Académique Documents
Professionnel Documents
Culture Documents
Module Reversible
Module Reversible
Mémoire présentée
à la Faculté des études supérieures de l'Université Laval
dans le cadre du programme de maîtrise en génie civil
pour l'obtention du grade de maître es sciences (M. Sc.)
2010
«Si vous avez la patience d'attendre avant de récolter les fruits de vos efforts,
votre récolte de succès sera abondante. »
Véhuel
n
REMERCIEMENTS
Je voudrais aussi remercier ma famille pour son appui et son encouragement tout au long de
ma maîtrise : mon époux Alejandro Quijano et ma mère Inès Suarez qui sont restés à mes
côtés et qui m'ont offert un soutien moral inconditionnel.
iii
RÉSUMÉ
Un des aspects les plus importants pour la conception et le dimensionnement des chaussées
est le module élastique ou réversible (MR) qui permet de caractériser le comportement
mécanique des matériaux nécessaire pour le dimensionnement d'une chaussée (AASHTO
American Association of State Highway and Transportation Officiais 1986). Le module de
chacune des couches associé à son épaisseur permet de définir une structure dite
multicouche pour laquelle il est possible de modéliser le comportement contrainte-
déformation sous charge. Par contre, en considérant la complexité de l'essai de MR et le
coût des équipements requis pour le mesurer, le développement de méthodes d'estimation
simples, précises et spécifiques au matériau considéré faciliterait la mise en application
d'outils de conception mécanistes-empiriques au Canada.
iv
TABLE DES MATIÈRES
CHAPITRE 7 CONCLUSION 84
BIBLIOGRAPHIE 86
vu
LISTE DES FIGURES
FIGURE 2-5 CONTRAINTES AU PASSAGE D'UNE ROUE (TIRÉE DE LEKARP ET COLL. 2000) 10
FIGURE 2-6 INFLUENCE DE LA DENSITÉ SÈCHE SUR LE M R DES SOLS FINS (D'APRÈS LI ET
SELIG, 1994) 11
FIGURE 2-7 EFFET DE LA GRANULOMÉTRIE SUR LE M R (TIRÉE DE TIAN ET COLL. 1998) 12
FIGURE 3-2 PROVENANCE DES MATÉRIAUX DE LA BASE DE DONNÉES DE BILODEAU (2009). .39
FIGURE 3-3 COURBES GRANULOMÉTRIQUES TESTÉES (TIRÉE DE BILODEAU 2009) 40
viii
FIGURE 3-4 PROVENANCE DES MATÉRIAUX C-LTPP 41
FIGURE 4-1 MR PRÉDIT VS MR MESURÉ (À L'ÉTAT SATURÉ), PRÉLIMINAIRE 51
FIGURE 4-7 MR MESURÉ VS MR PRÉDIT À L'ÉTAT INITIAL (A) ET DRAINÉ (B) SELON LA
FIGURE 4-9 MR MESURÉ VS MR PRÉDIT À L'ÉTAT INITIAL (A) ET DRAINÉ (B) SELON LA
MÉTHODE DOUCET ET DORÉ (2004) 65
FIGURE 5-1 CARTE D'EMPLACEMENT DES MATÉRIAUX UTILISÉS POUR LA VALIDATION,
PROGRAMME SHRP 67
FIGURE 5-2 MR MESURÉ VS MR PRÉDIT - ÉTAT SATURÉ- DONNÉES DE VALIDATION 69
IX
LISTE DES TABLEAUX
XI
CHAPITRE 1
I
Actuellement, un projet est en cours au Canada pour favoriser la mise en application de ces
méthodes dans le contexte canadien.
Cette initiative mettra l'emphase sur le développement de bases de données, les paramètres
climatiques, le trafic et les propriétés des matériaux à prendre en compte en conditions
canadiennes (Doré et coll., 2006). Il y a intérêt à évoluer rapidement vers les méthodes
mécanistes empiriques pour mieux prendre en compte, entre autres, les matériaux
alternatifs de fondation, les charges particulières, les effets saisonniers et pour mieux
intégrer les particularités du contexte des chaussées municipales. Cependant, le
développement de cette méthode dans le contexte canadien, et notamment dans le contexte
municipal, est un défi important au niveau de la caractérisation des propriétés des sols et
des matériaux non liés utilisés dans les chaussées.
L'un des aspects les plus importants pour la conception et le dimensionnement des
chaussées est le module élastique ou réversible MR. En effet, il s'agit du paramètre
caractérisant le comportement mécanique du matériau nécessaire pour le dimensionnement
d'une chaussée (AASHTO American Association of State Highway and transportation
Officials 1986). Par contre, en considérant la complexité de l'essai du MR (module
réversible) et le coût des équipements qui sont requis pour déterminer ce paramètre de
façon fiable, il est nécessaire de développer des méthodes empiriques d'estimation du MR.
Le projet de recherche proposé repose sur cette problématique reliée à l'obtention d'une
valeur précise, représentative et fiable du module réversible des granulats routiers. Les
coûts et la complexité reliés à l'essai apportent un grand intérêt pour l'estimation de ce
paramètre.
L'objectif global de cette étude est l'obtention d'un modèle d'estimation du MR pour les
matériaux granulaires canadiens, de même que la mise au point de procédures et d'outils
simples pour déterminer les relations entre les propriétés des sols et les matériaux de
chaussées non liés requis pour supporter le modèle mécaniste empirique et permettant la
prise en compte des effets climatiques.
Les objectifs spécifiques de cette étude sont les suivants :
1.2. Méthodologie
ÉTAT DE CONNAISSANCES
La structure typique d'une chaussée souple est composée d'un revêtement de béton
bitumineux, disposé sur une ou plusieurs couches de matériaux granulaires non traités
constituant la fondation et la sous-fondation (gravier concassé ou partiellement concassé).
L'ensemble repose sur un sol support ou sol d'infrastructure (figure 2-1). Au Québec,
l'épaisseur globale de cette structure de chaussée est généralement comprise environ 0,8 à
lm. La chaussée est composée aussi d'éléments connexes qui jouent un rôle important dans
sa performance, tels que les accotements, les talus et les fossés. La figure 2-1, montre les
éléments qui constituent une chaussée.
Révêtement
*»>3*"*5,(' *LY '
y:r^.~LL, ' f '
rfjC
1 Fondation
^tâhC:** Y*'y^*i>.i'**'i>'^T&
.;■
Doucet et Doré (2004) définit une chaussée comme étant un système multi couche linéaire,
de grande envergure, soumis à l'action d'agents agressifs comme le climat et le trafic. Au
Québec, le réseau routier est constitué d'environ 185 000 kilomètres de routes construites
4
entre 1960 et 1970, dont près de 29 000 km sont gérés par le Ministère de Transport du
Québec (MTQ, Réseau Routière Transport Québec). De plus, le Québec est un des endroits
au monde où il est le plus difficile d'entretenir le réseau routier. En effet, l'expansion du
territoire, la faible population, le climat rigoureux (températures variant de 30°C à -30°C) et
les conditions d'humidité élevées sont autant de facteurs rendant la tâche difficile.
En tenant en compte que cette étude porte l'estimation du module réversible des matériaux
granulaires et comme il a été montré à la figure 2-1, les éléments qui constituent la
chaussée sont des matériaux granulaires constitués d'un ensemble de particules solides,
d'eau et d'air. La figure 2-2 montre le diagramme de phases avec les différents composants
d'un matériau granulaire, une liste des relations ou équations de base les plus utilisées pour
déterminer l'état des matériaux est donnée au tableau 2-1.
it A
AIR
(Pa)
AJ^_A.AJ\J*.A.A.A.A,A
AAJ\J>-A^A.
I..A.A-A.A.A..V.
V~'„'.*..."?^.*f..'..'.AA'..A.
-mm/hK*m*m/h/mà-KKAm*-A-*mA-KA-L.
A^*W\JSAJ\J\.J(LJ-»/-.>"LAW*~"~*W'*AJ"-^
.A.A.A>^A.AA.VM*#/~YA-A.-AJ',.'.J*.
,
M ^ A J O - ' J J A A A . \ A ^ . \ . ^
A^AJULJVJIJ
SOL
(Ps)
-t
L'indice de vides Vv= Volume des vides
Vs= Volume des grains solides
n n = Porosité
l-H
La porosité Vv= Volume des vides
W=-Ï-X100(%)
Vm V,= Volume total de l'échantillon de sol
Ce comportement est présenté à la figure 2-3 et indique que dans la plupart des cas, les
matériaux granulaires des chaussées ne sont pas purement élastiques et démontrent un
comportement élastoplastique.
En 1950, l'essai triaxial a commencé à être utilisé en laboratoire pour évaluer la rigidité et
le comportement des matériaux de chaussées, dans des conditions visant à simuler un
chargement représentatif du trafic. Seed et Chan. (1959) ont étudié la simulation du
comportement des sols soumis aux chargements du trafic en laboratoire à partir d'essais à
charges répétées, ceci étant davantage représentatif du contexte de sollicitations d'une
chaussée. C'est ainsi que, diverses agences et organismes ont adopté le concept du MR pour
la conception et le dimensionnement des couches d'une structure de chaussée.
Le MR des matériaux granulaires est influencé par différents facteurs. Dans cette section,
l'effet de l'état de contraintes, la masse volumique, la granulométrie et la teneur en eau
seront présentés.
La figure 2-4 montre les contraintes appliquées à l'échantillon lors de l'essai triaxial, où les
contraintes 02 et 03 sont égales et la contrainte ai est la somme de la contrainte de
8
confinement 03 et de la contrainte déviatorique oj. Ces contraintes sont les contraintes
principales puisque le cisaillement est nul sur les surfaces extérieures de l'échantillon.
02 ~ 0 3 Ç>3~ a *
Figure 2-4 Contraintes appliquées à l'échantillon lors d'un essai triaxial à chargements répétés (tirée
de Robert et coll. 2002).
Les matériaux de chaussée sont composés de grains solides, d'eau et d'air (Ref. figure 2-2)
et leur comportement mécanique est non-linéaire, c'est-à-dire fonction de l'état de
contraintes appliqués. Lorsqu'ils sont soumis à un cisaillement, il est connu que les
matériaux granulaires présentent une dilatance qui est attribuée à l'enchevêtrement et
l'imbrication des particules. Cet effet de pression limite augmente la rigidité et la résistance
des couches granulaires. Autrement dit, l'effet de l'état de contraintes est le facteur qui a la
plus grande influence sur le MR des matériaux granulaires.
°1 <T, = O,
0--.C-. °1
Vertical stress
Horizontal stress
Figure 2-5 Contraintes au passage d'une roue (tirée de Lekarp et coll. 2000)
Barksdale et Itani (1989) ont démontré que le MR augmente significativement pour une
augmentation de la densité à faibles valeurs de contraintes. Par contre, à fortes contraintes,
cet effet s'est avéré beaucoup moins prononcé.
À la figure 2-6, il est possible de visualiser le rôle important joué par l'eau à l'intérieur de
la structure d'une chaussée et dans la relation entre le MR et la masse volumique sèche.
Ainsi, si l'augmentation de la teneur en eau est faible, le MR augmente avec une
augmentation de masse volumique sèche. Par contre, une teneur en eau élevée a pour effet
de diminuer le MR lorsque la masse volumique sèche augmente.
10
Constant
Dry Density
r
Figure 2-6 Influence de la densité sèche sur le MR des sols fins (d'après Li et Selig, 1994)
Ping T. et coll. (1998) ont réalisé une étude comparative entre le MR et les valeurs de trois
différentes granulométries spécifiques pour des matériaux granulaires d'Oklahoma. La
figure 2-7 illustre que les valeurs de MR ont une tendance à augmenter avec la contrainte
totale et, de la même façon, qu'il existe une augmentation du MR pour une granulométrie
11
plus grossière par rapport à une granulométrie plus fine. Cette augmentation varie de 41 à
129%.
«0
•
o
Modian
Cot n e : Lirait
«
350 Finer L a m !
w
• o
•
300
8o
•
i
g 250
• • • o
o o
O
3
g *» f
9
I 0
ISO 0 8°
• T
▼ T *
100 0 T ▼
»
$c l ■
, i . 1
f j V "
d
% passant = 100 Équation 2-2
Vrfma,J
12
▲ Heavily compacted
° Lightly compacted
•Uncompacted
Figure 2-8 Rigidité en fonction de l'indice de la granulométrie pour différents compacités (tirée de
Dawson (2001)).
