :

f
c'l N' tan'
0 Wsin l Wsin
F
F

(3.3)

Lquilibre dans la direction verticale :


c'
N' tan'
0 W N' cos ul cos l sin
sin
F
F
l b sec

(3.4)
(3.5)

3. Analyse de la stabilit des talus

45

Aprs substitution de, l et N (tirs de lquation (3.4)) dans lquation (3.3), on


trouve une quation de coefficient de scurit non linaire :
F

1
W sin

c ' b (W

ub ) tan 'sec
tan tan '
1
F

(3.6)

Ces mthodes non linaires ncessitent un processus itratif. La programmation


laide dun ordinateur permet de trouver une solution rapide aprs seulement quelques
cycles. En supposant tout dabord que F=1 droite, et en calculant ensuite la valeur de
gauche. Cette dernire valeur de F est compare la valeur propose, sil nest pas
suffisamment proche, le coefficient F calcul est utilis dans la prochaine itration et
ainsi de suite.

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].

3.3.2.3 Mthode de Morgenstern et Price (1965)


Morgenstern et Price dfinissent une fonction donnant linclinaison des efforts
inter-tranches, cette mthode introduit une fonction mathmatique arbitraire pour
reprsenter la variation de la direction des forces entre les tranches :
= / = . ( )

O :

(3.7)

est langle form par la rsultante et lhorizontale, il vari

systmatiquement dune tranche une autre le long de la surface de glissement ;

est une constante qui doit tre value pour le calcul du facteur de scurit ;

3. Analyse de la stabilit des talus

46

f( ) est la fonction de variation par rapport la distance le long de la surface de


glissement.

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.

La figure.3.4 reprsente les forces sur une tranche [87].

Selon zolfaghari [87], en assurant lquilibre des forces de chaque tranche, la


rsultante (Qi) des forces inter-tranches (Zi, Zi+1), inclines dun angle i par rapport
lhorizontal est :

. .

. .

).(

. .

).

(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)

Lordonne du point dapplication de la rsultante Qi par rapport laxe global


devient :
Yqi=Yei+hQ

Lquilibre des forces de toute la masse glisse, donne :

(3.10)

3. Analyse de la stabilit des talus

47

( .

)=0

(3.11)

( .

)=0

(3.12)

Lquilibre global des moments par rapport lorigine (x=0 ; y=0) :

= ( .

)=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.

3. Analyse de la stabilit des talus

48

3.3.2.4 Mthode de Spencer (1967)


Cette mthode a le mme principe de calcul que la mthode de Morgenstern and
Price, la diffrence rside dans la fonction de variation qui est constante (f(x)=1), et
que langle dinclinaison () est constant dans toutes les tranches.

Spencer [79] a prsent cette mthode pour une surface de rupture circulaire,
Wright [84] la dvelopp pour une surface non circulaire.

3.3.2.5 Mthode de Janbu simplifie


Cette mthode elle a comme hypothse, les forces inter-tranches sont horizontales,
ce qui sous estime le coefficient de scurit.

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.

Il existe dautres mthodes de calcul la rupture comme : mthodes globales (on


trouve : mthodes graphiques, mthode des perturbations), et des mthodes en trois
dimensions.

En 1977, Fredlund et Krahn [20]

ont entrepris une tude de comparaison en

dterminant le facteur de scurit pour diffrentes mthodes de calcul. L'exemple d'un


talus simple a t trait avec plusieurs combinaisons de la gomtrie, des proprits du
sol et des conditions pizomtriques. Mis part la mthode ordinaire (mthode de
Fellenius [18]), les carts du calcul du facteur de scurit, avec un mme jeu de

3. Analyse de la stabilit des talus

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%.

Figure. 3.5 variation du coefficient de scurit fonction de [36].

Le facteur de scurit F, dtermin partir de l'quilibre des forces (comme Janbu


simplifie sans correction [34]), est plus sensible aux hypothses faites sur les forces
de cisaillement inter-tranches que le facteur de scurit dtermin par les moments
d'quilibre, comme illustre la figure 3.5.

Pour cette raison, il est prfrable d'utiliser une mthode d'analyse o le moment
d'quilibre est satisfait.

49

3. Analyse de la stabilit des talus

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.

Le danger de lapparition dun glissement peut tre estim par lanalyse de la


variation du facteur de scurit en fonction de la forme et de la position de la surface
possible de glissement. Cest la surface de glissement pour laquelle le facteur de
scurit a la valeur minimale qui reprsente la surface critique de rupture.

Les mthodes qui considrent lquilibre limite, admettant la formation dune


surface de rupture dans le massif et oprant par la division du massif qui glisse dans
des tranches verticales, sont les mthodes les plus utilises, grce leur capacit de
prendre en considration des varits gomtriques et des conditions complexes de
stratification et de chargement. Ces mthodes diffrent entre elles par les conditions
dquilibre statique utilises et par les hypothses admises pour annuler
lindtermination statique du problme [4]. Ces diffrences dues essentiellement aux
hypothses faites sur les forces inter-tranches.

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

3. Analyse de la stabilit des talus

Dans ce travail, on a utilis la mthode de Bishop simplifie, qui semble justifie


pour les surfaces de rupture circulaires, car elle permet de rsoudre quasiment tous les
problmes sans que trop dhypothses simplificatrices ne soient formules. De plus,
son utilisation est aise. On a aussi utilis la mthode la plus rigoureuse de
Morgenstern et Price pour une rupture non circulaire.

51

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

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

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

Dans ce chapitre, on va prsenter les deux approches danalyse utilises pour


automatiser la rsolution. La comparaison des rsultats obtenus par ces approches aux
rsultats tirs de la littrature confirme leur fiabilit.

4.2 Processus de rsolution par algorithme gntique (cas de surface de rupture


circulaire)
McCombie et Wilkinson [48], dveloppent un simple algorithme gntique pour la
recherche du facteur de scurit minimal au cas de surfaces de rupture circulaire dans
lanalyse de la stabilit des talus. Ils prsentent trois paramtres, qui sont les
coordonnes du centre de cercle et le rayon de la surface de rupture circulaire. Ils ont
montr que le remplacement du rayon par les coordonnes dun point appartenant au
cercle de rupture (ce qui fait quatre paramtres inconnus), travail mieux, parce que la
formulation du problme devient proche ce que dtermine la fonction objective pour
chaque individu.
Lapproche dalgorithme gntique utilise dans cette tude consiste rsoudre
lquation (3.6), pour dterminer Fmin et la surface de rupture circulaire
correspondante.
Dans cette approche lutilisation des trois paramtres (les coordonnes du centre de
cercle (x0, y0), et x1 labscisse du point dintersection du cercle avec le niveau
suprieur du talus), peut fonctionner mieux, car les donnes du problme deviennent
trs proche ce que dtermine la fonction objective pour chaque individu, en liminant
les cercles de rupture qui ne coupent pas la gomtrie du talus, et en rduisant la taille
de lespace de recherche.
La rduction de la taille de lespace de recherche (rduction de nombre de
paramtres optimiser et la limitation de ses bornes), minimise le nombre des

53

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

54

itrations, raffine le maillage de lespace de recherche, et par consquence amliore le


coefficient de scurit.
Dans ce travail, lindividu se compose de trois paramtres qui sont (x0, y0 et x1).
y1 est reli la topographie du talus s(x1). y1=s(x1).

