Académique Documents
Professionnel Documents
Culture Documents
THESE
présentée en vue d’obtenir le grade de
DOCTEUR de l’INPL
En Génie Civil – Hydrosystèmes – Géotechnique
par
Yasser El-Shayeb
le 9 Mars 1999
i
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
Yasser EL-SHAYEB
i
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
April 1999
ii
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
Résumé xiii
Abstract xiv
Introduction générale 17
2.1. Les méthodes actuelles utilisées pour l’évaluation des risques d’instabilités 2-34
iii
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
4.2. Solutions au problème des limites de classes et des règles de croisement 4-58
4.3.2. Problème des limites de classes avec des données variables traitées par simulation
4-76
historiques) 5-107
5-118
5.4.1. La méthode d’agrégation Bellman – Zadeh [70] 5-119
iv
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
6-136
6.1.1. Cadre géologique de la Vallée des Rois et caractéristiques principales des matériaux
6-138
Références 183
Bibliographies 191
Annexes 199
v
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
Figure 1.2. Exemple de principe du risque d'incendie dans une installation industrielle par exemple. 1-24
Figure 4.3. L'effet de variation de PF sur les résultats finale d'aléa. 4-59
Figure 4.4. Valeur de l’indice de Résistance à la compression simple. « l'équation a été obtenue par régression
linéaire » 4-61
Figure 4.5. Valeur de l’indice d’Espacement moyen des discontinuités. «l'équation a été obtenue par régression
linéaire» 4-61
Figure 4.6. Valeur de l’indice de RQD. «l'équation a été obtenue par régression linéaire» 4-61
Figure 4.10. Quelques exemples possibles des règles de la probabilité d'occurrence. 4-64
Figure 4.11. Comparaisons entre les règles de croisement et les surfaces d'ajustements. 4-65
Figure 4.13. Comparaisons entre les règles de croisement et les surfaces d'ajustements. 4-66
Figure 4.15. Remplacement des paramètres de la sensibilité par des distributions statistiques. 4-73
Figure 4.18. Histogramme d'aléa après 1000 simulations. «raisonnement par tableaux» 4-77
Figure 4.19. Histogramme d'aléa après 1000 simulations «calculs par les équations analytiques» 4-77
Figure 5.1. Les sous-ensembles «Faible», «Moyenne» et «Forte» de l'ensemble flou «Résistance à la
compression simple en MPa». 5-86
Figure 5.2. Deux formes de représentation pour le même sous-ensemble flou 5-87
vii
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
Figure 5.5. La division de deux nombres flous par l'utilisation de leurs α-coupes. 5-92
Figure 5.7. Variable linguistique (V, X, Tv) décrivant le dimensionnement d'un pilier en mètre. 5-94
Figure 5.8. Présentation graphique des règles de raisonnement flou suivant le tableau 5.2 5-96
Figure 5.13. La réduction en une même valeur unique à partir des deux nombres flous différents. 5-102
Figure 5.14. Raisonnement avec une entrée sous forme de nombre flou d’après Terano et al. [89]. 5-103
Figure 5.15. Deux nombres flous différents mais pouvant être considérés comme équivalents si nous utilisons la
méthode de raisonnement de Terano et al. [89] 5-104
Figure 5.17. Comparaison entre un facteur de securite et un nombre flou qui représente le résultat. D’après
Sakura et al. [87]. 5-110
Figure 5.18. Quatre classes floues qui définissent aussi bien les paramètres de sensibilité, d'activité, d'intensité
que la sensibilité, la probabilité d'occurrence, et l'aléa. 5-111
Figure 5.19. Sensibilité obtenue par deux α coupes dans un cas typique d'analyse. 5-112
Figure 5.20. Défuzzyfication de la sensibilité et raisonnement par classes. (D’après les règles du tableau 2.5.)
5-113
Figure 5.21. Découpage de la sensibilité par intersection avec ces classes et l'effet sur l'aléa. 5-114
Figure 5.23. La représentation des paramètres par des nombres flous proposés par l'intervenant. 5-117
Figure 5.26. La sensibilité «à gauche» et l'activité «à droite» d'un cas d'analyse. Sensibilité = {45/0 | 51/1 | 59/1 |
90/0}, Activité = {13/0 | 26/1 | 32/1 | 47/0}. 5-124
Figure 5.27. Probabilité d'occurrence obtenue par raisonnement sur 11 β coupes. 5-125
Figure 5.28. La probabilité d'occurrence obtenue par raisonnement sur les centres de gravité. 5-126
Figure 5.29. Les entrées de l'analyse (Sensibilité à gauche, Activité au milieu, et Intensité à droite). 5-128
Figure 5.30. Le résultat de l'aléa par l'utilisation des β-coupes «21 coupes». 5-128
Figure 5.31. Le résultat de l'aléa par l'utilisation de la méthode de raisonnement de Terano et al. [89]. 5-129
viii
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
Figure 5.34. La probabilité d'occurrence selon la méthode de Terano et al. [89]. 5-130
Figure 6.1. Deux photos aériennes prises depuis la navette Challenger qui illustrent la localisation de Louxor
ainsi qu’un plan succinct de la ville montrant l’emplacement de la Vallée des Rois. 6-137
Figure 6.2. Plan et coupe verticale de la tombe de Ramsès I avec ses fracturations 6-140
Figure 6.4. Transformation d’un nombre flou qui présente le RQD en un nombre flou qui présente l’indice
correspondant dans la classification RMR 6-143
Figure 6.5. Les indices flous pour les paramètres du RMR. 6-144
Figure 6.6. Les quantités flous utilisées pour la détermination de la sensibilité dans la zone I de la tombe de
Ramses I. 6-145
Figure 6.7. Les indices RMR obtenues dans les zones II et II de la tombe de Ramsès I. 6-146
Figure 6.9. L'aléa dans les zones I, II et III de la tombe de Ramsès I représenté par des quantités floues. 6-149
Figure 6.10 Soutènement en bois dans la zone III de la tombe de Ramsès I. 6-150
Figure 6.15. La sensibilité dans la zone J (à gauche) et de la zone M (à droite) de la coté de Larris. 6-161
Figure 6.16. Sensibilité, activité, intensité et l'aléa de la zone L évaluée par la méthode floue. Le résultat obtenu
par la méthode discrète de l’INERIS est «Faible». 6-163
Figure 6.17. Exemples d'aléa quantifiés par la méthode floue sur différentes zones des falaises de Pontoise 6-164
Figure 6.18. Représentation floue des classes des paramètres F1, F2, F3, F4 du SMR. 6-166
Figure 6.19. La sensibilité, l'activité, l'intensité, et l'aléa de la zone L évaluée par la méthode floue et par
l'utilisation du SMR comme un moyen de quantification de la sensibilité. «l'aléa de façon discrète a été qualifié
comme Faible». 6-170
Figure 6.20. Aléas déterminés par la méthode floue (avec utilisation du SMR pour caractériser la sensibilité) sur
différentes zones du site des falaises de Pontoise 6-171
Figure 6.21.Les nuages des points des corrélations pour les quatre classes d'aléa. 6-173