La teneur en eau d'un matériau granulaire a une influence significative sur sa résistance et
son comportement mécanique. C'est ainsi qu'un fort degré de saturation et une faible
perméabilité produisent une augmentation de la pression interstitielle et engendrent une
diminution de la rigidité du matériau.
Khoury et Zaman (2004) ont étudié la relation entre le MR et la teneur en eau, pour les sols
d'Oklahoma. Ils ont réalisés des séries d'essais où les échantillons ont été compactés à une
teneur en eau de -4% (par rapport à la teneur en eau optimale) et humidifiés à +4% (par
rapport à la teneur en eau optimale). Ils ont trouvé une diminution d'environ 60% du MR.
Dans un second temps, les échantillons ont été compactés à une teneur en eau de +4% et
ensuite séchés pour atteindre une teneur en eau de -4%. Les résultats ont montré une
augmentation du MR d'environ 400%. (figure 2-9).
13
: : i1 1
24,000
19.000
i
14.000
9.000
O
4.000 I
î I I
1 i 1
n ■
Figure 2-9 Variation du MK en fonction de la teneur en eau (tirée de Khoury et Zaman 2004)
Côté et Konrad (2003), dans leur étude de conductivité hydraulique, ont décrit des
propriétés pourcentage de la fraction fine (nf%) et pourcentage de la fraction grossière
(nc%), liées à la porosité (n%) et au pourcentage des particules fines (%F). La porosité de la
fraction fine (nf) (exprimée en décimales), et la porosité de la fraction grossière (nc) sont
décrites par les équations suivantes :
n n-%F
nf = Équation 2-3
« n(\-%F)
nc = n + ( l - n ) % F Équation 2-4
14
I 0 d>0,08 mm (Sable+Gravier)B 1# d>0,08 mm (Sable+Gravier)M
^^d<O^^T¥THFine^^^^j| 1# d<0,08 mm (Fine) H
/* J
• • \
1 n. élevée ^ 1 | m faible 0
Bilodeau (2009), a développé une méthode qui permet d'estimer la sensibilité du MR aux
variations de la teneur en eau en fonction de la porosité de la fraction fine. Cette sensibilité
est décrite selon l'équation 2-5 comme le produit de S «slope» par la différence du degré de
saturation (ASR).
Où
jMPa\ ,
Équation 2-8
15
Où Os = paramètre de régression (fonction de la contrainte),
bs = paramètre de régression (fonction de eu.).
La figure 2-11, montre un exemple les relations de S vs nf pour trois différents états de
contrainte.
I l l ! I l l l l I ll l l I i il l I li ii 1 i ii i [l l l i I l l l l I ; ll i I l l ll
I I I ! I I I I I j I I I I I I I I I I I M I I I I I ; I I I I : | I I I I I : I I i I I I I I
Figure 2-11 Relation entre S-IM) et nr pour un gneiss, (tirée de Bilodeau 2009)
Doucet et Doré (2004) ont développé un modèle pour les matériaux granulaires qui relie le
MR à la succion matricielle (u a -u w ). Dans ce modèle, la variation typique de degré de
saturation de 20% à 90% a été utilisée, pour laquelle ils ont constaté une correspondance à
une succion matricielle de -15 kPa à 0 kPa. La figure 2-12 montre la relation entre le degré
de saturation (%) et la succion matricielle (u a -u w ) (kPa). Ce modèle définit une variation du
MR selon la succion matricielle.
16
100
£□
90 *■ _ ^ ~ a ï
! A
80 n 1 kPa ; 88% _—**
c«
o,
£ 70
c
O /*
4 kPa; 52% . "* . ... .
1 60 I i / » Initial
M
n Saturé
S o A Drainé
g 40 4 * A a •CCRE
•fi?
$? 30 4jM V
O û X* *
20 « N.
o o
10 10,0kPa;28%
0
Ï5 2!0 1 5 1 0 5 0 5
SL ccion malrick ;ile (kPa)
Figure 2-12 Courbe caractéristique de rétention d'eau moyenne des matériaux granulaires C-LTPP.
Doucet et Doré (2004).
2.3.5. Conclusion
Comme il vient d'être décrit dans les dernières sections, le module réversible est la
caractéristique la plus importante pour la conception d'une chaussée et il est influencé par
plusieurs facteurs à des degrés divers. Le tableau 2-2 est extrait des études réalisées par
Theyse (2002) et montre une synthèse de l'influence de divers paramètres sur le module
réversible des matériaux granulaires.
17
Tableau 2-2 Effet de divers paramètres sur M» (adapté Theyse (2002))
Le MR peut être obtenu à partir d'une mesure directe en laboratoire, une mesure sur le
terrain ou par une estimation en utilisant des modèles généraux. Au laboratoire, il peut être
déterminé à partir d'essais de MR, OU par corrélation avec des résultats d'autres essais
comme le CBR et le Rvalue. Au terrain, il peut être déterminé à partir d'essais comme le
déflectomètre à masse tombante (FWD) et le DCP. En ce qui concerne les modèles
généraux, dans cette section les recherches de Rahim et George (2005) et Mal la et Joshi
(2006) seront présentées.
En ce qui concerne la mesure directe du MR, deux procédures de laboratoire sont présentées
dans cette section. La première est la procédure LC-22-400 du Ministère de Transport du
Québec. La deuxième est la procédure P46 du LTPP «Long Term Pavement Performance
Project Laboratory Materials Testing and Handling Guide». De plus, des estimations à
partir d'autres essais comme le CBR et le Rvalue, seront présentées.
2.4.1.1. La méthode d'essai LC22-400
Cette méthode d'essai est réalisée avec un équipement triaxial à chargement répété
permettant de déterminer le comportement réversible non linéaire des matériaux granulaires
à différents états de contraintes et différents états de saturation : saturé, drainé et initial.
Cette méthode est valide pour des matériaux écrêtés au tamis 31,5 mm, ayant un indice de
plasticité (Ip) inférieur à 10 et ayant un pourcentage maximal de 20 % de particules passant
le tamis 80 um. Les échantillons, compactés en 7 couches dans un moule d'acier
inoxydable à l'aide d'un marteau vibrant, ont un diamètre de 150 mm et une hauteur de 300
mm (± 10 mm). La figure 2-13 illustre le montage d'un équipement triaxial à chargement
répété (tirée de MTQ (2006)).
03 Od <-*do Cdr ©
(kPa) (kPa) (kPa) (kPa) (kPa)
20 2 18 80
20 40 4 36 100
60 6 54 120
35 3 32 140
35 70 7 63 175
105 11 94 210
70 7 63 280
70 140 14 126 350
210 21 189 420
70 7 63 385
105 105 11 94 420
210 21 189 525
105 11 94 525
140 140 14 126 560
280 28 252 700
G = contrainte totale,
o3= contrainte de confinement appliquée de manière statique,
0,*= contrainte déviatorique,
Cdo= 10% de la contrainte déviatorique appliquée de manière statique,
c d r = 90% de la contrainte déviatorique appliquée de manière répétée.
Le déplacement vertical ou axial est mesuré à l'aide de deux capteurs LVDT (linear
variable differential transformer) positionnés à 180° l'un de l'autre sur le deux tiers central
de l'échantillon. Le déplacement horizontal, quant à lui, est mesuré avec un LVDT fixé à
un câble qui entoure le centre de l'échantillon. L'essai est réalisé à trois teneurs en eau,
soient la teneur en eau initiale (w=absorption+2%), une teneur en eau près de la saturation
et une teneur en eau après drainage gravitaire de l'échantillon.
20
Support pour capteurs
de déplacement
Joint torique
Capteur de ^ \ Drainage
Pression
Draccinn IJ
j j /I .1.
Figure 2-13 Schéma d'un équipement triaxial à chargement répété (tirée de MTQ (2006)).
Une fois l'essai commencé, 100 répétitions pour chaque état de contrainte sont appliquées.
Pour le conditionnement et l'application des 15 états de 0, le temps de chargement est de
0,1 sec, suivi d'un temps de repos de 0,9 sec.
21
Par ailleurs, deux capteurs LVTD externes sont montés sur la chambre triaxiale pour
mesurer des déplacements verticaux. Conformément aux mesures des déformations, les
capteurs LVTD enregistreront séparément la moyenne des cinq derniers cycles de charge
palliée de contrainte. Le tableau 2-4 montre les états de contraintes pour la caractérisation
du MR.
L'estimation du MR à partir d'autres essais est utilisée par plusieurs entreprises et agences
de transport. Dans cette section, les essais CBR et R-value seront expliqués.
22
California Bearing Ratio (CBR)
L'indice de portance californien California Bearing Ratio, ou l'essai CBR, est une mesure
indirecte de la force du sol basée sur la résistance à la pénétration d'un piston normalisé qui
s'enfonce à vitesse constante jusqu'à une distance de pénétration définie. Cet essai est
relativement facile et peu coûteux à effectuer. Sa valeur a été corrélée empiriquement avec
le MR. Selon l'AASTHO, le CBR est environ égal à 100 pour la couche de fondation
granulaire et environ 30 pour la sous-fondation granulaire. La valeur du CBR (%) est
décrite selon l'équation suivante :
Le tableau 2-5 montre les valeurs typiques du CBR en fonction du type de sol selon U.S
Army Corps ofEnginers, (1953).
Tableau 2-5 Valeurs typiques du CBR selon U.S Army Corps of Enginers, (1953).
Classification du sol selon USCS Classification valeur CBR
GW 60-80
GP 35-60
GM 40-80
GC 20-40
SW 20-40
SP 15-25
SM 20-40
SC 10-20
ML 5-15
CL 5-15
OL 4-8
MH 4-8
CH 3-5
OH 3-5
23
D'après Heuklelom and Klomp (1962), la relation entre le M/>et l'indice CBR est définie
par l'équation suivante :
Néanmoins, l'étude réalisée par Hight et Stevens (1982) a démontré que dans l'essai CBR,
la contrainte totale est inconnue et les conditions de drainage ne sont pas contrôlées. Ce
sont pourtant deux paramètres qui ont une grande influence sur la valeur du MR. Loach
(1987) a présenté dans sa thèse de doctorat des essais CBR sur des sols reconstitués et, sur
la base de ses résultats, il conclu qu'il n'existe pas de corrélations entre le CBR et le MR.
Enfin, Brown S. (1997) recommande de remplacer le concept CBR, parce que cet essai est
une mesure de la résistance au cisaillement qui n'est pas fondamentalement lié avec la
performance d'un matériau granulaire de chaussées, par des conditions standard de
chargement.
Stabilimètre (R-Value)
La R-value est aussi une mesure indirecte comme le CBR. La mesure du R-value d'un sol
est faite avec un stabilimètre (AASHTO T 190 ou ASTM D 2844). La valeur du R-value
(psi) est décrite par l'équation suivante :
Où R : résistance R-value,
Pv : Pression verticale appliquée (160 psi),
24
D2= (mm) Le déplacement de liquide stabilimètre nécessaire pour augmenter la
pression horizontale de 5 à 100 psi.
Rubber membrane
Fluid under
pressure
Figure 2-14 Schéma de l'essai de stabilimètre pour mesurer le R-Value (Yoder et Witczak, 1975).
Où C:1000,
B : paramètre qui est calculé en fonction de la contrainte moyenne.
25
2.4.2.1. L'essai du Pénétromètre à Cône Dynamique (DCP)
Le Dynamic Cone Penetrometer D CP est une méthode largement utilisée pour déterminer
la rigidité des sols in situ. L'essai au D CP consiste à enfoncer dans les sols une tige avec
une pointe en forme de cône à l'aide d'une masse en chute libre, généralement de 8kg. Le
but de cet essai est de déterminer la résistance à la pénétration par l'indice de pénétration
(DCPI), qui est l'enfoncement observé à chaque coup. La figure 2-15, illustre le
pénétromètre à cône dynamique.
.-k »fcflfï7.6«
*.Skgi.0..!b\
EQ ■ OptLM*IVM»q
Attachment1
5 5-
- VWftewiCJJj/R-rf
Une des limitations majeures de cet essai est le manque de standardisation des dispositifs
pendant l'essai, c'est-à-dire, la taille de cônes, le poids du marteau et les hauteurs de chute.