(4.1)

Le principe de fonctionnement de loptimisation par algorithme gntique, labor


dans cette thse (pour ce cas), peut tre schmatis par lorganigramme reprsent par
la figure 4.1. Cet organigramme a t programm en langage Matlab.
Ce processus doptimisation commence par, la gnration dune population initiale
alatoire, de Nindividus =100 individus uniformment rpartie sur lespace de recherche
en utilisant la commande rand, les paramtres rels ncessitent dtre exprims comme
des entiers pour une slection alatoire, puis ces paramtres sont convertis en binaires.
Population initiale de taille Nindividusde (x0, y0 et x1)
Conversion de x0, y0 et x1 en binaire et les sauvegarder en chromosomes

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- )

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

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.

4.2.1 Applications numriques


Cette partie consiste, au traitement numrique par lapproche dveloppe dans cette
partie de thse des cas suivants tirs de diffrentes rfrences bibliographiques : trois
cas dapplication de talus homognes secs traits par la mthode des trois wedges,
selon S.K. DAS [11] ; un cas de talus homogne sec et un autre multicouches traits
par la mthode de Bishop simplifie pour une surface circulaire et la mthode de
Morgenstern-Price pour une surface circulaire et pour une surface non circulaire, selon

55

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

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)

Figure.4.2 Utilisation de lexploration exhaustive de lespace de recherche pour


lapplication 1. Reprsentation de la fonction erreur F dans lespace de recherche.

Lanalyse de la stabilit de ces talus par algorithme gntique nous a permis de


trouver les rsultats suivants : le coefficient de scurit F change au cours des

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

57

gnrations et converge vers un minimum aprs un nombre limite de gnration


comme illustrent les figures (4.3 ; 4.5 ; 4.7 ; 4.9), les figures (4.4 ; 4.6 ; 4.8 ; 4.10)
montrent les surfaces de rupture critique circulaire de chaque cas.
Tableau.4.1 La gomtrie et les paramtres des sols des applications 1, 2 et 3.
2

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 )

(1) : Rsultats de ce travail ; (2): Rsultats tirs de [11].

Tableau.4.2 La gomtrie et les paramtres de sol de lapplication 4.


F(2)

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

: Rsultats de ce travail ; (2): Rsultats tirs de [87].


5

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

Figure.4.3 Variation de la fonction objective


avec le nombre de gnration de lapplication 1.

-20
-10

-5

10

15

20

25

30

x(m)

Figure.4.4 Surface de rupture circulaire


critique de lapplication 1

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus
1.55
1.5

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)

Figure.4.5 Variation de la fonction objective


avec le nombre de gnration de lapplication 2.
1

Figure.4.6 Surface de rupture circulaire


critique de lapplication 2.

-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)

Figure.4.7 Variation de la fonction objective


avec le nombre de gnration de lapplication 3.
2.1

Figure.4.8 Surface de rupture circulaire


critique de lapplication 3.
-4

*
*

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

Figure.4.9 Variation de la fonction objective


avec le nombre de gnration de lapplication 4.

-10

-5

10

15

x(m)

Figure.4.10 Surface de rupture circulaire


critique de lapplication 4.

20

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

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

: Rsultats de ce travail ; (2): Rsultats tirs de [87].


y(m)

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

Figure.4.11 Variation de la fonction objective


avec le nombre de gnration de lapplication 5.

Figure.4.12 Surface de rupture circulaire


critique de lapplication 5.

Les rsultats trouvs par cette approche, sont compars avec ceux de la littrature.

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

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.

La gomtrie de lapplication 6 [64], est reprsente par la figure 4.13, les


caractristiques du sol sont donnes par le tableau 4.4. On a deux cas de calcul: Cas 1pas de pression interstitielle de leau. Cas 2- la pression existe par nappe deau.

60

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

61

Tableau 4.4 Proprits du sol pour lapplication 6


c

(kN/m2)

()

41.65

15

Application 6

(1) : Rsultats de ce travail;

(2)

F(1)

F(1)

F(2)

F(2)

(kN/m3) Cas 1 Cas 2 Cas 1 Cas 2


18.82

1.406 1.112 1.409 1.117

: Rsultats partir de [64].


(48, 35)

(66, 35)
W

(66, 32)

(48, 29)
(30, 23)

(0, 15)

(10, 15)

(66, 0)
(0, 0)

Figure.4.13 Gomtrie de lapplication 6

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

Figure.4.14 Variation de la fonction objective


avec le nombre de gnration de lapplication 6 (cas 1).

Figure.4.15 Surface de rupture circulaire


critique de lapplication 6 (cas 1).

35

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus
1.25

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

Figure.4.16 Variation de la fonction objective


avec le nombre de gnration de lapplication 6 (cas 2).

Figure.4.17 Surface de rupture circulaire


critique de lapplication 6 (cas 2).

La gomtrie de lapplication 7 [64], est reprsente par la figure 4.18, les


caractristiques du sol sont donnes par le tableau 4.5. On a trois cas de calcul: Cas 1pas de pression interstitielle de leau. Cas 2- la pression existe par nappe deau. Cas 3Ru dfini la pression interstitielle.

Le modle se fait en units impriales pour tre compatible avec le document


original.
Tableau. 4.5 Proprits du sol de lapplication 7
c

(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

0.25 2.010 1.802

1.703

2.079

1.763

: Rsultats partir de [64].

1.833

30

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

(120, 60)

(180, 60)

W
W

(0, 20)

63

(180, 40)

(40, 20)

(180, 0)

(0, 0)

Figure.4.18 Gomtrie de lapplication 7


40
40

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

Figure.4.19 Variation de la fonction objective


Figure.4.20 Surface de rupture circulaire
avec le nombre de gnration de lapplication 7 (cas 1). Critique de lapplication 7 (cas 1).
4040

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

Figure.4.21 Variation de la fonction objective


avec le nombre de gnration de lapplication 7 (cas 2).

-200

-120

-60
-60

-40
-40

-20
-20

00

20
20

40
40

60
60

80
80

100
100

Figure.4.22 Surface de rupture circulaire


critique de lapplication 7 (cas 2).