ix
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
Tableau 2.1. Paramètres de sensibilité dans le site de Pontoise et ses indices. D'après Tritsch et al. [96] 2-40
Tableau 2.5. Qualification de la probabilité d'occurrence (croisement entre les classes de sensibilité et de
l'activité). D'après Tritsch et al. [96]. 2-41
Tableau 2.6. Qualification de l'aléa (croisement entre la probabilité d'occurrence et l'intensité). D'après Tritsch
et al. [96]. 2-41
Tableau 4.1. Comparaisons entre les résultats de probabilité d’occurrence (en considérant que négligeable < 1.5,
1.5 < Faible < 2.5, 2.5 < Moyenne < 3.5, et Forte > 3.5). 4-68
Tableau 4.2. Comparaisons entre les résultats d'aléa (en considérant que négligeable < 1.5, 1.5 < Faible < 2.5,
2.5 < Moyen < 3.5, et Fort > 3.5). 4-68
Tableau 4.3. Exemples d'utilisation des surfaces d'ajustements (en considérant que négligeable < 1.5, 1.5 <
Faible < 2.5, 2.5 < Moyen < 3.5, et Fort > 3.5). 4-69
Tableau 5.1. Les opérations classiques sur les intervalles δ (a,b), et ε (c,d) 5-91
Tableau 5.3. Résumé de travail effectué en mécanique des roches en utilisant la logique floue. 5-108
Tableau 5.4. Extrait de la base des règles pour l'activité avec trois paramètres d'entrées. «la base complète pour
trois entrées comporte 64 règles» 5-122
Tableau 5.7. L'application de la méthode de Min-Max sur les 16 règles du tableau 2.5 5-125
Tableau 5.8. Comparaison entre le nombre de β-coupes, le temps de calcul et résultats obtenus. 5-131
Tableau 6.2. Indices RMR pour les différentes zones de la tombe de Ramsès I. 6-141
Tableau 6.3. La base des règles pour la détermination de l’aléa dans la tombe de Ramsès I. 6-147
Tableau 6.6. Paramètres et Résultats d'analyse sur les trois zones de Pontoise selon l’approche classique de
Tritsch et al [96]. 6-158
Tableau 6.7. Les paramètres de sensibilité pour une analyse de type flou. (le mot végétation signifie que nous ne
pouvons pas décrire le paramètre à cause d’une végétation dense, et la flèche signifie que le paramètre est plutôt
dans la première classe que la seconde). 6-159
Tableau 6.8. L'activité et l'intensité des sites de Pontoise exprimées par les classes choisies 6-160
xi
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
Tableau 6.9. Les résultats du calcul de sensibilité dans les trois zones de Pontoise (les quatre nombres donnent
les limites (x1, x2, x3, x4) d'un nombre flou de type trapézoï dal avec les participations suivantes : {x1/0 | x2/1 | x3/1
| x4/0}). 6-161
Tableau 6.10. Sensibilité, activité, et intensité des zones de Pontoise exprimées par des nombres flous 6-162
Tableau 6.11. L'aléa des zones de Pontoise obtenu par calcul et raisonnement flou en utilisant les paramètres de
l'INERIS. 6-162
ableau 6.12. Expression des paramètres du SMR utilisées pour la détermination de la sensibilité. 6-168
Tableau 6.16. Les coefficients de corrélation entre les aléas produits avec la formule de sensibilité INERIS, et le
SMR. 6-172
xii
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
RÉSUMÉ
L'analyse des risques est pratiquée de plus en plus dans l'industrie depuis la
deuxième guerre mondiale. Elle a beaucoup évolué et elle est maintenant très
souvent mise en œuvre dans les domaines de la sécurité nucléaire, chimique, etc.
Pour les ouvrages géotechniques comme les tunnels, les mines et les carrières, il
n'existe pas aujourd'hui de méthodologie générale pour l'analyse et la
quantification des aléas relatifs aux dangers inhérents à ces types d'ouvrages
(chutes de blocs, éboulements, etc.). L'une des raisons essentielles à cela est
l'incertitude qui pèse sur les données disponibles ou la méconnaissance même des
valeurs des paramètres nécessaires à ce type d'analyse.
En nous appuyant sur la logique floue et ses outils, nous présentons une approche
complète et intégrée permettant de résoudre l’ensemble des problèmes
techniques (ou pratiques) rencontrés dans l’utilisation des méthodes d’évaluation
de l’aléa mouvement de terrain mais aussi de traiter les épineuses questions de la
variabilité et de l’incertitude des données. Nous exposons notamment le
développement conceptuel et informatique que nous avons élaboré pour améliorer
la formalisation du raisonnement approximatif par les outils de la logique floue.
Des applications sont également proposées avec notamment deux cas d’analyse
récurrents : la tombe de Ramsès I dans la Vallée des Rois à Louxor, Egypte et les
falaises de Pontoise en région parisienne.
xiii
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
ABSTRACT
Since the World War II, industrial risk analysis has been applied with success to
many nuclear, petroleum, and chemical sites. The methods of risk analysis in the
industry are more or less standard and applicable.
On the other side, geotechnical sites such as tunnels, mines and quarries, or
cliffs, do not have standard or general methods for the evaluation of the risk
induced by these sites (block movements, block fallings, etc.). One of the
essential reasons for this fact is the uncertainty of the data collected and/or
the vagueness of the values of the parameters essential for such analysis.
In our approach, the activity, the sensitivity, and the intensity of a site are
defined as functions of site parameters that include the variability, the
complexity, and the uncertainty in the form of fuzzy numbers. The analysis lead
to the determination of the risk of ground instability, which is also presented in
the form of a fuzzy number.
With the help of the fuzzy logic, we are presenting a complete approach that
allowed us to solve the technical or practical problems faced during the use of
the methods of geotechnical risk analysis actually used by different
geotechnicians. And it also allowed the fine treatment of the problems of
variability and uncertainty of parameters’ values. We will explain also the
conceptual, logical and computer development that has been conducted in order
to improve the approximate fuzzy reasoning through the new concept of β cuts.
We have applied this general methodology at two case studies in different sites:
one at the tomb of Ramsis I at the Valley of the Kings in Egypt, and the other at
the cliffs of Pontoise Northern Paris
xiv
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
INTRODUCTION GÉNÉRALE
Introduction générale
Introduction générale
Les travaux présentés dans ce mémoire s’inscrivent dans le vaste champ de la géotechnique,
discipline consacrée à l’étude du sol et du sous-sol pour en permettre l’aménagement ou
l’exploitation.
