CLAUDIA ANDREA MELLIZO SUAREZ

ESTIMATION DU MODULE REVERSIBLE DES

MATÉRIAUX GRANULAIRES DE CHAUSSÉES

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.)

DEPARTEMENT DE GENIE CIVIL

FACULTÉ DES SCIENCES ET GÉNIE
UNIVERSITÉ LAVAL
QUÉBEC .

2010

© Claudia Andrea Mellizo Suarez, 2010

 A Alejandro mon amour inconditionnel,
A ma mère Inès et à Alvaro (décède le 13 août 2009)

«Si vous avez la patience d'attendre avant de récolter les fruits de vos efforts,
votre récolte de succès sera abondante. »
Véhuel

n
REMERCIEMENTS

Ce travail a été réalisé grâce au soutien financier de la Chaire i3C et ses 18

partenaires : Association du camionnage du Québec, Association des constructeurs de
routes grands travaux du Québec, Association des propriétaires de machinerie lourde du
Québec, BPR, Conseil de recherches en sciences naturelles et en génie du Canada, Colas
Canada Inc, FPInnovations, Géolab, Groupe CTT, Groupe Qualitas, John Emery
Geotechnical Engineering Ltd, Michelin Amérique du Nord (Canada), Ministère des
Transports du Québec, Opsens Inc, Solmax Texel Géosynthétiques inc, Transport Canada,
Ville de Montréal, Ville de Québec.

L'achèvement de cette recherche a été possible grâce au soutien et à l'appui de plusieurs

personnes qui y ont contribué. Je tiens d'abord à exprimer toute ma reconnaissance, mon
appréciation et ma gratitude à mon directeur, le professeur M. Guy Doré du Département de
génie civil de l'Université Laval. Je le remercie pour la confiance qu'il m'a accordée,
confiance qui m'a motivée tout au long de la réalisation de ce travail. Je lui suis grée
d'avoir contribué à la réalisation et à l'avancement de ce projet, de sa grande disponibilité
ainsi que de son appui et de ses nombreux et judicieux conseils. Je lui suis aussi
reconnaissante d'avoir accepté de me diriger et de m'avoir donné l'occasion, à travers les
recherches, d'étendre ma connaissance en Ingénierie Géotechnique.

J'aimerais également remercier mon co-directeur M. Jean-Pascal Bilodeau, qui a su

m'encourager, et dont les compétences et les conseils avisés m'ont apporté une aide
précieuse pour mener à bien ce travail. Je désire également remercier spécialement
messieurs Pierre Perron et Jérôme Fachon, pour leur appui constant pendant tout mon
parcours.

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.

Ce projet a donc comme objectif le développement d'un modèle d'estimation du MR des

matériaux granulaires de chaussées adaptés aux matériaux du canadiens. La valeur du MR
dépend d'un grand nombre de paramètres. Cette approche de prédiction considère des
variables liées à la teneur en eau, la granulométrie et la densité des matériaux granulaires
pour l'estimation des constantes Ci et C2 du modèle linéaire MR = clsO + c2s + r\M R . Un

total de 25 matériaux granulaires de différentes régions de Canada a été considéré pour le

développement de ce modèle.

En conclusion ce modèle d'estimation du MR des matériaux granulaires fournit une

première approximation statistiquement significative en comparaison aux approximations
utilisées actuellement au Québec. De plus, il est possible de trouver le MR à n'importe quel
degré de saturation, avec l'inclusion du AMR dans l'équation du MR. 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.

iv
TABLE DES MATIÈRES

CHAPITRE 1 INTRODUCTION, PROBLÉMATIQUE ET OBJECTIFS 1

1.1. Mise en contexte 1

1.2. Méthodologie 3

CHAPITRE 2 ÉTAT DE CONNAISSANCES 4

2.1. Éléments qui constituent les chaussées 4

2.1.1. Phases dans les matériaux granulaires 5
2.2. Définition du module réversible MR 7
2.2.1. Perspective historique du MR 8
2.3. Facteurs influençant le MR 8
2.3.1. L'effet de l'état de contraintes 8
2.3.2. L'effet de la densité 10
2.3.3. L'effet de la granulométrie 11
2.3.4. L'effet de la teneur en eau 13
2.3.5. Conclusion 17
2.4. Différentes façons de mesurer le MR 18
2.4.1. Mesure directe au laboratoire du MR 18
2.4.1.1. La méthode d'essai LC22-400 19
2.4.1.2. La méthode d'essai du LTPP-P46 21
2.4.1.3. L'estimation du MR à partir d'autres essais 22
California Bearing Ratio (CBR) 23
Stabilimètre (R-Value) 24
2.4.2. Mesure sur le terrain du MR 25
2.4.2.1. L'essai du Pénétromètre à Cône Dynamique (DCP) 26
2.4.2.2. L'essai au déflectomètre à masse tombante (FWD) 28
2.4.3. Estimation du MR à partir des modèles généraux 29
2.4.3.1. Modèle d'estimation du MR - Rahim et George (2005) 30
2.4.3.2. Modèle d'estimation du MR - Malla et Joshi (2006). 32
2.5. Représentation du MR à partir des lois constitutives 33
2.5.1.1. Loi Constitutive modèle K-O 33
2.5.1.2. Modèle de Uzan 34
2.5.1.3. Loi Constitutive selon la méthode d'essai LC 22-400 (2004) 35
2.5.1.4. Loi Constitutive selon la méthode d'essai LC 22-400 (2006) 35
v
CHAPITRE 3 BASE DE DONNEES 37

3.1. Analyse de données existantes 37

3.1.1. Base de données Bilodeau (2009) 38
3.1.2. Base de données Doucet et Doré (2004) 40
3.2. Analyse des caractéristiques physiques pour le développement du modèle 41
3.3. Base de données préliminaire pour le développement du modèle 42

CHAPITRE 4 DEVELOPPEMENT DU MODELE DE PREDICTION DU M R 44

4.1. Méthode de régression linéaire multiple 44

4.2. Analyse statistique SAS 45
4.2.1. Procédure PROC CORR : 45
4.2.2. Procédure PROC REG: 45
4.3. Équation de base pour le modèle de prédiction du MR 45
4.4. Analyse préliminaire du modèle 46
4.4.1. Évaluation de la qualité du modèle 46
4.4.2. Matrice de corrélation pour le modèle préliminaire 48
4.4.3. Analyse de régression pour le modèle préliminaire 49
4.5. Analyse du modèle ajusté 53
4.5.1. Base de données ajustée pour le développement du modèle prédiction du MR 54
4.5.2. Matrice de corrélation, modèle ajusté 54
4.5.3. Analyse de régression pour le modèle ajusté 55
4.5.4. Commentaires sur le modèle développé 57
4.6. Calcul du AMR 60
4.6.1. AMR selon la méthode développée par Bilodeau (2009): 60
4.6.1.1. Résultats pour le modèle à l'état initial et drainé, Bilodeau (2009) 63
4.6.2. AMR selon la méthode développée par Doucet et Doré (2004): 64
4.6.3. Résultats à l'état initial et drainé, selon la méthode Doucet et Doré (2004) 65
4.7. Conclusion calcul du AMR 66

CHAPITRE 5 VALIDATION DU MODELE 67

5.1. Base de données pour la validation du modèle 67

5.2. Analyse de la validation du modèle 69
5.3. Analyse de l'écart trouvé entre le MR prédit et le MR mesuré 70
5.3.1. Différentes méthodes d'essai utilisées 70
5.3.1.1. Corroboration avec des données de laboratoire 72
5.3.2. Effet de saturation des éprouvettes 73
5.3.3. Résultats 74
vi
CHAPITRE 6 ANALYSE ET DISCUSSION 76

6.1. Revue critique 76

6.2. Applications pratiques 77
6.2.1. Logiciel Chaussée2 et modèle de prédiction du MR 77
6.2.2. Différences du MR entre le modèle de prédiction et l'essai au laboratoire 81
6.3. Besoin de recherches additionnelles 82

CHAPITRE 7 CONCLUSION 84

BIBLIOGRAPHIE 86

ANNEXE A SYNTAXE DES PROCEDURES PROC CORR ET PROC REG DU

LOGICIEL SAS 92

Syntaxe de la procédure PROC CORR : 92

Syntaxe de la PROC REG: 93

ANNEXE B LES VALEURS MESUREES AU LABORATOIRE POUR LES

CONSTANTES C l ET C2, À L'ÉTAT INITIAL, DRAINÉ ET SATURÉ 94

ANNEXE C RESULTATS LOGICIEL SAS 96

ANNEXE D FEUILLE DE CALCUL N F , N P 99

vu
LISTE DES FIGURES

FIGURE 2-1 ÉLÉMENTS QUI CONSTITUENT LA CHAUSSÉE 4

FIGURE 2-2 DIAGRAMME DE PHASES (TIRÉE DE BILODEAU (2009)) 5

FIGURE 2-3 DÉFINITION DU MODULE RÉVERSIBLE 7

FIGURE 2-4 CONTRAINTES APPLIQUÉES À L'ÉCHANTILLON LORS D'UN ESSAI TRIAXIAL À

CHARGEMENTS RÉPÉTÉS (TIRÉE DE ROBERT ET COLL. 2 0 0 2 ) 9

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 2-8 RIGIDITÉ EN FONCTION DE L'INDICE DE LA GRANULOMÉTRIE POUR DIFFÉRENTS

COMPACITÉS (TIRÉE DE DAWSON (2001)) 13
FIGURE 2-9 VARIATION DU M R EN FONCTION DE LA TENEUR EN EAU (TIRÉE DE KHOURY ET
ZAMAN2004) 14
FIGURE 2-10 SCHÉMATISATION DE LA POROSITÉ DE LA FRACTION FINE, (TIRÉE DE BILODEAU
2009) 15
FIGURE 2-11 RELATION ENTRE S7OO ETN F POUR UN GNEISS, (TIRÉE DE BILODEAU 2009) 16
FIGURE 2-12 COURBE CARACTÉRISTIQUE DE RÉTENTION D'EAU MOYENNE DES MATÉRIAUX
GRANULAIRES C-LTPP. DOUCET ET DORÉ (2004) 17
FIGURE 2-13 SCHÉMA D'UN ÉQUIPEMENT TRIAXIAL À CHARGEMENT RÉPÉTÉ (TIRÉE DE MTQ
(2006)) 21
FIGURE 2-14 SCHÉMA DE L'ESSAI DE STABILIMÈTRE POUR MESURER LE R-VALUE (YODER ET
WITCZAK, 1975) 25

FIGURE 2-15 PÉNÉTROMÈTRE À CÔNE DYNAMIQUE (TIRÉE DE NCHRP SYNTHESIS 382,2008)

26
FIGURE 2-16 ESSAI DCP (TIRÉE ABU-FARSAKH ET COLL. 2004) 28
FIGURE 2-17 DÉFLÉCTOMÈTRE À MASSE TOMBANTE VERSION PORTATIVE (TIRÉE DE NCHRP,
SYNTESIS 382,2008) 28
FIGURE 3-1 COMBINAISON DES BASES DE DONNÉES UTILISÉES POUR LE DÉVELOPPEMENT DU
MODÈLE 37

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 4-2 DONNÉES ATYPIQUES (A)=C1 S VS RSTUDENT (B)=C2S VS RSTUDENT, BASE DE