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus
1.78

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

Figure.4.23 Variation de la fonction objective


avec le nombre de gnration de lapplication 7 (cas 3).

Figure.4.24 Surface de rupture circulaire


Critique de lapplication 7 (cas 3).

La gomtrie de lapplication 8 [63], est reprsente par la figure 4.25, les


caractristiques du sol sont donnes par le tableau 4.6. Un seul cas avec une nappe
deau est trait.

Le modle se fait en units impriales pour tre compatible avec le document


original.
Tableau.4.6 Proprits du sol de lapplication 8

Application 8
(1)

: Rsultats de ce travail;

(2)

(psf)

()

(pcf)

300

30

120

: Rsultats partir de [63].

F(1)

F(2)

1.291

1.288

100
100

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

65

(170, 150)

(100, 150)
W

(170, 140)

(100, 140)

(-75, 100)

(0, 100)

(170, 75)

(-75, 75)

Figure.4.25 Gomtrie de lapplication 8


1.37
1.37

*
*
*

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

Figure.4.26 Variation de la fonction objective


avec le nombre de gnration de lapplication 8.

Figure.4.27 Surface de rupture circulaire


critique de lapplication 8.

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)%.

Pour toutes les applications, on remarque que le coefficient de scurit converge


vers la valeur minimale aprs un nombre ditration trs rduit au maximum (17
gnrations, pour lapplication 8)

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

4.3 Processus de rsolution par algorithme gntique (cas de surface de rupture


non circulaire)
Ce processus a t dvelopp pour rsoudre lquation (3.14). Dans cette quation
on a deux inconnus (i et F), i peut tre remplac par en utilisant lquation (3.7),
avec f( ) prise gale : sin( ).

La surface de rupture non circulaire est dfinie par : la coordonne du premier point
x1 appartient au sommet de talus,

la coordonne du dernier point xf ainsi que

linclinaison i des tranches de la ligne de rupture par rapport lhorizontale. Les


tranches sont de largeur (b) identique, linclinaison de la premire tranche 1 est prise
proche celle du critre de Rankine (45+/2).

Les deux variables

x1 et

xf sont choisies alatoirement, leurs valeurs sont

converties en binaire, et sauvegardes en chromosomes (individu). Pour les autres


tranches ( condition que le nombre des tranches ( Ntranche) soit suprieur ou gal 2
c..d. f>=3), linclinaison de chaque tranche i est relie la prcdente i-1, la
variation de cette inclinaison est choisie en fonction de la pente du talus et de Ntranche.
y

(x1, y1)

1
2

i-1
i
(xf, yf)

(xi-1, yi-1)

i+1
i

(xi, yi)

(xi+1, yi+1)

Figure.4.28 Paramtres dfinissant une rupture non circulaire

66

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

67

Les i sont choisis alatoirement, ses valeurs sont converties en binaire et


sauvegardes au mme individu contenant x1 et xf.
Chaque individu reprsente une surface de rupture. Un nombre de Nindividus = 40 a
t choisi.
Le processus doptimisation peut tre dcompos en deux tapes :
a. Rsolution de lquation Morgenstern-Price pour trouver le coefficient de
scurit qui assure lquilibre au maximum pour chaque surface de rupture
Pour la dtermination du coefficient de scurit F correspond chaque surface de
rupture, on a dfini une population initiale de F de Nindividus=20, les valeurs de sont
choisies proche de (0,7*tan) [87]. La fonction objective (opt_eq) est calcule pour
chaque

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

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

68

(F=1000). Le processus se rpte jusqu lobtention dune surface de rupture


critique qui correspond un F minimal.
Ce processus doptimisation peut tre rsum par lorganigramme de la figure.4.29,
lautomatisation de cette rsolution a t programme en langage Matlab.
Population initiale de taille Nindividusde (x1, xf et i avec f>=3 et i=2:f-1)
Conversion de x1, xf et i en binaire et les sauvegarder en chromosomes

F=1000

Non

Surface de
rupture coupe la
gomtrie

Oui

Population initiale de taille Nindividusde (F)

Conversion de F en binaire et le sauvegarder


dans un chromosome

Individus tris par ordre croissant de F

Rsolution de lquation (3.14)


_

Critres
darrt (F
minimal)?

Oui

( .

) +

( .

Individus tris par ordre croissant de opt_eq


Fin
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 -)

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

69

4.3.1 Applications numriques


On applique cette approche sur les talus homognes traits par la premire approche
des applications 1 et 2 tires de [11] et de lapplication 4 tire de [87], ainsi que pour
une autre application sur talus homogne sec trait par la mthode des trois wedges,
selon S.K. DAS [11], de caractristiques donnes par le tableau 4.7. Les rsultats
trouvs sont compars ceux calculs par la premire approche de Bishop rupture
circulaire dveloppe dans cette thse, ainsi que les rsultats calculs par le logiciel
Go-Slope (Slope/w), et ceux tirs de la littrature [11 ; 87].
Tableau.4.7 La gomtrie et les paramtres de sol de lapplication 9.

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)

: Rsultats par Slope/w ;

(3)

1.74
/

: Rsultats tirs de [87];

/
(4)

1.190

: Rsultats

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

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

Rupture circulaire de Bishop

y(m)

Rupture non circulaire de


Morgenstern-Price

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)

Figure.4.30 Surface de rupture non


circulaire critique de lapplication 1.

Figure.4.31 valeurs optimales des fonctions


objectives (F et opt_eq) converges, par la
mthode de Morgenstern-Price de l'application1.
opt_eq

F=1.131

10

Rupture circulaire de Bishop

y(m)

Rupture non circulaire de


Morgenstern-Price

10

1
0

10
-1

10

-2
-3

-1

10
-4
-5
-6

-2

-5

-4

-3

-2

-1

Figure.4.32 Surface de rupture non


circulaire critique de lapplication 2.

4
x(m)

5 10

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

Figure.4.33 valeurs optimales des fonctions


objectives (F et opt_eq) converges, par la
mthode de Morgenstern-Price de l'application2.

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus
opt_eq
-4

71

F=1.731

y(m)
-6

10

Rupture circulaire de Bishop


Rupture non circulaire de
Morgenstern-Price

10

-8

-10

10
-12

10

-14

-16

-1

10
-18
-10

-5

10

15

x(m) 20

-2

10

Figure.4.34 Surface de rupture non


circulaire critique de lapplication 4.

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

Figure.4.35 valeurs optimales des fonctions


objectives (F et opt_eq) converges, par la
mthode de Morgenstern-Price de l'application4.
opt_eq

F=2.062

2
y(m)

10

Rupture circulaire de Bishop


Rupture non circulaire de
Morgenstern-Price

10
0

-1

10

-2
-1

10
-3

-4
-10

-2

-5

Figure.4.36 Surface de rupture non


circulaire critique de lapplication 9.

x(m)

10

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

Figure.4.37 valeurs optimales des fonctions


objectives (F et opt_eq) converges, par la
mthode de Morgenstern-Price de l'application9.

