Académique Documents
Professionnel Documents
Culture Documents
MEMOIRE
Présenté à
En vue de l’obtention
Par
Ilhem Msehli
En guise de reconnaissance, je veux remercier toutes les personnes qui, par leurs conseils, leur
collaboration ou leur soutien moral et leur amitié, ont contribué à la réalisation et à
l'achèvement de ce travail.
J’exprime mes vifs remerciements à Monsieur Amjad Kallel, pour ses remarques et
suggestions sans lesquelles ce travail n'aurait pas lieu, sans oublier son apport pédagogique
pendant les cours à l’école nationale d’ingénieure de Sfax. Vos encouragements inlassables,
votre amabilité, votre gentillesse méritent toute admiration. Je saisie cette occasion pour vous
exprimer ma profonde gratitude tout en vous témoignant mes respects.
J’exprime mes profonds respects et toutes mes gratitudes à Monsieur François Duhaime, de
m'avoir suivi durant ce stage. Veuillez trouver ici l’expression de mes respectueuses
considérations et mes profondes admirations pour toutes vos qualités scientifiques et
humaines.
J’adresse également mes remerciements à tous mes collègues du laboratoire LG2 dans le
département génie de la construction à l’ETS : Traoré Mohamadou, Harold Simo Tenekam,
Dol Mathilde, Sona Mirela, Bouin Céline, El Mekari, Khalil d’avoir répondu présent à plein
temps. Je tiens à souligner la disponibilité et la rigueur des techniciens du département de
génie de la construction et notamment celui qui m’a pris en charge Vadeboncoeur Alexis.
Dédicace
Je dédie cet humble et modeste travail avec un grand amour, sincérité et fierté
A mes chers frères Hamdi et Iheb, mes chères sœurs Ameni et Cheyenne, mon neveu
Rayan et ma nièce Lina
Avec autant de chance, je ne peux que remercier Dieu de m’avoir offert les plus
adorables personnes dans ma vie. Je vous souhaite la santé
et le succès. Que ce travail soit l’expression de mon grand
Amour et de mon attachement.
Je vous aime mes rayons de soleil.
Merci pour votre présence toujours à mes côtés et votre soutien moral. Je vous
aime.
Merci beaucoup mes chers pour tout. Vous êtes les meilleurs !
Sincèrement
Ilhem
Table des matières
Introduction ............................................................................................................................................................. 1
Chapitre 1 : Revue de littérature et généralités ....................................................................................................... 3
1.1. La courbe granulométrique et son importance en géotechnique .............................................................. 3
1.2. Méthodes pour déterminer la courbe granulométrique ............................................................................ 4
1.3. Importance de granulométrie par technique d’analyse d’image ................................................................ 5
1.3.1. Approche déterministe ........................................................................................................................ 6
1.3.2. Approche statistique ......................................................................................................................... 10
1.3.3. Les bases de données pour granulométrie par technique d’analyse d’images ................................. 13
1.4. Réseaux de neurones et intelligence artificielle ........................................................................................ 14
1.4.1. Définition d’un neurone artificiel (formel) ............................................................................................. 14
1.4.2. Fonction d’activation ......................................................................................................................... 15
1.4.3. Retro-propagation ............................................................................................................................. 16
1.4.4. Les types des réseaux de neurones ................................................................................................... 17
1.4.5. Utilisation de réseau de neurones dans le domaine de géotechnique ............................................. 19
Chapitre 2 : Matériels et méthodes ........................................................................................................................ 22
2.1. Préparation et Séparation des échantillons ............................................................................................. 22
2.2 Analyse granulométrique par tamisage ..................................................................................................... 25
2.3. Montage expérimental et base de données ............................................................................................. 29
2.4. Traitement des images et extraction des caractéristiques ....................................................................... 33
2.4.1. Traitement des images ...................................................................................................................... 33
2.4.2. Entropie locale ................................................................................................................................... 37
2.5. Création de Réseau de neurones .............................................................................................................. 38
Chapitre 3 : Résultats et discussion ....................................................................................................................... 44
3.1. Résultats et discussion ............................................................................................................................... 44
3.1.1. Cartes d’entropie locale ..................................................................................................................... 44
3.1.2. Les données pour l’entraînement, la validation et le test de Modèle ................................................. 47
3.1.3. Prédiction de pourcentages de passants à partir de réseau de neurones ............................................. 53
Conclusion ............................................................................................................................................................ 56
Recommandations ................................................................................................................................................. 57
i
Table des figures
Figure 1. Gamme de tailles de particules pour les différentes méthodes d'analyse granulométrique............. 5
Figure 2. exemple d’une image subit les opérations morphologiques , a) image originale , b) image erodée
, c)image dilatée (Outal,2006) ......................................................................................................................... 6
Figure 3. Exemple de résultats avec WipFrag : Vue du filet, des contours, de l'histogramme et de la
courbe de taille cumulative d'un bloc fragmenté au niveau du banc des morts-terrains mous du projet
Kusmunda (Singh et al. 2016) ......................................................................................................................... 8
Figure 4. Diagramme illustre les étapes de détermination de PSD avec WipFrag ........................................ 8
Figure 5. a) image originale, b) résultats traitement de 2D d’image, c) application d’ouverture sur l’image
binaire : les zones blanches sont les surfaces passantes ................................................................................. 9
Figure 6. a) 4 voisinages, b) 8 voisinages ou 3x3 voisinages, c) 5x5 voisinages (Temimi ,2020) ............... 11
Figure 7. Analogie entre le neurone biologique et le neurone formel (Zemouria et al.,2019) ..................... 14
Figure 8. Illustration de modèle d’un neurone artificiel (Djeriri,2017)..................................................... 15
Figure 9. Architecture de réseau de neurones classique (Neural architecture Aspexit, 2019) ..................... 17
Figure 10. Architecture de réseau de neurones récurrents (Kriger,2007) ..................................................... 18
Figure 11. Architecture classique d'un réseau de neurones convolutifs (Blanc Durand ,2018) ................... 18
Figure 12. Réseau de neurones artificiels pour prédire le pourcentage de passant pour une série de tamis
(Manashti et al, 2020).................................................................................................................................... 19
Figure 13. Paniers de matériau granulaire dans l’étuve................................................................................ 22
Figure 14. Illustration de tamisage de matériau par un tamis 10 mm........................................................... 22
Figure 15.les diagrammes de séparation des 4 échantillons en 64 sous échantillons avec les quatre
méthodes utilisées ......................................................................................................................................... 22
Figure 16.illustration d’échantillonnage par pile unidimensionnelle ........................................................... 23
Figure 17.illustration d’échantillonnage par mini pile ................................................................................. 24
Figure 18.illustration de l’échantillonnage par quartage .............................................................................. 24
Figure 19. Illustration de l'échantillonnage par pelletage fractionné ............................................................ 25
Figure 20. Organigramme de tamisage composite ....................................................................................... 27
Figure 21. Schéma de tamisage à une seule série de tamis .......................................................................... 28
Figure 22. Photo des séries des tamis utilisées pour tamisage des échantillons ........................................... 29
Figure 23. Représentation de montage ....................................................................................................... 30
Figure 24. Photos de trois conteneurs........................................................................................................... 31
Figure 25. Exemple de photographie : a) du dessus, b) du dessous ............................................................. 32
Figure 26. Les quatre photographies de premier échantillon issu de pelletage fractionné ........................... 32
Figure 27. Photographie avec échelle ........................................................................................................... 33
Figure 28. Conversion d’image en niveaux de gris : a) image réelle, b) image en niveaux de gris............. 34
Figure 29. Code MATLAB pour traitement d’images et calcul d’entropie .................................................. 35
Figure 30. Exemple des disques (filtres) utilisés (r = 1, r= 2, r = 4 et r = 6) (Manshati, 2020). ................. 37
Figure 31. Architecture de réseau de neurones MATLAB ........................................................................... 40
Figure 32.code MATLAB d’entrainement, de validation et de test de réseau de neurones ......................... 42
Figure 33.Carte entropie avec disque (r=1pixels) ........................................................................................ 45
Figure 34.Carte entropie avec disque (r=15 pixels) ..................................................................................... 45
Figure 35. Script python de carte entropie (r=1) ......................................................................................... 46
Figure 36. Script python de carte entropie (r=15) ....................................................................................... 46
ii
Figure 37. Courbes granulométriques de 16 échantillons issus de quartage............................................... 47
Figure 38. Courbes granulométriques de 16 échantillons issus de pelletage fractionné ............................. 48
Figure 39. Courbes granulométriques de 16 échantillons issus de pile unidimensionnelle ......................... 48
Figure 40. Courbes granulométriques de 16 échantillons issus de mini pile ............................................... 49
Figure 41. Les courbes granulométriques des 64 échantillons (base de données DIlhem) ............................. 49
Figure 42. Les deux fuseaux granulométriques de données de Géo Niagara et données de DIlhem ............. 50
Figure 43. les deux fuseaux granulométriques de données d’entrainement , de validation et de test de
ANN_ilhem .................................................................................................................................................... 51
Figure 44. Résultats de prédiction de granulométrie par ANN_ilhem : pour les tamis 4.75 mm, 2 mm, 0.85
mm ,0.425 mm et 0.25mm l’ensemble des tamis pour les images (Dilhem) ..................................................... 53
iii
Liste des tableaux
iv
Liste des unités de mesure et d’abréviation
2 D : bidimensionnelle
3 D : tridimensionnelle
E : échantillon
μm : micromètre
mm : millimètre
in : Inches
v
Introduction
En effet, la distribution granulométrique des matériaux a un rôle capital dans les domaines
de géotechnique et géo-environnement comme la classification et l’identification des sols, la
préparation des mélanges de béton et la construction des barrages en terre (Hryciw, Ohm et
Zhou., 2013).