DONNÉES PRÉLIMINAIRE 52

FIGURE 4-3 (A)=C1 S VS RSTUDENT (B)=C2S VS RSTUDENT, BASE DE DONNÉES AJUSTÉE 53

FIGURE 4-4 MR-PRÉDW VS M R MESURÉ (À L'ÉTAT SATURÉ) 56

FIGURE 4-5 SAT (%) vs w (%) 59

FIGURE 4-6 POROSITÉ DE LA FRACTION FINE VS S 62

FIGURE 4-7 MR MESURÉ VS MR PRÉDIT À L'ÉTAT INITIAL (A) ET DRAINÉ (B) SELON LA

MÉTHODE BILODEAU (2009) 63

FIGURE 4-8 DEGRÉ DE SATURATION (%) vs LA SUCCION MATRICIELLE (KPA) 64

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

FIGURE 5-3 DIFFÉRENTES POSITIONS DE LVDT (TIRÉE DE W. V. PING ET COLL. 2003) 71

FIGURE 5-4 MR MESURÉ VS MR PRÉDIT (À L'ÉTAT SATURÉ, CORRIGÉ) 74

FIGURE 6-1 STRUCTURE DE CHAUSSÉE POUR LE CALCUL DE N F ET N P 78

FIGURE 6-2 RÉSULTATS DU LOGICIEL CHAUSSÉE 2 79

FIGURE 6-3 NOMBRE DE PASSAGES ADMISSIBLES À LA FATIGUE EN FONCTION DU M R 80

FIGURE 6-4 NOMBRE DE PASSAGES ADMISSIBLES À L'ORNIÉRAGE EN FONCTION DU M R 81

IX
 LISTE DES TABLEAUX

TABLEAU 2-1 EQUATIONS DE BASE 6

TABLEAU 2-2 EFFET DE DIVERS PARAMÈTRES SUR M R (ADAPTÉ THEYSE (2002)) 18

TABLEAU 2-3 ÉTATS DE CONTRAINTES POUR LA CARACTÉRISATION DU MR: (MTQ 2004) 20
TABLEAU 2-4 ÉTATS DE CONTRAINTE POUR LA CARACTÉRISATION DU MR (PROTOCOLE P46).
22
TABLEAU 2-5 VALEURS TYPIQUES DU CBR SELON U.S ARMY CORPS OF ENGINERS, (1953).23
TABLEAU 2-6 ÉQUATIONS K1 E T K 2 , MODÈLE - RAHIM ET GEORGE (2005) 31
TABLEAU 2-7 ÉQUATIONS K1 , K2 ET K3, MODÈLE MALLA ET JOSHI 32

TABLEAU 2-8 VALEURS TYPIQUES DES CONSTANTES K.! ET K 2 DU MODÈLE K -© (TIRÉES DE

ROBERT ET COLL. 2002) 34
TABLEAU 3-1 DÉTAILS DES MATÉRIAUX GRANULAIRES QUI FORMENT LA BASE DE DONNÉES
POUR LE MODÈLE DE PRÉDICTION DU MR 38
TABLEAU 3-2 CARACTÉRISTIQUE PHYSIQUES POUR LE DÉVELOPPEMENT DU MODÈLE DU M R 4 2

TABLEAU 3-3 BASE DE DONNÉES PRÉLIMINAIRE POUR LE DÉVELOPPEMENT DU MODÈLE DE

PRÉDICTION DU M R 43

TABLEAU 4-1 MATRICE DE CORRÉLATION, c i s VS PROPRIÉTÉS, C2S VS PROPRIÉTÉS 49

TABLEAU 4-2 ÉQUATIONS cl s, c2s (ÉTAT SATURÉ), POUR LA BASE DE DONNÉES

PRÉLIMINAIRE 50

TABLEAU 4-3 RMSE MR PRÉDIT VS MR MESURÉ (ÉTAT SATURÉ) PRÉLIMINAIRE 51

TABLEAU 4-4 DONNÉES EXCLUS DE LA BASE DE DONNÉES PRÉLIMINAIRE 53

TABLEAU 4-5 BASE DE DONNÉES AJUSTÉE POUR LE DÉVELOPPEMENT DU MODÈLE DU M R 54

TABLEAU 4-6 MATRICE DE CORRÉLATION, c i s , c2s vs PROPRIÉTÉS, MODÈLE AJUSTÉ 55

TABLEAU 4-7 ÉQUATIONS c i s , c2s (ÉTAT SATURÉ), MODÈLE AJUSTÉ 56

TABLEAU 4-8 RMSE MR PRÉDIT VS M R MESURÉ (ÉTAT SATURÉ) 57

TABLEAU 4-9 ANALYSE DE cl S, C2S SELON LE P-VALUE 58

TABLEAU 4-10 RMSE MR PRÉDIT VS MR MESURÉ : ÉTAT INITIAL ET DRAINÉ SELON LA

MÉTHODE BILODEAU (2009) 63
TABLEAU 4-11 RMSE MR PRÉDIT VS MR MESURÉ : ÉTAT INITIAL ET DRAINÉ SELON LA
MÉTHODE DOUCET ET DORÉ (2004) 65
TABLEAU 5-1 BASE DE DONNÉES CRÉÉE POUR LA VALIDATION DU MODÈLE DE PRÉDICTION DU
MR 68
X
TABLEAU 5-2 RMSE M R MESURÉ VS M R PRÉDIT, MODÈLE DE VALIDATION 69
TABLEAU 5-3 M O Y E N N E DES PROPORTIONS DU MR ( P I N G ET COLL. (2003)) 71

T A B L E A U 5-5 V A L E U R S MAXIMALES, MINIMALES ET MOYENNES DES BASES DE DONNÉES. ...73

TABLEAU 5-6 RMSE M R PRÉDIT VS MR MESURÉ MODÈLE DE VALIDATION 75

TABLEAU 6-1 QUANTIFICATION D'ESSAIS DU LABORATOIRE À RÉALISER POUR LA ESTIMATION
DU M R VS L'ESSAI TRIAXIAL 82

XI
 CHAPITRE 1

INTRODUCTION, PROBLÉMATIQUE ET OBJECTIFS

1.1. Mise en contexte

Les routes sont des axes de communication nécessaires au développement économique et

social d'une région et de sa population. Elles permettent le transport des marchandises, le
déplacement des personnes, assurent l'occupation du territoire ainsi que l'exploitation des
ressources. Le dimensionnement d'un tel ouvrage consiste à déterminer la composition et
l'épaisseur des couches qui le constituent afin qu'il puisse résister aux diverses agressions
variables et complexes auxquelles il sera soumis tout au long de sa vie utile, le climat et le
trafic étant les plus importantes. Plus spécifiquement, au Québec, les variations climatiques
importantes, telles que les hivers rigoureux, les étés chauds et une grande quantité de
précipitation, augmentent le risque de détériorations diverses, notamment la fissuration
thermique, le soulèvement différentiel en période de gel, l'omiérage et la diminution de la
capacité structurale en période de dégel qui amplifie l'évolution de la fissuration de fatigue.

La méthode de dimensionnement de l'AASHTO (American Association of State Highway

and Transportation Officiais) (1986, 1993) a commencé à être employée en premier lieu
aux États-Unis, lorsque l'importance de la construction des chaussées est devenue
indéniable. Dans les années 2000, cet organisme a entrepris un effort massif pour le
développement d'une méthode complète et standardisée de conception mécaniste empirique
des chaussées.

La méthode connue sous le nom de «Mechanistic Empirical Pavement Design Guide

(MEPDG)», comporte des procédures détaillées pour l'évaluation des chaussées et pour la
conception des chaussées neuves et réhabilitées. Présentement, elle fait l'objet de travaux
importants pour faciliter son adoption dans les administrations routières américaines.

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 :

- Étudier l'effet des caractéristiques et des propriétés physiques des matériaux

granulaires sur le module réversible,
- Déterminer les paramètres qui influencent le MR,
- Réaliser un inventaire des données existantes à partir des projets de doctorat de
Doucet et Doré (2004) et Bilodeau (2009) et construire une base de données de
matériaux granulaires,
- Développer un modèle d'estimation multi varié par régression linéaire,
- Valider les données prédites de MR à partir des bases de données du programme
américain SHRP (Strategic Highway Reseach Program).

1.2. Méthodologie

La réalisation de ce projet de recherche comporte trois principales phases : La première

phase est l'évaluation de l'état de connaissances basé, en particulier, sur les dernières
recherches portant sur le MR des matériaux granulaires. Cette recherche a été orientée sur
les modèles empiriques, les méthodes d'essai, les propriétés physiques des matériaux de
fondation et leur influence. De plus, une base de données a été développée à partir des
projets de doctorat (Bilodeau 2009, Doucet et Doré 2004) pour le développement du
modèle d'estimation du MR. La base de données ainsi recueillie et les connaissances
acquises ont permis, dans la deuxième phase, d'analyser les données afin de trouver les
relations entre les propriétés mécaniques spécifiques propres aux conditions des sols à
l'étude et les propriétés physiques des matériaux des chaussées. Diverses techniques
d'analyse statistique ont été employées à cette étape. La dernière phase a été celle de la
validation du modèle où un des défis à surmonter était la recherche d'une base de données
externe disposant de toutes les propriétés des matériaux nécessaires pour l'utilisation du
modèle de prédiction développé dans la deuxième phase. La validation a été faite en
utilisant les bases de données du programme américain Strategic Highway Research
Program (SHRP).
3
 CHAPITRE 2

ÉTAT DE CONNAISSANCES

2.1. Éléments qui constituent les chaussées

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&
­.;■

Figure 2-1 Éléments qui constituent la chaussée

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.

2.1.1. Phases dans les matériaux granulaires

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)

Figure 2-2 Diagramme de phases (tirée de Bilodeau (2009)).

 Tableau 2-1 Équations de base

PARAMETRE EQUATION DESCRIPTION DES VARIABLES

-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

e e = Indice des vides

l+e
Le degïé de saturation Vw= Volume d'eau
SK=^-xlOO(%)
v
Vv= Volume des vides

La teneur en eau M„.= Masse d'eau

w=M'*xlOO(%)
Ms= Masse des grains solides

La masse volumique du Ms= Masse des grains solides

sol sec Pa= — V,= Volume total de l'échantillon de sol
i

p, K ps= Masse volumique des grains solides

Ms= Masse des grains solides
Vs= Volume des grains solides
La masse volumique de Mw= Masse d'eau
M
l'eau P = - Kw= Volume d'eau
y» y
w

_(w-Abs)psVs w = Teneur en eau

SRe Abs= % Absorption
ps= Masse volumique des grains solides
Vs= Volume des grains solides
5/7= Degré de saturation
e = Indice des vides
La masse volumique du PS+PJR*
ps= Masse volumique des grains solides
sol l+e pw= Masse volumique de l'eau
SR= Degré de saturation
e = Indice des vides
2.2. Définition du module réversible MR

Pour concevoir une structure de chaussée, le MR est un paramètre essentiel pour le

dimensionnement. C'est ainsi que le module de chacune des couches associé à son
épaisseur permet de définir une structure multicouche pour laquelle il est possible de
modéliser le comportement contrainte-déformation sous charge. Le MR est le rapport entre
la contrainte déviatorique ^appliquée et la déformation élastique réversible ou récupérable
sr. La contrainte déviatorique simule la circulation d'un véhicule sur une route.

_<r, (<T X -<T 3 )

1VI R Équation 2-1
S £
r r
ad : Contrainte déviatorique (ov 03),
ai : Contrainte majeure principale,
03 : Contrainte mineure principale,
sr : Déformation élastique réversible ou récupérable.

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.

ad : Contrainte déviatorique (ai- 03),

£p : Déformation plastique ou permanente.
er : Déformation élastique réversible ou
récupérable.
Déformation

Figure 2-3 Définition du module réversible

Cela signifie qu'ils présentent une réponse, lors d'un cycle de chargement-déchargement,
en majeure partie élastique, mais que les matériaux subissent aussi une certaine
déformation permanente ou plastique, laquelle n'est pas incluse dans la mesure du MR.
Après un certain nombre d'application de charge, la déformation permanente devient très
faible en comparaison à la déformation réversible et le comportement est considéré comme
pratiquement élastique. Ainsi, la composante plastique de la déformation totale est exclue
pour le calcul du module d'élasticité, soit le module réversible.