Plusieurs chercheurs ont développé des corrélations entre le MR de sols d'infrastructure et
de fondation, et les paramètres de pénétration mesurés à partir du D CP. D ans cet ordre
d'idées, Salgado et Yoon (2003) a fourni un résumé de ces relations disponibles dans la
26
littérature. Chai et Roslie (1998) ont développé la relation suivante par des sols
d'infrastructure in situ, où le DCPI est le nombre de coups par 300 mm de pénétration :
Ou
■y
Hassan (1996) a développé une corrélation entre le MR et le paramètre DCPI (pouces par
coup). Cette corrélation est valable pour les matériaux évalués dans les recherches
originales.
George et Uddin (2000) ont aussi fourni des relations pour les sols à grains grossiers et les
sols à grains fins, (voir l'équation 2-15 donne la relation pour les sols à grains grossiers et
l'équation 2-16 pour les sols à grains fins).
Abu-Farsakh et coll. (2004) ont étudié l'essai DCP pour les sols d'infrastructure de
Louisiane, la figure suivante présente les données expérimentales de deux sites.
Dans cette recherche, une analyse de régression a été développée afin de trouver la
meilleure corrélation entre le MF WD (MPa) et le paramètre PR, le taux de pénétration (PR)
en millimètres par coup, à permis de développer une relation non-linéaire présenté dans
l'équation suivante:
Ou:
MFWD ■
' Module réversible du terrain.
27
niM —T——"t 1 i
* m " " j * 1 • i 1 l
1
■ JIC1«Î.1 ' t 1 1
1 1 1
rK^miii
l
•}• f1 J
1
^t^i * 1 l
1
TC* î T j —
t
1
t
1
i *^ j , fr ■ l
1 1 fcM
1
t1 L...ZT! . J .
l
l
I
l—i
* ' m*
_I t 1 1 i i
i 1 m pcm
i l
i
t 1 i t ) 1 1 1
1 1 1 1 1 t 1 1
1 1 1 1 1 1 i 1
L'essai de déflectomètre à masse tombante (FWD ) utilise un poids qui tombe sur un
système à ressorts monté sur une plaque. En général la contrainte appliquée peut durer une
période de 20 millisecondes.
Figure 2-17 Déflectomètre à masse tombante version portative (tirée de NCHRP, syntesis 382,2008)
28
Le principe de la mesure de déflexion ponctuelle consiste à reproduire la sollicitation de la
chaussée due au passage d'un véhicule lourd et à mesurer la réaction de la chaussée. Le
FWD simule donc le passage d'un poids lourd à une vitesse d'environ 70km/h et enregistre
la déformation induite. Le but est de mesurer le comportement de la structure de chaussée
et d'analyser sa capacité à supporter correctement un trafic futur.
2
EWPa)-- ™^-^ Équation 2-19
«o
Où
E : module réversible (MPa),
Co : contrainte appliquée (kPa),
a : rayon de la plaque (m),
p : coefficient de Poisson,
do : Déflexion (mm).
Le module réversible peut également être obtenu par des procédures de rétrocalcul en
utilisant les données de bassin de déflexion mesurées à l'aide d'un déflectomètre portable
ou d'un déflectomètre monté sur un véhicule.
Il existe dans la littérature plusieurs études suggérant des modèles généraux d'estimation du
MR. Notamment, Jones et Witczak (1972) ont défini un modèle en fonction du degré de
saturation et de la teneur en eau. Thompson et Robnett (1979) ont étudié un modèle
d'estimation du MR pour les sols à grains fins de l'Illinois dans lequel les caractéristiques
29
physiques considérées ont été le % d'argile et de silt contenu dans le matériau, l'indice de
plasticité et la classification du sol.
Plusieurs autres études similaires sur des sols d'infrastructures ont été réalisées pour divers
États américains (Carmichael et Steward, 1985; Elliot et coll., 1988; Drumm et coll., 1990;
Farrar et Turner, 1991; Hudson et coll., 1994; Li et Selig, 1994; Pezo et Hudson, 1994;
Berg et coll., 1996). Les approches les plus récentes sont celle de Rahim et George (2005)
qui ont estimé le MR pour les sols d'infrastructure fins et grossiers du Mississippi, ainsi que
celle de Malla et Joshi (2006), qui ont analysé plusieurs sols de l'état de la Nouvelle-
Angleterre.
Ce modèle se différencie des anciens modèles parce qu'il incorpore dans l'estimation du
MR l'effet du type de sol, du type de structure des propriétés physiques du matériau et de
l'état de contrainte. Le modèle propose une méthode de corrélation du MR pour les sols fins
et les sols grossiers.
Le tableau 2-6 montre que les paramètres kl et k2, exprimés en tant que variables
dépendantes, ont été corrélés avec les propriétés d'indices des sols en tant que variables
explicatives par l'intermédiaire de la régression. Les équations générales pour les sols
d'infrastructure à grains fins et les sols à grains grossiers sont les suivantes :
( o- Y 2
MR—kipa l-l — , pour les sols à grain fins Équation 2-20
1+ £T
v J
0 *
M
R = KPa [+- , pour les sols à grain grossiers Équation 2-21
1 + cr
V </7
Ou:
30
MR : Module réversible (MPa),
Pa : Pression atmosphérique (kPa),
O : Contrainte totale (kPa),
Od : Contrainte déviatorique (kPa),
o c : Contrainte de confinement (kPa).
C'est ainsi que ces nouvelles générations de modèles, comme la méthode de Rahim et
George (2005), permettent une meilleure caractérisation de la variation des modules
réversibles en fonction de l'état de contrainte.
31
2.4.3.2. Modèle d'estimation du MR - Malla et Joshi (2006)
^
M R = k.Pa Équation 2-22
yPaj y P*
Ou:
MR : Module réversible (MPa),
Pa : Pression atmosphérique (kPa),
O : Contrainte totale (kPa),
TOC, : Contrainte octhaèdral (kPa).
Le tableau 2-7 montre les valeurs de&,,£-, et&3 pour les sols à grains fins et à grains
grossiers.
,
k3=-0.90585-0.00186 MC+0.00021603*MAXDD+ 0.62 0.59 «
a.
0.01777«S2-0.01830*S1 +0.00528*SN 10-0.00531 »SN200 0
I tt 100 160 2 DC
laboratory M« (MPa)
0.00266*SN200-0.00318*CLAY •
-o too
^jÊ$
1£ »
k3=2.08483-0.03626*MC-.0O044337*MAXDr>+0.01104*LL-O.02024 0.33 0.27
o
) 50 100 130 2C 0
•SI+0.00494*SN80+0.010l»CSAND+0 OO392»FSANEH0 00287*SILT Laboratory MR (MPa)
32
MC = Teneur d'eau, Sl= Pourcentage passant 1",
0MC= Teneur en eau optimale, S3_4= Pourcentage passant 'A",
MCR= Ratio de la teneur en eau, Sl_2pourcentage passant W ,
DD= Densité sèche, (kg/m3), S3_8= Pourcentage passant 3/8",
MAXDD=Densité sèche maximale (kg/m3), SN4= Pourcentage passant N.4,
DDR = Ratio de la densité (kg/m3), SN 10= Pourcentage passant N. 10,
LL= Limite liquide, SN40= Pourcentage passant N.40,
PI= Index de Plasticité (%) SN80= Pourcentage passant N.80,
CU= Coefficient d'uniformité, SN200= Pourcentage passant N.200,
CC= Coefficient de courbure, CSAND= Pourcentage passant sable 2-0.42 mm,
S3= Pourcentage passant 3", FSAND= Pourcentage passant sable 0.42-0.074 mm,
S2= Pourcentage passant 2", SILT= Pourcentage silt 0.074-0.002 mm,
S1_HALF= Pourcentage passant 1 '/.", CLAY= Pourcentage argile,
Dans cette section, le modèle K-©, le modèle Uzan et les modèles du Ministère de
Transport du Québec, LC 22-400 (2004 et 2006) seront présentés.
Hicks et Monismith (1971) ont développé le modèle non-linéaire K-O. Pour représenter la
non-linéarité du MR en fonction de la contrainte totale, une augmentation de la contrainte
totale étant associée à l'augmentation du MR pour les matériaux granulaires.
M Équation 2-23
R = KPo
\ f a j
33
Cette formulation de modèle considère les effets de la contrainte déviatorique et de la
contrainte de confinement sur le MR. Ce modèle est principalement utilisé pour des sols
granulaires.
Au Québec, la loi constitutive K-0 est utilisée comme premier élément de calcul du MR.
Elle est associée à des valeurs typiques des constantes k* et k2 pour les matériaux
granulaires de chaussée selon le modèle K-O. Ces valeurs sont extraites d'essais réalisés
par le Ministère des Transports du Québec sur différents types de matériaux granulaires
(Robert et coll. 2002).
Le tableau 2-8 montre que les valeurs des constantes k* et k2 du modèle présentent une
certaine variabilité. Selon Robert et coll. (2002), la valeur de l'exposant k2 est moins
variable que celle de k* et représente en quelque sorte la sensibilité du matériau aux
contraintes qui lui sont imposées, soit une certaine cohésion au sein de la structure
granulaire.
Matériau k, (kPa) k2
Sable de sous-fondation 7 0 0 0 - 1 0 000 0,480-0,580
MG-20 (pierres concassées) 8 0 0 0 - 1 5 000 0,550-0,650
MG-20 (graviers concassés) 11 0 0 0 - 1 6 000 0,500 - 0,600
MG-20 (matériau recyclé de béton concassé) 23 000 - 30 000 0,450-0,550
MG-40 - MG-56 5 0 0 0 - 1 2 000 0,480 - 0,660
Ce modèle empirique a été développé par Uzan (1985) qui a ajouté au modèle K-0 la
contrainte de cisaillement octahedral. Le modèle utilise trois constantes de régression k-, k2
34
et k3; la contrainte totale O et la contrainte de cisaillement octaédral pour décrire le
comportement non-linéaire du matériau (Uzan 1985).
35
contrainte totale O, mais également de la contrainte de cisaillement octaédrique toct, selon
l'équation suivante:
E r = a + bO + C T ^ , Équation 2-26
36
CHAPITRE 3
BASE DE DONNÉES
Pour le développement du modèle de prédiction dans cette étude, deux bases de données
développées dans le cadre de projets de doctorat de l'Université Laval (Bilodeau 2009,
Doucet et Doré 2004) ont été utilisées. La figure 3-1 illustre schématiquement la création
de la base de données à partir de ces deux sources de résultats.
Figure 3-1 Combinaison des bases de données utilisées pour le développement du modèle.
La combinaison de ces deux bases de données a été un avantage pour la base de données de
ce projet de recherche entre autres :
37
Le tableau 3-1 montre les caractéristiques des deux différentes sources des données, le type
de matériau, le type de granulat ainsi que la classification du sol, selon la classification
unifiée des sols (USCS).
Tableau 3-1 Détails des matériaux granulaires qui forment la base de données pour le
modèle de prédiction du MR
38
Capitale Nationale |
Chailesbourj* i
Samt-Fli.-ten
C hau dière-Appalaches
Six courbes granulométriques ont été testées pour chaque source de granulats. Les
matériaux ont été préalablement tamisés et reconstitués afin d'obtenir des granulométries
exactes. Ces courbes sont basées sur le fuseau granulométrique des MG20a, utilisé par le
Ministère des Transports du Québec pour restreindre la granulométrie de ces matériaux
(BNQ 2002). Ces six courbes sont identifiées comme suit :
La figure 3-3 présente ces courbes granulométriques, le fuseau imposé aux MG20a (en
gris) ainsi que les courbes granulométriques des matériaux granulaires avant la séparation
39
par tamisage. En ce qui concerne le MR, les essais ont été réalisés en cellule triaxiale sur 21
échantillons selon la norme du Ministère de Transport du Québec LC 22-400.
■o
o
c
o
m
fi
ts
m
—i
n»
100
Diamètre (mm)
Gravier , Sable iSilt et argile
, rrTTTtT —TTT
|rrm ~~1
100 10 1 0.1 0.01
Dans le cadre du projet de recherche « Dynamic and resilient moduli characterization ofC-
LTPPpavement materials», le chercheur Felix Doucet a développé des méthodes d'essai et
de caractérisation du modèle dynamique des enrobés bitumineux et du MR des matériaux
granulaires.
Les essais de module réversible ont permis d'élaborer la norme du Ministère de Transport
du Québec LC 22-400. La figure 3-4 illustre l'emplacement des 11 sites C-LTPP
(Canadian Long-Term Pavement Performance) échantillonnés.