Dans cette approche, la rsolution a t faite par un nombre de tranches variable.

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.

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

Laugmentation de nombre des tranches a fait augmenter les paramtres identifier


et par consquence lespace de recherche, la taille significative de la population initiale
ainsi que le temps du calcul. Pour pallier cet inconvnient, on a arrt le calcul
trois tranches.

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%.

lapplication 2, a donn F=1.131, ce rsultat concide bien avec F calcul par


lapproche de Bishop dfinie dans cette thse, il est infrieur de 0.9% par rapport la
mthode de Bishop dans Slope/w, suprieur de 4.6% la mthode de MorgensternPrice pour 30 tranches calcule dans Slope/w, et infrieur de 4.7% celui calcul par
la mthode des trois wedges tire de [11].

Dans lapplication 4, on a trouv F=1.731, ce rsultat est infrieur de 1% celui


calcul par lapproche de Bishop dfinie dans cette thse, il est infrieur de 1.9% par
rapport la mthode de Bishop dans Slope/w, suprieur de 2% la mthode de
Morgenstern-Price pour 30 tranches calcule dans Slope/w, et infrieur de (0.9%
celui calcul par la mthode de Bishop, et 1.9% la mthode de Morgenstern-Price
calcule pour 150 tranches tire de [87].

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

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

Slope/w, suprieure de 0.6% la mthode de Morgenstern-Price pour 30 tranches


calcule dans Slope/w, et suprieure de 87.2% celle calcule par la mthode des trois
wedges tire de [11], dans ce cas cette dernire mthode parait incomparable aux
autres rsultats puisque elle a sous-estim le coefficient de scurit .

A partir de ces rsultats, on constate que lapproche dveloppe pour la rsolution


de lquation de Morgenstern-Price donne des coefficients de scurit gaux ou
infrieurs de 4.3% au maximum par rapport ceux calculs par la mthode de Bishop
simplifie rsolue par diffrents programmes.

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.

La rsolution des quations du coefficient de scurit a t faite par une mthode


stochastique dalgorithme gntique (dfinie dans ce document).

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

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

Lapproche utilise pour la rsolution de lquation de Bishop, pour une rupture


circulaire applique sur talus homognes, a donn des rsultats similaires ceux
calculs par dautres mthodes plus rigoureuses (soit la mthode de Morgenstern-Price
pour rupture non circulaire dveloppe dans cette thse ou les mthodes publies dans
la littrature pour rupture circulaire ou non circulaire). Ce qui garantit que la mthode
de Bishop simplifie avec surface de rupture circulaire est suffisante pour les talus
homognes.

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.

La mthode de Bishop simplifie avec rupture circulaire savre suffisante pour le


calcul des talus homognes.

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.

Les rsultats de coefficient de scurit trouvs par cette approche dalgorithme


gntique, sont plus prcis que ceux trouvs par lapproche de rsolution de Monte
Carlo dans Slide. Ce qui peut tirer la mme conclusion que Gallagher et Sambridge
[22 ; 23] qui ont utilis des algorithmes gntiques pour le calage de propagations
dondes sismiques : il est prfrable dutiliser un algorithme gntique car il combine
la robustesse de lexploration Monte Carlo une exploitation efficace de
linformation.

74

4. Dveloppement de deux processus de rsolution dquations dquilibre limite comme approches


doptimisation dans lanalyse de la stabilit des talus

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.

Pour la deuxime approche de rsolution de la formule de Morgenstren-Price les


coefficients de scurit sont un peu suprieurs (au maximum 4.6%) ceux calculs par
la mme formule dans Slope/w pour un nombre de tranche de 30 tranches, ils sont un
peu infrieurs (de 1.9%) ceux calculs par la mme formule pour un nombre de
tranche de 150 dans la rfrence [87], et infrieurs dau plus de 4.7% ceux calculs
par la mthode des trois wedges dans la rfrence [11]. De ce fait un nombre de trois
tranches montre son efficacit de donner un coefficient de scurit fiable, ce qui
permet doptimiser le nombre de paramtres identifier et par consquence le nombre
doprations de calcul dans lapproche gntique.

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

saturation. Do la ncessit de bien caractriser les sols en considrant un couplage


hydromcanique [43].

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.

Hicher Pierre-Yves et Rangeard Damien [29] ont dvelopp une procdure


d'analyse inverse base sur l'utilisation conjointe d'un code de calcul par lments finis
et d'un logiciel d'optimisation. La procdure d'identification permet d'aboutir la
dtermination simultane des paramtres mcaniques, correspondant au modle CamClay, et de la permabilit des sols fins saturs.

Dans ce chapitre, Une mthode directe de rsolution du problme inverse est


dveloppe, cette mthode doptimisation base sur algorithme gntique, Des valeurs
a priori sont donnes au paramtre inconnu pour simuler le problme direct associ,
laide des logiciels plaxflow et plaxis (cf. annexe A), jusqu ce que lcart entre les
rsultats du calcul numrique et les mesures inclinomtriques soit minimal.

Le logiciel PlaxFlow est utilis pour la gnration des pressions interstitielles en


milieu non satur et le logiciel Plaxis pour lanalyse du problme en dformation
plane, dans le but didentifier la permabilit du sol.

Cette approche est applique pour lidentification de la permabilit de la cit Ciloc


Constantine - Algrie.

77

5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique

5.2 Prsentation et modlisation du versant

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.

Une compagne de reconnaissance gophysique ralise la fin des annes 80 et


complte par des sondages carotts a permis de prciser la nature du versant. En
surface des argiles sont prsents sur une paisseur de 8m, auxquels succdent des
sables et graviers, probablement fortement imprgns deau, qui reposent eux-mmes
sur des marnes.

La gomtrie et les caractristiques mcaniques des sols constituant le versant du


Ciloc se rfrences au travail de Mokhbi et al. [54]. La gomtrie du Ciloc est
prsente par la figure 5.1, elle a une largeur de 272m, et une hauteur minimale de
23m et maximale de 49m. Le tableau 5.1 rcapitule les caractristiques physicomcaniques de chaque couche, ces caractristiques correspondent au modle lasto
plastique avec crouissage (HSM), choisis pour un calcul dans plaxis. En considrant
les couches de sols non saturs avec un comportement hydromcanique.

Les positions S2, S3 et S9 reprsentent lemplacement des sondages


inclinomtriques. Dans ce travail on sintresse des dplacements horizontaux donns
par linclinomtre S9.