2.2.1. Perspective historique du MR

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.

2.3. Facteurs influençant le MR

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.

2.3.1. L'effet de l'état de contraintes

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.

o1 ~ o^a* Contraintes principales

01-2-3 = contraintes principales

= contrainte axiale
= contrainte déviatorique
0-2-3 = contrainte de confinement

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.

Lekarp et coll. (2000) mentionnent que le MR a tendance à augmenter significativement

avec l'augmentation de la pression de confinement et de la somme des contraintes
principales. De plus, au passage d'une roue sur une chaussée, l'axe de la contrainte majeure
07 et mineure CTJ subissent une rotation et la contrainte de cisaillement est renversée. La
figure 2-5 représente ce phénomène de la rotation des contraintes qui influence le
comportement contrainte-déformation des MG.
 Wheel load Wheel load Wheel load

PAVEMENT PAVEMENT PAVEMENT

°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)

2.3.2. L'effet de la densité

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

Water content.W, increases

Dry Density
r

Figure 2-6 Influence de la densité sèche sur le MR des sols fins (d'après Li et Selig, 1994)

2.3.3. L'effet de la granulométrie

La granulométrie, ou la distribution des particules dans un sol, est une caractéristique

descriptive et essentielle, il existe deux principaux systèmes de classification des sols
utilisés dans la pratique courante du génie civil : le système de classification unifié des sols
(USCS) et le système de l'American Association of State Highway and Transportation
Officials (AASHTO). De plus, la granulométrie est mesurée en laboratoire en utilisant deux
essais (AASHTO T 88, ASTM D 422) qui consistent en une analyse par tamisage
mécanique pour le sable et la fraction plus grossière, ainsi qu'en un essai d'hydromètre
pour les particules fines.

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

300 «00 500

Bulk Sire» (kPa)

Figure 2-7 Effet de la granulométrie sur le Mg (tirée de Tian et coll. 1998)

Dans le cadre de l'étude de l'effet de la granulométrie d'un matériau granulaire, D awson

(2001) a démontré que le MR augmente en fonction de l'indice de granulométrie npr défini
à l'équation de Fuller et Thompson (équation 2-2). Une valeur de npr petite est associée à
une granulométrie étalée et pour une valeur de npr grande la granulométrie sera uniforme.
La figure 2-8 présente les résultats de cette recherche où la porosité npr varie de 0,25 à 5,0.

f j V "
d
% passant = 100 Équation 2-2
Vrfma,J

Où : npr : indice de granulométrie,

d : diamètre considéré,
dmax : diamètre maximal de la granulométrie considérée.

12
 ▲ Heavily compacted
° Lightly compacted
•Uncompacted

0.25 .35 .5 0.7 1 2 5

Grading parameter 'n'

Figure 2-8 Rigidité en fonction de l'indice de la granulométrie pour différents compacités (tirée de
Dawson (2001)).

2.3.4. L'effet de la teneur en eau

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 ■

7.00 9.00 11.00 13.00 15.00 17.00 19.0«

Moisture Content, w (%)

o D ried Specimens A Wetted Specimens ■ ■+­•■ OMC­4% Une

. H- - OMC Line ■+■ ­ OMC + 4 % Line

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

La figure 2-10, présente la schématisation de la porosité de la fraction fine faible et élevée.

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

Figure 2-10 Schématisation de la porosité de la fraction fine, (tirée de Bilodeau 2009)

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).

AMR=SxASR Équation 2-5

Où

A5„ = 5 , - 5 ^ * 5 , - 1 0 0 Équation 2-6

Ensuite, il a trouvé la relation entre la porosité de la fraction fine ne la pente ou S «slope»

et O ou états de contrainte, à la figure 2-11, il est possible de voir les états de contrainte
utilisées de 100, 400, et 700 kPa.

S = f(n f ,0) Équation 2-7

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

1 0.9 0.8 0.7 0.6 0.5

n.

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.

AMR(kPa) = -8700( Mû - u w ) - \ 7 0 0 0 Équation 2-9

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))

Facteur Variation du facteur MR

Î82.6 à 87.5% de la masse vol. 110%
Pd
%F Î%F Optimum =9%

ÎSR Î20 à 90% ijusqu'a 60%

Granulométrie (Tian et coll 1998) Plus grossière à moyenne Î41 à 129%

pd = Masse volumique, %F = Pourcentage defines,SR = Degré de saturation.

2.4. Différentes façons de mesurer le MR

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.

2.4.1. Mesure directe au laboratoire du MR

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

En 2004, le Ministère de Transport du Québec a développé une méthode d'essai pour la

caractérisation du MR des matériaux granulaires et, en 2006, une nouvelle version a
remplacé la précédente. Cette méthode d'essai permet de prendre en compte l'effet de la
teneur en eau. Elle est basée sur la norme américaine AASHTO T307-99 « Standard Test
Method for Determining the Resilient Modulus of Soils and Aggregate Materials » et la
norme européenne NF EN 13286-7 « Mélanges avec et sans liant hydraulique - Méthodes
d'essai - Partie 7 : Essai triaxial sous charge cyclique pour mélanges sans liant
hydraulique ».

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)).

L'échantillon est soumis à 10 000 cycles de chargement pour le conditionnement et à

quinze états de contrainte pour la caractérisation du MR. La fréquence de chargement lors
du conditionnement est de 10 Hz, puis les quinze états de contrainte sont appliqués à une
fréquence de 1 Hz au nombre de 60 cycles chacun. Le tableau 2-3 présente les différents
états de contraintes utilisés pour caractériser le MR par cette méthode.
 Tableau 2-3 États de contraintes pour la caractérisation du MR, (MTQ 2004)

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)).

2.4.1.2. La méthode d'essai du LTPP- P46

La guide de laboratoire et matériaux du LTPP «Long Term Pavement Performance Project

Laboratory Materials Testing and Handling Guide» présente une description de l'essai
triaxial pour évaluer le MR des matériaux granulaires et des sols d'infrastructure selon le
protocole P46. Le protocole P46 est partiellement basé sur la norme AASHTO T292-91I.

La dimension de l'échantillon utilisé pour réaliser l'essai de MR varie de 152 mm (6in) à

71mm (2.8in) de diamètre et 381mm (15in) à 152mm (6in) de hauteur. L'échantillon est
soumis à un chargement de 500 à 1000 cycles pour le conditionnement et à quinze états de
contraintes pour la caractérisation du MR.

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.

Tableau 2-4 États de contrainte pour la caractérisation du MR (Protocole P46).

Séquence No. Pressure Confinement Contrainte Max Axial Nombre d'application de

(kPa) (kPa) charge
0 103,4 103,4 500-1000
1 20,7 20,7 100
2 20,7 41,4 100
3 20,7 62,1 100
4 34,5 34,5 100
5 34,5 68,9 100
6 34,5 137,9 100
7 68,9 206,8 100
8 68,9 68,9 100
9 68,9 103,4 100
10 103,4 206,8 100
11 103,4 103,4 100
12 103,4 206,8 100
13 137,9 103,4 100
14 137,9 137,9 100
15 137,9 275,8 100

2.4.1.3. L'estimation du MR à partir d'autres essais

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 :

CBR =-?-x\00 Equation 2-10

Ps
Où P : Pression mesurée pour le matériau testé (N/mm 2),
P s : La pression pour obtenir une pénétration égale sur le matériau de référence
(N/mm 2).

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 :

MR (psi) = 1500(CBR) Équation 2-11

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 :

R(psi) = 100 - ---------— =j Equation 2-12

'2.5^
-1 + 1
vAy

Où R : résistance R-value,
Pv : Pression verticale appliquée (160 psi),

Ph : Pression horizontale transmise (160 psi),

24
 D2= (mm) Le déplacement de liquide stabilimètre nécessaire pour augmenter la
pression horizontale de 5 à 100 psi.

Le stabilimètre est semblable à un dispositif triaxial et consiste en un cylindre métallique

dans lequel se trouve une membrane en caoutchouc (figure 2-14). L'espace entre le cylindre
et la membrane est rempli d'huile qui transmet la pression latérale à l'échantillon.
-Testing head

Rubber membrane

Fluid under
pressure

Figure 2-14 Schéma de l'essai de stabilimètre pour mesurer le R-Value (Yoder et Witczak, 1975).

L'Asphalt Institute (1981) a développé une relation entre le MR et l'indice de résistance R

(KvalueJ :

MR (psi) = C + B(R- value) Équation 2-13

Où C:1000,
B : paramètre qui est calculé en fonction de la contrainte moyenne.

2.4.2. Mesure sur le terrain du MR

En ce qui concerne la mesure sur le terrain, l'essai au DCP et l'essai au déflectomètre à

masse tombante (FWD), seront présentés dans cette section.

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

Figure 2-15 Pénétromètre à cône dynamique (tirée de NCHRP Synthesis 382,2008)

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 :

E ( M N / m 2 ) = 17,6( 2 6 9 / D C P I ) 0 6 4 Équation 2-14

Ou
■y

E : module réversible (MN/m ).

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.

M R (psi) = 7013 - 2040.8 \n(DCPI) Équation 2-15

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).

M R ( M P a ) = 235.3 x D C P I ^ M Équation 2-16

M R ( M P a ) = 532,1 x D C P I ^ 4 9 Équation 2-17

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:

In MFWD = 2.35 + [5,21/ln PR] Équation 2-18

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

Ptamtaat tm (seen bla* :

Figure 2-16 Essai DCP (tirée Abu-Farsakh et coll. 2004).

2.4.2.2. L'essai au déflectomètre à masse tombante (FWD )

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.

Le module réversible peut être obtenu à partir du modèle de Boussinesq en considérant un

massif uniforme et une charge uniformément distribuée sur une plaque souple, selon
l'équation suivante :

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.

2.4.3. Estimation du MR à partir des modèles généraux

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.

2.4.3.1. Modèle d'estimation du MR - Rahim et George (2005)

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.

Tableau 2-6 Équations kl et k2, modèle - Rahim et George (2005).

Type de Equation du modèle R' Graphique MR prédit

sol vs MR mesuré
0639
Sols 0.66
• 12 uv) 6 (%
S ™ v
k} =1
grains fE"*» fr"*
1 ,­.
«■*­0'«

0.61 1" *P%^

fins
^-0-27(rJ'\K,r(%2J £ M IM IM JW
Maasurvd moduli MPa
2S0 30

Sols à *.=0.12 + 0 . 9 0 0 v ) - 0 . 5 3 ( > O 0.72

grains
­0.017(AA.200) + 0.314(logC„)
grossiers
.0.124
0.65
, n ~~,f „2385 ^­200 Meaiured moduli, MP*
k 2 =0.226(y dr .w cr ) ——-

N.200 = Passant #200 (%)

Yj = Densité sèche actuelle (kN/m3)
LL = limite liquide (%)
W = Teneur en eau actuelle (%)
PI = indice de plasticité (%)
fju = Ratio de la densité sèche Cu = Coefficient d'uniformité

W nr = Ratio de la teneur en eau

31
2.4.3.2. Modèle d'estimation du MR - Malla et Joshi (2006)

Ces chercheurs ont analysé plusieurs sols de la Nouvelle-Angleterre. Les modèles

développés ont été évalués sur les problèmes de colinéarité multiples et les valeurs de
coefficient de détermination.

^
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.

Tableau 2-7 Équations k l , k 2 e t k 3 , modèle Malla et Joshi.