40
yf Sites C-LTPP échantillonnes
Chaque caractéristique physique choisie pour le modèle de prédiction a été étudiée selon le
degré d'influence sur le MR. Ce degré d'influence a été désigné à partir de la revue de
littérature et les données disponibles de la base de données du modèle de prédiction du MR.
Ensuite, ces valeurs ont été classées en trois groupes : la granulométrie, la teneur en eau et
la densité.
Dans cette étude, l'effet de la granulométrie est représenté par des paramètres tels que: le
coefficient d'uniformité, la porosité totale, la porosité de la fraction fine et la porosité de la
fraction grossière. Par ailleurs, l'ajout des propriétés liées à la porosité donne en quelque
sorte des caractéristiques propres à la source.
L'effet de la teneur en eau est représenté dans le modèle à partir du degré de saturation, de
la teneur en eau et de la teneur en eau optimale. Quant à l'effet de la densité, il est
représenté par la masse volumique sèche ainsi que pour la masse volumique sèche
optimale. Le tableau 3-2 présente ces classifications.
41
Tableau 3-2 Caractéristique physiques pour le développement du modèle du MR,
Dans une première analyse, trente-trois échantillons différents des matériaux granulaires
non-liés ont été classés. Comme il a été déjà mentionné, ces données ont été obtenues avec
le même équipement, le même technicien, la même procédure LC 22-400 du Ministère de
Transports du Québec (2004). Le tableau 3-3 montre la base de données préliminaire pour
le développement du modèle de prédiction du MR où les valeurs de Gneiss, Calcaire et
Basalte ont été obtenues sur le matériau original, c'est-à-dire avant les reconstitutions
granulométriques.
42
Tableau 3-3 Base de données préliminaire pour le développement du modèle de
prédiction du MR
PROPRIÉTÉS DE BASE
TYPE DE SOL N. uses granulométrie teneur en eau densité
Cu n nf ne Sat mot w pdmax H
<%) (%) (%) (•/.) <V.) <%) (kg/m3) (kg/m3)
CS 1 SW-SM 47.2 17 8 76 24 96 49 8.4 2167 2175
CM 2 GW 417 17 82 21 r 81 57 7.2 2205 2185
ci 3 CW 32 182 92 20 89 48 8 2179 2166
(SI 4 SW-SM 15 6 203 93 22 90 59 97 2091 2103
*s as 5 GW 925 164 74 22 89 48 7.1 2251 2224
s
O ess 6 SW-SM 47 2 21.2 79 27 95 47 10.2 2119 2085
es 7 SW-SM 47 2 167 74 23 96 5 8.9 221.8 2167
CM 8 GW 41.7 173 82 21 85 57 8.2 2289 2173
©\
o
o
a 9 GW 32 181 92 20 88 47 84 2241 2151
c* u
csi 10 SW-SM 156 189 92 21 94 58 9.3 2193 2139
s '5
w CB 11 GW 925 159 73 22 93 62 75 2330 2208
«
■o •3 CSS 12 SW-SM 47.2 206 79 26 93 49 10.4 21% 2093
o
es 13 SW-SM 47.2 23 81 28 89 5.1 113 2359 2163
s CM 14 GW 41.7 212 86 25 74 63 91 2355 2220
a 15 GW 32 22.2 93 24 87 43 10 2304 2198
CSI 16 SW-SM 15.6 257 95 27 77 5.9 11 2227 2117
"ë! CIS 17 GW 92 5 193 77 25 100 51 9.6 2442 2280
1
m CSS 18 SW-SM 47.2 24.4 82 30 88 53 12.1 2275 2120
(.IH'isS 19 GW 35.8 17 6 82 21 84 57 7.7 2180 2168
Calcaire 20 GW 7.1 271 92 29 90 63 132 2050 1941
Basalte 21 GW 15.9 225 88 26 69 67 86 2211 2145
820605B 22 GP 33 15 85 18 97 58 80 2228 2260
830801B 23 SP-SM 32 14 60 23 89 65 7.9 2289 2180
:
840604B 24 GW 27 16 83 19 77 6.3 7.5 2271 2164
o
. o 850601B 25 SW-SM 50 18 69 26 90 71 86 1985 2141
-4» H 890702BI 26 SP-SM 35 17 72 24 88 71 9.0 2127 2120
U el
e CO 890702B2 27 SP-SC 62 20 81 25 90 5 1 10.5 2146 2063
Q 810404SB 28 GW-GC 117 17 69 24 84 5 83 2330 2145
M
V 820605SB 29 SP 23 19 92 21 84 61 90 2284 2132
9 830801 SB 30 SW-SM 44 13 55 23 99 5.5 7.6 2262 2249
9
FJ
a 840604SB 31 GW 52 17 77 22 84 85 87 2120 2138
8
mm 850601SB 32 GP-GM 87 16 63 25 86 5.8 7.2 2246 2194
JJ)
S 890702SB 33 3 36 84 43 75 13.1 17.0 1579 1686
CJ* SP-SC
MOYENNE 44 19 80 24 88 6 9 2206 2142
ECART TYPE 27 4 10 4 7 2 2 147 103
43
CHAPITRE 4
La régression linéaire multiple traite des données quantitatives et les analyses sont
effectuées par le critère des moindres carrées. Ce type de régression rattache une relation
fonctionnelle trop complexe par une fonction mathématique simple telle qu'une équation de
la forme :
En général, dans le cas d'un modèle à p variables de régression, le critère des moindres
carrées s'écrit :
n n
2
S(B0,...Bp) ^ ( l - Y , ) -- J > , 2 =Y j (Y l -B Q -B,X\ l -...B p Xp,f Équation 4-2
i=i J=I i=i
Pour résoudre ces systèmes, les mathématiciens ont développé le calcul matriciel, qui est
devenu l'unique moyen de réaliser la régression multiple. Ces théories ne seront pas
présentées dans cette mémoire.
44
4.2. Analyse statistique SAS
En ce qui concerne l'analyse statistique, le logiciel SAS 9.2 «Statistical Analysis System» a
été utilisé avec les procédures PROC CORR, PROC REG. L'annexe A illustre la syntaxe
des procédures suivantes selon le logiciel SAS.
La procédure PROC REG du logiciel SAS est utilisée pour produire une régression tant
simple que multiple. PROG REG suppose que toutes les variables dans le modèle sont
quantitatives. Les résultats sont résumés dans un tableau ANOVA pour le modèle entier
avec toutes les évaluations, les erreurs standards, etc.
Afin d'établir une équation pour le modèle de prédiction, des évaluations préliminaires
comprenant des matrices de corrélation et des analyses de régression ont été réalisées entre
les propriétés des sols et les paramètres de régression des lois constitutives décrites au
chapitre 2. Suite à cette analyse, les meilleurs résultats ont été obtenus avec l'équation de la
version préliminaire de la méthode d'essai LC 22-400 (2004).
45
Dans un premier temps, une estimation du MR à l'état saturé est faite à partir de l'état de
contrainte totale 0 et des constantes de régression cis et c2s. Cette valeur est bonifiée d'une
valeur AMR, fonction du degré de saturation, inspirée des études de Bilodeau (2009) et de
Doucet et Doré (2004). Ainsi, l'équation générale retenue pour le modèle d'estimation du
module réversible est la suivante :
Par ailleurs, «cis» représente la valeur de «a» et «c2s» la valeur de «b» de l'équation 2-15.
Dans le but de développer le modèle d'estimation du MR, une analyse statistique avec la
base de données du chapitre 3 a été réalisée (33 différents matériaux granulaires). Cette
analyse statistique à été réalisée à l'aide des procédures du logiciel SAS mentionnées dans
la section précédente.
46
RMSE : Erreur quadratique moyenne (RMSE),
Le RMSE est une mesure de la variation résiduelle moyenne entre les valeurs mesurées et
prédites de la variable dépendante, définie par l'équation:
_._,„ fL(Y-Yc) 2
RMSE = — — Equation 4-4
V nD-2
Où Y : la valeur de la variable dépendante mesurée,
Yc : la valeur de la variable dépendante calculée avec l'équation de régression,
Y : est la valeur moyenne des valeurs de Y.
R : Coefficient de détermination,
La valeur de R2 correspond au ratio de la variation expliquée par Y, soit £(Yc-Y )2, sur la
variation totale de Y, soit I(Y-Y ) 2 . Cette valeur de R2 est comprise entre 0 et 1 et plus la
valeur s'approche de 1, la prédiction est plus exacte, définie par l'équation:
E(7c-7)2^
R2 = Équation 4-5
X(T-T) 2
R: Coefficient de corrélation,
La valeur de R est la l'intensité du lien qui peut exister entre deux ou plusieurs variables
aléatoires. Ce coefficient est égal au rapport de leur covariance et du produit non nul de
leurs écarts types. Le coefficient de corrélation est compris entre -1 et 1, définie par
l'équation:
47
'Z(Y C -Y) 2 ^
R= R Équation 4-6
W-Y)2;
La valeur de R2 ajusté est une modification de R2 qui ajuste le nombre de motifs termes
dans un modèle. Contrairement à R2, le R2 ajusté augmente seulement si le nouveau terme
améliore le modèle plus que prévu par hasard. R2 ajusté n'a pas la même interprétation que
R . R ajusté est particulièrement utile dans la sélection d'entité stade de la construction de
modèles et est décrit selon l'équation suivante:
n—\
R 2 ajusté - 1 - ( 1 - i î 2 ) Équation 4-7
n—p —\
Où p : nombre total de variables explicatives dans le modèle linéaire,
n : taille de l'échantillon.
Dans le but d'identifier les variables explicatives étant le plus en lien avec les propriétés
mécaniques et les valeurs des constantes cis et c2s du modèle de prédiction, des matrices
des corrélations ont été calculées. En statistique, la corrélation est le lien existant entre
deux variables, une matrice de corrélation regroupe ces corrélations. Dans cette étude, les
matrices de corrélation ont été développées à l'aide de la procédure PROC CORR du
logiciel SAS. Le tableau 4-1 montre les matrices de corrélation de cis et c2s et les valeurs
des coefficients de corrélations obtenus.
48
Tableau 4-1 Matrice de corrélation, cis vs propriétés, c2s vs propriétés
[fieSat -0.20278
-0.15934
0.4486 1
0.1885 9
-0.15590
0.31003
-0.29992
-0.14783
0.84200
-0.40239
-0.03637
-0.32481
1
-0.25725
-0.25725
1
-0.61369
0.20630
-0.78092
0.32119
0.61267
-0.45265
0.86551
-0.15935
-0.12294
0.31495
-0.16095
0.00800
pdmax 0.10545 -0.1886 5 0.45892 0.18805 -0.58248 -0.10920 -0.61369 0.20630 1 0.85460 -0.75949 -0.60344 0.41620 0.75201
Pd -0.07049 -0.1144 S 0.44915 0.27866 -0.80839 -0.25245 -0.78092 0.32119 0.85460 1 -0.70525 -0.84016 0.42805 0.30451
wopt -0.16585 0.3048 9 -0.34921 -0.13474 0.51350 -0.02871 0.61267 -0.45265 -0.75949 -0.70525 1 0.52731 -0.29641 -0.53485
w -0.04536 0.0510 1 -0.41121 -0.29447 0.93372 0.34777 0.86551 -0.15935 -0.60344 -0.84016 0.52731 1 -0.42367 -0.05435
cu nf -0.23755 0.5532 9 0.98551 0.01193 -0.47181 -0.67470 -0.12294 0.31495 0.41620 0.42805 -0.29641 -0.42367 1 0.21332
pdmax_p 0.31501 -0.2184 9 0.26388 -0.01483 -0.06224 0.12390 -0.16095 0.00800 0.75201 0.30451 -0.53485 -0.05435 0.21332 1
Les constantes cis et c2s ont été obtenues en faisant une analyse de régression à l'état
saturé, à l'aide de la procédure PROC REG du logiciel SAS. Cette analyse a été réalisée
avec la base de données préliminaire.
Dans cette analyse, les variables explicatives pdmax/pd (ratio de la densité) et Cu/nf
(Coefficient d'uniformité sur porosité de la fraction fine) ont montré les coefficients de
corrélation les plus élevés. Le tableau 4-2 montre les équations trouvées d'après les
analyses des régressions pour cis et c2s. Les valeurs des constantes de régression cl et c2
obtenues selon les mesures de laboratoire (saturé, drainé et initial) se trouvent à l'annexe B;
les lettres «s» pour saturé, «d» pour drainé et «/» pour initial ont pour leur part été ajoutées
afin d'associer l'état dans lequel l'essai a été réalisé.