Ils portent en particulier sur l’évaluation des risques dans les sites géotechniques, sites que
l’on peut définir comme des ouvrages naturels ou artificiels, souterrains ou à ciel ouvert qui
constituent une portion de l’écorce terrestre, elle-même constituée du sol et du sous-sol
correspondant, dans laquelle s’exerce une activité humaine, Martin [76].
Or, un des caractères fondamentaux de ces sites est la stabilité. Qu’elle résulte de l’activité
humaine ou non, cette instabilité induit des dangers sur l’homme ou ses réalisations. C’est la
mesure de ce danger qui nous intéresse ici et c’est cette mesure que nous appellerons le risque
d’instabilité.
Dans son acception la plus commune, le risque est défini comme le produit de la probabilité
d’occurrence de l’événement redouté (ici l’instabilité quelle qu’elle soit) par la gravité de ses
conséquences. Dans le cas des sites géotechniques, on parle plus spécifiquement de « l’aléa
mouvement de terrain » et de la « vulnérabilité ». L'aléa intègre la probabilité d'occurrence et
l'intensité du phénomène tandis que la vulnérabilité représente la gravité estimée des
conséquences des phénomènes attendus sur les activités humaines.
Page 17
Introduction générale
à déterminer en fait ce que l’on appelle les aléas mouvement de terrain des sites
géotechniques.
Nous présenterons donc dans un premier chapitre, les bases et la logique de l’analyse des
risques tant dans le domaine de l’industrie que dans le cas des risques dits naturels. Les
questions de vocabulaire y seront notamment abordées.
Dans le chapitre 2, nous présenterons un état des méthodes actuellement mises en œuvre de
par le monde pour l’évaluation des risques naturels en particulier. Nous présenterons aussi les
approches françaises et plus en détail l'approche retenue pour nos travaux.
L’évaluation de l’aléa mouvement de terrain des sites géotechniques fait intervenir des
paramètres par nature difficiles à saisir sans ambiguïté ou sans incertitude et de plus sujets à
une variabilité spatiale. Il nous faudra donc tenir compte de ces aspects de la réalité. Par
ailleurs, des problèmes pratiques sont rencontrés par ceux qui, sur le terrain, sont chargés de
faire l’évaluation des aléas mouvement de terrain au moyen des méthodes présentées au
chapitre 2. Ces différents problèmes propres aux méthodes employées seront posés au
chapitre 3 et nous verrons au chapitre 4 comment les résoudre dans le cadre des méthodes
actuelles. Nous terminerons ce chapitre en critiquant les méthodes actuellement utilisées et en
montrant les limites.
Dans le chapitre 5 nous présentons la logique floue comme le support d’une approche
complète et intégrée permettant de résoudre l’ensemble des problèmes techniques (ou
pratiques) rencontrés dans l’utilisation des méthodes d’évaluation de l’aléa mouvement de
terrain mais aussi de traiter les plus épineuses questions de la variabilité et de l’incertitude des
données. Nous exposerons notamment le développement conceptuel et informatique que nous
avons élaboré pour améliorer la formalisation du raisonnement approximatif par les outils de
la logique floue.
Enfin, dans le chapitre 6, nous exposerons des applications à partir d’une proposition de
méthodologie générale basée sur l’utilisation de la logique floue. Nous aborderons notamment
deux cas d’analyse : la tombe de Ramsès I dans la Vallée des Rois à Louxor et les falaises de
Pontoise en région parisienne.
Page 18
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
INDUSTRIELS ET NATURELS
L'évaluation des risques industriels et naturels
1.1. Introduction
Dans la pratique industrielle, l'évaluation des risques est rendue nécessaire dans de
nombreuses situations. C’est le cas en particulier dans les installations de conception
nouvelle, dans les systèmes complexes, dans les situations particulièrement dangereuses ou
dans les installations ayant déjà subi des accidents.
• En effet, pour concevoir un système, les concepteurs s'appuient en général beaucoup sur
l'expérience acquise sur des systèmes analogues. Lorsque l'on désire concevoir un système
nouveau pour lequel aucune expérience antérieure n'est disponible, il est alors nécessaire
d'anticiper ce qui pourrait se produire lors de son exploitation réelle, d’où la nécessité de
mettre en œuvre une évaluation des risques au moyen de méthodes adaptées à la nature du
système.
• Par ailleurs, dans certains secteurs d’activité, les systèmes modernes sont dans de plus en
plus complexes et leur conception fait appel à des disciplines de plus en plus diverses
pratiquées par des spécialistes. Chaque spécialiste conçoit au mieux sa partie du système,
mais les problèmes se manifestent au moment où il faut réaliser l’intégration des
différentes parties. De plus, ces systèmes sont en général composés de nombreux sous-
systèmes dont les interactions sont souvent difficiles à identifier, puis à prendre en
compte.
Chapitre 1-21
L'évaluation des risques industriels et naturels
réaliser des analyses de risques afin de faire le point sur les risques présentés par leurs
propres installations.
Les méthodes d’évaluation et de gestion des risques telles que nous les concevons aujourd’hui
ont été développées essentiellement à partir de la 2e guerre mondiale grâce à une prise de
conscience collective de l’inacceptabilité de certains risques pris ou rencontrés dans les
installations industrielles, en raison de la nécessité pour les industriels de maîtriser davantage
la fiabilité de leur installations devenues de plus en plus complexes et coûteuses ainsi que par
l’émergence d’activités industrielles dans lesquelles les accidents peuvent avoir des retombées
à très grande échelle (l’industrie nucléaire en particulier).
Si les méthodes d’évaluation des risques ont connu un essor considérable et sont maintenant
très souvent déployées dans l’industrie nucléaire et l’industrie chimique en particulier mais
aussi dans certains secteurs d’activités comme le transport aérien par exemple, cela n’est pas
encore le cas dans les activités liés à l’aménagement et à l’exploitation du sol. Ainsi, dans les
activités où s’exprime la géotechnique, les méthodes d’évaluation des risques (et en
particulier des risques d’instabilités) sont encore balbutiantes.
Chapitre 1-22
L'évaluation des risques industriels et naturels
Lorsqu’un événement dangereux se produit, les conséquences peuvent être dramatiques. Ceci
conduit tout naturellement à considérer le risque comme une entité à deux dimensions :
Probabilité d’occurrence du phénomène d'une part et Gravité des conséquences d'autre part,
que l'on peut représenter dans ce qu'on appelle l'espace du danger, figure 1.1.