Type Equation du modèle R2 R adj Graphique MR prédit vs

de sol MR mesuré
Sols à Log k 1=-0.64428-0.00773,,MC-0.62335*DDR+0 02531 *S3- 0.60 0.51
grains .01504,S1_HALF-0.00694"SN200-K).00469*SILT+
_2M.
grossiers 0.00033564*CU-0 00432»CC m
£
k2=-0.74167+O.00804»MC+0.00035328*DD+0.00713* 0.32 0.26 S .50
M
S
S1_HALF-0.00401»SN40+0.00459*FSAND-0.000156»CU+0.00166*CC -O 100

,
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)

Sols à Logkl=600099969-0.11144*OMC-1.I5320*MCR- 0.41 0.37 — 200

m
tx
grains 0.00154*MAXDD+0.01875* PI-0.02339*SI+O.0O445»SN20O
s.»
ec
fins k2=0.55494+0.25904»MCR-0.00651*Pl-0.00785*SN4+0.00712,SN40- 0.39 0.34 2

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,
0MC= Teneur en eau optimale,
MCR= Ratio de la teneur en eau,
DD= Densité sèche, (kg/m3),
MAXDD=Densité sèche maximale (kg/m3),
DDR = Ratio de la densité (kg/m3),
LL= Limite liquide,
PI= Index de Plasticité (%)
CU= Coefficient d'uniformité,
CC= Coefficient de courbure,
S3= Pourcentage passant 3",
S2= Pourcentage passant 2",
S1_HALF= Pourcentage passant 1 '/.",
Sl= Pourcentage passant 1",
S3_4= Pourcentage passant 'A",
Sl_2pourcentage passant W ,
S3_8= Pourcentage passant 3/8",
SN4= Pourcentage passant N.4,
SN 10= Pourcentage passant N. 10,
SN40= Pourcentage passant N.40,
SN80= Pourcentage passant N.80,
SN200= Pourcentage passant N.200,
CSAND= Pourcentage passant sable 2-0.42 mm,
FSAND= Pourcentage passant sable 0.42-0.074 mm,
SILT= Pourcentage silt 0.074-0.002 mm,
CLAY= Pourcentage argile,

2.5. Représentation du M R à partir des lois constitutives

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.

2.5.1.1. Loi Constitutive modèle K-0

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

Où MR : Module réversible (MPa),

O : Contrainte totale (oa+3o3) (kPa),
P a : Pression atmosphérique (100 kPa),
k], k2 : Constantes de régression.

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.

Tableau 2-8 Valeurs typiques des constantes k- et k2 du modèle K -G (tirées de Robert

et coll. 2002).

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

2.5.1.2. Modèle de Uzan

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).

M R = kxpa -2-ï- Équation 2-24

\Pa)\Pa)

Où MR : Module réversible (MPa),

O : Contrainte totale (ad+3o3) (kPa),
toct '• Contrainte de cisaillement octaédral ((V2/3) oa) (kPa),
P a = Pression atmosphérique (100 kPa),
k 1.2-3 = Constantes de régression.

2.5.1.3. Loi Constitutive selon la méthode d'essai LC 22-400 (2004)

Le Ministère de Transport du Québec a proposé en 2004 la version préliminaire de la

méthode LC 22-400. Cette méthode permet de déterminer le comportement non linéaire du
M R des matériaux granulaires par l'équation suivante en fonction de la contrainte totale O.

M R =a0 J rb, Équation 2-25

Où MR : module réversible (MPa),

O: contrainte totale, O = Od+3*a3 (kPa),
a et b: constantes de régression.

2.5.1.4. Loi Constitutive selon la méthode d'essai LC 22-400 (2006)

Le Ministère de Transport du Québec a proposé en 2006 une nouvelle version de la

méthode LC 22-400. Ce modèle permet d'estimer le MR en fonction non seulement de la

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

Où Er : module réversible (MPa),

O : contrainte totale (o\j + 3 03) (kPa),
Toct : contrainte de cisaillement octahedral (V% od) (kPa),
a, b et c : constantes de régression.

36
 CHAPITRE 3

BASE DE DONNÉES

3.1. Analyse de données existantes

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.

Base de données Base de données

(Bilodeau 2009) (Doucet et Doré 2004)

Base de données pour ie

Développement modèle de prédiction du Mu

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 :

- Essais réalisés au même endroit,

- Essais réalisés avec le même équipement
Essais réalisés avec le même technicien donc,
- Données très contrôlées.

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

Étude Type de matériau Type de granulat Classification (USCS)

Bilodeau MG-20 Gneiss granitique, SW-SM,
(2009) Calcaire, Basalte GW
Doucet et MG-20 varié SP-SM, SP-SC,
Doré (2004) MG-112 GW-GC, SM

3.1.1. Base de données Bilodeau (2009)

Dans le cadre du projet de doctorat «Optimisation de la granulométrie des matériaux

granulaires de fondation des chaussées», l'influence de la granulométrie et de la source sur
le MR, la conductivité hydraulique, la susceptibilité au gel/dégel et la résistance à l'érosion,
ont été étudiées. Trois différents matériaux granulaires de type MG20, utilisés au niveau de
la fondation des chaussées, ont été testés dans le cadre de cette étude. Ces trois sources de
granulats sont un calcaire concassé (roche sédimentaire), un basalte concassé (roche
volcanique) et un gneiss granitique partiellement concassé (granulats provenant
majoritairement de roches plutoniques métamorphisées). Ce sont des sources
représentatives du contexte géologique québécois et elles ont été échantillonnées dans des
carrières et gravières situées dans les régions administratives de la Capitale nationale
(Charlesbourg, Lac-Saint-Charles) et de Chaudière-Appalaches (Saint-Flavien). La figure
3-2 illustre les emplacements où les matériaux ont été échantillonnés.

38
 Capitale Nationale |

Chailesbourj* i

UtSimtCKitiêT PROVINCE DU QUÉBEC

Samt-Fli.-ten

C hau dière-Appalaches

Figure 3-2 Provenance des matériaux de la base de données de Bilodeau (2009).

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 :

CS (Courbe Supérieure, limite supérieure du fuseau), CI (Courbe Inférieure, limite

inférieure du fuseau), CM (Courbe Milieu, moyenne entre la CS et la CI), CSI (Courbe
Supérieure croisée vers la Courbe Inférieure), CIS (Courbe Inférieure croisée vers la
Courbe Supérieure), CSS (Courbe Supérieure Sableuse, fraction de sable plus fine que la
CS).

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

Figure 3-3 Courbes granulométriques testées (tirée de Bilodeau 2009).

3.1.2. Base de données Doucet et Doré (2004)

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

Figure 3-4 Provenance des matériaux C-LTPP.

3.2. Analyse des caractéristiques physiques pour le développement du modèle

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,

Facteur qui Caractéristiques physiques Minimale Maximale

influence le MR
Cu Coefficient d'uniformité 3 117
n (%) Porosité totale 13 36
Granulométrie
n f (%) porosité de la fraction fine 55 94,5
nc (%) porosité de la fraction grossière 17.5 43
Sat (%) degré de saturation 69 100
Teneur en eau Wom (%) teneur en eau optimale 4.3 13.1
w (%) teneur en eau 7,1 17
Pdmax masse volumique sèche 1579 2442
Densité
(kg/m3) maximale
p d (kg/m3) masse volumique sèche 1686 2280

3.3. Base de données préliminaire pour le développement du modèle

La base de données préliminaire pour le développement du modèle de prédiction a été

construite à partir des deux bases de données mentionnées antérieurement. Ces matériaux
sont une représentation des sols typiques du Canada et en particulier du Québec.

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

DÉVELOPPEMENT DU MODÈLE DE PRÉDICTION DU MR

4.1. Méthode de régression linéaire multiple

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 :

Y = B0 + P x X x + B 2 X 2 +... + P p X p + £ Équation 4-1

Où Y : variable réponse ou variable dépendante,

Xj : variables explicatives ou variables indépendantes,
PO, pi,..., Pp : coefficients de régression, ces paramètres sont inconnus,
s : erreur inconnue.

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.

4.2.1. Procédure PROC CORR :

La procédure PROC CORR du logiciel SAS aide à trouver à partir du coefficient de

corrélation de Pearson les relations linéaires possibles entre les variables mesurées. Ce
coefficient de corrélation s'étend de -1 à +1, où les valeurs plus proches de -1 ou 1 sont
considérées des valeurs fortement corrélées.

4.2.2. Procédure PROC REG:

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.

4.3. Équation de base pour le modèle de prédiction du MR

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 :

MR (MPa) = c\s0 + c2s + AMR Équation 4-3

Où MR : module réversible (MPa)

© : contrainte totale (kPa)
cis, c2s : constantes de régression à l'état saturé
AMR : l'augmentation du MR pour le changement du degré de saturation (selon les
méthodes Bilodeau (2009), Doucet et Doré (2004); section 2.3.4).

Par ailleurs, «cis» représente la valeur de «a» et «c2s» la valeur de «b» de l'équation 2-15.

4.4. Analyse préliminaire du modèle

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.

4.4.1. Évaluation de la qualité du modèle

Afin de vérifier la qualité du modèle et sa capacité prédictive, les concepts statistiques

suivants ont été retenus :

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

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 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;

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 adj: Coefficient de corrélation ajusté,

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.

4.4.2. Matrice de corrélation pour le modèle préliminaire

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

cis P80 Cu Cl n nf ne Sat pdmax pd wopt w cu nf jdmax_pd

ds 1 -0.21982 -0.13000 0.02415 -0.23462 0 07705 -0.32758 0.21584 0.31444 0.17715 -0.11763 -0.14276 -0.12451 0.36872
P80 -0.21982 1 0.44928 -0.35254 -0.10318 -0.90238 0.44861 0.18859 -0.18866 -0.11445 0.30489 0.05101 0.55329 -0.21849
Cu -0.13000 0.44928 1 0.05141 -0.44386 -0.56948 -0.15590 0.31003 0.45892 0.44915 -0.34921 -0.41121 0.98551 0.26388
Cc 0.02415 -0.35254 0.05141 1 -0.11889 0.25606 -0.29992 -0.14783 0.18805 0.27866 -0.13474 -0.29447 0.01193 -0.01483
n -0.23462 -0.10318 -0.44386 -0.11889 1 0.50682 0.84200 -0.40239 -0.58248 -0.80839 0.51350 0.93372 -0.47181 -0.06224
nf 0.07705 -0.90238 -0.56948 0.25606 0.50682 1 -0.03637 -0.32481 -0.10920 -0.25245 -0.02871 0.34777 -0.67470 0.12390
ne -0.32758 0.44861 -0.15590 -0.29992 0.84200 -0.03637 1 -0.25725 -0.61369 -0.78092 0.61267 0.86551 -0.12294 -0.16095
Sat 0.21584 0.18859 0.31003 -0.14783 -0.40239 -0.32481 -0.25725 1 0.20630 0.32119 -0.45265 -0.15935 0.31495 0.00800
pdmax 0.31444 -0.18866 0.45892 0.18805 -0.58248 -0.10920 -0.61369 0.20630 1 0.85460 -0.75949 -0.60344 0.41620 0.75201
Pd 0.17715 -0.11445 0.44915 0.27866 -0.80839 -0.25245 -0.78092 0.32119 0.85460 1 -0.70525 -0.84016 0.42805 0.30451
WOpt -0.11763 0.30489 -0.34921 -0.13474 0.51350 -0.02871 0.61267 -0.45265 -0.75949 -0.70525 1 0.52731 -0.29641 -0.53485
W -0.14276 0.05101 -0141121 -0.29447 0.93372 0.34777 0.86551 -0.15935 -0.60344 -0.84016 0.52731 1[-0.42367 -0.05435
cu_nf -0.12451 0.55329 0.98551 0.01193 -0.47181 -0.67470 -0.12294 0.31495 0.41620 0.42805 -0.29641 -0.42367 1 0.21332

c2s P80 Cu Ce r nf ne Sat pdmax pd wopt w cu nf jdmax_pd

c2s 1 -0.5029 t -0.18062 0.25666 0.07877 0.45246 -0.20278 -0.15934 0.10545 -0.07049 -0.16585 -0.04536 -0.23755 0.31501
P80 -0.50294 1 0.44928 -0.35254 -0.10318 -0.90238 0.44861 0.18859 -0.18866 -0.11445 0.30489 0.05101 0.55329 -0.21849
Cu -0.18062 0.4492 S 1 0.05141 -0.44386 -0.56948 -0.15590 0.31003 0.45892 0.44915 -0.34921 -0.41121 0.98551 0.26388
Cc 0.25666 -0.3525 » 0.05141 1 -0.11889 0.25606 -0.29992 -0.14783 0.18805 0.27866 -0.13474 -0.29447 0.01193 -0.01483
n 0.07877 -0.1031 8 -0.44386 -0.11889 1 0.50682 0.84200 -0.40239 -0.58248 -0.80839 0.51350 0.93372 -0.47181 -0.06224
nf 0.45246 -0.9023 B -0.56948 0.25606 0.50682 1 -0.03637 -0.32481 -0.10920 -0.25245 -0.02871 0.34777 -0.67470 0.12390

[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

4.4.3. Analyse de régression pour le modèle préliminaire

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.