49
Tableau 4-2 Équations cis, c2s (état saturé), pour la base de données préliminaire.
Il est possible de constater que les variables explicatives montrant des coefficients de
corrélation élevés au tableau 4-1 ne sont pas toutes prises en compte au moment de réaliser
l'analyse de régression de cis et c2s. Cela est dû au fait que la corrélation se fait entre deux
variables, et la régression regroupe toutes les variables suggérées pour chaque constante de
régression. Donc, plusieurs combinaisons entre les variables explicatives choisies ont été
évaluées afin d'obtenir la régression la plus performante pour cis et c2s.
La figure 4-1 montre le MR prédit vs MR mesuré pour la base de données préliminaire. Dans
ce premier modèle une valeur de R2 plutôt moyen de 0,54 a été trouvée. Une Plus grande
dispersion des résultats a été constatée autour de la ligne d'égalité entre les valeurs prédites
et les valeurs mesurées.
50
\7* J, / +
+ .-.*+.* j.Tjr + 4- + +
De plus, une analyse du RMSE a été développée à l'aide du logiciel Origin Pro8, dans la
section statistique ANOVA. Le tableau 4-3 montre le coefficient de variation qui est une
mesure de la dispersion ou l'erreur moyenne, pour le modèle à 33 données à l'état saturé ce
coefficient est de l'ordre de 28.488%.
Données
Coeff Var RMSE
Moyennes
(%) (MPa)
(MPa)
28,488 132,37 464,67
Une vérification des données atypiques a été faite après l'analyse de régression afin de
trouver un meilleur modèle, c'est-à-dire un modèle ayant une valeur de corrélation R2 plus
grande et un RMSE plus bas, En conséquence, des données atypiques qui ont pu influencer
les résultats ont été identifiées. D'ailleurs, la procédure PROC REG utilise la valeur de
(RSTUDENT), cette valeur est basée sur le principe du résidu standardisé.
51
Cet indicateur évalue l'importance d'une observation (ou donnée) qui a participé à la
construction de la droite de régression. Les observations (ou données) dans un graphique de
Rstudent doivent être inférieures ou proche de |2|. La figure 4-2 montre que l'analyse de
régression de la base de données préliminaire présente des données atypiques, ayant une
valeur de RSTUDENT supérieure à |2|.
Afin de résoudre cette particularité, les données influentes ou les données isolées, comme
il vient d'être montré, doivent être identifiées. Une fois que ces données sont identifiées, il
est nécessaire de recalculer la régression en écartant une donnée isolée à la fois. Si les
résultats de la régression sont significativement différents en termes de prédiction ou de R2
estimés, il s'agit alors d'une donnée influente qui doit être extraite de la base de données.
Autrement dit, les points influents sont des données qui pèsent exagérément sur les résultats
de la régression et ils doivent être exclus.
3-
3_
1 - ° 8 o o
co 0 0 n 0 O °
ÛL 0- o cfo n 0
-1 -
-p o
I I I I I i 1 r
0.6 0.8 1.0 1.2 1.4 80 100 120
Valeur prédite Vgleurprédrte
(a) (b)
Figure 4-2 Données atypiques (a)=cls vs Rstudent (b)=c2s vs Rstudent, base de données préliminaire.
En ce qui concerne les matériaux granulaires exclus, quatre sont des matériaux GW et
quatre des matériaux SW-SM. Cependant, une des particularités trouvées dans la majorité
ces matériaux exclus est reliée au coefficient d'uniformité. Ces valeurs de Cu se trouvent en
bas de la moyenne qui est de 44, le tableau 4-4 montre les données exclues de la base de
données.
52
Tableau 4-4 Données exclus de la base de données préliminaire.
PROPRIÉTÉS DE BASE
Bilodeau (2009)
Calcaire a 9 GW 32 181 92 20 88 4.7 8.4 2241 2151
es 13 SWSM 472 23 81 28 89 5.1 11.3 2359 2163
Basalte csi 16 SWSM 15 6 25.7 95 27 77 5.9 j 11 2227 2117
Gn fiss 19 GW 35.8 : 17.6 82 21 84 57 7.7 2180 2168
Comme il vient d'être mentionné, un ajustement à la base de données a été fait et 8 essais
montrant des données atypiques ont été exclus. Ainsi, une nouvelle base de données ajustée
a été créée avec 25 essais au lieu des 33 essais disponibles initialement dans la base de
données préliminaire. En général les essais exclus correspondent à 6 essais des résultats des
études de Bilodeau (2009) et 2 essais de Doucet et Doré (2004).
La figure 4-3 montre qu'une fois l'ajustement de la base de données (25 MG) réalisé, il n'y
a plus des données atypiques. D ans la base de données ajustée, toutes les données du
graphique Rstudent se trouvent entre 2 à -2, ou très près de cette limite.
2
0 °
a
i
°." 1
o □
□
0 ï o
eu
0 11 o° a
Tl OS o o
0 o "I n Q
0 CO
W O Qj
m 1
a ° a
a o o"
1 □
o
O
0
2 o
o° I I I I 1 1
1 1 1 I
40 50 80 100 120 140
08 1.0 1.2 1.4
Valeur prédite
(a) Valeur prédite (b)
53
4.5.1. Base de données ajustée pour le développement du modèle prédiction du MR
PROPRIÉTÉS D E BASE
TYPEDESOL N. USCS granulome rie teneur en eau densité
Cu Cc n nf ne Sat «opt w pdmax Pi
Une fois que la base de données a été ajustée, une nouvelle matrice de corrélation a été
développée pour les constantes cis et c2s. Le tableau 4-6, montre les résultats des matrices
de corrélations pour les valeurs de cis et c2s.
54
Tableau 4-6 Matrice de corrélation, cis, c2s vs propriétés, modèle ajusté
En faisant une comparaison entre les résultats des corrélations de la base de données de 25
essais et la corrélation de la base de données de 33 données, il est possible de constater de
meilleurs résultats pour la base de données ajustée. Ceci est en accord avec le fait que,
comme il a été mentionné, les essais atypiques ont été exclus.
Une analyse de régression a été effectuée sur la nouvelle base de données ajustée. Le
tableau 4-7 montre les équations cis et c2s trouvées d'après ces analyses. La figure 4-4,
présente les résultats obtenus pour le MR prédit vs le MR mesuré.
55
Tableau 4-7 Équations cis, c2s (état saturé), modèle ajusté.
i dmax
c\s = -8.97620- 0.50796* + 0.02717*5,+7.72547*
al
< Pc, ) 0.7271 0.6552
-0.10661*w + 0.16825*w ,
opt
1200 -i ■ 1 ' r
Il est possible de vérifier que la capacité prédictive du modèle ajusté présente des
améliorations selon la qualité de la base de données, puisque les valeurs de R2 sont plus
hautes et le RMSE est plus bas. Le tableau 4-8, montre en effet que le RMSE pour ce
56
modèle à l'état saturé est 15.833%, soit environ la moitié de la valeur obtenue avec la base
de données préliminaire.
Données
Coeff Var RMSE
Moyennes
(%) (MPa)
(MPa)
15.833 71,54 451,823
L'objectif général de cette étude est d'obtenir un modèle d'estimation du MR pour les
matériaux granulaires canadiens. Cette estimation a été établie en tenant compte des
propriétés physiques des matériaux, de l'état de contrainte et des effets climatiques qui sont
liés au degré de saturation à partir d'une valeur AMR. La valeur AMR rend possible
l'obtention du MR à n'importe quel degré de saturation du matériau. Le développement de
cette valeur est vu à la section suivante.
Après l'analyse de régression, il est possible d'obtenir, pour chacune des variables utilisées
pour le calcul des constantes de régression cis et c2s, la valeur de p-value. Cette valeur
classifie la variable selon la réponse du modèle. L'interprétation de cette valeur se fait
typiquement comme suit :
Le tableau 4-9 présente les résultats obtenus après l'analyse de régression de p-value pour
les constantes cis et c2s. Dans ce tableau, toutes les valeurs se trouvent en-dessous de la
57
valeur (1/100> p-value : fort), c'est-à-dire que les valeurs sont significatives pour le modèle
de prédiction.
cis c2s
En ce qui concerne les propriétés choisies pour le modèle de régression, il est possible de
constater que le degré de saturation est inclu dans les constantes de régression cis et le c2s.
Cette valeur du degré de saturation est décrite dans la méthode d'essai LC 22 400, selon
l'équation :
(w - Abs)Gs
Sat = Équation 4-8
D'ailleurs, la figure 4-5, Sat - /(w) montre qu'il n'existe pas une relation linéaire entre ses
deux paramètres, R2=0,037. Alors, ils peuvent être considérés comme statistiquement
indépendants dans l'analyse de régression linéaire multiple faite pour le modèle de
régression du MR.
15 — I — 1 \ h 1 1 1 1
14
13
Fe=0,037 +
12 +
11
£ 10 +
+
+
» »: + +
~~~ +
f + +
8 ++
+ +
+ +
7 + + +
6
5
1 1 ■ 1
60 70 80 90 100 1 0
Sat(%)
59
Quant à l'erreur quadratique moyenne trouvée pour le modèle à l'état saturé (RMSE), une
valeur de 15.833% a été trouvée. Cela indique que, pour une estimation de MR de 250 MPa,
la vraie valeur pourrait être entre 210,45 à 289,58 MPa.
Dans la littérature, ils existent d'autres méthodes lesquelles il serait possible de trouver la
valeur de AMR. Dans cette étude, il a été jugé préférable d'utiliser les méthodes de Bilodeau
(2009) et Doucet et Doré (2004), parce que ces modèles ont été développées à partir de la
même base de données que celle utilisée dans ce projet de recherche.
Comme il a été mentionné à la section 2-3-4, Bilodeau (2009) a développé une méthode qui
permet de quantifier la sensibilité du MR en fonction des variations de la teneur en eau, de
la porosité de la fraction fine et de la contrainte totale. Selon les travaux de cet auteur, le
AMR est défini comme étant le produit de la pente S «slope» par l'écart du degré de
saturation selon l'équation suivante:
60
Où S-.pente (MPa 1%),
SR : degré de saturation (%),
SRSM • degré de saturation à l'état saturé (%).
La pente S est définie comme la relation linéaire assumée entre la variation de module et la
variation du degré de saturation.
Dans l'équation 4-10 il a été défini SR égal à 100%, cela parce que c'est la valeur trouvée
selon la littérature. Par contre dans les essais réalisés au laboratoire la valeur de saturation à
l'état saturé a été en moyenne de 88%.
Ce chercheur a démontré que les valeurs de S «slope» varient en fonction de nf, mais que
les valeurs des constantes de régression de la relation linéaire S=f(nf) varient aussi en
fonction de O. Cette relation linéaire prend la forme :
jMPa\
Équation 4-11
S\ \ = a xn f +b s
f
{ % )
61
0,5 -i—i—i—'—i—'—i—■—i—'—i—<—r
0,0-
-0,5
~cB -1,0-
a.
W -1,5
-2,0
-2,5 i 1—i—|—i—i—■—|—i—r—'—I—r"-|—■—i—■—r-
5 0 5 5 6 0 6 5 70 75 8 0 8 5 9 0 9 5
nf(%)
En substituant les valeurs de as et bs dans l'équation linéaire de base (équation 4-11), il est
possible de trouver l'équation générale de S suivante:
,(MPa\
0.00003 x 0 x nf + 0.0206 x n f - 0.0034089 x 0 - 2.022597 Équation 4-14
62
4.6.1.1. Résultats pour le modèle à l'état initial et drainé, Bilodeau (2009)
En utilisant la méthode de Bilodeau (2009) pour l'état initial et drainé, les résultats RMSE
ont été de 16,143% et 15.015%. Ces résultats se trouvent dans le même ordre de grandeur
que le RMSE trouvé pour l'état saturé, soit 15.833%. Le tableau 4-10, présente les résultats
pour l'état initial et drainé, selon cette méthode.
Tableau 4-10 RMSE M R prédit vs MR mesuré : état initial et drainé selon la méthode
Bilodeau (2009).
Données
Coeff Var RMSE
État Moyennes
(%) (MPa)
(MPa)
Initial 16.143 80.85068 500,84
Drainé 15,015 72,21404 480,96
La figure 4-7, présente le MR mesuré en fonction du MR prédit, pour les états initial et
drainé selon la méthode Bilodeau (2009).