En outre, on peut déterminer la distribution de taille des particules par plusieurs méthodes.
Cependant, chaque méthode est applicable pour une gamme des particules bien déterminée.
Parmi les méthodes les plus anciennes et les plus utilisées, on peut citer le tamisage qu’est par
voie sèche où par voie Humide, la sédimentométrie, la centrifugation et la diffraction laser mais
ces méthodes sont très lentes et délicates puisqu’elles doivent être exécutées strictement selon
des normes bien validées. Ainsi, une méthode récemment utilisée qu’est plus simple et plus
rapide basée sur les techniques d’analyse d’images, attire plus l’intérêt. Avec cette méthode, on
peut déterminer la granulométrie d’un matériau en se basant sur les photographies.
En effet, cette méthode est basée sur deux approches : approche déterministe et approche
statistique.
La problématique la plus importante de cette méthode est le besoin des quantités importantes
de données pour entrainer, valider et tester le réseau de neurones.
Ainsi, l’objectif principal de ce mémoire est l’enrichissement de la base de données des images
de matériau granulaire et par la suite à extraire des caractéristiques texturales en utilisant
l’entropie locale. Le deuxième objectif est de développer un réseau de neurones de prédiction
afin de déterminer les pourcentages de particules passants sur chaque tamis en se basant sur le
code ANN3 de François Duhaime.
1
dans le cadre de ce projet. Les méthodes de séparation des échantillons, les matériels utilisés
comme le montage, les caméras. En plus, les méthodes de traitement d’images afin de les
préparer pour l’extraction des caractéristiques. Cette partie présente aussi la méthode
d’extraction des caractéristiques qu’est l’entropie et le réseau de neurones utilisé. Le chapitre 3
expose les résultats obtenus par le réseau de neurones. Finalement, une conclusion et certaines
recommandations sont proposées.
2
Chapitre 1
Revue de littérature et généralités
Chapitre 1 : Revue de littérature et généralités
Cette courbe présente la distribution de taille de particules en fonction des masses. L’axe des
abscisses présente la dimension des mailles des tamis (échelle logarithmique) et l’axe des
ordonnées présente les pourcentages en masse des retenues ou passants.
En outre, cette courbe est obtenue par deux méthodes complémentaires : l’une pour la classe
des particules supérieure à 75 µm et l’autre pour la classe des particules inférieure à 75 µm. On
utilise le tamisage comme méthode pour déterminer la granulométrie du sol lorsqu'on a des
particules entre 75 µm et 75 mm. Pour cela on utilise les tamis d’ouverture 75 mm (3 pos) et le
tamis n°200 (75 µm) comme c’est mentionné dans la norme D7928 de l’ASTM (2021).
Lorsqu'on a la graduation des particules plus fines que les tamis No.200 (75 µm) et plus grosses
que 0,2 µm, on utilise la sédimentométrie comme c’est mentionné dans la norme
D6913/D6913M de l’ASTM (2017).
Ainsi, cette courbe a une importance capitale dans le choix de la conception, le contrôle de la
qualité des filtres de drainage et du drainage des eaux souterraines. Aussi, la granulométrie est
un facteur déterminant pour le choix des options pour le compactage dynamique et l'injection
de coulis. De plus la conductivité hydraulique, la compressibilité et la résistance au cisaillement
sont liées aux distributions des tailles des particules comme c’est mentionné dans la norme
D7928 de l’ASTM (2021).
3
1.2. Méthodes pour déterminer la courbe granulométrique
La courbe granulométrique est composée de quatre parties, chaque partie reflète une classe du
sol comme c’est indiqué dans la norme D2487 de l’ASTM (2017) (tableau1).
Cailloux et
Tamis 75 mm (3-in)
blocs
Chaque méthode est applicable à une gamme des particules bien déterminée. Par exemple, pour
les particules fines de taille inférieure à 75 μm on peut utiliser la sédimentométrie, la
centrifugation analytique et la granulométrie laser. Pour les particules grossières supérieures à
75 μm on utilise soit le tamisage où soit la technique d’analyse d’images.
L’analyse granulométrique par tamisage est la méthode la plus utilisée, pour déterminer la
granulométrie de gamme de particules retenue par tamis 75 mm et passante par tamis No.200
(75 μm). Pour la réalisation de cet essai, une série de tamis est maintenue par une tamiseuse
mécanique pour assurer l’agitation standard entre 10 et 20 minutes comme spécifier dans la
norme D6913 de l’ASTM (2014).
Cet essai est basé sur la loi de stokes pour la détermination de vitesse terminale d’une particule
sphérique qui tombe à travers un liquide stationnaire comme c’est mentionné dans la norme D
7928 de l’ASTM (2021).
4
La granulométrie par laser est l’une des techniques les plus répandues pour déterminer la
répartition des tailles de particules d’un matériau pulvérulent (Cyr t et al., 2001).
Cette méthode est basée sur la diffraction de la lumière (Michel & Courard, 2006). En effet, cet
essai est utilisé pour la classe des particules entre 0,05 et 900 μm. (Temimi, 2020).
La centrifugation analytique est basée sur l’analyse de suspension et donne comme résultat la
granulométrie, la forme, la taille et la masse des particules. Cette méthode est basée sur la loi
de stokes.
La figure 1 illustre les méthodes de détermination de granulométrie pour chaque gamme des
particules.
Cette méthode présente un intérêt très important en matière de rapidité et rentabilité donc, c’est
plus productif pour les laboratoires commerciaux et les industries au contraire les autres
méthodes qui sont lentes nécessitent parfois trois jours pour l’exécution. C’est une méthode
plus robuste si on a une quantité des données importantes (Hamzeloo, Massinaei, et Mehrshad,
2014). Aussi, cette méthode progresse lentement dans le domaine de géotechnique car dans un
échantillon du sol témoigne on trouve une large gamme de taille de particules.
L’analyse granulométrique par technique d’analyse d’images est basée sur deux classes. La
première approche regroupe les méthodes déterministes, qui sont basées sur la segmentation
5
morphologique pour séparer les particules. Cette approche détermine la taille des grains et leur
distribution (Shin et Hryciw, 2004).
La deuxième approche est basée l’extraction des caractéristiques texturales de l’image par des
fonctions statistiques (Temimi, 2020).