Pour simplifier la modlisation du problme on dfinit deux parties :

78

5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique

Modlisation de la nappe phratique dans le site en milieu non satur, en


considrant le niveau deau constant ;

Modlisation du site en conditions de dformations planes par le logiciel Plaxis,


en tenant compte des rsultats fournis par le logiciel plaxflow.

B
A
C
D

x
Figure. 5.1 La coupe gomtrique du modle

Tableau 5.1 Caractristiques physico-mcaniques des sols


Couche
N

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

Les conditions aux limites dans un problme coupl seront qualifies


respectivement de :

79

5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique

Conditions aux limites mcaniques pour celles se basant les quations


dquilibre mcanique ;

Conditions aux limites hydrauliques pour celles se basant les quations


dcoulement.

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.

La figure 5.2 reprsente le maillage.

Figure.5.2 Maillage et conditions aux limites cinmatiques par lments finis.

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

Figure.5.3 Conditions aux limites hydrauliques.

5.3 Principe doptimisation par algorithme gntique

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

Figure.5.4 Principe doptimisation par algorithme gntique (cas de paramtres


hydromcaniques)

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.

5.4 Rsultats de lidentification

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

Chaque individu reprsente la permabilit effective (K) dunit (m/jour)


Couche 1 : argiles de :
Couche 2 : sable graveleux de :
Couche 3 : marnes de :

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

moyenne de Ferr sur la population parent

0.68
0.66
0.64
0.62
0.6
0.58
0.56
0.54
0.52
0.5

Nbre de gnrations

Figure.5.5 Evolution de la moyenne de Ferr sur la population parent en f onction des


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)

Quatrime la neuvime gnration

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.

La figure 5.7 prsente la variation des dplacements horizontaux numriques et


exprimentaux de la dernire gnration fonction de la profondeur. Elle montre que les
valeurs des dplacements calcules numriquement se rapprochent aux valeurs
mesures par inclinomtres, ce qui montre que le modle choisi dcrit bien le
problme trait.

5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique
0

profondeur de mesure (m)

10

15

20
Ue
Un de lindividu 1
Un de lindividu 2

25

30

35
-15

-10

-5

10

15

dplacement horizontal (mm)

Figure.5.7 Dplacement horizontal numrique (Un) de la dernire gnration et


exprimental (Ue) en fonction de la profondeur.

5.5 Conclusion

La gotechnique, et plus gnralement la physique, produisent des analyses et des


prdictions faisant appel des modles bass sur un certain nombre de paramtres. La
recherche des valeurs numriques de ces paramtres de manire ce que les modles
rendent compte au mieux de la ralit observe, constitue la dmarche danalyse
inverse. Ce travail prsente une technique destimation de la permabilit des sols non
saturs base sur lanalyse inverse en utilisant lalgorithme gntique. Les rsultats de
lapplication faite sur le cas du site de Ciloc Constantine avec le choix dun modle
coupl hydromcanique pour des sols non saturs, montre que cette technique permet
de bien identifier la permabilit des trois couches de sol. La permabilit estime est
dans lordre de grandeur des valeurs donnes par le systme de classification
internationale des sols Staring donn par PlaxFlow.

85

5. Identification des paramtres hydromcaniques dun sol non satur dun talus par algorithme gntique

Ces rsultats bass sur la reproduction des mesures inclinomriques des


dplacements horizontaux, montrent la bonne adaptation de cette approche pour le
traitement des problmes de ce type.

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.

A travers ltude bibliographique, 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.

Lobjectif de ce travail est de faire dvelopper des mthodes de rsolution du


problme de la stabilit des talus, ainsi que de faire tablir une mthode
didentification de la permabilit des sol non saturs en se basant sur loptimisation
par algorithmes gntiques.

Cependant, il est important de bien choisir les paramtres caractrisant les


algorithmes gntiques pour leur bonne utilisation.

Dans le chapitre 4, on a dvelopp deux programmes doptimisation par algorithme


gntique permettant, de rsoudre deux quations non linaire du coefficient de
scurit, en dterminant le coefficient de scurit minimal et la surface critique de

Conclusion gnrale

88

rupture correspondante. Loptimisation de la taille et du maillage de lespace de


recherche a montr lefficacit de ces approches, elle permet de trouver des rsultats,
performant aprs un nombre de gnration trs limit.

Un autre programme a t dvelopp dans le chapitre 5, il montre que cette


technique permet de bien estimer la permabilit des trois couches de sol, en se basant
sur un comportement hydromcanique coupl. Ces rsultats bass sur la reproduction
des mesures inclinomriques des dplacements horizontaux, montrent la bonne
adaptation de cette approche pour le traitement des problmes de ce type. La prcision
de lidentification dpend du caractre plus ou moins pos du problme inverse. Ainsi,
la mthode destimation dveloppe dans ce chapitre se prsente comme un outil
daide lidentification des paramtres. Les rsultats doivent tre interprts avec
prcautions. Une expertise gotechnique est importante.

Par ailleurs, mme que le nombre de combinaisons de paramtres tests ne


reprsente quune trs faible proportion de lensemble des combinaisons de lespace
de recherche, suivant le nombre de paramtres identifier, le problme majeur dans
lutilisation de ces mthodes didentification,

surtout dans le programme

didentification de la permabilit l o on a un change des donnes entre plusieurs


programmes est le temps de calcul. Pour rduire ce temps de calcul, plusieurs pistes
sont envisageables.

Il est galement possible de dvelopper des mthodes hybrides doptimisation pour


minimiser le nombre dindividus calculer.

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

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.

La mthode des lments finis discrtise le milieu continu, en lui attribuant un


nombre fini de degr de libert et cest seulement dans un second temps quelle
impose, en moyenne, les lois de conservation et de comportement. Les quations
algbriques qui rgissent le problme mergent ainsi suite la discrtisation initiale.

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

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].

Cette mthode ncessite :

La dfinition de la gomtrie du problme, pour que les frontires du calcul


ninfluence pas sur les rsultats.

Le choix dune loi de comportement du sol, de type Mohr-Coulomb, Duncan,


Cam-Clay, etc..

Les caractristiques des ouvrages et des lments dinterface pour introduire


linteraction sol-structures et les conditions hydrauliques.

Ltat initial des contraintes et des pressions interstitielles.

Et elle permet de :

Effectuer les calculs dcoulement ;

simuler toutes les phases de travaux ;

prendre en compte les variations des caractristiques : des ouvrages, des


couches de terrain;

90

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

calculer un coefficient de scurit.

A.2 Code de calcul Plaxis v8.2


Lutilisation de lois de comportement complexes dans des modles lments finis
pour lingnierie est dlicate. Elle demande pour la dtermination des paramtres des
tudes spcifiques lourdes sortant du cadre des projets dingnierie. Lintgration de
telles lois dans des codes lments finis est difficile. Le cot de ces calculs est
gnralement important et peu de codes sont actuellement oprationnels [ 39].