Equation pour cis et c2s R2 R adj

c\s = -8.76682- 0.43476* fO + 0.02762*^+7.37155* \ ^ a s -

u
KHfj
al
0.5433 0.4587
\ Pc J
-0.10217*w + 0.16829*w
op

c2s = 190.80l\2 + \3.2888\*n-5.0U93*n c +\.91565*S al

0.5380 0.4313
+0.21072 * p d m x - 0.55210 * p d - 31.39272 * w

Cu : Coefficient d'uniformité w : Teneur en eau (%)

n : Porosité totale (%) pdmax : Densité maximale (kg/m3)
nf : Porosité de la fraction fine (%) pd : Densité sèche (kg/m3)
nc : Porosité de la fraction grossière (%) Sal : Degré de Saturation (%)
wOI)| : Teneur en eau optimale (%)

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- + +

+ rrodeleetat saturé (33 données)

" 1 — ' — I — ' — I — ' — I — i — I — ' — I — i — I — ' — I — • — I — ■ — I — ■ — I —

100 200300400500600 700 800900 1000 1100 1200
Mf mesuré (MPa) état saturé

Figure 4-1 M R prédit vs M R mesuré (à l'état saturé), préliminaire.

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%.

Tableau 4-3 RMSE MR prédit vs MR mesuré (état saturé) préliminaire.

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

TYPEDESOL N. uses «r­inulo met rie teneur en eau densité

Cn n nf ne Sat vmpt w pdmax pd

(%) <%) <%) (•/.) (•/.) (%) (kg/m3) <kg/m3)

ci 3 GW 32 is: 92 20 89 4.8 8 2179 2166

Gneiss csi 4 SW­SM 15.6 203 93 22 90 ! 5.9 9.7 j_ 2091 2103

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

Doucet el Doré 840604B 24 GW 27 16 83 19 77 6.3 7.5 2271 2164

(2004) Base 85060 I B 25 SW­SM 50 18 69 26 90 71 8.6 1985 2141

4.5. Analyse du modèle ajusté

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)

Figure 4-3 (a)=cls vs Rstudent (b)=c2s vs Rstudent, base de données ajustée.

53
4.5.1. Base de données ajustée pour le développement du modèle prédiction du MR

Le tableau 4-5 montre la base de données ajustée pour le développement du modèle du MR

une fois les huit essais montrant des données atypiques exclues.

Tableau 4-5 Base de données ajustée pour le développement du modèle 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

<%) (V.) (•/.) (•/.) (•/.) (•/.) <kg/m3) (kg/m3)

es I SW-SM 47.2 1.24 178 76 24 96 4.9 8.4 2167 2175
CM 2 GW 41.7 1.29 17 82 21 81 5.7 ■ 7.2 2205 2185
CB 3 GW 92.5 1.94 164 74 22 89 48 71 2251 2224
s
O CSS 4 SW-SM 47.2 0.22 212 79 27 95 4.7 102 2119 2085
es 5 SW-SM 47.2 124 16.7 74 23 96 5 8.9 2268 2167
CN
CM 6 GW 41.7 129 173 82 21 85 5.7 8.2 2289 2173
O
o CS1 7 SW-SM 15.6 1.37 18 9 92 21 94 5.8 93 2193 2139
r* 3
3 8 GW 92.5 1.94 15,9 22 93 6.2 7.5
CS CB 73 2330 2208
V "5
U CSS 9 SW-SM 472 0 22 206 79 26 93 4.9 10.4 21% 2093
-o CM 10 GW 41.7 129 21.2 86 25 74 6.3 9.1 2355 2220
a Cl 11 GW 32 2.97 22 2 93 24 87 4.3 10 2304 2198
CB 12 GW 92.5 1.94 193 77 25 100 5.1 9.6 2442 2280
■ CSS 13 SW-SM 47.2 0.22 24.4 82 30 88 5.3 12.1 2275 2120
Calcaire 14 GW 71 0.84 271 92 29 90 6.3 13.2 2050 1941
Basalte 15 GW 159 2 07 225 88 26 69 6.7 8.6 2211 2145
8206051) 16 GP 33 0.7 15 85 18 97 5.8 80 2228 2260
** 830801B 17 SP-SM 32 0.9 14 60 23 89 6.5 7 9^ 2289 2180
o es
890702B1 18 SP-SM 35 0.4 17 72 24 88 7.1 9.0 2127 2120
r* Cû 890702B2 19 SP-SC 62 0.2 20 81 25 90 5.1 105 2146 2063
'ml
h.
O 8I0404SB 20 GW-GC 117 1.5 17 69 24 84 5 83 2330 2145
a 820605SB 21 SP 23 0.3 19 92 21 84 61 9.0 2284 2132
IL
W 830801 S B 22 SW-SM 44 1.2 13 55 23 99 55 7.6 2262 2249
U
3 840604SB 23 GW 52 2 17 77 22 84 : 85 8.7 2120 2138
O s
24 87 08
a ja
M
850601SB GP-GM 16 63 25 86 :
!
5.8 7.2 2246 2194
3 890702SB 25 SP-SC 3 1 36 84 43 75 13.1 17.0 1579 1686
VI
max 117 3 36 95 43 100 13 17 2442 2280
min 3 0 13 55 18 69 4 7 1579 1686
Moyenne 44 1 19 80 24 88 6 9 2206 2142
Ecart type 27 1 4 10 4 7 2 2 147 103

4.5.2. Matrice de corrélation, modèle ajusté

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

cis P80 Lu :c n if ne Sat ptdmax pd wopt w c u nf pdmax_pd

cis 1 -0.3595 -0.26168 -0.00214 -0.27947 0.14964 -0.43046 0.25731 0.29497 0.2149 -0.10428 -0.19315 -0.24942 0.31354
pao -0.3595 1 0.35928 -0 18545 -00943 -087519 0.40712 0.11951 -020413 -0.14439 026453 003073 047499 -0.24138
Cu 0.26168 0.35928 1 0.20384 -0.47078 -0.51386 -0.25643 0.26558 0.51379 0.4721 -0.41661 -0.47621 0 98475 0.34952
Ce -0.00214 -0.18545 0.20384 1 -0.09205 0.08523 -0.17446 -0.16412 0.25089 0.31012 -0.02602 -0.25793 0.18057 0.02103
n -0.27947 -0.0943 -0.47078 -0.09205 1 0.55335 0.87036 0.43868 0.70546 084658 0.58121 0.93708 -0.50491 -0.19765
nf 0.14964 -0.87519 -0.51386 0.08523 0.55335 1 0.07287 -0.31057 -0.17772 -0.28486 0.0736 0.41949 -0.6294 0.08069
ne 0.43046 0.40712 -0.25643 -0.17446 0.87036 0.07287 1 -0.34162 -0.73846 -0.84402 0.65107 0.87429 -0.22899 -0.28473
Sat 0.25731 0.11951 0.26558 -0.16412 -0.43868 -0.31057 -0.34162 1 0.28721 0.35638 -0.50312 -0.20333 0.27268 0.07121
pdmax 0.29497 -0.20413 0.51379 0.25089 -0.70546 -0.17772 -0.73846 0.28721 1 0.90782 -079127 -0.73864 0.48125 0.73246
Pd 0.2149 -0.14439 0.4721 0.31012 -0.84658 -0.28486 -0.84402 0.35638 0.90782 1 -0.72386 -0.8813 045587 0.38144
wopt -0.10428 0.26453 -0.41661 -0.02602 0.58121 0.0736 0.65107 -0.50312 -0.79127 -0.72386 1 0.58516 -0.37664 -0.60025
j . -0.19315 0.03073 -0.47621 -0.25793 0.93708 0.41949 0.87429 -0.20333 -0.73864 -0.8813 0.58516 1 -049487 -0.20995
w 0.47499 0.98475 0.18057 -0.50491 -0.6294 -0.22899
cu_nf -0.24942 0.27268 0.48125 0.45587 -0.37664 -0.49487 1 0.3049
pdmax_pd 0.31354 -0.24138 0 34952 0.02103 -0.19765 0.08069 -0.28473 007121 0.73246 0.38144 0.60025 0 20995 0.3049 1
C2s P80 Cu Le n nf ne Sat pdmax jd wopt UV :u nf pdmax_pd
C2s 1 -0.61085 -0.2043S 0 12697 0.25069 0.59453 -0.06414 -0.12921 0.0936 -0.14241 -0.15183 0.12791 -026774 0.45662
P80 -0.61085 1 0.35928 -0.18545 -0.0943 -087519 0.40712 0.11951 -020413 -0.14439 0 26453 0.03073 0.47499 -0.24138
Cu 0.20435 0.35928 1 0.20384 -0.47078 -0.51386 -0.25643 0.26558 0.51379 0.4721 -0.41661 -0.47621 0.98475 0.34952
Cc 0.12697 -0.18545 0.20384 1 -0.09205 0.08523 -0.17446 -0.16412 0.25089 0.31012 -0.02602 0.25793 0 18057 0.02103
n 0.25069 -0.0943 -0.47078 -0.09205 1 0.55335 0.87036 -0.43868 -0.70546 -0.84658 0.58121 0.93708 -0.50491 -0.19765
nf 0.59453 -0.87519 -0.51386 0.08523 0.55335 1 0.07287 -0.31057 -0.17772 -0.28486 0.0736 0.41949 -0.6294 0.08069
ne -0.06414 0.40712 -0.25643 -0.17446 0.87036 0.07287 li -0.34162 -0.73846 -0.84402 0.65107 0.87429 -0.22899 -0.28473
Sat -0.12921 0.11951 0.26558 -0.16412 -0.43868 -0.310S7 -0.34162 1 0.28721 0.35638 -0.50312 -0.20333 0.27268 0.07121
pdmax 0.0936 0.20413 0.51379 0.25089 -0.70546 -0.17772 -0.73846 0.28721 1 0.90782 -0.79127 -073864 0.48125 0.73246
Pd -0.14241 -0.14439 0.4721 0.31012 -0.84658 -0.28486 -0.84402 0.35638 0.90782 1 -0.72386 -0.8813 0.45S87 0.38144
-0.15183 0.26453 -0.41661 -0.02602 0.58121 0.0736 0.65107 -0.50312 -0.79127 -0.72386 1 0 58516 -0.37664 -0.60025
w 0.12791 0.03073 -0.47621 -0.25793 0.93708 0.41949 0.87429 -0.20333 -0.73864 -0.8813 0.58516 1 -0.49487 -0.20995
cu_nf -0.26774 0.47499 0.98475 0.18057 -0.50491 -0.6294 -0.22899 0.27268 0.48125 0.45587 -0.37664 -0.49487 1 0.3049
:
pdmax_pd 0.45662 -0.24138 0.34952 0.02103 -0.19765 0.08069 -0.28473 0.07121 0.73246 0.38144 -0.60025 -0.20995 0.3049
ï

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.