Les opérateurs morphologiques et les filtres sont les techniques d’analyse d’image qui tracent
les contours de particules. On peut citer par exemple des opérateurs morphologiques : La
dilatation et l’érosion qui agissent directement sur les formes et permettent de détecter les
variations de niveau de gris aux frontières, entre les grains. La figure 2 présente la dilatation
qui agit sur l’élargissement de l’image et l’érosion qui permet le rétrécissement d’image
(Temimi, 2020).
Les filtres sont des matrices ou noyaux appliqués sur l’image originale par le biais d’un produit
de convolution. En appliquant un nouveau filtre, on produit une nouvelle image dont le nombre
de niveaux de gris ou les couleurs dépendent de type de filtre et la valeur des pixels dans le
voisinage de chaque pixel (Temimi, 2020).
6
roches fragmentées. Dans la section suivante, on va présenter deux exemples de logiciels
WipFrag et FragScan.
1.3.1.1. WipFrag
WipFrag détecte les blocs fragmentés en utilisant un algorithme et crée un filet de contour par
la détection des bords, puis mesure de filet en 2 dimensions sur l’image ensuite reconstruction
de dimension en 3 D à l’aide de probabilité géométrique.
En effet, les images des roches fragmentés subissent un traitement en les transformant en
images binaires constituées de réseau de contour des blocs, la délimitation des blocs se fait par
l’identification des bords de bloc. (Maerz et al, 2016).
L’inconvénient de ce système est que les particules fines sont parfois manquantes, puisqu’elles
sont cachées derrière les particules grossières ou invisibles.
Pour résoudre ce problème Maerz et al en 2016 ont donné trois méthodes de correction :
La figure 3 présente les étapes de détermination de distribution de taille des particules avec
WipFrag.
7
Figure 3. Exemple de résultats avec WipFrag : Vue du filet, des contours, de
l'histogramme et de la courbe de taille cumulative d'un bloc fragmenté au niveau
du banc des morts-terrains mous du projet Kusmunda (Singh et al. 2016)
La figure 4 illustre les étapes de détermination de distribution de taille des particules avec
WipFrag.
comme sortie
mesure en 2D de
identification de courbe cumulative ,
filet sur l'image et
réseau de contours histogrammes ,
reconstruction de
des fragments résultats d'analyse
dimension en 3 D
de matériau
8
1.3.1.2. FragScan
C’est un système qui estime la distribution des fragments de roches produits après dynamitage,
ce qui permet de prédire, surveiller et contrôler la qualité d’abatage par l’explosif pour faciliter
les opérations qui suivent l’abattage dans les carrières et les mines ( Nefis et Tahli, 2016).
La détermination de distribution des roches fragmentés par FragScan est résumée en 6 étapes :
• Traitement d’image qu’est obtenue par caméra par filtre passe bas
• Homogénéisation locale d’image
• Seuillage de l’image : devient image binaire
• Reconstruction : conversion de surface (2D) en volume (3D)
• Simulation de tamisage par FragScan par l’utilisation d’ouverture qu’est une érosion
suivie de dilatation
• Séparation des grosses particules de petites particules par l’ouverture
La figure 5 montre l’image après traitement de surface 2 D et l’application d’ouverture sur
l’image binaire par Outal (2006). Les zones blanches dans l’image (c) représentent les surfaces
passantes par l'ouverture utilisée.
9
1.3.2. Approche statistique
Cette approche extraire des données statistiques en se basant sur les textures des images. Pour
l’extraction les caractéristiques texturales, il y’a neuf méthodes : caractéristiques de Haralick,
histogrammes de gradients orientés, entropie, motifs binaires locaux, motifs de configuration
locaux, motifs binaires locaux complets, transformée rapide de Fourier, filtres de Gabor et
ondelettes discrètes de Haar (Manashti et al, 2020). Certaines de ces méthodes seront présentes
dans la partie suivante.
L’entropie est introduite le 1948 par Claude Shannon qui permet de mesurer mathématiquement
la quantité d’informations qui contient une source d’information comme l’image.
L'entropie d'une image en niveaux de gris peut être calculée comme suit (Gonzales
Et Woods 2018) :
𝑁𝑔
𝐻(𝑋) = − ∑𝑗=1 𝑃𝑗 log 2 𝑃𝑗 (1)
L’entropie est un paramètre lié aux textures d’image qui mesure le caractère aléatoire
d’intensité du niveau de gris dans le voisinage d’un pixel (Manashti et al, 2020).
L’entropie est calculée avec tous les pixels de voisinage et assignée au pixel central de
voisinage. La figure 6 présente un exemple de pixels de voisinage en bleu et le pixel central en
rouge. Lorsque les pixels de voisinage ont le même niveau de gris, l’entropie nul au contraire
l’entropie maximum lorsque les niveaux de gris du voisinage sont différents. Plus le voisinage
est grand, plus on peut accéder aux grandes particules (Temimi, 2020).
10
Figure 6. a) 4 voisinages, b) 8 voisinages ou 3x3 voisinages, c) 5x5 voisinages (Temimi
,2020)
Dans ce cadre Duhaime et al (2021), ont utilisé l’entropie comme méthode d’extraction des
caractéristiques des images, l’écart-type et la moyenne d’entropie ont été utilisés comme
intrants pour le réseau de neurones pour prédire la distribution granulométrique des particules.
Ces paramètres varient selon la taille des filtres utilisées : 1, 2, 4, 6, 10, 15, 24, 39 et 61 pixels.
Ces filtres ont été appliqués sur les photographies réelles et les images synthétiques, les résultats
sont corrélables.
Les textures de Haralick sont apparues en 1973 (Haralick, Shanmugam, & Dinstein, 1973).
Elles regroupent quatorze caractéristiques de l’image qui sont des statistiques de matrice de
cooccurrence (GLCM) de niveau de gris (Manashti et al, 2020).
En premier lieu, l’image est transformée en niveau de gris puis la GLCM est calculée. En
donnant l’exemple, la GLCM peut être calculée pour des pixels (x1, y1) et (x2, y2) voisins sur
une ligne horizontale (x1 = x2+1, y1 = y2). La GLCM est ensuite normalisée, en la divisant par
la norme de cette matrice, de manière à ce que la somme des éléments de la matrice soit égale
à 1 (Temimi,2020).
On peut citer les trois caractéristiques les plus utilisées, la suite des textures se trouvent dans
l’annexe I :
11
• La corrélation (3)
(4)
• Variance
Sachant que :
Aussi Temimi en 2020, a utilisé les textures de Haralick pour déterminer la granulométrie des
images de sols synthétiques générées par Unity et Yade, dont la granulométrie entre 106 µm,
150 µm, 250 µm, 425 µm et 710 µm. Ces caractéristiques ont été utilisées comme intrants dans
ANN pour prédire les pourcentages de passants. Le tableau 2 présente l’RMSE affiché par le
réseau de neurones pour chaque ensemble d’images.
Tableau 2 . Les Valeurs du RMSE pour l’ensemble des tamis utilisées par Temimi (2020)
Textures de Haralick
Base de données
(RMSE en %)
12
1.3.3. Les bases de données pour granulométrie par technique d’analyse d’images
Il y’a plusieurs exemples des bases de données qu’ont été utilisées dans la littérature pour la
validation de l’analyse granulométrique par technique d’analyse d’images. Ces images ont été
utilisées pour l’entrainement des réseaux de neurones et la validation des méthodes
déterministe. Le tableau 3 montre des exemples des images réelles et synthétiques qui sont
générées et utilisées dans des anciens travaux.
Tableau 3. Bases de données qui sont utilisées dans la littérature pour analyse
granulométrique par analyse d’images
Nombre
Travaux de littérature Type de matériau Taille d’images (base Type d’image
de données)
Images
Matériaux Synthétiques
Temimi (2020) 75 à 1180 µm 3003
granulaires (générées par
Unity)
Images
synthétiques
Pirnia et al. (2018) Sable 75 à 1180 µm 53130
(générées par
YADE)
Minerai de fer
Andersson (2010) roches de basaltes et 20 à 90 mm 1549 Images réelles
du calcaire broyé
Sable bitumineux,
Images
Ferrari et al. (2008) les copeaux de bois 3,15 à 45 mm 7000
synthétiques
et les grains de café
Ghalib et al. (1998) Sable de carrière 0,25 à 0,42 mm 133 Images réelles
13
1.4. Réseaux de neurones et intelligence artificielle
L’intelligente artificielle ou IA consiste à développer des algorithmes informatiques à des
performances de réflexion similaire à celle des humains (Beaulac, 2015).