Pour notre problme, on a choisi dutiliser le code de calcul Plaxis.

La dmarche suivie dans le dveloppement de Plaxis est de fournir lutilisateur un


code lments finis qui soit la fois robuste et convivial, permettant de traiter des
problmes gotechniques rels, dans un dlai raisonnable en utilisant un modle de
comportement de sols dont les paramtres puissent tre dtermins partir dune tude
gotechnique normale. Diffrents modles de comportement, plus ou moins
sophistiqus, ont t implments dans Plaxis : lastique linaire, Mohr-Coulomb,
modles de sol avec crouissage ou spcifiques aux sols mous, etc.

Le code Plaxis [5] de la socit Plaxis B.V. Cest un logiciel aujourdhui


couramment utilis en bureaux dtudes. Conu par des gotechniciens numriciens de
luniversit de Delft aux Pays-Bas dans les annes 1980, le code de calcul lments
finis Plaxis est un outil pratique danalyse douvrages et dessais gotechniques. Si ce
code a initialement t dvelopp pour analyser les digues et les sols mous, son champ
dapplication stend aujourdhui une large gamme de problmes gotechniques. Il
permet danalyser des problmes lastiques, lastoplastiques, lastoviscoplastiques en
2D ou 3D et en grands dplacements. Trs fiable sur le plan numrique. Le manuel

91

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

dutilisation du code Plaxis prsente une description dtaille du logiciel. Lensemble


des options par dfaut (condition aux limites) rend la mise en donnes aise et rapide.
Enfin, les options simplifies (initiation des contraintes, pressions interstitielles)
permettent daller droit au but (prvoir le comportement dun ouvrage).
A.2.1 Options par dfaut et solutions approches
Le systme doptions par dfaut et de solutions approches spcifiques, est destin
faire gagner du temps loprateur, lui viter de devoir faire des choix tracassant, et
enfin amliorer la convivialit du logiciel. Ce systme est insparable du traitement
partir dun menu arborescent. Ces options tiennent compte de lexprience des
numriciens en la matire. Les options par dfaut commencent ds le maillage : si
seules les grandes lignes de celui-ci importent, le dtail des lments, agenc de
manire optimale du point de vue numrique, sera entirement gnr par le logiciel
partir dun petit nombre de nuds. De mme en ce qui concerne les conditions aux
limites en dplacements : si elles ont un caractre standard (vecteur dplacement nul
la base du domaine tudi et vecteur dplacement horizontal nul sur ses faces
latrales), lapplication peut tre ralise automatiquement (par dfaut) partir du
menu avec contrle immdiat du rsultat lcran. Lapplication des contraintes
initiales dues au poids des terres peut tre ralise de manire exacte par activation du
multiplicateur de chargement relatif au poids propre. Par contre, si comme bien
souvent en gotechnique on connat ou on sait estimer un tat K0 donn, celui-ci peut
tre spcifi directement. Dans ce cas, le massif est souvent en lger dsquilibre
(incompatibilit entre K0 et les autres caractristiques mcaniques). Le menu permet
alors, par un chargement fictif nul, de rquilibrer le massif, puis de rinitialiser zro
le champ de dplacement de manire prendre comme nouvelle origine ltat du

92

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

matriau aprs application de la gravit. Loption K0 est particulirement intressante


(et raliste) dans le cas dun modle htrogne de surface libre presque horizontale.

A.2.2 Lois de comportement dans PLAXIS


La modlisation du sol a pour objectif de dterminer un modle de comportement
qui permet d'tudier l'volution de ses caractristiques physiques et mcaniques. Il
faudra que celui-ci puisse reprsenter le plus possible tous les aspects essentiels du
comportement mis en vidence par les essais de laboratoire et in situ. Le modle est
ainsi une description complte du comportement du sol.

La plupart des matriaux ont un comportement lastoplastique, qui est caractris


par lapparition de dformations rversibles lastiques et de dformations irrversibles
plastiques. Sur la surface de charge, deux cas de comportement sont possibles : la
surface de charge nvolue pas, on parle de loi lastique parfaitement plastique, cest
le cas du modle de Mohr-Coulomb; la surface de charge volue au cours du
chargement, on parle de modle lastoplastique avec crouissage dont le modle
Hardening Soil de Plaxis fait partie [39].

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

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

anisotrope. Sur la surface de rupture, le comportement est considr comme


parfaitement plastique.

Le modle de Mohr-Coulomb ncessite cinq paramtres fondamentaux :

deux paramtres lastiques : le module dYoung E et le coefficient de Poisson ;

deux paramtres relatifs aux conditions la rupture : la cohsion c et langle de


frottement ;

un paramtre relatif la rgle dcoulement plastique, langle de dilatance .

Ces paramtres sont facilement identifiables partir dessais de laboratoire, essais


oedomtriques ou triaxiaux, comme le montre la figure A.1.

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

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

(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

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

96

relation empirique simple, gnralement bien vrifie pour les sables denses, reliant
langle de dilatance et langle de frottement interne :
=

30

(A. 1)

Pour ce qui est des paramtres lastiques, le module dYoung E dpend


essentiellement du niveau de dformation et de la pression de confinement. Dans le
modle de Mohr-Coulomb, le module est constant. Il parait peu raliste de considrer
un module tangent lorigine (ce qui correspondait au Gmax mesur dans des essais
dynamiques ou en trs faibles dformations). Ce module ncessite des essais spciaux.
Il est conseill de prendre un module moyen , par exemple celui correspondant un
niveau de 50% du dviateur de rupture.

Lutilisateur doit rester conscient de

limportance du choix du module quil prendra en compte (figure A.2)

Figure.A.2Dfinition du module dYoung E 50% de la rupture

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.

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

Le modle de Mohr-Coulomb utilis dans Plaxis est un modle de comportement


simple et robuste. Il peut tre considr comme une approximation au premier ordre du
comportement rel dun sol. Ce modle constitue une approche acceptable pour
analyser la rupture des sols dans les problmes de fondation, stabilit de pentes, de
tunnel et de soutnement [39].

Cependant, ce modle suppose une rigidit constante pendant la phase de


chargement alors quen ralit elle dpend la fois du niveau de contrainte et du
niveau de dformation du sol. De plus, exprimentalement il est possible dobserver
des dformations irrversibles mme pour des chemins de contraintes qui natteignent
jamais la rupture. Or, un tel modle nest pas capable de reproduire ce phnomne.

Pour bien suivre les dformations au cours de la sollicitation, il est prfrable


dadopter un modle lastoplastique plus complexe qui tienne compte de
lirrversibilit du comportement des sols [56]. Ici, on a intress un modle
lastoplastique avec crouissage appel Hardening Soil Model (HSM).