4.5.3. Analyse de régression pour le modèle ajusté

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.

Equation pour cis et c2s W1 R adj

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

c2s = 672.47622 +14.35277 * n - 6.21307 * nc + 2.06996 * Sal

0.7978 0.7304
+0.25323 * pdmax - 0.5572 \ * p d - 27.53323 * w

Cu : Coefficient d'uniformité w : Teneur en eau (%)

n : Porosité totale (%) pdmax : Densité maximale (kg/m3)
nf : Porosité de la fraction fine (%) pd : Densité sèche (kg/m3)
nc : Porosité de la fraction grossière (%) Sat : Degré de Saturation (%)
wOD, : Teneur en eau optimale (%)

1200 -i ■ 1 ' r

+ Modèle - Etat saturé

25 matériaux. 15 état de contrainte
(375 données)

200 400 600 800 1000 1200

Mk mesuré (MPa) état saturé

Figure 4-4 MR prédit vs MR mesuré (à l'état saturé).

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.

Tableau 4-8 RMSE M R prédit vs MR mesuré (état saturé)

Données
Coeff Var RMSE
Moyennes
(%) (MPa)
(MPa)
15.833 71,54 451,823

4.5.4. Commentaires sur le modèle développé

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 :

p-value > 3/10 : Aucun effet,

3/10 > p-value > 1/10 : Pas beaucoup,
1/10 > p-value > 1/20: faible,
1/20 > p-value > 1/100 : appréciable,
1/100> p-value : fort.

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.

Tableau 4-9 Analyse de cis, c2s selon le P-value

cis c2s

Propriétés P value Propriétés P value

Cu/nf : < 0.0001 n: < 0.0001

Coefficient d'uniformité sur Porosité totale (%)
Porosité de la fraction fine (%)
Sat • 0.0001 nc: 0.0004
Degré de Saturation (%) Porosité de la fraction
grossière (%)
Pdmax/Pd : < 0.0001 Sat : 0.0047
Ratio de la Densité Degré de Saturation (%)
w: 0.0001 Pdmax • < 0.0001
Teneur en eau (%) Densité maximale (kg/m3)
wopt: 0.0003 Pd: < 0.0001
Teneur en eau optimale (%) Densité sèche (kg/m3)
w: 0.0008
Teneur en eau (%)

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

Où w : teneur en eau de l'échantillon (%),

Abs : absorption des granulats (%),
Gs : densité brute des granulats,
e : indice des vides de l'échantillon.
58
Il est à noter que pour les constantes cis et c2s, le degré de saturation et w se trouvent
ensemble comme variable explicatives. Une relation de proportionnalité existe entre ces
deux variables, ce qui, à première vue, semble en contradiction avec un des principes de la
régression linéaire multiple qui veut que les variables explicatives soient indépendantes
l'une de l'autre. Par contre, vu l'intervention de l'absorption et de l'indice des vides dans le
calcul du degré de saturation selon la méthode LC 22-400, cette relation de proportionnalité
entre w et Sat se trouve diminuée.

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(%)

Figure 4-5 Sat (%) vs w (%).

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.

4.6. Calcul du AMR

Comme il a été mentionné précédemment, le modèle de prédiction du MR a été développé

pour un degré de saturation élevé, où la valeur AMR de l'équation 4-3 est égale à zéro. Pour
les autres états de saturation (initiale et drainée), il est nécessaire de trouver la valeurA MR.
Cette valeur AMR bonifie la valeur du MR et est trouvée à partir des méthodes développés
dans les études de Bilodeau (2009) et Doucet et Doré (2004) expliquées à la section 2-3-4.

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.

4.6.1. AMR selon la méthode développée par Bilodeau (2009):

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:

AM R (MPa) = S x ASR Équation 4-9

ASR (%) = S R - S Rwl « S R - 1 0 0 Équation 4-10

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
{ % )

Où cis : paramètre de régression (fonction de la contrainte)

b s : paramètre de régression (fonction de Os)
nf : porosité de la fraction fine (%)

Où cis et b s représentent, respectivement, la pente et l'ordonnée à l'origine de la relation

linéaire entre le paramètre nf et S «slope». La figure 4-6 montre les résultats de nf vs S,
calculées pour les données de cette étude, pour des contraintes totales (O) de 100, 400 et
700 kPa.

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(%)

Figure 4-6 Porosité de la fraction fine vs S

En appliquant la méthode de Bilodeau (2009) aux 25 données utilisées, as est exprimé en

fonction O (kPa) et cis en fonction de bs, selon les équations suivantes pour la base de
données ajustée :

a =0.000030 + 0.0206 Équation 4-12

a =-0.00886.+0.0028 Équation 4-13

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

A* mesuré (MPa) - état initial Mi mesuré (MPa) - état drainé

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

Adj. R­Square 0.99896

Value Standard Error
degré de salurati yO ­7.85649 12.45919
o 60­ degré de salurati A1 57.48383 8.30597
degré de saturait ti ­21,87879 9.85918
degré de saturab A2 38.353 5.00533
=3
degré de salurati 12 ­1.59593 0,317

a
<D 40
-m

20

• degré de saturation
ExpOec2Fit of Saturation

­25 ­20 ­15 ­10 ­5

succion matricielle (kPa)

Figure 4-8 Degré de saturation (%) vs la succion matricielle (kPa).

Une fois la figure construite, l'équation de la courbe caractéristique de rétention d'eau peut
être exprimée comme suit :

S „ = 57.48383 *e{-21.87879J , I O - 3 C 3 * -l-1-59593

38.353*e -7.85849 Équation 4-15

Où SR : degré de. saturation (%),

(ua-uw) : succion matricielle (kPa).
64
4.6.3. Résultats à l'état initial et drainé, selon la méthode Doucet et Doré (2004)

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)

1200­ 1 1 T 1 . , , , r­, ­, 1200­

1000­ JJJ 1000­

* ♦♦ A J* ■
3 m + j j + / ­r + *+ + Ë
'c 2 800­
­H 800* +* VJH*3T
3 3 * * * m­&^P* m *
m ■tl)
£ 600­
£ 600­
Y^*Wf*­i*
5
| «o­
.|j 400­ Q.
* 200­
•s /+• | * état initial­ Doucet et Doré| Hjr | + état drainée­Douoet et Doré |
* 200­
0­ 0­
200 4C0 600 800 1000 1200 200 400 600 800 1000
A* mesuré (MPa) état initial A * mesuré (MPa) état drainé

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.

5.7. Base de données pour la validation du modèle

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.

Tableau 5-1 Base de données créée pour la validation du modèle de prédiction du MR

PROPRIETES DE BASE

N. COUCHE CODE D'ÉTAT 5HRPJD granulométrie teneur en eau densité

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

La base de données de validation d'abord a été évaluée selon le modèle de prédiction du MR

développé à la section 4.5 pour l'état saturé. La figure 5-2 montre les résultats obtenus du
MR mesuré vs MR prédit à l'état saturé pour la base de données de la validation.

400 600 800 1000 1200 1400

MR mesuré (MPa)

Figure 5-2 M R mesuré vs M R prédit - état saturé- données de validation.

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%.

Tableau 5-2 RMSE MR mesuré vs M R prédit, modèle de validation.

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.

5.3.1. Différentes méthodes d'essai utilisées

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.

Ces méthodes d'essai du MR peuvent, pour un même échantillon, donner un résultat de MR

significativement différent. Cette différence est due à la position des capteurs LVDT
«Capteur Différentiel Variable Linéaire » dans le montage de l'essai triaxial. Les capteurs
LVDT mesurent les déformations axiales. Ping et coll. (2003) ont étudié les différentes
positions des capteurs LVDT et leurs influences sur les valeurs du MR.

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

HJLL LENGTH LVDT

(20.3-cm LVDT)
POSITION 2

TEST SPECIMEN

MIDDLE LVDT
(10.3-cmLVDT) POSITION 1

LVDT CLAMPS

Figure 5-3 Différentes positions de LVDT (tirée de W. V. Ping et coll. 2003)

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.

Tableau 5-3 Moyenne des proportions du MR (Ping et coll. (2003))

Confining MR Ratio (3.1) MR Ratio (2,1) MR Ratio (3,2)

Pressure
(kPa) A-3 Soils A-2-4 Soils A-3 Soils A-3 Soils
20.68 0.61 0.64 0.67 0.87
34.47 0.60 0.63 0.70 0.84
68.42 0.59 0.61 0.76 0.78
103.42 0.55 0.57 0.79 0.73
137.9 0.54 0.55 0.83 0.69

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.

En effet, la position des capteurs à l'intérieur et à l'extérieur de la chambre pour un même

échantillon donne des valeurs de module réversible différentes. C'est ainsi que les mesures
externes, particulièrement, (LVDT monté à l'extérieur de la cellule triaxiale), peuvent
donner des erreurs significatives aux mesures à cause des diverses interfaces intervenant
dans la déformation, ainsi que de la compression des papiers filtres et des pierres poreuses.
La présence de ces interfaces cause une augmentation de la déformation réversible.
Finalement, ces chercheurs ont conclu que la différence des résultats du MR selon les
positions de LVDT est environ de 25 à 38%. Les résultats utilisés pour le développement
du modèle proviennent d'essais réalisés selon la méthode LC 22 400, pour laquelle la
position des capteurs est au milieu de l'échantillon, c'est-à-dire à la position 1. Selon le
protocole P46 de LTPP programme SHRP, la position des capteurs LVDT est à l'extérieur
de la cellule, c'est-à-dire à la position 3. Ainsi, il est clair qu'une proportion de la
différence existant entre les résultats du MR prédit et MR à cette étape de validation est
explicable par cette constatation.

5.3.1.1. Corroboration avec des données de laboratoire

Afin de valider cette information et de trouver un pourcentage d'écart réel et représentatif

pour les donnés de ce projet de recherche, des mesures du MR à l'intérieur et à l'extérieur
de la cellule triaxiale ont été prises au laboratoire de l'Université Laval. Ces mesures ont
été recueillies pour des matériaux semblables aux matériaux de cette étude. Le tableau 5-4
montre les différents résultats selon la position 1 (au milieu de l'échantillon ou mesure
interne) et la position 3 (à l'extérieur de la cellule ou mesure externe) (figure 5-3).

72
 Tableau 5-4 Résultats de laboratoire selon la position des capteurs LVDT

RÉSULTAT MESURE INTERNE RÉSULTAT MESURE EXTERNE

Resilient axial micro-strain 302,1 Resilient axial micro-strain 656
Resilient actuator micro-strain 706,2 Resilient actuator micro-strain 793

Resilient axial Interne =0.52*Resilient axial Externe

Resilient axial Externe =1.93*Resilient axial Interne

En général, il est possible de constater que la relation de la déformation réversible er au

milieu et à l'extérieur de la cellule triaxiale, au laboratoire est dans la même grandeur que
la valeur trouvée dans la littérature. C'est ainsi qu'au laboratoire la mesure au milieu de
l'échantillon correspond à 0.52 fois la mesure externe et, selon les études de Ping et coll.
(2003), pour les sols semblables A-2-4 (GM, SM) et à une contrainte de confinement de
103.4 kPa, la mesure au milieu de l'échantillon correspond à 0.57 fois la mesure externe.