Grâce à l’apprentissage automatique qu’est une sous branche de l’IA, le domaine de génie a eu
évolution intéressante par les algorithmes qui sont capable à effectuer des classifications, des
prédictions, l’estimation, et la commande de processus complexes.
Cette branche est basée sur l’utilisation des réseaux de neurones artificiels qui ont fonctionné
comme les neurones biologiques comme c’est illustré dans la figure 7. Les réseaux neuronaux
sont organisés en plusieurs couches : une couche d'entrée, une ou plusieurs couches cachées et
une couche de sortie. Toutes les couches sont composées d'un certain nombre de nœuds
interconnectés auxquels sont associées des fonctions d'activation (Sharma et al., 2020).
14
Figure 8. Illustration de modèle d’un neurone artificiel
(Djeriri,2017)
Ces deux paramètres sont des variables du modèle qui sont mises à jour pour améliorer
la précision du réseau.
• Noyau : intègre les entrées, le biais et calcul la sortie du neurone selon la fonction
d’activation (Djeriri,2017).
15
Lorsque les neurones calculent la somme pondérée des valeurs d’entrée + le biais, elles sont
transmises à la fonction d’activation, qui vérifie si la valeur calculée est supérieure au seuil
requis. Si la valeur calculée est supérieure au seuil requis, la fonction d’activation est activée et
une valeur de sortie est calculée (MonCoachData,2022). Des exemples de fonction d’activation
sont présentées dans l’annexe III.
1.4.3. Retro-propagation
Elle permet au réseau de neurones d’apprendre et d’ajuster lorsqu’il fait des erreurs pour cela
on utilise des fonctions de perte qui permettent de calculer le gradient de l’erreur pour chaque
réseau de neurones de la dernière couche vers la première.
Lorsque le résultat réel est différent du résultat attendu, les poids appliqués aux neurones sont
mis à jour. Parfois, les résultats attendus et réels se situent dans les limites du seuil d’erreur et
le réseau de neurones est considéré comme optimal. Cependant, la sortie attendue est parfois
différente de la sortie réelle. En conséquence, les informations sont renvoyées dans le réseau
et les poids et biais sont améliorés (MonCoachData,2022).
Ce calcul est fait jusqu’à avoir une erreur tend vers zéro entre les résultats attendus et les
résultats estimés (PATTERSON & GIBSON, 2017).
1
𝑀𝑆𝐸 = 𝑁 ∑𝑁 ̅𝑖 − 𝑦̂)2
𝑖=1(𝑦 (5)
• RMSE (Root Mean Squared Error) est le taux d'erreur par la racine carrée de
MSE.
𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸 (6)
Où,
: Valeur moyenne de Y
: Valeur prédite de Y
16
1.4.4. Les types des réseaux de neurones
17
Figure 10. Architecture de réseau de neurones récurrents (Kriger,2007)
Figure 11. Architecture classique d'un réseau de neurones convolutifs (Blanc Durand
,2018)
18
1.4.5. Utilisation de réseau de neurones dans le domaine de géotechnique
Dans la littérature, il y’a plusieurs exemples d’utilisation des réseaux de neurones pour la
détermination de distributions granulométriques à partir de photographie des sols, la figure 12
présente un exemple :
Figure 12. Réseau de neurones artificiels pour prédire le pourcentage de passant pour
une série de tamis (Manashti et al, 2020)
Pirnia et al (2018) ont utilisé un réseau de neurones convolutifs (ConvNet). Les données
utilisées sont des 53130 images synthétiques générées par Yade (code d’élément discrète).
ConvNet a été utilisé pour déterminer les pourcentages de passants pour les tamis : 75 μm, 106
19
μm, 150 μm, 250 μm, 425 μm, 710 μm. Les résultats de prédiction par CNN ont donné un
RMSE 6.94 % pour tous les tamis.
Dans le même concept, Temimi en 2020 a développé un réseau de neurones artificiels qui utilise
les textures d’images comme la moyenne et l’écart type : de l’entropie, de textures d’Haralick,
de transformée par ondelette de Haar pour prédire la distribution granulométrique des
particules, le résultat de prédiction par ANN a donné un RMSE : 7 % pour les images de Yade,
8,4% pour les images de Unity et 8,5 % pour Unity+Yade.
20
Chapitre 2
Matériels et méthodes
Chapitre 2 : Matériels et méthodes
Les échantillons de matériau granulaire (sable) qui sont utilisés pour la génération de la base de
données de ce projet. Ils ont subi une séparation avec quatre méthodes d’échantillonnage
différentes (pile unidimensionnelle, Mini pile, pelletage fractionné, quartage) puis chaque
échantillon a été tamisé.
En premier lieu, pour la préparation de matériau à la séparation, le sable a été séché dans l’étuve
pendant 3 jours comme le montre la figure 13.
Après séchage, tout le matériau a été tamisé par un tamis de taille 10 mm comme c’est
mentionné dans la figure 14 présente.
Après séchage et tamisage, le reste de matériau (61 kg) subit une séparation par un séparateur
rotatif en huit échantillons. Quatre échantillons parmi les huit issus de séparateur rotatif sont
séparés en 16 sous-échantillons avec quatre méthodes d’échantillonnage différentes comme
c’est illustré dans les diagrammes (figure 15). La séparation des échantillons est faite selon la
norme ASTM D6913/D6913M – 17 (Standard Test Methods for Particle_Size Distribution
(Gradation) of Soils Using Sieve Analysis) et de sa directive ASTM C702/C702M-18 (Standard
Practice for Reducing Samples of Aggregate to Testing Size). Ensuite, ils ont été tamisés par
les tamis de type ASTM (150 µm, 250 µm, 425 µm, 850 µm, 2000 µm et 4750 µm).
22
Figure 15.les diagrammes de séparation des 4 échantillons en 64 sous échantillons avec les quatre méthodes utilisées
• Pile unidimensionnelle
Sur une règle contenant 64 divisions de 3 cm soient 3 fois le diamètre de la plus grosse
particule, 30 couches de sable ont été étalées en aller et retour tout au long de la règle
ont permis d’obtenir au final une pile de 4 cm de hauteur et 14 cm de largeur et de 192
cm de longueur. Le prélèvement des 16 échantillons a été fait à l’aide d’un dispositif
réglé à 3 cm d’écart. La figure 16 illustre l’échantillonnage selon la méthode de la pile
unidimensionnelle.
• Mini pile
On a placé l’échantillon initial (7534 g) sur la table et ensuite à l’aide d’une truelle
d’échantillonnage, cinq pelletées d’environ 100 g ont été successivement déposées dans
chacune des 16 assiettes jusqu’à l’épuisement de lot. Le remplissage des 6 dernières
pelletées a été facilité par l’utilisation de la main afin de remplir la cuillère
d’échantillonnage. Cette méthode est illustrée dans la figure 17.
23
Figure 17.illustration d’échantillonnage par mini pile
• Quartage
On a placé sur une table propre, les 7460 g de sable ont été mélangés en faisant 5 tours
complets de pelletage avec la pelle. Le cinquième tour consiste à former un tas conique
en déposant chaque pelletée par-dessus de la précédente. Après avoir formé la pile de
conique, il est suivi tout d’abord d’aplatissement de la pile sous forme de disque de
hauteur 8 cm, ensuite une division de la masse en quatre quarts égaux à l’aide d’une
règle et ensuite un ramassage à l’aide d’une truelle des quartiers opposés en diagonale,
incluant tous les matériaux fins. Les opérations ont été réalisées successivement jusqu’à
l’obtention des 16 échantillons. La figure 18 présente une illustration de
l’échantillonnage par quartage.