Dans cet espace, la représentation du risque peut, typiquement, prendre l’allure des courbes de
la figure 1.2 (ici pour le risque incendie)
Nous pouvons aussi définir dans l'espace du danger une ligne qui sépare ce que l'on considère
comme une situation acceptable d'une situation jugée inacceptable. Cette courbe résume la
décision d'une collectivité humaine face au danger. Elle va déterminer le coût de la maîtrise
du risque et les objectifs de sûreté et de sécurité. La figure 1.4. en montre un exemple
schématique.
Probabilité
Risque constant
(Courbe d'isorisque)
Gravité
Chapitre 1-23
L'évaluation des risques industriels et naturels
Gravité
Figure 1.2. Exemple de principe du risque d'incendie dans une installation industrielle par exemple.
Probabilité
Probabilité
Inacceptable
Acceptable
Gravité
Chapitre 1-24
L'évaluation des risques industriels et naturels
Le vocabulaire de l’analyse des risques prête parfois à confusion car les mots utilisés
recouvrent des notions du langage courant et peuvent être interprétés de multiples manières.
Pour éviter toute ambiguïté, il nous paraît donc important de nous entendre sur certaines
définitions et notamment sur les notions de Danger, de Gravité, de Vulnérabilité, d’Aléa, de
Risque, de Sûreté et de Sécurité. Une liste plus complète du vocabulaire du risque industriel
ainsi que du risque naturel est donnée en annexe A.1.
• L’Aléa d’un événement redouté peut se définir comme la probabilité que ce phénomène se
produise au cours d'une période de référence donnée et avec une intensité donnée. Dans le
cas de l’aléa mouvement de terrains dont nous allons traiter, on sera généralement conduit
à l’exprimer dans une échelle de type : négligeable, faible, moyen ou fort.
• La Gravité d’un accident correspond à l’ensemble des dommages qu’il occasionne sur les
biens, les personnes ou sur l’environnement. Elle peut s’exprimer par exemple en nombre
de morts, en coûts des destructions ou coûts des réparations, etc.
• La Sécurité est l’ensemble des actions destinées à assurer la protection des personnes et
des biens contre les effets des événements redoutés.
• La Sûreté est l’ensemble des dispositions à prendre à tous les stades de la conception, de
la construction, de l'exploitation ou de l'arrêt d'un système dans le but de réduire la
probabilité de sa défaillance.
Chapitre 1-25
L'évaluation des risques industriels et naturels
• La Vulnérabilité d’un milieu, d’un bien ou d’une personne, c’est son aptitude à subir un
dommage à la suite d'un accident. On peut considérer que la vulnérabilité à un événement
redouté est une estimation de ce que sera la gravité de cet événement s’il se produit.
• Le Danger peut être défini comme toute situation susceptible d’engendrer des événements
indésirables.
• Le Risque est une mesure du danger. Il s'exprime par la combinaison des deux
caractéristiques dimensionnelles du danger : sa probabilité et sa gravité. En matière de
risques naturels, on combine plutôt l’aléa et la vulnérabilité, mais le résultat est
équivalent.
Chapitre 1-26
L'évaluation des risques industriels et naturels
Dans un premier temps, les objectifs recherchés doivent être clairement définis. Cette étape
paraît triviale, mais elle est fondamentale : elle détermine directement la suite des opérations.
À ce niveau, il est très facile de commettre des erreurs. Ces objectifs peuvent varier selon les
paramètres à évaluer (fiabilité, disponibilité, etc.), selon le type de système à étudier
(prototype ou opérationnel), selon l'étape de la conception (préliminaire, détaillée, etc.), et
aussi selon le niveau de détail désiré Leroy [92].
Le système étudié doit être clairement défini et délimité. Cela concerne la définition technique
du système, mais aussi les procédures d'installation, mise en route et exploitation, les
procédures et moyens d'intervention en cas d'accidents, ainsi que l'environnement du système.
Bien entendu, selon la nature de l'étude à réaliser, seule une partie de ces renseignements peut
être nécessaire Leroy [92].
Chapitre 1-27
L'évaluation des risques industriels et naturels
Analyse fonctionnelle
Modélisation du système
Analyse qualitative
Analyse quantitative
Consultation de spécialistes
Synthèse/décisions
Spécifications
Programmes d'essais
Politique de maintenances
Quantification du risque
On procède ensuite à l'analyse fonctionnelle du système. Cette analyse peut être réduite à une
recherche sommaire des différentes fonctions présentes, voire à un découpage simple dans le
cas de systèmes simples. La mise en œuvre de méthodes très codifiées est nécessaire dans le
cas des systèmes complexes.
L'étape suivante consiste à identifier les risques potentiels présents dans le système du point
de vue des objectifs fixés. Pour identifier les risques, les méthodes les plus largement utilisées
sont de nature inductive (on part des causes pour remonter aux effets) : APR, HAZOP,
AMDEC, etc. En collaboration avec les spécialistes du système étudié, ces méthodes
permettent de mettre en évidence et de hiérarchiser les risques, Leroy [92].
Pour les systèmes ne présentant pas de redondance, l'application des méthodes d'identification
des risques peut suffire pour réaliser l'étude désirée. Par contre, pour les systèmes complexes
présentant une forte redondance, il est en général nécessaire de procéder à une modélisation
plus avancée.
Chapitre 1-28
L'évaluation des risques industriels et naturels
La modélisation d'un système fait appel à des méthodes différentes selon sa nature et le
problème rencontré. Pour les systèmes statiques dépendant peu ou pas du temps, c'est la
technique des arbres de défaillances qui est la plus couramment mise en œuvre. Cette
technique, à l'inverse des méthodes précédentes, procède d'une démarche déductive (on
recherche les causes des effets redoutés). Lorsque le système présente un comportement
dynamique qui ne peut pas être pris en compte correctement par les arbres de défaillances, on
fait appel à des méthodes basées sur les processus stochastiques ou d'autres méthodes non-
statistiques comme la logique floue. En effet, si on suit l'évolution d'un système dynamique au
cours du temps, on le voit sauter d'états en états au bout de durées de séjour aléatoires, en
fonction des défaillances et des réparations auxquelles il est soumis. Un tel comportement est
dit «stochastique» ou «aléatoire». Pour modéliser ce comportement, la technique des chaînes
de Markov est la plus couramment utilisée, car c'est la plus facile à traiter mathématiquement,
Leroy [92]. Cette technique est basée sur l'identification des différents états du système étudié
et sur l'analyse des transitions le faisant passer de manière aléatoire d'un état à un autre. Il est
ainsi possible d'évaluer par des calculs analytiques des paramètres probabilistes de première
importance comme la fiabilité, la disponibilité, etc. Lorsque le nombre d'états devient trop
grand pour être manipulé sans risque d'erreur, des modèles de comportement dynamique
basés sur les réseaux de Petri, sont parfois utilisés pour identifier les états en question.