5.3.2. Effet de saturation des éprouvettes

Comme il a été expliqué à la section 4.3, le modèle de prédiction du MR a été développé à

l'état saturé. Par contre, les données de la validation se trouvent à un degré de saturation en
moyenne 55%. Le tableau 5-5 montre la différence des degrés de saturation pour ces deux
bases de données.

Tableau 5-5 Valeurs maximales, minimales et moyennes des bases de données.

granulométrie teneur en eau densité
Cu n % i\ Sa wop, w Pdmax Pd
(%) (%) (%) (%) (%) (%) (kg/m3) (kg/m3)

max 117 36 95 43 100 13.1 17.0 2442 2280

B.D modèle de prédiction min 3 13 55 18 69 4.3 7.1 1579 1686
moyenne 44 19 80 24 88 5.9 9.2 2206 2142

max 116 41 94 45 77 16.0 15.5 2307 2216

B.D modèle de validation min 3 16 68 22 30 5.0 3.2 1666 1575
moyenne 40 23 79 29 55 6.9 6.2 2171 2046

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

100 200 300 400 500 600

A * mesuré (MPa)

Figure 5-4 MR mesuré vs MR prédit (à l'état saturé, 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

6.1. Revue critique

La réalisation de cette recherche a permis d'apprécier l'influence des propriétés des

matériaux de fondation en relation avec le MR. Tout d'abord, la création d'un modèle avec
des données typiques du Canada, et en particulier du Québec, qui incluent la granulométrie,
la teneur en eau, la densité et l'état de contraintes, a mis en évidence un avancement dans le
domaine de la conception de chaussées.

Comme il a été mentionné à plusieurs reprises, le MR est le paramètre le plus important

pour la conception et le dimensionnement d'une chaussée. Au Québec, le Ministère des
Transports utilise, afin de trouver le MR, des valeurs des constantes k2 et kl du modèle K-
0 . Par exemple, pour les matériaux de fondation MG-20 constitués de pierres concassées
(100% de particules fracturées), qui varient respectivement entre 0,550 et 0,650 et 8 000 à
15 000 kPa. En ce sens, le travail accompli dans le cadre de cette maîtrise donne une très
bonne approximation, car il permet de considérer les propriétés des matériaux et de
discrétiser le MR en fonction de leurs caractéristiques

En ce qui concerne les données pour le développement du modèle de prédiction, il aurait

été souhaitable d'incorporer plus de données afin de rendre le modèle plus robuste d'un
point de vue statistique. De plus, des analyses de régression non linéaires auraient pu être
étudiées plus en profondeur. D'ailleurs, avec les données existantes, les lois constitutives
d'Uzan, K-9 et la loi de la méthode d'essai LC22-400 (2006) ont été étudiées. Les
meilleurs résultats ont été obtenus avec la loi linéaire de la méthode d'essai LC22-400
version 2004.

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.

Finalement, la réalisation de ce projet de recherche a permis de prendre en compte

l'importance du A/R et des facteurs qui l'influencent. Par conséquent, ce projet de recherche
est très innovateur dans le contexte du Québec, car malgré le peu de données disponibles, il
a été possible de développer un modèle performant.

6.2. Applications pratiques

6.2.1. Logiciel Chaussée2 et modèle de prédiction du MR

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.

En ce qui concerne le nombre de passages admissibles à la fatigue et à l'orniérage, une

comparaison a été réalisée, pour la couche de fondation, entre les valeurs par défaut du MR
du logiciel Chaussée 2 et les données trouvées selon le modèle de prédiction développé
dans le cadre de ce projet de recherche. Dans un premier temps, une structure de chaussée
typique de 160 mm de revêtement, 300 mm de fondation, 400 mm de sous fondation
reposant sur un sol d'infrastructure SC grossier (moins de 30% de particules fines) a été
définie (figure 6-1).

Fatigue

Sous-
Fondation

Orniérage
Sol
D'infrastructure

Figure 6-1 structure de chaussée pour le calcul de Nf et N,,.

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.

1*3 rwtMr M b M «fccf­ig* Mo*, M O t * fenélre ? ! ­ : # x

lotsi^lBl â­a! i? l
| Segment homogène Obiectifs Climoi

i JAntoreute j j iQuêteca ChoH |

| C L » ­ * de in­fc IDJMA ­ m e t s ) Zone 1M Toa «a 3K

M5 | M ]1236 J1K1

j Amfe) ÉCAS(n*­nj) Smulatton PR IG

; j x ISJO P SWSÊGSï |

BB i ­ o w ' e i Tan piocha­n 0 mn

5_­~J fwT"
r *
maasstf
STRUCTURAL j G E L Ï GELfl9S4)i
f M> Mfeft«*l • i eut
MM*, i 0 WP«I (pe­' )
m SM W18
; (tWÎ

HÉ flJDO pfÏQrt j4 jï i jjë ; fa»

: 2 JMG 20 Z l I300 •JJI jl.00 )144 j0.1 jO.B J3.73 J5.433
: | 5­/TJ
_3JJMG112[e*Huartl«s.iUe ­ I |*00 }l.0O {87 JG.03 J0.8 |4.B8 } 12.03
j 3»
'1 Jl r_i
ii i r i i 1 1—
"1 Jl i i i i 1 1—
! 1 1 1 1 1
■i JI: i i i i 1
" «J
: S {SC { p n * * t f r a t . d e 3 L Z m $ * * * ' * i l .00 J57 *É»a»*­n« loti
1
' M.­­­­£3MF
] 32­06
zm­H
fîéri6akc( «t iMt*ûui 1

Figure 6-2 Résultats du logiciel Chaussée 2

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.

Afin de trouver les valeurs de Nf et Np (nombre de passages admissibles à la fatigue et à

l'orniérage), les équations de Y Asphalt Institute ont été utilisées :

­.«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

1,8 Logiciel Chaussée 2

co MR= 144MPa
1,6 Nf=1,2
p 1-1.9
"-—" 1,4
Z..
O)
-4—<

£ 1,2
*r 1,0 121-202
~> v
0,8
120 140 160 180 200
MR Fondation (MPa)

Figure 6-3 Nombre de passages admissibles à la fatigue en fonction du MR

Dans le même ordre d'idées, mais cette-fois-ci avec le Np ou nombre de passages

admissibles à l'orniérage, il est possible de constater une variation entre 25 et 43 millions,
pour les mêmes matériaux de fondation.

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)

Figure 6-4 Nombre de passages admissibles à l'orniérage en fonction du MR

6.2.2. D ifférences du MR entre le modèle de prédiction et l'essai au laboratoire

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.

À Québec, il existe deux machines de ce type, la première se trouve aux installations du

MTQ et la deuxième se trouve à l'Université Laval. Cependant, ces machines sont utilisées
surtout pour la recherche. L'obtention d'une presse triaxiale hydraulique est dispendieuse et
les coûts reliés à la réalisation d'un tel essai sont importantes.

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

Essais avec l'utilisation du modèle de

Essai MR
prédiction

Proctor

Granulométrie Essai Triaxial

Densité de grains

(-=450 $ CAN) ~ 1500 SCAN

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.

6.3. Besoin de recherches additionnelles

Dans le cadre de recherches futures, il serait important de développer un modèle équivalent

pour les sols à grains fins, tout en travaillant avec les mêmes principes généraux. Il serait
aussi intéressant de considérer des modèles non linéaires. Cette tâche pourrait permettre
d'augmenter la capacité prédictive du modèle ainsi que le niveau de confiance associé à la
prédiction.

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

Le grand nombre de modèles d'estimation trouvé dans la littérature témoigne de la

complexité existant derrière l'obtention du MR. Cette complexité est attribuable aux divers
facteurs qui influencent ce paramètre. Les conclusions suivantes sur l'utilisation, l'erreur
quadratique moyenne et la signification statistique ont été tirées après la réalisation de cette
étude :

Le modèle d'estimation du MR des matériaux granulaires fournit une première

approximation statistiquement significative en comparaison aux approximations
utilisées actuellement au Québec.

Le modèle de prédiction prend en compte l'ajustement dû au degré de saturation, c'est

ainsi qu'il est possible avec ce modèle de trouver le MR à n'importe quel degré de
saturation, avec l'inclusion du AMR dans l'équation du MR.

L'utilisation de la méthode de Bilodeau (2009) afin de déterminer le AMR s'est avérée

plus adaptée aux données utilisées pour le développement du modèle.

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.

En ce qui concerne l'erreur quadratique moyenne, ce modèle proposé a une bonne

capacité prédictive avec un RMSE de 15.833%.

84
Le modèle linéaire d'estimation est le plus adéquat, cela parce qu'il donne des meilleurs
corrélations.

La valeur de cis est en fonction des propriétés physiques : coefficient d'uniformité,

porosité de la fraction fine, degré de saturation, densité maximale, densité sèche, teneur
en eau et teneur en eau optimale.

La valeur de c2s est en fonction des propriétés physiques : porosité, porosité de la

fraction grossière, degré de saturation, densité maximale, densité sèche et teneur en
eau.

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

AASHTO American Association of State Highway and transportation Officials., 1986,.

Guide for Design of Pavement Structures. Washington, D.C.

AASHTO American Association of State Highway and transportation Officials., 1993,.

Guide for Design of Pavement Structures. Washington, D.C.

AASHTO American Association of State Highway and transportation Officials., 2003,.

T3 07-99. Standard Test Method for Determining the Resilient Modulus of Soils and
Aggregate Materials.

AASHTO American Association of State Highway and transportation Officials., T 190-02

Standard Method of Test for Resistance R- Value and Expansion Pressure of
Compacted Soils American Association of State and Highway Transportation
Officials.

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.

AFNOR Association Française de Normalisation, NF EN 13286-7. Mélanges avec et sans

liant hydraulique - Méthodes d'essai - Partie 7 : Essai triaxial sous charge
cyclique pour mélanges sans liant hydraulique.

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.

Barksdale, R. et Itani, S., 1989. Influence of aggregate shape on Base Behavior.

Transportation Research Record 1227, pp 173-181.

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,

Bilodeau, J.-P., 2009. Optimisation de la granulométrie des matériaux granulaires de

fondation des chaussées. Université Laval, Québec, Canada
86
BNQ. 2002. Travaux de génie civil - Granulats. Bureau de normalisation du Québec, NQ-
2560-114.

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.

Carmichael, R.F., III et E. Stuart., 1985. Predicting Resilient Modulus: A study to

Determine the Mechanical Properties of Subgrade Soils. Transportation Research
Record 1043, Transportation Research Board, national Research Council,
Washington, D.C

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.

Côté J. et Konrad J.-M., 2003. Assessment of the hydraulic characteristics of unsaturated

base-course materials : a practical method for pavement engineers. Canadian
Geotechnical Journal, 40(1): 121-136.

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.

Drumm, E.C, J.S. Y. Boateng-Poku, et T. Johnson Pierce., 1990. Estimation of Subgrade

Resilient Modulus from Standard Test. Journal of Geotechnical Engineering, Vol.
116, No. 5, pp. 774-789.

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.

Garry H. Gregory et Stephen A. Cross, 2001, Correlation of California Bearing Ratiowith

Shear Strength Parameters, Transportation Research Record: Journal of the
87
 Transportation Research Board,No. 1989, Vol. 1, Transportation Research Board of
the National Academies,Washington, D.C, 2007, pp. 148-153.

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.

Gupta, S.A, A. Ranaivoson, T. Edil, C. Benson, et A. Sawangsuriya., 2007. Pavement

Design Using Unsaturated Soil Technology. Report No. MN/RC-2007-11, Final
Research Report submitted to Minnesota Department of Transportation, University
of Minnesota, Minneapolis.