24
• Pelletage fractionné
On place le sol sur la table, on a utilisé une cuillère à soupe, pour pelleter des incréments
d’environ 21g qui ont été répartis dans 16 assiettes jusqu’à épuisement total des 7609 g
de sable. Après chaque cycle de 16 pelletées, il fallait recommencer le pelletage par
l’assiette numéro 1. Le remplissage de la cuillère des 11 dernières pelletées n’a été
possible que grâce à un ramassage à main. Au total 22 pelletées ont été versées dans
chaque assiette. La figure 19 illustre les différentes masses obtenues dans les 16
assiettes.
L'analyse granulométrique par tamisage est l'opération qui consiste à étudier la répartition des
différentes particules composant un échantillon, en fonction de leur taille. Cet essai est le plus
utilisé depuis plusieurs années. Sa durée d’exécution peut prendre trois jours.
En premier lieu, le matériau a été préparé : par séchage à l’étuve ou par séchage à l’air ou
humide.
25
Après la préparation des échantillons, le tamisage se fait à l’aide d’une tamiseuse mécanique
pour les matériaux de taille inférieure à 19 mm et pour les matériaux de taille supérieure à 19
mm on procède au tamisage manuel.
• Tamiseuse mécanique
• Série de tamis
• Balance
• Assiettes
26
Spécimen obtenu par échantillonnage
de séparation
à l’aide tamis de jeu tamis grossier puis tamisé par jeu de tamis plus fins
Le tamisage à une seule série de tamis est présenté dans la figure 21. On utilise un seul jeu de
tamis dans lequel on met le spécimen sous agitation pendant 10 à 20 minutes avec la
tamiseuse mécanique.
27
On met le spécimen dans la série de tamis après que
on l’a pesé
et on pese le retenu
de spécimen
Les échantillons du sable sur lesquels on a travaillé, subissent un tamisage à une seule série de
tamis, la masse moyenne des échantillons est 450 g. Les tamis utilisés sont respectivement 4.75
mm, 2 mm, 0.85 mm ,0 .425 mm, 0.25 mm, 0.15 mm (la figure 22). Les séries des tamis sont
mises sur une tamiseuse mécanique pendant 20 minutes. Les 64 échantillons ont été tamisés. A
chaque fois, la retenue sur chaque tamis a été récupérée et pesée, les résultats de cet essai sont
détaillés dans l’annexe II.
28
Figure 22. Photo des séries des tamis utilisées pour tamisage des échantillons
La figure 23 montre le montage qu’a été mis en pied pour prendre des photographies de
l’échantillon du haut et du bas, L’échantillon a été mis dans un conteneur vitreux. Quatre
photographies du haut et du bas ont été prises pour chaque échantillon, entre chaque
photographie et l’autre, le matériau a été mélangé pour générer une sorte du nouvel échantillon.
Les photographies ont été prises par une caméra Nikon Z 6 II muni d’un objectif de distance
focale 50 mm, avec une sensibilité ISO 100 et une ouverture f\2.8. Le dispositif est fixé sur un
bras dont la distance entre caméra et le conteneur de l’échantillon est ajustable avec ce bras, car
la taille de conteneur varie en fonction de masse de l’échantillon comme c’est mentionné dans
le tableau 5. Cela est lié directement à la taille maximale des particules de l’échantillon. Cette
relation entre la taille maximale des particules et la masse des échantillons est inspirée de la
norme BNQ 2501-025 (2013).
29
Figure 23. Représentation de montage
Dans ce mémoire les échantillons sont photographiés pour créer cette base de données sont mis
dans un petit conteneur. On distingue trois tailles de conteneurs comme la figure 24 montre.
30
Figure 24. Photos de trois conteneurs
Le but principal de ce mémoire est la création d’une base de données de matériau granulaire
afin d’avoir un jeu de données important pour entrainer, valider et tester le réseau de neurones
artificiel par la suite. La base de données contient 512 photographies (256 photos de haut et
256 photos de bas). Chaque image est de taille 4024 x 6048 pixels. Dans ce mémoire les
photographies du dessus seulement ont été utilisées, les photographies du dessous présentent
un reflet, ombre en plus elles sont les résultats d’un premier essai d’un nouveau montage qui
contient une deuxième caméra pour prendre les photos du dessous. La figure 25 montre la
différence entre la qualité de photo du dessus et du dessous d’échantillon 10 issu de quartage.
Cette série de photographies est faite pour un matériau granulaire (sable) échantillonné avec
quatre méthodes d’échantillonnage différentes. La figure 26 montre quatre photographies (du
dessus) de premier échantillon issu de pelletage fractionné.
31
Figure 25. Exemple de photographie : a) du dessus, b) du dessous
32
Les tailles des tamis utilisés ont été transformées en pixels pour les utiliser dans la suite de
projet Comme la figure 27 montre 1 cm équivalant à 321 pixels.
33
répartition de la luminosité, ont été ajustés avec la fonction imadjust définie sur MATLAB
comme c’est mentionné dans le script dans la figure 29.
Figure 26. Conversion d’image en niveaux de gris : a) image réelle, b) image en niveaux de
gris
Par la suite, la résolution des images a été diminué par facteur de deux (4024x6048 pixels à
2012x3024pixels). Cette opération est faite pour 256 images du dessus en même temps à l’aide
d’une ligne de code MATLAB, qu’est la fonction imresize comme c’est mentionné dans la
figure 29.
34
Figure 27. Code MATLAB pour traitement d’images et calcul d’entropie
35
En plus de base de données DIlhem, les bases de données de projet Géo Niagara (Duhaime et al
(2021)) ont été utilisées dans ce mémoire :
Les dimensions des images des bases de données d’entrainement (données Géo Niagara), de
validation et de test de ANN_ilhem sont présentés dans le tableau 5.
D1 2848X4288
D2/D3 1920X1050
DIlhem 2012X3024
Après redimensionnement des images, l’échelle de photographies est divisée par facteur de
deux aussi (l’échelle devient 1 millimétré équivalent 16.05 pixels). Par conséquence la taille
des mailles des tamis change. Le tableau 6 montre les tailles de mailles après changement
d’échelle.
Taille des Tamis (en pixels) Taille des tamis (avec la nouvelle échelle)
152 76
64 32
27.2 13.6
13.6 6.8
8 4
36
La distribution granulométrique de données d’entrainement (base de données Géo Niagara : D1,
D2 et D3) est pour l’ensemble des tamis est 4.75, 2.36, 1.185, 0.850, 0.630, 0.600, 0.425, 0.300,
0.150, 0.075 mm qui correspondent respectivement à 122.2, 77, 48.6, 30.6, 19.4, 12.2, 7.7, 3.1,
1.9, 1.3 en pixels.
Les granulométries de ces données ont été interpolées pour les tamis utilisés dans ce projet (76,
32, 13.6, 6.8 et 4 pixels). Ainsi les photographies (DIlhem) ont été redimensionnées pour avoir la
même gamme des particules pour nos données .
L'entropie locale permet de décrire le caractère aléatoire des niveaux de gris dans le
voisinage d'un pixel. La valeur d’entropie a été calculée pour chaque pixel en centrant le
voisinage. Les voisinages ont été définis en utilisant les filtres circulaires de différentes tailles.
Dans ce mémoire on a utilisé les filtres : 1, 2, 4, 6, 10, 15, 24, 39 et 61 pixels. La figure 30
présente quelques exemples des disques utilisés.
Les neuf filtres de différents rayons vont donner 18 caractéristiques (moyenne et écart-type).
Ces rayons correspondent au rayon des particules pour lesquelles les pourcentages de passants
sont prédits par les réseaux neuronaux (Manshati, 2020).
37
L’entropie locale peut être calculée avec la fonction entropyfilt de MATLAB. Les filtres utilisés
vont parcourir tous les pixels, puis fait la moyenne et l’ecart-type de résultants d’entropie
qu’ont été déterminés à l’aide d’un script MATLAB qu’est presenté dans la figure 29 .
Le tableau 7 présent les bases de données de projet Géo Niagara qui on a utilisé pour
l’entrainement et la base de données (D Ilhem) qu’on a généré pour valider et tester
ANN_ilhem, afin d’évaluer sa performance dans la prédiction des pourcentages de passants à
travers les tamis 76.2 ; 32.1 ; 13.6; 13,6 ; 6.8 ; 4 pixels.