Lorsque le nombre d'états à prendre en compte pour obtenir une modélisation réaliste devient
trop grand, ou lorsque les lois de probabilité à prendre en compte ne sont pas exponentielles,
une autre solution consiste à réaliser des simulations de Monte-Carlo du comportement du
système étudié.
Pour les cas où le comportement du système est difficile à quantifier ou quand les paramètres
sont difficiles à mesurer ou vaguement mesurables, un modèle basé sur la logique floue est
utilisable.
Lorsque le modèle est réalisé, l'étape suivante consiste à l'utiliser pour en tirer les résultats
désirés. Cette analyse est qualitative ou quantitative selon les méthodes mises en œuvre
auparavant. La figure 1.6 donne le schéma général d'une analyse pour l'aide à la décision.
Chapitre 1-29
L'évaluation des risques industriels et naturels
Données statistiques
Analyses logiques Estimation statistiques
Estimation flou
Traitements
Calculs
Raisonnements
Probabilité
Possibilité
Aide à la décision
Ces études et modélisations nous permettent d'établir des spécifications pour les composants
les plus sensibles, et des programmes d'essai pour les composants nouveaux. Elles permettent
également une quantification des risques présentés par le système.
Plus le modèle est conforme à la réalité, plus les résultats obtenus sont, bien entendu, valables.
La difficulté consiste généralement à disposer des données nécessaires qui sont souvent mal
connues ou entachées d'une grande imprécision, ou même totalement inconnues. Cette
remarque doit faire prendre conscience que les estimations probabilistes ou non probabilistes
qui peuvent être faites sont surtout intéressantes lorsqu'on les considère relativement les unes
aux autres pour comparer diverses solutions, hiérarchiser les problèmes ou mettre en évidence
la sensibilité des résultats recherchés à la variation de certains paramètres.
Chapitre 1-30
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
D’INSTABILITÉS DES
TERRAINS
L’évaluation des risques d’instabilités des terrains
Chapitre 2-33
L’évaluation des risques d’instabilités des terrains
Les mots risk , danger, hazard ou encore unstability apparaissent régulièrement dans les
publications internationales dont le sujet concerne de près ou de loin l’évaluation des risques
d’instabilités des terrains. Mais l'utilisation qui est faite de ce vocabulaire dans les travaux
présentés varie considérablement d’une publication à une autre ce qui rend difficile la
réalisation de la synthèse que nous tentons ici de présenter.
Les travaux de recherche qui visent à évaluer les risques d’instabilités des ouvrages s’appuient
le plus souvent soit sur des méthodes analytiques relativement simples à utiliser, soit sur des
méthodes de modélisation numérique plus délicates à employer et aux objectifs plus ciblés.
Kawakami et al. [84] par exemple, tentent de dresser une cartographie des risques de
mouvements de terrains en évaluant des paramètres quantitatifs ou qualitatifs tels que : la
densité des vallées dans une zone, la hauteur de talus ou de falaise, la pente, la formation
géologique et la structure géologique. Le poids de chacun des paramètres utilisés est évalué
par des experts pour chaque site étudié. Une fonction analytique reliant les paramètres permet
ensuite de donner un niveau de risque global à chaque zone ainsi considérée.
Nguyen [85] travaille aussi sur la stabilité des talus mais propose d’autres paramètres à
mesurer ou à observer, et met en œuvre une méthodologie d'analyse qui s’appuie sur la
logique floue. Les paramètres qu’il utilise sont : la hauteur de falaise, sa pente, son état
hydrologique, sa géologie, etc. Les pondérations sont aussi données par un jugement
d’experts, et un indice final est obtenu qui indique le risque potentiel de la falaise considérée.
Hudson et al. [92] proposent une méthodologie générale d'évaluation des paramètres basée sur
la notion de système. Cette méthodologie appelée Rock Engineering System analyse les
paramètres d'un système rocheux par l'évaluation des interactions entre ses paramètres. Ces
interactions sont définies par le biais d’une matrice d'interactions à partir de laquelle on tire
une équation de pondération des paramètres qui donne un indice global du système. Dans leur
communication, Hudson et al., donnent un exemple concernant l’état du massif autour du
barrage FEI-TSUI à Taiwan. Cette méthodologie a été présentée en détail dans l'ouvrage de
Hudson intitulé « Rock Engineering Systems : Theory and Practice » (Hudson [92]). Elle a été
Chapitre 2-34
L’évaluation des risques d’instabilités des terrains
appliquée dans plusieurs domaines de la mécanique des roches, notamment dans les
publications de Hudson et al. [90], Hudson et al. [90-1], Ping et al [93], Jiao et al. [95], et
Mazzoccola et al. [96].
McMillan et al. [97] ont défini une méthodologie d'analyse multi-phases pour l’analyse du
risque d’instabilité des talus d’autoroutes. Cette méthodologie permet de donner un indice de
risque dans une première phase et de donner, dans une deuxième phase, un taux de risque
d’instabilité à partir d’une étude détaillée du site.
Bien entendu, ces études ne sont pas les seules à traiter la question de l’évaluation de l’aléa
mouvement de terrain des falaises ou des ouvrages souterrains, mais elles sont les plus
remarquables trouvées dans la littérature scientifique disponible. Nous avons aussi relevé des
travaux portant sur les méthodes de classification des massifs rocheux ou des falaises et sur
applications de ces méthodes de classification. Il en est ainsi des travaux de Romana [91] et
de Orr [92], mais aussi des travaux de Mehrotra et al. [95] et Romana [97] qui présentent des
applications de ces méthodes à l’évaluation des sites.
D’autres méthodes moins classiques ont aussi été proposées. C’est le cas en particulier des
méthodes à base de systèmes d’informations géographiques (Ellenberger [81], Budetta et
al. [94], Ellison [78]) Ellenberger [81], par exemple, défini une méthodologie de prédiction du
risque d'instabilité des falaises par l'utilisation d’une méthode cartographique appelée Overlay
technique (technique de superposition). Dans son article, il utilise des paramètres concernant
la stabilité de l'ouvrage et des paramètres concernant la géologie ou la morphologie. Cette
étude montre que l'utilisation d'un système d'information géographique peut être utile dans le
cas où l’on disposerait de données statistiques et géographiques sur le site.
Parmi les auteurs ayant travaillé sur la stabilité des talus, certains ont proposé des approches
probabilistes pour évaluer la stabilité des talus (Young [93] et le logiciel commercial Geo-
Slope)
Chapitre 2-35
L’évaluation des risques d’instabilités des terrains
Il se dégage de ce rapide panorama qu’il n’y a pas une mais des méthodes d’évaluation des
risques d’instabilité. Ces méthodes ont en commun le principe général d'évaluer un aléa ou un
risque à partir de quelques paramètres ou observations relativement faciles à déterminer sur le
terrain. Ces méthodes ne prennent néanmoins jamais en compte les scénarios envisagés ni, a
fortiori, la probabilité que des accidents surviennent. Par ailleurs, il n’est jamais fait mention
de la gravité des conséquences de ces accidents. On parle donc bien d’instabilité potentielle et
non pas de risque potentiel au sens strict du terme. On retiendra que, en général, les auteurs
déterminent, le plus souvent, ce que nous appelons la sensibilité d'un site et parfois l'aléa d'un
site et non pas le risque (dans sans acception française) comme ils le prétendent.