A.2.2.2 Modle lastoplastique avec crouissage (Hardening Soil Model. H.S.M)


Une loi de comportement lastoplastique avec crouissage telle que le modle HSM
permet de mieux tenir compte des dformations irrversibles quon observe dans le sol
mme loin de la rupture [56]. Ce concept est driv du comportement des mtaux
crouis (hardened) dont le niveau de plasticit augmente avec lintensit des
dformations plastiques subies.

Limplmentation de ce modle dans le code de calcul Plaxis est prsente par


Schanz et al. [73]. Prcisons toutefois que le modle Hardening Soil est un modle
constitutif de sol avanc bas sur le modle de Duncan & Chang [16] mais modifi

97

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

98

pour tenir compte de la plasticit du sol. Les plastifications peuvent tre de deux
natures : lies au cisaillement ou la compression.

La dformation axiale et le dviateur des contraintes sont relis dans le modle


Hardening Soil par une fonction hyperbolique comme reprsent figure A.3. La
rigidit de cisaillement est utilise pour modliser des dformations irrversibles dues
au chargement dviatorique primaire. La rigidit en compression est utilise pour
modliser les dformations plastiques irrversibles dues aux compressions primaires
oedomtriques et isotropes respectivement.

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 :

Un module de dformation plastique dviatoire,

, pour une pression de

rfrence pref ;

Un module de dformation plastique en compression oedomtrique,

pour

une pression de rfrence pref ;

Un module et un coefficient de Poisson en dcharge/recharge lastique,

et

ur pour une pression de rfrence pref ;

Un facteur m permettant de relier contrainte et dformation selon une loi


puissance;

Trois paramtres de plasticit de Mohr-Coulomb : la cohsion c, langle de


frottement et langle de dilatance .

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

Figure.A.3 Reprsentation de la relation hyperbolique grant lcrouissage du modle


HSM.

Figure.A.4 Dfinition du paramtre

partir des rsultats dun essai oedomtrique.

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.

Le choix du modle de comportement dpend en fait du problme pos :


soutnement, tassement de remblai, glissement de terrain, fondation sur sol en pente,

99

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

100

tunnel : quel modle de comportement utiliser pour quel problme gotechnique ? La


question nest pas simple car il nexiste pas de modle universel

A.3 Code de calcul PlaxFlow


Un programme Plaxis spar pour les coulements non saturs et transitoires,
PlaxFlow est disponible en tant quextension de la version 8 [6].

Bien que les coulements transitoires ne donnent gnralement pas de pressions


interstitielles permanentes, les pressions interstitielles obtenues avec ce programme
sont traites comme si elles taient permanentes dans une analyse en dformations.

Le modle analytique de la sorption propos par Van Genuchten [82], permet de


prendre en compte leffet dune variation de succion sur la saturation en eau du
matriau. La modlisation des coulements dans les sols non saturs est
essentiellement base sur ce modle. Il propose une fonction reliant le degr de
saturation effectif et la succion.

On prsente la thorie utilise dans Plaxflow pour lcoulement deau. Initialement,


lcoulement

dans un milieu poreux est dcrit par la loi de Darcy. Considrant

lcoulement dans le plan vertical x, y, on applique les quations suivantes :

q x k x

( . )

q y k y

( . )

Ces quations montrent que la vitesse dcoulement q est fonction de la


permabilit effective K (quon peut la dcomposer on kx et ky), et du gradient
hydraulique qui est dfini comme suit :

Annexe A:Code de calcul par lments finis (Plaxis v8.2 et PlaxFlow)

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 :

S ( p ) S residu ( S sat S residu ) 1 g a 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

[21] Q. Fu, Y.M.A. Hashash, and J. Ghaboussi. Non-uniformity of stresses within a


sand specimen in triaxial shear. In Proceedings of the 10th Int. Symposium on
Numerical Models in Geomechanics, Rhodes, Grce, pp. 621626. 2007
[22] K. Gallagher and M. Sambridge. Genetic algorithms: a powerful tool for largescale nonlinear optimization problems. Computers and Geosciences, Vol. 20, N7,
pp.12291236, 1994.
[23] K. Gallagher, M. Sambridge, and G. Drijkoningen. Genetic algorithms : an
evolution form monte carlo methods for strongly non-linear geophysical
optimisation problems. Geophysical research letters, Vol. 18, N12, pp.21772180,
1991.
[24] A.T.C. Goh. Genetic algorithm search for critical slip surface in multiple-wedge
stability analysis. Canadian Geotechnical Journal, Vol. 36, pp.382391, 1999.
[25] D.E. Goldberg. Genetic algorithms in search, optimization and machine learning.
Addison Wesley, Massachusetts, USA, 1989.
[26] A. Gouasmia et K. Djeghaba. Nonlinear dynamic soil-structure interaction
analysis of buildings using artificial neural networks, Sminaire national de Gnie
Civil, Annaba, Algrie, 2007.
[27] Y.M.A. Hashash, S. Jung, and J. Ghaboussi. Numerical implementation of a
neural network based material model in finite element analysis. International
Journal for numerical methods in engineering, Vol. 59, pp.9891005, 2004.
[28] Y.M.A. Hashash, C. Marulanda, J. Ghaboussi, and S. Jung. Novel approach to
integration of numerical modeling and field observation for deep excavation.
Journal of geotechnical and geoenvironnmental engineering, Vol. 132, N8,
pp.10191031, 2006.

104

Bibliographie

[29] P.Y. Hicher et D. Rangeard. Interprtation des essais pressiomtriques. II.


Dtermination des caractristiques hydromcaniques des sols fins saturs par
analyse inverse, Revue franaise de gnie civil, Vol. 8, N7, pp. 819-849, 2004.
[30] E. Hoek. General two-dimensional slope stability analysis. In Analytical and
computational methods in engineering rock mechanics. Edited by E.T. Brown.
Allen & Unwin, London, pp.95128, 1987.
[31] J.H. Holland. Adaptation in natural and artificial systems : an introductory
analysis with applications to biology, control and artificial intelligence. Bradford
Books edition, 1992.
[32] Y.H. Huang. Stability analysis of slopes. Van Nostrand Reinhold Company, USA,
1983.
[33] C. Iacono, L.J. Sluys, and Van Mier J.G.M. Estimation of model parameters in
nonlocal damage theories by inverse analysis techniques. Computer methods in
applied mechanics and engineering, Vol. 195, pp. 72117222, 2006.
[34] N. Janbu. Slope stability computations. In Embankment dam engineering. Edited
by R.C. Hirschfield and J. Poulos. John Wiley and Sons, New York, pp. 4786,
1973.
[35] Y.L. Kang, X.H. Lin, and Q.H. Qin. Inverse/genetic method and its application in
identification of mechanical parameters of interface in composite. Composite
Structure, Vol. 66, pp. 449458, 2004.
[36] J. Krahn. The 2001 R.M. Hardy Lecture: The limits of limit equilibrium analyses,
Can. Geotech. J. Vol. 40, pp. 643660, 2003.
[37] T.W. Lambe. Predictions in soils engineering, Gotechnique, N23, 1973.