38
Tableau 7. Bases de données pour l’entrainement, la validation et le test de réseau de
neurones
D1 300
D2 387
D3 15
D Ilhem 256
39
L’ensemble de données est subdivisé :
• 70 % pour l’entrainement.
• 15 % pour la validation
• 15 % pour le test
On a utilisé l’outil MATLAB pour simplifier l’implémentation des réseaux de neurones grâce
à des toolbox et des fonctions déjà implémentées dans le logiciel (fitnet, patternet, network
etc…). Néanmoins certains paramètres peuvent améliorer la performance d’apprentissage du
réseau de neurones reste modifiable, tels que le taux d’apprentissage qui définit la vitesse à
laquelle notre réseau apprend, le nombre de couches cachées (intermédiaires), le nombre de
neurones, le nombre de paramètres d’entrée et de sortie ainsi que les fonctions de transfert et
de performance du réseau. Ces paramètres donnent un champ libre à l’utilisateur pour créer un
réseau de neurones sur mesure du problème auquel il fait face.
L’architecture du réseau est donnée par la fonction MATLAB « patternnet » utilisée ici pour
générer un ANN pour répondre à notre besoin qui est la prédiction. La figure 31 illustre
l’architecture de notre réseau de neurones sur MATLAB. Le tableau 8 présent les différents
paramètres utilisés dans ANN_ilhem et la figure 32 présente le code MATLAB de réseau de
neurones de notre projet.
40
41
Figure 30.code MATLAB d’entrainement, de validation et de test de réseau de neurones
42
Tableau 8. Paramètres de réseau de neurones implémentés sur MATLAB
Paramètre Valeur
Nombre de couches 2
• Purelin est une fonction de transfert linéaire qui calcule la sortie d'une couche à partir
de son entrée nette (Matsshworks, 2022).
• La fonction trainlm est une fonction d'apprentissage du réseau qui met à jour les valeurs
de poids et de biais selon l'optimisation de Levenberg-Marquardt qui permet d'obtenir
une solution numérique au problème de minimisation d'une fonction, souvent non
linéaire et dépendant de plusieurs variables (The MathWorks,2005).
• Le nombre d’itérations (epochs) : vu qu’on sait que le modèle va s’ajuster au fur et à
mesure, celui-ci doit savoir le nombre de fois qu’il va devoir faire. On a choisi une
répétition de 2000 parce que plus ce nombre est grand plus le modèle apprend.
• La fonction fitnet renvoie une fonction d’ajustement de réseau de neurones avec la taille
de couche cachée. (Mathworks, 2022).
43
Chapitre 3
Résultats et discussion
Chapitre 3 : Résultats et discussion
Ce chapitre présente l’ensemble des résultats et une discussion. En premier lieu, on va
interpréter les cartes d’entropie qu’ont été obtenues avec les scripts python, qui sont présentés
dans la figure 35 et 36. Les résultats de calcul d’entropie pour quelques images de DIlhem sont
présentés. Ensuite, les résultats d’analyse granulométrique par tamisage sont présentés par les
courbes granulométriques et on va présenter les résultats d’interpolation des bases de données
de Géo Niagara. Ainsi, on va présenter les résultats de réseau de neurones sont présentés par
la suite.
Pour l’obtention de la carte (figure 34), on a utilisé un filtre de rayon (r = 15 pixels). Avec ce
filtre, on peut distinguer facilement les particules grossières puisqu’elles sont associées à des
valeurs d’entropie plus faibles. Donc les valeurs d’entropie locale les plus faibles sont à
l’intérieur des particules grossières.
44
Figure 31.Carte d’entropie avec disque (r=1pixels)
45
Figure 33. Script python de carte entropie (r=1 pixels)
46
3.1.2. Les données pour l’entraînement, la validation et le test de Modèle
100
pourcentages de passants(%)
90
80
70
60
50
40
30
20
10
0
1 10 100 1000
Taille des mailles de tamis en pixels
47
100
Pourcentages de passants(%)
90
80
70
60
50
40
30
20
10
0
1 10 100 1000
Taille des mailles de tamis en pixels
100
Pourcentages de passants(%)
90
80
70
60
50
40
30
20
10
0
1 10 100 1000
Taille des mailles de tamis en pixels
48
100
90
) 100
Pourcentages de passants (%)
90
80
70
60
50
40
30
20
10
0
1 10 100 1000
Taille des mailles de tamis (pixels)
49
➢ Granulométries des bases de données D1, D2, D3 et DIlhem (en utilisant l’échelle
originale)
Si on va utiliser pour l’interpolation des granulométries de données Géo Niagara les tamis 152,
64, 27.2, 13.6 et 8 pixels en utilisant l’échelle originale (32.1 pixels). Les deux fuseaux
granulométriques de données Géo Niagara (en bleu) et données D Ilhem (en noir) présentent un
décalage comme le montre la figure 42. Donc, on n’a pas la même gamme des particules pour
nos données par conséquent le réseau de neurones va donner des faux résultats et on va avoir
un RMSE important.
Figure 40. Les deux fuseaux granulométriques de données de Géo Niagara et données
de DIlhem
Pour régler ce décalage , on a redimensionné les images de D Ilhem , on a calculé les tailles des
mailles de tamis avec la nouvelle échelle (16.02 pixels) et on a interpolé les granulométries de
Géo Niagara avec les nouvelles tailles des tamis comme c’est mentionné dans le chapitre2 La
figure 43 montre les deux fuseaux granulométriques de données qui sont superposés après les
modifications qu’on a fait .
50
100,00
90,00
80,00
pourcentages de passants(%)
70,00
Données de
60,00 validation et de test
50,00
Données
40,00
d’entrainement
30,00
20,00
10,00
0,00
1 10 100
Taille des mailles de tamis ( pixels)
NB : La plupart des pourcentages de passants pour le tamis 0.15 mm (2 pixels) est égale à zéro
pour les données de Géo Niagara (données d’entrainement) par conséquent on ne peut pas
prédire le pourcentage de passants avec ce tamis pour les données de test.