En France, de plus en plus de travaux scientifiques portent sur l’évaluation des risques
naturels. Ils concernent les risques de glissement de terrains, les risques de fontis, les risques
d’effondrements miniers ou d’effondrement d’immeubles dans les zones urbaines par
exemple.
Evrard, H. [87] dans un article intitulé «Risques liés aux carrières souterraines abandonnées
de Normandie», se propose d'évaluer l'aléa dans un site sans désordre décelable en surface ou
l'estimation du danger rémanent, après un effondrement. L'article montre l'intérêt d'un
document cartographique de synthèse, établi par commune et rassemblant tous les indices
pertinents. Le but de son étude est d'envisager la mise en œuvre de diverses méthodes de
repérage des vides ou la réalisation d'études de stabilité. Son travail est principalement basé
sur la détermination et la localisation des vides souterrains. Il discute aussi les causes
possibles des effondrements. Mais, il ne propose pas de classification des risques, ni ne
mentionne les notions de probabilité des événements ou de gravité des conséquences. L'étude
porte en fait sur la cartographie de la sensibilité à l'instabilité, et non pas sur une cartographie
de risque ou d'aléa naturel.
Fares, A. et al [94] ont travaillé sur l'évaluation des risques naturels liés aux mouvements de
terrains dans une région située au Nord du Maroc. La méthodologie employée est basée sur le
traitement mathématique des indices relatifs à la topographie, à la lithologie et à la
géomorphologie des versants. L'utilisation d’une cartographie de ces trois facteurs permet de
délimiter le cadre propice aux déclenchements des mouvements de terrains. Pour chaque zone
de terrain, la méthodologie donne un indice qui correspond à une classe (4 classes pour la
topographie, 5 classes pour la lithologie et 5 classes pour la géomorphologie). Le traitement
Chapitre 2-36
L’évaluation des risques d’instabilités des terrains
mathématique de ces indices (addition) ou bien le traitement probabiliste (chaque indice est
associé avec une probabilité), donne un indice global de risque qui est ensuite placé dans une
des quatre classes et constitue une cartographie du risque de mouvements de terrains.
Le travail de Millies-Lacrois [81] porte sur les différents systèmes de classification des talus.
Il a tenté de mettre en évidence les difficultés de l'aspect arbitraire et subjectif des
classements. Il présente brièvement les classifications existantes et, en vue d'applications
pratiques, il s'interroge sur les critères à prendre en considération. Il constate dans sa
conclusion que les classifications régionales sont mieux adaptées à la résolution des
problèmes pratiques d'aménagement urbain ou rural.
En 1996, Tritsch et al. [96] ont rédigé un rapport dans le cadre d'une étude menée par
l'INERIS sur l'évaluation de l’aléa du site de Pontoise en région parisienne. Ce rapport intitulé
«Méthodologie pour la connaissance et l'identification des risques de mouvements de terrain»
présente un panorama des problèmes d'instabilités de falaise avec pour objectif l’évaluation de
l’aléa naturel. Tritsch et al. proposent de définir l'aléa naturel comme le produit du croisement
entre la probabilité d'occurrence d'un phénomène et son intensité. La probabilité d'occurrence
est elle-même estimée comme le produit du croisement de la sensibilité d'un site vis à vis de
Chapitre 2-37
L’évaluation des risques d’instabilités des terrains
l'instabilité redoutée et de l'activité du site. Cette approche par étape qui a été adoptée par
l'INERIS est illustrée sur la figure 2.1.
Les ingénieurs de l'INERIS ont proposé des qualifications pour les paramètres à observer sur
site ainsi que des règles de croisement entre les paramètres. Ces qualifications et croisements
ne sont valables que sur le site étudié.
Raisonnement Probabilité
par croisement d’occurrence
Raisonnement Aléa
par croisement
Chapitre 2-38
L’évaluation des risques d’instabilités des terrains
Pour nos travaux qui vont être exposés par la suite, nous avons retenu la méthodologie de
Tritsch et al. [96]. Cette méthodologie d'analyse rassemble tous les éléments d'une
méthodologie d'analyse d’aléa. Nous allons expliquer en détail cette méthode.
Dans le site des falaises de Pontoise, Tritsch et al. [96] ont analysé les différents types
d'instabilités rencontrés sur le site ainsi que leurs caractères spécifiques. Ils ont retenu
l'hypothèse que la sensibilité de ce site pouvait être caractérisée par cinq paramètres : le pas
de fracturation (PF) ou réseau de fractures (LF), l’écartement et la rugosité des joints (ER),
l’humidité des fissures (HF), la direction structurale par rapport au front (DIR), et
l'inclinaison des fissures par rapport au front (PEN)». Le tableau 2.1. présente les fourchettes
de valeurs de ces paramètres ainsi que leurs quantifications par indices entre 0 et 3 chacun. À
partir de ces indices, ils ont ensuite exprimé la sensibilité du site par la formule suivante :
La sensibilité obtenue par cette formule est ensuite placée dans une échelle de valeurs à 4
classes comme le montre le tableau 2.2.
Pour l'activité du site et l'intensité des phénomènes, les tableaux 2.3. et 2.4. récapitulent les
paramètres à observer sur le site et leurs classifications.
Pour le site de Pontoise, Tritsch et al. [96] proposent ensuite de continuer l'analyse en
s’appuyant sur certaines règles. Ainsi, les règles de croisement entre la sensibilité et l'activité
qui définissent le niveau de la probabilité d'occurrence sont présentées dans le tableau 2.5 et
le tableau 2.6 présente les règles de croisement entre la probabilité d'occurrence et l'intensité
qui donnent l'aléa.
Chapitre 2-39
L’évaluation des risques d’instabilités des terrains
Tableau 2.1. Paramètres de sensibilité dans le site de Pontoise et ses indices. D'après Tritsch et al. [96]
Pas de Fracturation (PF) Réseau de fractures (LF) Indice
< 0.2 m > 10 m 3
0.2 ~ 0.6 m 3 ~ 10 m 2
0.6 ~ 2 m 1~3m 1
>2m <1m 0
Chapitre 2-40
L’évaluation des risques d’instabilités des terrains
Tableau 2.5. Qualification de la probabilité d'occurrence (croisement entre les classes de sensibilité et
de l'activité). D'après Tritsch et al. [96].