(a) (b)
0 200 400 600 800 1000 1200 1400 0 200 400 600 800 1000 1200 1400
Figure 4-7 MR mesuré vs MR prédit à l'état initial (a) et drainé (b) selon la méthode Bilodeau (2009).
63
4.6.2. AMR selon la méthode développée par Doucet et Doré (2004):
Comme il a été mentionné à la section 2.3.4. D oucet et D oré (2004) ont développé un
modèle pour les matériaux granulaires qui relie le MR à la succion matricielle (ua-uw). Dans
ce modèle, pour une variation typique de degré de saturation de 20% à 90%, ils ont constaté
une correspondance à une succion matricielle de -15 kPa à 0 kPa. À l'aide du logiciel
OriginPro et selon les données de Doucet et Doré (2004), le modèle général reliant le degré
de saturation à la succion matricielle a été défini, tel que représenté à lafigure4-8.
100
Model Expl>c2
y ■ A1"exp(xrt1)
Equation ' * «*«p(*«) *
80
0,75118
Reduced Chi Sqr
a
<D 40
-m
20
• degré de saturation
ExpOec2Fit of Saturation
Une fois la figure construite, l'équation de la courbe caractéristique de rétention d'eau peut
être exprimée comme suit :
En utilisant la méthode de D oucet et D oré (2004), pour l'état initial et drainé, les résultats
RMSE ont été de 19,251% et 19.337%. Ces résultats sont en général plus hauts que l'erreur
RMSE trouvée pour l'état saturé de 15.833% (tableau 4-8). Le tableau 4-11, présente les
résultats pour l'état initial et drainé, selon cette méthode.
Tableau 4-11 RMSE MR prédit vs M R mesuré : état initial et drainé selon la méthode
Doucet et Doré (2004)
Données
Coeff Var RMSE
État Moyennes
(%) (MPa)
(MPa)
Initial 19,251 109,44679 568,53615
Drainé 19,337 92,04701 476,009
La figure 4-9, présente le MR mesuré en fonction du MR prédit, pour les états initial et
drainé selon la méthode Doucet et Doré (2004).
(a) (b)
Figure 4-9 MR mesuré vs MR prédit à l'état initial (a) et drainé (b) selon la méthode Doucet et Doré
(2004).
65
4.7. Conclusion calcul du AMR
Dans cette section, le calcul du AMR a été réalisé en utilisant deux méthodes : Bilodeau
(2009) et Doucet et Doré (2004). Il a été trouvé que la méthode Bilodeau (2009) semble
répondre mieux à notre base de données; c'est ainsi que pour l'état initial et drainé, les
RMSE ont été respectivement de 16,143% et 15.015%. Par contre, selon la méthode Doucet
et Doré (2004) à l'état initial et drainé, les résultats RMSE ont été respectivement de
19,251% et 19.337%. Cette différence est dû probablement au fait que dans leur méthode,
Doucet et Doré (2004) n'incluent pas l'état de contraintes. De plus, la méthode de Bilodeau
(2009) permet de discrétiser le comportement en fonction du %F.
De plus, alors que le modèle de Doucet et Doré a été développé avec les matériaux
provenant uniquement du C-LTPP, le modèle de Bilodeau (2009) a été développé avec
matériaux provenant des 2 études (Bilodeau (2009) et Doucet et Doré (2004)).
66
CHAPITRE 5
VALIDATION DU MODELE
Afin de valider le modèle proposé, une base de données indépendante a été tirée des
données recueillies dans le cadre du programme américain SHRP «Strategic Highway
Research Program». Cette base de données a été évaluée avec le modèle de prédiction
développé au chapitre 4. Toutefois, les résultats ont présenté une imprécision significative;
cet écart a ainsi été analysé et interprété à partir de deux différences, ce qui a contribué à
améliorer les résultats.
Les résultats d'essais obtenus pour quarante différents matériaux granulaires de provenance
diverses aux États-Unis et au Canada (Saskatchewan), montrés en carrés rouges, ont été
recueillis pour la validation du modèle de prédiction du MR développé au chapitre 4.
Etats
Arizona
Alaska
Colorado
Hawaii
Idaho
Kanzas
Kentucky
Michigan
Minnesota
Montana
South dakota
Wisconsin
Saskatchewan
Figure 5-1 Carte d'emplacement des matériaux utilisés pour la validation, programme SHRP.
67
Le tableau 5-1 présente la base de données extraite pour la validation du modèle de
prédiction du MR. Dans cette base de données, chacun des échantillons est identifié avec un
numéro SHRPID, le type de couche, le code d'état et les propriétés liées à la
granulométrie, la teneur en eau et la densité. C'est ainsi que pour l'utilisation du modèle, il
a été nécessaire de calculer des valeurs comme la porosité «n», la porosité de la fraction
grossière «nc», la porosité de la fraction fine «nf» et la saturation «Sat» à partir de la densité
des grains et du pourcentage de fines.
PROPRIETES DE BASE
Cu R nf nc Sat wopt w P«
(S) t") 1%) Kg/m3 Kg/mî
1 BASE 4 0161 71 20 79 25 67 6 6.2 2243 2128
2 BASE 4 0120 61 22 80 27 46 5 4.8 2243, 2072
3 BASE 4 0118 66 19 76 25 59 5 5.3 2243 2143
4 SUBBASE 6 8534 10 24 78 31 54 7 6.5 2098 2013
5 SUBBASE S 1053 84 22 76 29 57 6 6 2146 2069
6 BASE 15 7080 31 24 89 27 62 7.5 7.2 2178 2023
7 BASE 16 1005 34 24 78 31 63 S 7.5 2098 2011
8 BASE 20 0109 116 20 73 28 61 6 5.9 2227 2112
9 BASE 21 1010 73 19 72 27 40 6 3.6 2291 2140
10 BASE 26 1012 41 27 83 32 30 6 4.1 2211 1944
11 SUBBASE 26 1013 3 41 90 45 60 16 15.5 1666 1575
12 SJBBASE 26 1013 3 38 8? 44 52 12 12.2 1730 1634
13 BASE 36 1013 22 25 93 27 38 6 4.7 2227 1995
14 BASE 26 1013 21 25 86 29 31 6 3.9 2195 1985
15 BASE 26 0117 114 19 73 26 70 6 6.1 2291 2153
16 BASE 26 0159 3 38 94 40 60 14 14 1746 1639
17 SUBBASE 26 1010 S 27 85 32 51 9 7.1 1858 1934
18 BASE 26 1001 31 20 81 25 38 6 3.6 2243 2113
19 BASE 26 1001 23 20 80 25 34 6 3.2 2195 2115
20 BASE 26 1004 33 18 75 24 69 6 5.6 2307 2179
21 BASE 27 1019 26 20 75 27 33 6 3.2 2275 2110
22 BASE 27 1018 26 24 82 29 51 7 6.1 2195 2011
23 BASE 27 1018 23 25 81 31 49 6 6.3 2211 1980
24 BASE 27 6251 13 23 77 30 43 9 5 2163 2031
25 BASE 30 0121 71 16 73 22 76 6 5.6 2291 2216
26 BASE 30 0113 72 18 73 25 67 6 5.5 2259 2177
27 BASE 46 9197 29 2» 77 32 63 7 7.6 2195 2007
28 BASE 46 9197 35 24 78 31 M 7 7.7 2179 2007
29 SUBBASE 55 0122 40 16 68 24 59 5 4.4 2259 2213
30 SJBBASE 55 0122 28 23 75 30 52 6 5.7 2195 2053
31 SUBBASE 55 0122 30 26 87 29 61 8 8 2082 J967
32 SUBBASE 55 0122 32 23 84 27 53 6 5.9 2179 2048
33 BASE 55 0122 31 22 77 28 47 5 5 2243 2070
34 BASE 55 0113 55 21 72 28 51 5 5 2275 2104
35 BASE 55 0113 55 17 68 24 74 6 5.5 2259 2213
36 SUBBASE 55 0116 35 19 75 25 63 5 5.6 2243 2147
37 BASE SS 0120 49 18 74 25 77 6 6.6 2243 2160
38 BAS- SO 6405 41 20 73 28 37 6 3.6 2275 2110
39 BASE 90 6405 36 17 70 24 77 6 5.9 2275 2201
40 BASE 90 6410 18 23 76 30 70 S 7.9 2131 2042
Ma» 116 41 94 45 77 16 16 2307 2216
Min 3 16 68 22 30 5 3 1666 1S75
' Moyenne 40 23 79 29 55 7 6 2171 2046
Écart type 27 6 7 5 13 2 3 154 146
68
5.2. Analyse de la validation du modèle
Dans cette figure, il est possible de constater un important écart systématique entre le MR
prédit et le MR mesuré qui sera expliqué dans la section suivante. Le tableau 5-2 montre que
le RMSE du modèle de validation à l'état saturé est de 74,15%.
Données
Coeff Var RMSE
Moyennes
(%) (MPa)
(MPa)
74,15 309,6 417,6
69
5.3. Analyse de l'écart trouvé entre le M R prédit et le M R mesuré
Les résultats du MR mesuré vs MR prédit présentent un écart significatif. Dans cette section,
cet écart sera expliqué selon deux principales différences : les méthodes d'essais utilisées et
l'effet de la saturation des éprouvettes au moment de réaliser l'essai.
Dans ce projet de recherche, deux bases de données ont été utilisées (Bilodeau, Doucet et
Doré). Les données extraites pour le développement du modèle de prédiction du MR ont été
obtenues suite à la réalisation d'essais suivant la méthode LC 22 400 du MTQ et les
données extraites pour la validation ont été obtenues suite à la réalisation d'essais suivant
la méthode LTPP P46 du programme SHRP.
L'étude de Ping et coll. (2003) a été réalisée sur des matériaux granulaires A-3(SP) et A-2-
4 (GM, SM) (Classification AASHTO) de la Floride. Ces chercheurs ont conclu que les
positions des capteurs LVDT affectent le MR. La figure 5-3 montre les trois différentes
positions typiques pour ces capteurs: position 1 (10,3 cm d'espacement, directement sur
l'échantillon), position 2 (20,3 cm d'espacement, directement sur l'échantillon) et la
position 3 à l'extérieur de la cellule.
70
EXTERNAL LVDT POSITION 3
TEST SPECIMEN
MIDDLE LVDT
(10.3-cmLVDT) POSITION 1
LVDT CLAMPS
Le tableau 5-3 présente le ratio moyen du MR pour les positions 1, 2, et 3 des capteurs
LVDT établies dans ce projet de recherche.
71
Dans le dernier tableau la valeur du ratio MR (3,1 ) représente le ratio du MR entre la position
3 et la position 1, selon la figure 5-3. Par exemple, pour une pression de confinement de
34.47 et un sol A-3 la valeur du ratio du MR entre les positions 3 et 1 est de l'ordre de 0.60.
72
Tableau 5-4 Résultats de laboratoire selon la position des capteurs LVDT
73
Tel qu'il a été présenté auparavant, un ajustement du MR a été réalisé en ajoutant le AMR,
selon la méthode Bilodeau (2009), présenté à la section 4.6.1 pour le modèle de prédiction.
Cette méthode permet de quantifier la sensibilité du MR en fonction des variations de la
teneur en eau, de la porosité de la fraction fine et de la contrainte totale. L'ajout du AMR, a
permis de ramener les données de la validation sur une base saturée.
5.3.3. Résultats
Après les ajustements décrits aux sections 5.3.1 et 5.3.2, une meilleure correspondance est
observée pour la base de données de la validation entre le MR mesuré et le MR prédit, tel
que présentée à la figure 5-4.
600
modèle corrigé
Le tableau 5-6, montre que le RMSE du modèle de validation, après les ajustements
réalisés, est 42.99%.
74
Tableau 5-6 RMSE MR prédit vs MR mesuré modèle de validation.
Données
Coeff Var RMSE
Moyennes
(%) (MPa)
(MPa)
42,99 118,8 237,7
Il est possible de constater que même après l'ajustement, il existe des différences
résiduelles entre les données. La figure 5-4 montre une tendance avec un biais et un
phénomène de données disparates.
Il est possible penser de que d'autres facteurs peuvent expliquer cette différence, mais que
ceux-ci sont plus difficiles à mesurer ou quantifier, entre autres : les essais du programme
SHRP ont été effectués par différents laboratoires, différents techniciens et les techniques
d'échantillonnage étaient possiblement différentes ou variables.
75
CHAPITRE 6
ANALYSE ET DISCUSSION
76
Donc, cette recherche a permis de démontrer l'influence des propriétés physiques des
matériaux granulaires sur le MR. L'inclusion du AMR a été un défi important à surmonter.