51
Tableau 9.Résultats de calcul de moyenne d’entropie locale pour les 9 filtres utilisées
Rayon de filtre 1 2 4 6 10 15 24 39 61
Images de D Ilhem Moyenne d'entropie locale
1 2.603 2.4833 2.1875 1.5636 0.8322 0.222 0.4411 0.6275 0.6631
2 2.6151 2.4723 2.1358 1.4877 0.7807 0.2355 0.4845 0.654 0.6572
3 2.5926 2.4472 2.1118 1.4694 0.7693 0.2511 0.5075 0.6757 0.6736
4 2.5983 2.45 2.1125 1.4685 0.774 0.2447 0.5008 0.6568 0.6513
5 2.6095 2.4707 2.1596 1.5222 0.802 0.2561 0.4815 0.6532 0.6679
6 2.607 2.4583 2.1332 1.491 0.7817 0.2776 0.5028 0.6581 0.6578
7 2.6073 2.4756 2.1717 1.5331 0.8021 0.2545 0.4649 0.6366 0.6618
8 2.679 2.5686 2.306 1.6841 0.9007 0.1854 0.385 0.5853 0.6493
9 2.5887 2.4345 2.0767 1.4221 0.7402 0.2499 0.504 0.6653 0.6562
10 2.5891 2.4316 2.0832 1.4454 0.7615 0.2566 0.5123 0.6572 0.6457
Tableau 10. Résultats de calcul de l’écart type d’entropie locale pour les 9 filtres utilisées
Rayon de filtre 1 2 4 6 10 15 24 39 61
Images de D Ilhem Écart-type d’entropie locale
1 2.5641 2.3424 1.9055 1.2095 0.1565 0.3215 0.5302 0.6755 0.6039
2 2.5681 2.3096 1.834 1.1416 0.1577 0.3532 0.5729 0.6803 0.5955
3 2.5443 2.2845 1.8131 1.126 0.1621 0.3756 0.5945 0.7017 0.604
4 2.5484 2.2869 1.8113 1.1282 0.1532 0.371 0.5838 0.6766 0.5922
5 2.5618 2.322 1.8676 1.1711 0.1755 0.3645 0.5658 0.6884 0.6039
6 2.5552 2.3016 1.8363 1.1439 0.1824 0.3892 0.5818 0.6827 0.5952
7 2.562 2.3312 1.8815 1.1763 0.175 0.3546 0.5467 0.6777 0.5998
8 2.6406 2.4467 2.0336 1.3084 0.123 0.275 0.475 0.6492 0.5995
9 2.5382 2.2599 1.7674 1.0854 0.1724 0.3698 0.5907 0.6843 0.5927
10 2.5364 2.2606 1.7834 1.1105 0.171 0.3816 0.5922 0.6717 0.588
52
3.1.3. Prédiction de pourcentages de passants à partir de réseau de neurones
Dans cette partie, on va présenter les résultats obtenus avec les 958 images pour lesquels on a
extrait l’entropie locale. Ces paramètres texturaux ont été utilisés comme intrants dans
ANN_ilhem pour la prédiction des pourcentages de passants. La figure 44 représente les
résultats de prédiction de pourcentages de passants avec le réseau de neurones artificiels pour
l’ensemble des tamis 4.75 mm, 2 mm, 0.85 mm, 0.425 mm, 0.25 mm. Pour des prédictions
parfaites, l’ensemble des points seraient sur la diagonale. On remarque qu’il y’a une corrélation
entre les valeurs réelles et prédites (axe des abscisses : pourcentages de passants réels, axe des
ordonnées : pourcentages de passants prédits), la majorité des points sont sur la diagonale. Plus
la valeur de RMSE est proche de zéro plus la prédiction est correcte. Pour l’ensemble des tamis
de ce projet, la valeur de RMSE est de 4.14 %. Les résultats montrent parfaitement la fiabilité
et la performance de modèle qui on a utilisé. La valeur de RMSE est minimale pour le tamis
4.75 mm et maximale pour le 2 mm.
Figure 42. Résultats de prédiction de test granulométrie par ANN_ilhem : pour les tamis
4.75 mm, 2 mm, 0.85 mm ,0.425 mm et 0.25mm l’ensemble des tamis pour les images
(Dilhem)
53
Le réseau de neurones sur lequel on a travaillé dans le cadre de ce projet montre une
performance légèrement meilleure (RMSE=4.14%) que celles obtenues par Manashti (2020)
(3.4 à 6.9 %), Temimi (2020) (7.1 à 9.9 %) et Pirnia et al (2018) (6.9%). Le travail de Manashti
(2020) et Temimi (2020) était basé sur le jeu de données préparé par Pirnia et al. (2018). Les
images de base de données ont compris une plus petite gamme de taille de particules et une plus
grande gamme de pourcentages de passants pour chaque taille de particules. Ces deux
différences conduisent à des prédictions plus difficiles et à des valeurs RMSE plus importantes.
Par contre, les ensembles de données D1, D2, D3, Dilhem présentent la plus petite gamme de
pourcentages passants pour chaque taille de particules.
Les ANN1, ANN2 de travail de Duhaime et al (2021) montrent des valeurs de RMSE
légèrement meilleures qu’on a obtenu avec notre réseau de neurones comme c’est présenté dans
le Tableau 11.
ANN1 D1 3.8
D2+D3
ANN2 3.4
D1+D2+D3
ANN3 4.4
54
On peut expliquer la différence entre la performance de notre réseau de neurones et les réseaux
de neurones ANN 1, ANN2 (qu’sont entrainés par le même type d’images) par les différences
des valeurs d'entropie entre les images synthétiques (D2 et D3) et les photographies réelles (D1
et Dilhem). Cela est dû aux différences de texture des particules pour les deux types d'images. La
surface des particules réelles présente une texture variable à cause de leur lithologie et leur
minéralogie (Duhaime et al,2021). Cette texture Conduira à des valeurs d'entropie plus élevées
pour les surfaces des particules. Par contre, les images de D2 et D3 sont composées des
particules lisses (générées par YADE) qui peuvent conduire à des valeurs d'entropie plus
faibles.
Cela est dû au volume de données (958 images) utilisée avec notre réseau de neurones qu’est
plus importante que la base de données (702 images) utilisée avec ANN3. Plus on a une quantité
de données qu’est plus important plus la performance de réseau de neurones est meilleure.
55
Conclusion
56
Recommandations
• L’optimisation de réseau de neurones serait un autre point sur lequel pourrait porter les
futurs travaux. Le réseau de neurones qui avait pour objectif de prédire le pourcentage
passant en fonction de ces caractéristiques (écart type et moyenne de l’entropie) a donné
un RMSE 4.14 %. Il serait possible d’envisager d’améliorer les résultats en utilisant
d’autres hyperparamètres : changer le nombre de couches, la fonction d’activation, la
rétropropagation.
• Parmi les problèmes majeurs qu’on a vécus c’est la durée de calcul de l’entropie pour
les tailles de filtres assez grandes (24, 39 et 61 pixels). Pour réduire ce temps, on peut
explorer la notion de circonvolution Atrous de la nouvelle architecture DeepLabv3
développée par Google.
• Amélioration du montage expérimental avec lequel on a pris les photographies par
utilisation de LabVIEW pour contrôler le montage à distance car lors de l’utilisation de
télécommande à fils lié aux caméras pour éviter le déplacement des caméras lors de
prises de photographie comme conséquence les images deviennent floues.
• Changement de trépied qui fixe la caméra qui prend les photographies du dessous par
un bras qui fixe la caméra par un visé pour éviter tous mouvements.
• Amélioration de dispositif d’éclairage pour éviter les problèmes d’ombre et reflet qui
on a remarqué dans les photographies du dessous.