Sensibilité Très favorable Favorable Défavorable Très défavorable
Activité
Dormante Négligeable Faible Faible Moyenne
Inactive ou peu active Faible Faible Moyenne Moyenne
Fraîche Moyenne Forte Forte Forte
Active Forte Forte Forte Forte
Dans un cas typique d'analyse, un ingénieur intervient sur le site pour faire les observations
sur les paramètres qui définissent la sensibilité, l’activité et l’intensité. Ces paramètres sont
évalués par l'ingénieur qui leur attribue ensuite (ou directement) un indice ou une classe ce
qui permet de déterminer facilement la probabilité d'occurrence et l'aléa. Cela n’est valable
que dans la zone de départ, car pour les zones amont et avale, autres règles de croisements
sont définies.
En appliquant cette méthode en différents points du site, Tritsch et al. [96], ont ainsi établi une
carte de l’aléa autour d'une falaise dans la région de Pontoise.
Pour tester l'influence et la sensibilité des paramètres dans cette méthode, nous avons
développé un logiciel dans l’environnement VBA™ sous Excel™. Ce programme réalise
Chapitre 2-41
L’évaluation des risques d’instabilités des terrains
l’ensemble des opérations qui conduisent à l’aléa dès que les paramètres de l’analyse ont été
renseignés. Il est ensuite facile de faire varier un paramètre pour voir son incidence sur le
résultat. La figure 2.3. présente le fonctionnement de ce logiciel.
Probabilité
Pas de Fracturation
, - , m
Ecartement et rugosité des joints Activité Dormant Intensité Eboulements
E< mm, surface altérée des lévres
Humidité des fissures
Gouttes à gouttes, suintements
DIR PEN
> ° - -- °
Chapitre 2-42
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
DANS LA PRATIQUE
Les problèmes rencontrés dans la pratique
La pratique de l’évaluation des risques d’instabilités géotechniques telle qu’elle ressort des
travaux scientifiques mentionnés précédemment est confrontée à quelques problèmes majeurs
que nous nous proposons maintenant de discuter.
Le premier problème concerne le type d’observations ou de mesures effectuées sur les sites et
les informations qui en sont tirées. Pour décrire les milieux qu’ils étudient, certains auteurs
utilisent les caractéristiques mécaniques telles que la résistance à la compression simple ou
triaxiale, la résistance à la traction, le coefficient de Poisson, etc., ou les caractéristiques
physiques telles que la densité, la porosité, la perméabilité, etc. D’autres font appel aux
caractéristiques minéralogiques des milieux ou encore à des caractéristiques relatives aux
discontinuités comme l’espacement entre joints, le RQD, l’ouverture des joints, etc.
L’un des problèmes réside dans le fait qu'on ne trouve pas une méthodologie standard de
description des milieux. Si certains paramètres sont valables pour certains sites, ils ne peuvent
pas être adaptés à la description d’autres sites. Par conséquent, une méthodologie d'évaluation
des risques basée sur quelques observations typiques ne pourrait être valable pour tous les
sites.
Les experts qui interviennent dans l’évaluation des risques d’instabilités utilisent également
des formulations empiriques pour la caractérisation de l’état du milieu ou massif étudié. C'est
le cas, par exemple, des falaises de Pontoise pour l’étude desquelles les experts de l’INERIS
ont défini une formule empirique conduisant à un indice de massif. Ces formules empiriques
que l'on trouve parfois dans les références bibliographiques sont basées sur l'expérience
accumulée sur les sites bien documentés et ne sont pas forcément applicables à d’autres sites.
D’autre part, l'application des méthodes numériques pour l'analyse de la stabilité des ouvrages
géotechniques gagne de l’intérêt avec l'augmentation rapide de la puissance de calcul des
ordinateurs. Mais elle reste toujours limitée par la taille des modèles et la quantité
d’information à traiter. Jusqu’à aujourd’hui, il est illusoire de vouloir modéliser toutes les
caractéristiques physiques et mécaniques des situations étudiées et en particulier leur caractère
aléatoire. Si la modélisation peut apporter des résultats intéressants concernant certains
Chapitre 3-45
Les problèmes rencontrés dans la pratique
aspects de la réalité étudiée et donner des éléments de réponse à certaines questions posées
par l’évaluation des risques, elle ne permet pas d’évaluer les risques d’instabilité à part entière
en particulier dans leur nature probabiliste.
Un autre problème rencontré dans la pratique concerne les méthodes de description des
massifs qui conduisent en général à un découpage des valeurs des paramètres en classes. Ce
problème est en fait plus général puisqu’il se pose dès que nous réduisons l’information à des
classes de valeurs. La transition entre les classes n’étant pas continue, une faible variation de
la valeur d’un paramètre (autour d’une limite de classe) peut entraîner une modification
significative d’un résultat. D’une manière générale, il se pose ici un problème de robustesse
des méthodes. Par ailleurs, les règles de raisonnement entre les classes des paramètres sont le
plus souvent des règles arbitraires. La transition entre les données et les résultats au moyen de
ces règles peut donc être très sensible à une légère modification de la valeur d’un paramètre.
Un problème majeur qui pèse sur les résultats donnés par les méthodes d’évaluation des
risques concerne la variabilité naturelle des données relevées sur les sites. En effet, les valeurs
des caractéristiques quantitatives mesurées sur le site peuvent être considérées comme des
réalisations de lois de distributions statistiques dont la connaissance est nécessaire dans le cas
de la mise en œuvre de méthodes de simulation destinées à analyser l’effet de la variabilité
des données. La connaissance des lois de distribution est malheureusement rarement
disponible sauf à disposer d’un grand nombre de données.
Un autre problème lié aux observations concerne les paramètres qualitatifs toujours difficiles
à intégrer dans un formalisme mathématique conduisant à l’évaluation des risques. Il est
hasardeux, en particulier, d’utiliser de tels paramètres dans des méthodes de simulation de
type Monte-Carlo.
Chapitre 3-46
Les problèmes rencontrés dans la pratique
Au cours de notre travail de recherche, nous avons essayé de trouver des solutions à la plupart
de ces problèmes que nous allons exposer par la suite.
• la première concerne le choix des paramètres et des formules empiriques utilisées pour
caractériser ce que nous appelons la sensibilité d’un site. Nous parlerons à ce sujet de
formule de sensibilité ;
• la deuxième catégorie concerne le problème des limites des classes ainsi que la définition
et la manipulation des règles de croisement ;
Les solutions que nous avons envisagées à ces problèmes seront systématiquement présentées
par la suite sur l’exemple de l’évaluation de l’aléa dans le site de Pontoise.