Ce paramètre offre la possibilité aux usagers d'utiliser le modèle de prédiction à n'importe
quel degré de saturation. Dans la vie pratique, le modèle pourrait être utilisé à n'importe
quelle saison en faisant un lien avec le degré de saturation.
Cependant, des problèmes peuvent surgir quand le modèle développé est utilisé ailleurs sur
des sols différents. Ce phénomène a été étudié au chapitre 5 (Validation) où le modèle
présente un important écart d'estimation entre le MR prédit et le MR mesuré en utilisant une
base de données externe. Cet écart a été expliqué en partie par deux principaux facteurs,
soient les différentes positions des capteurs LVDT et l'effet de saturation des éprouvettes.
D'autres raisons pourraient également expliquer cet écart, mais seulement ces deux
différences sont réellement quantifiables. Pour valider le modèle proposé, il aurait été
préférable d'avoir une base de données de matériaux granulaires représentatifs du Canada,
dont le module réversible aurait été évalué avec la même méthode d'essai; toutefois, ces
données n'étaient pas disponibles.
Il est connu que le trafic et le climat représentent les principaux facteurs de dégradation des
chaussées. Les dégradations se présentent sous différentes formes et peuvent occasionner
une perte structurale importante à la chaussée. Pour cela, la fondation et la sous-fondation
77
sont utilisées afin de distribuer les contraintes sur le sol d'infrastructure. La fondation
donne à la chaussée la résistance mécanique aux charges verticales induites par le trafic.
Cette couche répartit les pressions sous la sous-fondation, ce qui assure la distribution des
charges sur le sol d'infrastructure et ainsi d'y maintenir les déformations dans les limites
admissibles. Ceci est relié au Nf et Np, nombre de passages admissibles à la fatigue et
nombre de passages admissibles à l'orniérage, fonction des déformations à l'interface
structure de base / fondation et sous fondation / sol d'infrastructure.
Fatigue
Sous-
Fondation
Orniérage
Sol
D'infrastructure
78
Ensuite, la structure mentionnée a été analysée à l'aide du logiciel Chaussée2. La figure 6-2
montre les résultats des modules réversibles effectifs (MPa) obtenus.
lotsi^lBl âa! i? l
| Segment homogène Obiectifs Climoi
; j x ISJO P SWSÊGSï |
Ainsi, la valeur du M« effectif pour la couche de fondation selon le logiciel chaussée2 est
de 144 MPa à une contrainte appliquée de 51,05 kPa. À partir du modèle développé, des
valeurs de MR entre 121 MPa et 202 MPa ont été trouvées pour cette contrainte.
.«x0.854
N , = 0.0796 x e'* 2V,(145 x E ) Équation 6-1
jV p =1.365xlO--y9(£
/ „ )\-4.447
c Équation 6-2
Où : et : déformation en traction,
ec : déformation en compression,
E* : Module réversible MPa.
79
La figure 6-3, montre la variation du nombre de passage admissible en fatigue en fonction
du module réversible de la fondation. Les points représentent les divers matériaux de
fondation disponibles dans la base de données sauf le point encercle qui représente la valeur
trouvée à l'aide du logiciel chaussée 2.
II est possible de voir clairement que le Nf peut varier entre 1 et 1.9 millions si les
caractéristiques physiques des matériaux granulaires sont considérées pour le calcul du
module réversible. La différence est donc significative en comparaison avec l'utilisation de
valeurs par défaut.
n—■—i—i—r
2,0
£ 1,2
*r 1,0 121-202
~> v
0,8
120 140 160 180 200
MR Fondation (MPa)
80
45-r- i—■—i—'—i—'—i—'—i—■—F—■—i—'—i—■—r
g 40
Logiciel Chaussée 2
Ë MR= 144MPa
g 351 Np=27,4l
m 2543
m
0
c :*> •••
o
è 251 121-202 v :
<~
20
"Î20 140 160 180 200~
M? Fondation (MPa)
Comme il a été mentionné, l'essai de module réversible doit être exécuté en utilisant une
machine triaxiale hydraulique, laquelle ne se trouve pas dans tous les laboratoires de
géotechnique.
C'est dans ce contexte qu'un modèle d'estimation fiable et robuste permettant d'estimer le
MR des matériaux de chaussées est particulièrement souhaitable. Un tel modèle, comme
celui qui a été proposé, nécessite tout de même l'obtention de certaines données générales
sur le matériau pour lequel une estimation du MR est nécessaire. Ainsi, le tableau 6-1
montre une quantification générale, selon les essais à réaliser avec l'utilisation du modèle
de prédiction vs l'essai du MR.
81
Tableau 6-1 Quantification d'essais du laboratoire à réaliser pour la estimation du MR
vs l'essai triaxial
Proctor
Densité de grains
Cette comparaison montre une grande différence de coûts en ce qui concerne l'utilisation
du modèle de prédiction pour l'obtention du MR par rapport à la réalisation d'un essai
triaxial. Néanmoins, les essais Proctor, de granulométrie et de densité de grains sont des
essais standards généralement toujours réalisés sur tous les matériaux de chaussées au
moment de la construction. Alors, pour utiliser le modèle, toute l'information est déjà
disponible dans la majorité des cas, sans avoir à réaliser d'essais additionnels.
Dans cette première approche d'estimation du MR, des analyses liées à la morphologie,
forme et texture des particules ont été prises en compte d'une faç-on indirecte. Autrement
82
dit, les bases de données utilisées pour le modèle de prédiction ont fait intervenir l'effet de
granulométrie (base de données Bilodeau 2009) et l'effet de la source (base de données
Doucet et Doré 2004) qui sont des facteurs très influents sur le MR. Il serait souhaitable
d'ajouter au modèle des données liées à la forme, l'angularité et la rugosité des granulats,
afin d'évaluer le mieux possible le comportement du matériau.
En général, des essais simples comme l'essai UVC (Uncampacted Void Content) pour les
gros granulats et les granulats fins, ainsi que l'essai du coefficient d'écoulement pour les
granulats fins, pourraient être analysés pour inclure l'effet de ces importants facteurs.
Le résultat de l'essai UVC sur les granulats fins mesure le pourcentage des vides dans le
matériau mis en place dans un moule sans compactage, il est simple, rapide et précis. Ce
résultat dépend aussi de leur morphologie (forme et angularité) plutôt que de leur rugosité,
puisque la friction entre les particules d'un matériau non compacté est réduite. Par contre,
l'essai du coefficient d'écoulement combine l'effet de la forme, du nombre et de l'état des
arêtes (tranchantes ou arrondies), ainsi que de la rugosité de surface. On peut donc classifier
les granulats fins à l'aide de ces deux essais.
83
CHAPITRE 7
CONCLUSION
Ce modèle de prédiction est une approximation très intéressante et simple, puisque dans
le but de trouver la valeur du MR, il permet d'éviter la réalisation d'un essai triaxial
cyclique complexe et coûteux en ne réalisant que des essais standards.
84
Le modèle linéaire d'estimation est le plus adéquat, cela parce qu'il donne des meilleurs
corrélations.
L'utilisation des valeurs par défaut du MR implique une erreur pour les valeurs de Nf et
Np (nombre de passages admissibles à la fatigue et à l'orniérage).
85
BIBLIOGRAPHIE
Abu-Farsakh, M., K. Alshibli, M. Nazzal, and E. Seyman,. 2004, Assessment of In Situ Test
Technology for Construction Control of Base Course and Embankments, Final
Report No. FHWA/LA.04/385, Louisiana TransportationResearch Center, Baton
Rouge, May 2004.
Asphalt Institute 1981., Asphalt Pavement Thickness Desing., Information Series No. 181.
ASTM American Society for Testing and Materials., D2844 - 07 Standard Test Method for
Resistance R- Value and Expansion Pressure of Compacted Soils.
Berg, R.L., S.R. Bigi, J.A. Stark, et G.D. Durell., 1996. Resilient Modulus Testing of
Materials from Mn/Road Phase 1, Minnesota Road Research Project. CRREL
Report 96-19, U.S. Army Cold Regions Research and Engineering Laboratory,
Hanover,
Brown, S., 1997., Achievements and challenges in asphalt pavement engineering, ISAP- 8th
international conference on Asphalt Pavements, Seattle.
Burmister, D. M., 1945. The General Theory of Stresses and Displacements in Layered
Systems (I, II et III), Journal of Applied Physics, 16 : 89-94, 126-127, 296-302.
Chai, G. and N. Roslie, 1998, The Structural Response and Behavior Prediction of
Subgrade Soils Using Falling Weight Deflectometer in Pavement Construction,
Proc, 3rd International Conference on Road and Airfield Pavement Technology,
Beijing, China.
Dawson, A. 2001. Granular Pavement Layer Materials...Where are we? ARRB Workshop,
Melbourne, Australia, 20 p.
Doucet, F. et Doré, G., 2004. Module réversible et coefficient de poisson réversible des
matériaux granulaires C-LTPP. In Proceedings of the 57th Canadian Geotechnical
and 5th Joint IAH-CNC and CGS Groundwater Specialty Conferences CD-Rom,
Québec, Québec.
Elliot, R.P., S.L Thorton, K.Y.Foo, K.W. Siew, et R. Wood-bridge., 1988. Resilient
Properties of Arkansas Subgrade. Final Report, TRC-94, Arkansas Highway and
Transportation Research Center, University of Arkansas Fayetteville.
Farrar, M.J. et J.P. Turner., 1991. Resilient Modulus of Wyoming Subgrade Soils, MPC
report No. 91-1, Mountain Plains Consortium, Fargo, N.D.
George, K.P. and W. Uddin, 2000, Subgrade Characterization for Highway Design, Final
Report, University of Mississippi, in cooperation with the Mississippi Department of
Transportation, U.S Department of Transportation, and Federal Highway
Administration, Oxford.
Hassan, A., 1996, The Effect of Material Parameters on Dynamic Cone Penetrometer
Results for Fine-grained Soils and Granular Materials, Ph.D. dissertation,
Oklahoma State University, Stillwater, 1996.
Hicks, R. G., and Monismith, C L. 1971. Factors influencing the resilient properties of
granular material. Transportation Research Record 345, Transportation Research
Board, Washington, D.C, 15-31.
Hight, D W and Stevens, M G H , 1982, An analysis of the California Bearing Ratio test in
saturated clays, Géotechnique, 32, No. 4, 315-322.
Hudson, J.M., E.C. Drumm, et M. Madgett., 1994. Desing hand-book for the Estimation of
Resilient Response of Fine-Grained Subgrades. Procedings of the 4th International
Conference on the Bearing Capaciy of Roads and Airfields, University of
Minnesota, Minneapolis, Vol.2, pp. 917-931.
Jones, M.P. et M.W. Witczak., 1972. Subgrade Modulus on the San Diego Test Road.
Transportation Research Record 641, Transportation Research Board, National
Research Council, Washington, D.C, 1972, pp. 1-6.
88
Lekarp F., Isacsson U. et Dawson A., 2000. State on the Art. I : Resilient Response of
Unbound Aggregates. Journal of Transportation Engineering, 126(1): 66-75.
Li, D. et Selig, E.T, 1994. Resilient Modulus for fine grained Subgrade Soils. Journal of
Geotechnical Engineering, Vol. 120, No.6, 1994, pp. 939-957.
Loach, S C, 1987, Repeated loading of fine grained soils for pavement design, Ph.D. thesis,
Univ. of Nottingham, 1987.
Malla, R.B. et S. Joshi, 2006, Establish Subgrade Support Values for Typical Soils in New
England, Report No. NETCR 57, New England Transportation Consortium, Fall
River, Mass.
Mohammad, L. N., et Puppala A. J., Alavilli P., 1994. Effect of Strain Measurements on
Resilient Modulus of Sands. Dynamic Geotechnical Testing II, ASTM Special
Technical Publication 1213 (R. J. Ebelhar, V. P. Drenvich, and B. L. Kutter, eds.).
ASTM Philadelphia, Pa.
NCHRP, synthesis 382., 2008, Estimating stiffness of subgrade and unbound materials for
pavement desing. Transportation Research Record 1022, Transportation Research
Board, Washington D.C.
NCHRP, Synthesis 382., 2008, Estimating Stiffness of Subgrade and Unbound Materials
for Pavement Desing, National Cooperative Higghway Research Program.