57
Liste des références bibliographiques
Textures d’Haralick
Annexe II : les Résultats d’analyse
granulométrique par tamisage pour
les 64 échantillons
Quartage
E E E E E E E E E E E E E E E E
1(en 2 (en 3 (en 4 (en 5 (en g) 6 (en g) 7 (en g) 8 (en 9 (en g) 10 (en 11 (en 12 (en 13 (en 14 (en 15 (en 16 (en g)
g) g) g) g) g) g) g) g) g) g) g)
Masse Totale 455,0 455,87 458,25 451,96 428,22 418,1 499,17 439,15 468,84 491,66 468,48 511,66 459,28 461,39 478,88 486,42
initiale(g) 4
Tamis(mm) Pourcentages de passants sur les tamis
4,75
85,11 83,19 82,69 81,4 86,36 86,46 81,18 89,37 79,63 80,22 78,84 78,64 78,49 76,8 81,78 79,66
2
59,94 59,54 56,77 55,99 66,48 63,57 58 63,32 55,36 54,74 54,23 50,72 55,35 52,4 58,11 54,78
0,85
31,71 31,51 29,55 30,21 39,21 35,45 32,4 35,86 30,31 28,16 27,49 25,14 30,43 27,35 31,89 28,48
0,425
14,14 14,47 13,26 14,38 18,93 17,27 15,43 16,78 13,87 12,71 12,31 11,08 14,85 12,37 14,64 12,54
0,25
5,04 5,42 4,8 5,58 7,11 6,8 5,77 6,24 5,15 4,71 4,41 4,02 5,88 4,52 5,25 4,43
0,15
0,46 0,45 0,41 0,46 0,54 0,53 0,45 0,45 0,46 0,4 0,39 0,32 0,52 0,38 0,41 0,37
Pile unidimensionnelle
E E E E E E E E E E E E E E E E
1(g) 2 (g) 3 (g) 4 (g) 5 (g) 6 (g) 7 (g) 8 (g) 9 (g) 10 (g) 11 (g) 12 (g) 13 (g) 14 (g) 15 (g) 16 (g)
Masse Totale
initiale(g) 456,26 485,91 421,93 465,32 462,34 484,27 461,7 474,91 453,35 470,25 473,9 465,57 476,57 507,53 468,47 473,61
4,75 77,68 82,12 80,17 82,14 79,67 82,62 77,16 81,62 81,65 85,93 79,99 84,25 80,96 83,38 80,29 83,45
2 52,07 58,71 54,01 59,49 53,82 59,77 52,46 58,3 56,08 61,34 55,23 60,97 55,43 60,39 54,08 60,03
0,85 26,99 31,78 28,51 33,01 28,7 32,83 27,89 31,66 30,13 33,26 29,22 33,91 29,45 32,93 28,35 33,11
0,425 12,19 14,65 13,43 15,29 13,43 15,28 12,92 14,52 14,03 15,27 13,33 15,78 13,64 15,39 12,84 15,39
0,25 4,46 5,52 5,06 5,73 5,04 5,73 4,74 5,38 5,19 5,64 4,91 5,93 5,09 5,83 4,73 5,76
0,15 0,35 0,43 0,4 0,44 0,4 0,44 0,36 0,41 0,39 0,41 0,39 0,43 0,4 0,44 0,36 0,43
Pelletage fractionné
E E E E E E E E E E E E E E E E
1(g) 2 (g) 3 (g) 4 (g) 5 (g) 6 (g) 7 (g) 8 (g) 9 (g) 10 (g) 11 (g) 12 (g) 13 (g) 14 (g) 15 (g) 16 (g)
Masse Totale
initiale(g) 488,39 494,08 500,4 485,59 489,32 469,2 450,85 468,27 453,53 480,46 489,96 484,39 469,2 472,62 453,27 459,1
4,75 91,75 90,19 88,37 100,59 83,53 83,3 72,16 78,21 91,49 100,4 85,49 98,13 73,05 80,83 65,92 92,84
2 118,85 123,5 124,3 109,88 113,45 111,96 131,97 110,32 111,59 112,84 119,93 125,86 112,76 111,87 109,09 122,78
0,85 125,89 131,13 131,29 123,03 131,42 123,88 119,31 129,15 114,22 121,75 129,96 121,89 127,92 131,42 125,28 122,28
0,425 83,14 79,31 83,83 79,6 84,39 79,59 69,08 79,99 72,98 76,44 82,8 74,25 82,91 80,4 82,91 67,8
0,25 44,27 43,18 45,54 44,73 47,08 43,76 36,88 43,59 39,64 42,4 45,39 40,21 45,94 42,73 44,54 34,19
0,15 22,23 24,7 24,91 25,51 26,8 24,48 19,58 24,46 21,72 24,47 24,34 22,01 24,58 23,15 23,36 17,66
Mini pile
E E E E E E E E E E E E E E E E
1(g) 2 (g) 3 (g) 4 (g) 5 (g) 6 (g) 7 (g) 8 (g) 9 (g) 10 (g) 11 (g) 12 (g) 13 (g) 14 (g) 15 (g) 16 (g)
Masse Totale
initiale(g) 435,98 489,83 435,38 476,26 504,87 469,2 489,69 464,3 433,26 425,27 465,29 473,2 469,56 470,88 503,99 526,93
4,75 74,27 81,51 78,7 77,01 81,42 77,28 84,56 84,07 86,7 80,66 84,73 84,47 82,65 84,21 79,74 73,55
2 47,45 58,65 55,23 49,93 59,4 53,9 64,36 59,76 66,24 55,03 61,86 61,57 55,9 60,36 53,24 45,87
0,85 22,21 32,83 28,93 25,39 32,62 28,97 37,14 32,61 39,22 29,53 36,19 35,76 27,31 33,9 26,36 21,68
0,425 9,14 14,84 12,85 11,14 15,19 12,9 18,18 15,35 19,59 13,45 18,03 18,16 12 16,09 11,28 9,51
0,25 3,02 5,09 4,56 3,97 5,66 4,54 7,11 5,85 7,72 4,85 7,18 7,2 4,42 5,96 3,92 3,63
0,15 0,27 0,36 0,35 0,33 0,41 0,36 0,5 0,45 0,54 0,38 0,53 0,53 0,35 0,43 0,32 0,42
Annexe III exemples de types de fonction d’activation
• ReLU
La fonction Rectified Linear Unit (ReLU) est la fonction d’activation la plus simple. Elle
permet d’effectuer un filtre sur nos données.
Elle laisse passer les valeurs positives (x > 0) dans les couches suivantes du réseau de
neurones. Elle est utilisée souvent dans les couches intermédiaires mais surtout pas dans la
couche finale (Keldenich ,2021). La figure 1 présente la fonction d’activation ReLU.
La fonction Sigmoïde donne une valeur entre 0 et 1, une probabilité. Elle est donc très utilisée
pour les classifications binaires, lorsqu’un modèle doit déterminer seulement deux labels
(Keldenich ,2021). La figure 2 montre la fonction sigmoïde.
Figure 2. La fonction sigmoïde (Cowan,2020)
• Softmax
Elle permet de transformer un vecteur réel en vecteur de probabilité. On l’utilise souvent dans
la couche finale d’un modèle de classification, notamment pour les problèmes multi-classe.
Dans la fonction Softmax, chaque vecteur est traité indépendamment (Keldenich ,2021). La
figure 3 présente la fonction d’activation Softmax.
La fonction tangente hyperbolique est une fonction trigonométrique hyperbolique qui donne un
résultat entre -1 et 1 (Keldenich ,2021). La figure 4 montre la fonction tangente hyperbolique.
Ilhem Msehli
فإن لها، ومع ذلك،PSD يتم استخدام عدة طرق لتحديد.اختبارا مه ًما للغاية في مجال الجيوتكنيك
ً تحليل حجم الحبيبات هو.الخالصة
باستخدام تحليل الصور والذكاء، سنمضي في طريقة أبسط وأسرع، لتجنب إضاعة الوقت.عيوبًا من حيث وقت التنفيذ والتعقيد
الستخراج خصائص الصور التي تم استخدامها كمدخالت في شبكة عصبية، استخدمنا االنتروبيا، في هذا السياق.االصطناعي
تم تدريب هذه الشبكة من خالل صور. لدينا نموذج مدرب على التنبؤ بنسبة المرور من التربة، اصطناعية من خالل هذه الشبكة
تم استخدام النسب المئوية لعرض النطاق الترددي الفعلي للتحقق من أداء.حقيقية وتركيبية للتربة وتم اختبارها من خالل صور حقيقية
. صغيرة جدًا بين النسبة المئوية المتوقعة والفعليةRMSE تكون النتائج صحيحة عندما يتم الحصول على قيمة.الشبكة العصبية
Résumé : L'analyse granulométrique est un essai très important dans le domaine de géotechnique.
Plusieurs méthodes sont utilisées pour déterminer PSD, néanmoins, elles présentent des inconvénients
en matière de durée d'exécution et de complexité. Pour éviter la perte de temps on va procéder à une
méthode plus simple et rapide, en utilisant l'analyse d'image et l'intelligence artificielle. Dans ce cadre
on a utilisé l’entropie, pour l’extraction des caractéristiques d’images qu’sont utilisés comme intrants
dans un réseau de neurones artificiels à travers ce réseau, on a un modèle entrainé pour prédire le
pourcentage passant d'un sol. Ce réseau a été entrainé par des images réelles et synthétiques de sols et a
été testé par photographies réelles. Les pourcentages de passants réels ont été utilisé pour la vérification
de performance de réseau de neurones. Les résultats sont valides lorsqu'on obtient une valeur RMSE
très petite entre pourcentages prédits et réelles.
Abstract : Particle size analysis is a very important test in the field of geotechnics. Several methods are
used to determine PSD, nevertheless, they have disadvantages in terms of execution time and complexity. In
order to avoid the loss of time we will proceed to a simpler and faster method, using image analysis and
artificial intelligence. In this framework we have used the entropy, for the extraction of the characteristics of
images that have been used as inputs in a network of artificial neurons through this network, we have a trained
model to predict the percentage passing of a soil. This network has been trained by real and synthetic images
of soils and has been tested by real photographs. The percentages of real passings were used for the
verification of the neural network performance. The results are valid when a very small RMSE value between
predicted and real percentage is obtained