105

Bibliographie

[38] S. Levasseur, Y. Malcot, M. Boulon, and E. Flavigny. Analyse inverse dune


courbe pressiomtrique par algorithme gntique. In Symposium International
ISP5/PRESSIO Paris, France, 2005.
[39] S. Levasseur. Analyse inverse en gotechnique : dveloppement dune mthode
base dalgorithmes gntiques. Thse de Doctorat, Universit Joseph Fourier
Grenoble I, 2007.
[40] S. Levasseur, Y. Malcot, M. Boulon, and E. Flavigny. Soil parameter
identification using a genetic algorithm. International Journal for Numerical and
Analytical Methods in Geomechanics, in press, 2007.
[41] S. Levasseur, Y. Malecot, M. Boulon and E. Flavigny. Statistical inverse analysis
based on genetic algorithm and principal component analysis: Method and
developments using synthetic data, Int. J. Numer. Anal. Meth. Geomech, Vol. 33,
pp.14851511, 2009.
[42] S. Levasseur, Y. Malecot, M. Boulon and E. Flavigny. Statistical inverse analysis
based on genetic algorithm and principal component analysis: Applications to
excavation problems and pressuremeter tests, Int. J. Numer. Anal. Meth. Geomech,
Vol. 34, pp. 471491, 2010.
[43] X.L. Li. Comportement hydromcanique des sols fins : de ltat satur ltat non
satur, Thse de doctorat, Universit de Lige, 1999.
[44] V. Magnan. Optimisation et algorithmes gntiques, 2001.
[45] [95]G. Maier and G. Gioda. Optimization methods for parametric identification of
geotechnical systems. In Numerical methods in geomechanics, Braga, Portugal,
1981.

106

Bibliographie

[46] Y.Malcot, S. Levasseur,M. Boulon, and E. Flavigny. Inverse analysis on in situ


geotechnical measurements using a genetic algorithm. In Proceedings of the 9th Int.
Symposium on Numerical Models in Geomechanics, Ottawa, Canada, pp. 223228,
2004.
[47] A.I.H. Malkawi, W.F. Hassan, and S.K. Sarma. An efficient search method for
finding the critical circular slip surface using themonte carlo technique. Can
Geotech., Vol. 38, pp. 1081 1089, 2001.
[48] P. McCombie and P. Wilkinson. The use of the simple genetic algorithm in
finding the critical factor of safety in slope stability analysis. Computers and
Geotechnics, Vol. 29, pp. 699714, 2002.
[49] D. Mendjel, M. Hamami et S. Messast, Identification de surfaces de rupture dun
talus par algorithme gntique, 1er Symposium mditerranen de gotechnique
(SMGE09), Alger, Algrie, pp. 467-471, 2009.
[50] D. Mendjel and S. Messast, Identification des paramtres hydromcaniques dun
sol non satur par analyse inverse , colloque international Sols Non Saturs et
Environnement, Tlemcen, Algrie, 2009.
[51] D. Mendjel and S. Messast, Genetic algorithm search for critical slip surface in
slope stability analysis, Third Euro Mediterranean Symposium on Advances in
Geomaterials and Structures, Djerba, Tunisia, 2010.
[52] P. Mestat and M. Prat. Ouvrages en interaction. In Emploi des lments finis en
gnie civil. Herms science, 1999.
[53] P. Mestat. Modlisation lastoplastique des sols. In Elastoplasticit des sols et des
roches. Modle de comportement des sols et des roches 1. Sous la direction de P.Y.
Hicher et J.F. Shao. Herms science, 2002.

107

Bibliographie

[54] H. Mokhbi, M. Hamami et T. Belhanachi. Etude paramtrique de la dformation


dun massif en pente par la mthode des lments finis : application au glissement
du Ciloc de Constantine, Proceedings of the International Conference on Numerical
Computation in Geotechnical Engineering NUCGE08, Skikda, Algrie, pp.216221, 2008.
[55] N.R.Morgenstern and V.E. Price. The analysis of stability of general slip surface.
Gotechnique, Vol. 15, N1, pp. 7993, 1965.
[56] R. Nova. Fondements de la mcanique des sols. Hermes Science, 2005.
[57] S. Orain, Y. Scudeller, S. Garcia, and T. Brousse. Use of genetic algorithms for
the simulations estimation of thin films thermal conductivity and contact
resistances. International Journal of Heat and Mass Transfert, Vol. 44, pp. 3973
3984, 2001.
[58] S. Pal, Wathugala W., and S. Kundu. Calibration of a constitutive model using
genetic algorithms. Computer and Geotechnics, Vol. 19, N4, pp.325348, 1996.
[59] A. Papon. Modlisation numrique du comportement des sols sous trs grands
nombres de cycles Homognisation temporelle et identi_cation des paramtres
Thse de Doctorat, l'cole Centrale de Nantes, 2010.
[60] L.P. Parker. Understanding inverse theory. Ann. rev. Earth Planet. Sci., Vol. 5,
pp. 3564, 1977.
[61] S. Pernot and C.H. Lamarque. Application of neural networks to the modelling of
some constitutive laws. Neural Networks, Vol. 12, pp. 371392, 1999.
[62] J.M. Renders. Algorithmes gntiques et rseaux de neurones. Herms, 1994.
[63] Rocscience, Inc. Slide. 2D limit equilibrium slope stability for soil and rock,
slopes. Verification Manual Part II, 2006.

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.

Bibliographie relative cette thse


D. Mendjel and S. Messast, Development of limit equilibrium method as optimization
in slope stability analysis. Int. J. Structural Engineering and Mechanics, Techno
Press, Vol.41, N3, pp. 339-348, 2012.
D. Mendjel, M. Hamami et S. Messast, Identification de surfaces de rupture dun talus
par algorithme gntique, 1er Symposium mditerranen de gotechnique
(SMGE09), Alger, Algrie, pp. 467-471, 2009.
D. Mendjel and S. Messast, Identification des paramtres hydromcaniques dun sol
non satur par analyse inverse , colloque international Sols Non Saturs et
Environnement, Tlemcen, Algrie, 2009.
D. Mendjel and S. Messast, Genetic algorithm search for critical slip surface in slope
stability analysis, Third Euro Mediterranean Symposium on Advances in
Geomaterials and Structures, Djerba, Tunisia, 2010.

111