Odemark, N., 1949. Investigation as to the Elastic Properties of Soils and the Design of
Pavements According to the Theory of Elasticity. Report 77, National Swedish Road
and Traffic Research Institute, Linkoping, Sweden.
Pan, T., Tutumluer, E., et Anochie-Boateng, J., 2006. Aggregate Morphology Affecting
Resilient Behavior of Unbound Granular Materials. Department of Civil and
Environmental Engineering, University of Illinois. Journal of the Transportation
Research Board, No. 1952, Washington, D.C, 2006, pp. 12-20.
Pezo, R. F., Claros, G., Hudson, W. R., et Stoke, K. H., 1992. Development of a reliable
resilient modulus test for subgrade and non-granular subbase materials for use in
routine pavement design. Rep. 1177-4f, Proj. 2/3/10-8-88/0-1177, Ctr. for Transp.
Res., Bureau of Engrg. Res., University of Texas, Austin, Tex.
89
Pezo, R.F. et W.R. Hudson., 1994. Prediction Models of Resilient Modulus for
Nongranular Materials. Geotechnical Testing Journal, Vol. 17, No.3, 1994, pp.349-
355.
Ping, W.V., Xiong, W., Yang, Z., 2003. Implementing Resilient Modulus Test for Design of
Pavement Structures in Florida. Research Report No.: FL/DOT/RMC/BC-352-6(F,
Department of Civil & Environmental Engineering Florida A&M University -
Florida State University.
Rahim, A. M. and George, K. P. 2005. Model to estimate subgrade resilient modulus for
pavement design. International Journal of Pavement Engineering, 6(2): 89-96.
Salgado, R. and S. Yoon., 2003, Dynamic Cone Penetration Test for Subgrade Assessment,
Research Report HWA/IN/ JTRP-2002/30, Purdue University, West Lafayette, Ind.
Thompson, M. R., and Robnett, Q. L., 1976. Final report, resilient properties of subgrade
soils. FHWA-IL-U1-160, Univ. of Illinois, Urbana, 111, June.
Thompson,M. R., et Robnett, Q. L., 1979. Resilient properties od subgrade soils. J. Transp.
Engrg.,ASCE, 106(1), 71-89.
Thompson M., 1989. Facteurs Affecting the Resilient Moduli of Soil and Granular
Materials. Proc. Workshop on Resilient Modulus testing, State of Practices, Oregon
State, University, Corvallis.
Tian, P., Zaman M. M., et Laguros., J. G. 1998, Gradation and Moisture Effects on
Resilient Moduli of Aggregate j3ases,Transportation Research Record: Journal of
90
the Transportation Research Board, No. 1619 , Transportation Research Board of
the National Academies,Washington, D.C, 2007, pp. 75-84.
Titi, H., B. Elias, and S. Helwany., 2006, Determination of Typical Resilient Modulus
Values for Selected Soils in Wisconsin, SPR 0092-03-11, Wisconsin Department of
Transportation, University of Wisconsin, Milwaukee, May.
U.S. Army Corps of Engineers (1953). "The Unified Soil Classification System," Technical
Memorandum 3-357, Waterways Experiment Station, Vicksburg, MS.
Vanapalli, S.K., Fredlung, D.G., Pufahl, D.E., 1999, The influence of soil water
characteristics of a compacted till, Géotechnique 49, No. 2, 143-159.
Yoder, E.J., and Witczak, M.W. (1975). Principles of Pavement Design, John Wiley and
Sons, New York, NY.
Zaman M., Chen D.-H. et Laguros J.G,. 1994. Resilient Moduli of Granular Materials.
Journal of Transportation Engineering, 120(6): 967-988.
Zhang, Z.J., Y.M. Abu-Farsakh, and L. Wang, 2004. Evaluation of Trench Backfill at
Highway Cross-Drain Pipes, Presented at the 83rd Annual Meeting of the
Transportation Research Board, Washington, D.C, Jan. 11-15.
91
ANNEXE A
SYNTAXE DES PROCEDURES PROC CORR ET PROC REG
DU LOGICIEL SAS.
BY variables;
FREQ variable;
92
ID variables;
PARTIAL variables;
VAR variables;
WEIGHT variable;
WITH variables;
93
ANNEXE B
LES VALEURS MESURÉES AU LABORATOIRE POUR LES
CONSTANTES Cl ET C2, À L'ÉTAT INITIAL, DRAINÉ ET
SATURÉ.
94
Modèle LINEAIRE
TYPEDESOL N. USCS initial saturé drainé
cl c2 cl c2 cl c2
95
ANNEXE C
RESULTATS LOGICIEL SAS
96
Le Système SAS 16:41 Tuesday, Harch 23, 2010 1
Procédure REG
Modèle : tlOOELI
Vari ab1e dépendan te : cis
Analyse de variance
P r o c e d u r e BEG
fedèle : MOOtl l
V a r t a b l a dépendante : cis
A n o l y M da v a r i a n c e
Valour* M t l f t é e * d s * paramétre*
97
Le Système SAS 08:38 Friday, February 5, 2010
Procédure REG
Modèle : M O D E M
Variable dépendante : cis
Ana 1 y s e de K/ar i a n c e
Procédure REG
Modèle : M0DEL1
Variable dépendante : c2s
Analyse de variance
98
ANNEXE D
FEUILLE DE CALCUL N F , N P
99
■
at
M
.=£
— ■ oo 0 ' 00 ' 00 r ri \Û rr r f
'
i CTs OO ' \ 0
OC
t
i
3
r
«»
r
<o
—
oo
.
1
o
«/",
r '
rl
m
rn t?_ 1 O l în
n S Z 1 00 00
r
L ^_
0
r r CT
r . r
r 1 00
r'
ri
IA
c
O
r'
oi o"
rt
¥1
ri
.
|
CT"
ri
—11
m
m
m
00". 10 . —*
m | m | m =: °
3 C
ri m
CT>"I JO
ri ri rr m
« n i so
tN ri
r r " . 00"
fN | r i
Ç r.
TD
u —— 1 "
——
~ 1 " I
~ " 1f
— ——
1
rl.
B, r i •O ri r m 0 C fr CT ■ m rj I m
o ç SIS; r? g 00
— , m
0
or— 1
. oo
§1*3
3i M fN m m r I o I m ri
CTn —
m CT rT 0 1 ri
< x:
u
££
C en
s!s o l o l o CT
o o o 1 o O 0 Q O O O O O O 1 0
u *•* i m r — r | r m 00
R
m]
m
■gp r" fr
r * r ■— . O O i A 0
■^■"1 <J*~ r f i CT*
i n i o
00
=: f! f i Si?! rî I ri I r i f! M s" s' rJ r i aiii
rM
fN
ri rt
^c S
_ — ♦ ■ . . . — — I + 1
h H
— _ _ _ 4
i
U
0 0 1 0 00
S S S'8 S S S S S 8
i l * "*" rf 8 f i S " i 2 * CTh> — rl %'$ s!s
3£ <n
f• n rM
■o r fn \0 . — I A ' f O n *. r ri r n CTi_ r r ' 0
OC r f . o* T' rn ' 0" •0". r f in
t 2"
S R c i n'a
rg
i ri rn I M
^ î | rl — ?i ^ r4 tw | r 4 r4 | r N r i fN fN
■M I N
a»
c
î
S
!C T i>
r
rr i m
r N ■ •a
00 m
m 1 r
O l D O I vD
s? C
'/i
CT ^r
rr g m
ri
0
r
m
0 00
(N | f n
— 1 ri
<N ■ r r 5
TH
C W,
OC
rl oc i s'S SiE
r ■
■** 1 3t 1 !Q .JC
a
i n
o% si§ m
8
'O
S >n r—
r 1 t 'r. 1
O CT I
— 1 r 1
.
Jû
(O
I
OO" ' —1 ' — " ri s ■■ 1 C 1
J
1 K 1 ri" r* r r ' l CT"
oc s S ,§ Sf'S — 1 0
S s 00 ' 00
CT"
m 0
SO ■ i n
1—
£
1—
.1 L 1 1 L
1
o r 1 00 H
UJ
ae T s r f 1 oo
r m
s© | oo
00 1 CT
rs_ rs
& 3 ^ ri
Or
s r i . **n
rt 1 —
fN 0_
n
rr Ti
0
00
CT
rf , in
0 1 m
<N_ i n •n in M
O. CT a»
o' o' o" o
rn 1 rn | 0 ! '■' 1
O . <3\ O l ^ l
S
T
BD
f)
r**
"~. ' o CT r i n i
00" 1 00" c r
« n | 0
r — _
cr"
0 ^ ! <N
CT. 1 —
m 1 q
OO" 1 t—* O i g
H. a r
*** —
oo | r M | r i _ | Cf\ m m — f\
.°°
m | r sô in — 1 —
m *~~
■•j' wf rr" rr" " | <n in ^o" T T * ••O ■■f i n " | un •O* so* • n | so" r" in"
l 'r, »n rr n r 1 ri oc 0 1 0 —
r
in O m
ar. r i \ oo ■0 r m 1 0 1 Q S 00
"S. f!
\>
r i Ci
ajs fN 1 fN
— ■ ri ' 0
r< r 1 ri ri CTS . 2
«N ri 1 f N
312;
, < N ff N
N 1
■ —
ri
f N '. Sr i 1
!2
*< [
O
tr\
O
—
»■=
i CT 00 ' Os
• 0 , OO
f n 1 CD 1 0
O 1 m t j '
in
3 rl ' »n O |
un 1 •—■
00 ' CT
f N . OO
r ■ o
— _( N H
1 r i ri
N ri [ ri
n 1 ri
ri ri
1
— m —
ri | r N | ri ri CN S'a O
r i | (rNi
r i 1 fN
(N ri <N |
a c? ac
o • m JP t IO T ' m 1 m •«r oc i!§g 0 1 0* r , CT OO 1 Q
KO oo CT CT 1 OO CT s© CT 1 00 OO CT
r i . o — 1 fN N . r .ce 0 ■"n , Q
CD ■*«
IO f*» m | — «n ri § 'r, S'S! m Q Q 1
«n 1
Q
r oT
§,8
\J> •/I r* (N r* «n i 0 inn r00
I wi
— r r rr S m
W r.'<"l f«
n " '1 «
rr" ■
CT. 1 JD
UJ o" O ' 1 — ' l \Q r' r r ' Os" Os i >n r" m" I
sfc ri tf'8" ( N i r"ï ri ' n ■ ri ri n' fN i (N <N ' rl — ■ ri fN ' f^l 1
— 1 m rr 1
QC
r
O m
O , r
f N 1 CT « l a1— i nf i
CT
c:
F
0
»n
00 . r
r CT
O ,
r 1
so
r
ri 1 in 1
a. r ? r | m — ri O l r_
CT^| SB T r^, mm 0 1 00 rr 0 CT 1 3 ^
O 'r*\
«ri r n CT* ef fN r f 00" rn r" 1 r f ri" r" n"i CT* —* 0 tm
oe
E
oo r i r rT ' I' 00 CT i r i r
» CT
oc r ■ 00 CT i 00 00 * m r~ ■ 00
= oc
—
r \ 0 1 ■—
— * ri
r
—
r*
| mm
O I v O I —
— ■ — ■ (N _
ri
M
N
o*
— |
rr
(N
r 1 m
ri ■ < N
in r r 1 0
— ' (N
( J ri
~~
p± CT r* P i 1 rn "•J" O t M m CT 1 ( N 00 — r 1 CT rr (N
—"1 —"1 0 ' <n cs"l r i 0 ' 0" o"l 0"
0
—'—'—"1 o*
— ' ■
■—" O "
~ l ™
3 r r\ C? t 1^ i ri ^O m r ri ri m 1 r . ' o m 1 ri <n ri
r t O i r T — ICT\I T f ^3 W CT ' r f m ■ m m ■ so
o *» ' ^r ll—
M"I
■ * *
r* r ri r r
■JI
ri r | r^
"1
f n | ZZ r
00 sO
■ U
UJJ
UJ _1
'I UJ
—1 _1
CQ
= ri ë S _
S rr
i 8S n 0 . — r4
^ r 1 00 <N 1 m so , r H
m i vo r ' 00 T>
ri ~, (N ri
Sm
5 2 UJ
c. CQ ' CO
PM I N
1
fN
U 0 r rO
o u u 0 O 010
ii o OJS O 1 O
r» fO
OO | OQ
0
Os '
1
0\
0
VL OO ,
00
U
■s Q
M
fe
P ssi a n s .Vili:.î|i: ) ««a
s