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.

Heukelom W. et Klomp A. J. G., 1962. Dynamic Testing as a Means of Controlling

Pavements During and After Construction. Proceedings, International Conference
on the Structural Design of Asphalt Pavements, University of Michigan.

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.

Holtz R.D et Kovacs W. D., 1991. Introduction à la géotechnique. Presses internationales

Polytechnique.

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.

Khoury, N. N. et Zaman M. M., 2004. Correlation Between Resilient Modulus, Moisture

Variation, and Soil Suction for Subgrade Soil. Transportation Research Record:
Journal of the Transportation Research Board, No. 1874, TRB, National Research
Council, Washington, D.C, 2004, pp. 99-107.

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.

MTQ., 2006. Méthode LC 22-400, Détermination du module réversible des matériaux

granulaires. Ministère de Transport du Québec.

MTQ., Transport Québec, "Grand publique" Réseau routière,

[M*W*M*. mtq.gouv. qc.
ca/portal/page/portal/grand_public/vehicules_promenade/resea
uroutier] (page consultée le 15 septembre 2009).

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.

Robert C , Doucet F, St-Laurent D., 2002. La caractérisation et l'application du module

réversible des matériaux granulaires de chaussée au ministère des Transports du
Québec. 2e conférence spécialisée en génie des matériaux de la société canadienne
de génie civil, Montréal Canada.

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.

Seed, H.B. et C K . Chan., 1959. Structure and Strength Characteristics of Compacted

Clays. ASCE Journal of Soil Mechanics and Foundations Engineering, Vol. 85, No.
5, pp 87-128.

SETRA-LCPC, 1994, Conception et Dimensionnement des structures de chaussées, Guide

technique, France.

Theyse, H. L. 2002. Stiffness, strength and performance of unbound aggregate material:

Application of South African HVS and laboratory results to California flexible
pavements. Report for the California Pavement Research Program, University of
California, Pavement Research Center.

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.

Uzan, J., 1985. Characterisation of granular materials. Transportation Research Record

1022, Transportation Research Board, National Research Council, 52-59.

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.

Yau, A. and H. Von Quintus, 2004, Predicting Elastic Response Characteristics of

Unbound Materials and Soils, Transportation Research Record 1874,
Transportation Research Board, National Research Council, Washington, D.C.

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.

Zeghal M. et Walaa E. I. Khogali., 2002. Effect of elongated particles on the resilient

modulus of mineral aggregates. 2nd Material Specialty Conference of the Canadian
Society for Civil Engineering, 5-8 juin Montréal, Québec, Canada

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.

Syntaxe de la procédure PROC CORR

BY variables;
FREQ variable;
92
ID variables;
PARTIAL variables;
VAR variables;
WEIGHT variable;
WITH variables;

Syntaxe de la PROC REG:

PROC REG <options> ;

<label:>MODEL dependents=<regressors> </ options> ;
BY variables;
FREQ variable;
ID variables;
VAR variables;
WEIGHT variable;
ADD variables;
DELETE variables;
<label:>MTEST <equation, ...,equation> </ options> ;
OUTPUT <OUT=SAS-data-set>< keyword=names> <...keyword=names>;
PAINT <condition | ALLOBS> </ options > | < STATUS | UNDO>;
RESTRICT equation, ..., equation ;
REWEIGHT <condition | ALLOBS> </ options > | < STATUS | UNDO ;
PLOT <yvariable*xvariable> <=symbol> < ..yvariable*xvariable> <=symbol>
</ options> ;
PRINT <options> <ANOVA> <MODELDATA> ;
REFIT ;
RESTRICT equation, ..., equation ;
<condition | ALLOBS> </ options > | < STATUS | UNDO;
equation,<,...,equation> </ option>

93
 ANNEXE B
LES VALEURS MESURÉES AU LABORATOIRE POUR LES
CONSTANTES Cl ET C2, À L'ÉTAT INITIAL, DRAINÉ ET
SATURÉ.

Résultats pour la base de données préliminaire (33 données).

94
 Modèle LINEAIRE
TYPEDESOL N. USCS initial saturé drainé
cl c2 cl c2 cl c2

cs 1 SW-SM 0,95 90,3 0,72 78 0,713 78,1

CM 2 GW 0,82 108,9 0,66 92 0,676 92,9
V)
CIS 3 GW 0,96 109,1 0,75 96,1 0,734 89,5
e
O CSS 4 SW-SM 1,13 102,1 0,92 88,7 0,915 96,6
3 CS 5 SW-SM 1,47 132,9 1,39 93,3 1,381 108
a
<a CM 6 GW 1,56 137,1 1,48 132 1,534 125
"O
o CSI 7 SW-SM 1,4 125,7 1,34 108 1,346 104
•3 h.
sa
d CIS 8 GW 1,58 138,11,49 123 1,467 140
M S3
U CSS 9_ _ SW^SM 1,14 237,8 .1,14 j 107 _ 1J43 _123_
1-5 CM 10 GW 1,02 95,3 1 74,5 1,008 70,7
U CI 11 GW 1,07 100,5 1,03 95,4 1,036 87,4
CQ
CIS 12 GW 1,16 105,6 1,09 89,3 1,11 93,8
■
PQ CSS 13 SW-SM 0,82 111,2 0,74 82 0,748 86,9
Calcaire 14 GW jy^Jj&A-, 1,39 160 1,337 178
Basalte 15 GW 1,15 129,8 1,14 124 1,136 122
820605B 16 GP 1,48 127 1,41 65 1,434 53
83080IB 17 SP-SM 1,3 137 1,28 74 1,241 91
n 890702B1 18 SP-SM 1,19 107 1,07 47 1,061 55
es
s oa 890702B2 19 SP-SC 0,99 120 0,86 78 0,845 99
o
810404SB 20 GW-GC 0,91 113 0,82 80 0,843 84
a 820605SB 21 SP 1,46 137 1,6 134 1,454 124
ta
830801SB 22 SW-SM 1,22 113 1,24 42 1,236 57
a 0*
PQ 840604SB 23 GW 1,2 104 1,05 69 1,101 75
Jfi
850601SB 24 GP-GM 1 72 0,86 60 0,872 72
= 890702SB 25 SP-SC 0,7 98 0,7 70 0,686 80
Cfl

95
 ANNEXE C
RESULTATS LOGICIEL SAS

Résultats pour la base de données préliminaire (33 données).

96
 Le Système SAS 16:41 Tuesday, Harch 23, 2010 1

Procédure REG
Modèle : tlOOELI
Vari ab1e dépendan te : cis

Nombre d'observations lues 33

Nombre d'observations utilisées 33

Analyse de variance

Sonne d e s Moyenne Valeur

Source DDL carrés q u a d r a t ique F Pr >F

Modèle 5 1.60369 0.32074 6.42 0.0005

Erreur 27 t.34829 0.04994
T o t a l sommes c o r r i g é e s 32 2.95199

Rac i ne MSE 0 .22347 R carré 0 5433

Moyenne dépendan t e .04600 R car. ajust. 0 4587
Coeff Var 21 .36379

Valeurs estimées des paramètres

Valeur estimée Erreur

Mariable DDL des p a r a m è t r e s type Valeur du test t Pr > it!

Intercept -8.76682 1 .96155 4.47 0.0001

cu n f -0.43476 0.12254 3.55 0.0014
Sat 0.02762 0.00701 3.94 0.0005
pdma*c_pd 7.37155 1.49736 4.92 <.0001
w -0.10217 0.02797 3.65 0.0011
wopt 0.16829 0.04598 3.66 0.0011

P r o c e d u r e BEG
fedèle : MOOtl l
V a r t a b l a dépendante : cis

Noobre d ' o b s e r v a t i o n * lue* 33

Noafaro d ' o b s e r v a t i o n s utilisées 33

A n o l y M da v a r i a n c e

Somma d e s Moyenne Vale ur

Source ML carré* quadratique Pr > F
Modèle 5 1.60363 0.32074 6.42 O.OOOS
Erreur tt 1.34829 0.04994
T o t a l so-nnes c o r r i g é e * 32 2.9SI99

Hoc n i e MUE 0 22347 R carré 0.5433

Moyenne d é p e n d a n t e 1 04600 R car. ajust. 0.4587
Coeff var 21 3 6 3 7 9

Valour* M t l f t é e * d s * paramétre*

Valeur estimée En-oo-r

Vor f a b l e OOt d e * para-métré* typ* Vo l e u r (tll l e s t t Pr > U l
Intercept 1 -8.7C&8? 1.96ISS -4.47 0.0001
ou_nf t -0.43476 0.I22S4 -3.S5 0.0014
Sat 1 0,02/62 0.00701 3.94 0.0005
pdaax_pd 1 7.37155 1.49736 4.92 <.000l
w 1 .0.10217 0.02797 -3.65 0.0011
wopt 1 0.16829 0.0459B 3.66 o.oou

Résultats pour la base de données ajustée (25 données).

97
 Le Système SAS 08:38 Friday, February 5, 2010

Procédure REG
Modèle : M O D E M
Variable dépendante : cis

Nonbre d'observations lues 25

Nombre d'observations utilisées 25

Ana 1 y s e de K/ar i a n c e

Somme des Moyenne Valeur

Source DDL carrés quadrat îque F Pr > F

Modèle 5 1.39322 0.278E4 10.12 <.0001

Erreur 19 0.52299 0.02753
corr i gées 24 1.91621

Racine MSE 0.16591 R carré 0 7271

Moyenne dépendante 1.08588 R car. ajust. 0 6552
Coeff Var 15.27877

Valeurs estimées des par amè très

Valeur estimée Erreur

Variabl DDL des paramètres type Valeur d u test t Pr > iti
Intercept -8.97620 I.82209 4.93 < 0001
cu_nf -0.50796 0.09866 5.15 < 0001
Sat 0.02717 0.00568 4.79 0 0001
pdmax_pd 7.72547 1.42609 5.42 < 0001
w -0.10661 0.02252 4.73 0 0001
wopt 0.16825 0.03782 4.45 0 0003

Le Système SAS 08:36 Friday, February 5, 2010

Procédure REG
Modèle : M0DEL1
Variable dépendante : c2s

Nombre d'observât i ons 1ues 25

Nombre d'observations utilisées 25

Analyse de variance

Somme des Moyenne Va 1 eur

Source DDL carrés quadra t i que F Pr > F

Modèle 6 15077 2512.86183 11.84 <.0001

Erreur 18 3820.74902 212.26383
Total s corr i gées 24 18898

Rac ine MSE 14 56928 R carré 0.7978

Moyenne dépendante 90 44000 R car. ajust. 0.7304
Coeff Var IC 10933

Valeurs estimées des paramètres

Valeur estimée Erreur

Vari ab1e DOI des paramètres type Valeur du test t Pr > ît!
Intercept 672.47622 160.67274 4.19 0.0006
n 14.35277 2.71110 5.29 <.0001
nc -6.21307 1.43215 -4.34 0.0004
Sat 2.06996 0.64199 3.22 0.0047
pdmax 0.25323 0.04848 5.22 <.0001
pd -0.55721 0.09979 -5.58 <.0001
w -27.53323 6.87902 -4.00 0.0008

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

VL s |S S1 S, ,s '2 „ 's *!> . U

Tj­i
■7 sfc «P B ' V l
■s ë Blg
l«3 CO ■
^ I O I , ^v i %S Si"?
gg 6'2 1 t/3 [ô.
/] |o­
WJ ■
y. en , ■ C/l

c. CQ ' CO
PM I N

a VI ^ ÈQ !ÊS ^iss!^ Z S2'£

V>
0
SA
i
■ 0
, ae
tm OQ
fN
O
ICQ

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