Chapitre 3-47
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
DE LA MÉTHODOLOGIE
CLASSIQUE
Solutions dans le cadre de la méthodologie classique
Dans les différentes approches d’évaluation de l’aléa naturel telles que celles qui ont été
présentées au chapitre 2, les ingénieurs définissent la sensibilité du site au moyen d’une
formule empirique définie à partir de l’expérience acquise sur le site considéré.
Pour développer une méthodologie à caractère plus général, il est donc important d’évaluer la
sensibilité d’une autre façon, à partir de paramètres aussi standard que possible et
suffisamment faciles à mesurer pour être exploitables.
Nous nous sommes donc tournés du côté des systèmes de classifications qui nous paraissaient
pouvoir caractériser la sensibilité d’un site.
• Les classifications qui s’appuient sur une description minéralogique conduisant à des
différenciations telles que «massif carbonique», «massif calcaire», ou «roche
sédimentaire», « volcanique », etc.
• Les classifications définies à partir des caractéristiques mécaniques telles que résistance à
la compression simple ou résistance à la traction par exemple.
• Les classifications analytiques des massifs comme l'analyse élastique d’un massif
caractérisée par la déformation du milieu, elle même définie par des équations telles que :
1
e = [s 3 − n (s 1 + s 2 )] [2]
E
dans laquelle :
ν est le coefficient de Poisson,
Chapitre 4-51
Solutions dans le cadre de la méthodologie classique
Selon la valeur prise par cette déformation et le type de massif, nous pouvons placer le cas
étudié dans une classe particulière.
• Les classifications de l'ingénieur, le plus souvent basées sur son expérience et qui font
intervenir des paramètres physiques et mécaniques du milieu étudié.
Une étude bibliographique élargie nous a permis de nous rendre compte que les systèmes de
classification les plus utilisés sont actuellement le Rock Mass Rating System (RMR) de
Bieniawski [73] et le Q-System de Barton [74]. Par ailleurs, pour la classification des talus et
falaises, il semble que l’on fasse aussi assez souvent appel au Slope Mass Rating Sytem
(SMR) de Romana [91]. Les détails de ces systèmes de classification sont donnés en
annexe A.2
Ces trois systèmes se différencient des autres systèmes de classification tels ceux de Terzaghi
[46], Lauffer [58], Deer [64], Weickham [72], Louis [74], Laubscher [77], AFTES [78] ou
encore ISRM [81], par leur facilité d’utilisation. Les détails de ces systèmes de classification
sont donnés en annexe A.2.
De point de vue de facilité d’utilisation, on peut ajouter que le RMR de Bienawski est
certainement plus facile à exploiter que le Q-System de Barton.
Nous allons présenter ci-après les systèmes RMR, Q et SMR qui nous paraissent pouvoir
constituer de bons indicateurs de la sensibilité d’un site. Quant aux autres systèmes pouvant
également être utilisés, les principaux éléments qui les fondent sont présentés en annexe A.2.
Chapitre 4-52
Solutions dans le cadre de la méthodologie classique
La détermination de chacun de ces paramètres permet de situer le massif rocheux étudié dans
l'une des cinq classes prédéfinies auxquelles sont attachés des indices de pondération. Le
RMR ou Rock Mass Rating est l'indice global du massif. Il est obtenu en sommant tous les
indices individuels.
La classification de Bieniawski est utilisée par de nombreux spécialistes pour caractériser, par
exemple, l’état de talus rocheux, Romana [97], elle est utilisée en génie civil pour le
percement de tunnels, Coggan [97], et en génie minier, Daws [97]. Certains ajustements sont
parfois nécessaires pour tenir compte des contraintes in situ, de l'utilisation d’explosifs ou
bien pour le cas spécifique des mines de charbon.
Le schéma général de la classification de Bieniawski [73] est illustré par la figure 4.1.
Chapitre 4-53
Solutions dans le cadre de la méthodologie classique
Résistance à la
compression simple
Indice : 0 ~ 15
Espacement moyen
des discontinuités
Indice : 5 ~ 20
Indice : 0 ~ 30
Condition hydrologique
Indice : 0 ~ 15
RMR
Indice : 0 ~ 100
Chapitre 4-54
Solutions dans le cadre de la méthodologie classique
À partir de l'analyse des données de 200 cavités souterraines, Barton a établi une corrélation
entre la qualité des massifs rocheux, mesurée par un coefficient Q, et la pression de
soutènement nécessaire lors du creusement d’une galerie dans ces massifs.
RQD J r J w
Q= [3]
J n J a SRF
Barton a donné des tableaux détaillés pour le choix de chaque paramètre de son système de
classification Bieniawski [89]. Il a aussi groupé ces paramètres par paires qui représentent :
RQD
• , la taille moyenne des blocs rocheux
Jn
Jr
• , la résistance au cisaillement entre les blocs,
Ja
Jw
• , les contraintes actives et les conditions hydrogéologiques.
SRF
Chapitre 4-55
Solutions dans le cadre de la méthodologie classique
Barton a aussi proposé une relation empirique donnant l'ouverture maximale d’une cavité
pouvant rester stable sans soutènement, en fonction de Q :
A titre d’exemple, l’analyse du site de la tombe de Ramsès I dans la vallée des rois, en
Égypte, nous a donné les résultats suivants :
– RQD 97
– Jn 3
– Jr 1.5
– Ja 1
– Jw 1
– SRF 5
Chapitre 4-56
Solutions dans le cadre de la méthodologie classique
Romana [91] a défini un système de classification pour les talus et les falaises qu’il a nommé
le SMR pour Slope Mass Rating en s'appuyant sur le principe de la classification de
Bieniawski. Il a ainsi défini le SMR par la formulation suivante :
Pour chaque paramètre, Romana [91] a donné un tableau d’indices similaires à ceux de
Bieniawski, mais il a donné aussi des formules empiriques pour F1 et F2. Voici la signification
de ces paramètres selon Romana [91] :
F1 = (1-Sin(A))2 [7]
• F2 est lié au pendage. Il prend des valeurs comprises entre 0.15 et 1 (valeurs
données par Romana [91]). Il est défini par la formule suivante :
Nous verrons dans les chapitres suivants comment ces systèmes de classification peuvent être
utilisés dans le cadre d’une méthode d’évaluation de l’aléa mouvement de terrains des terrains
à travers les exemples qui seront présentés.
Chapitre 4-57
Solutions dans le cadre de la méthodologie classique
Le problème de limite des classes que nous soulevons ici est commun à tous les systèmes de
classification. Il apparaît à partir du moment où l’on transforme une grandeur continue en son
appartenance à une classe de valeurs (qui peut ensuite être affectée d’une valeur d’indice).
C'est parce que la transition entre les classes est discontinue que l’on rencontre
potentiellement le problème évoqué comme le montre graphiquement la figure 4.2.
Puisque les systèmes de classification ne permettent pas une transition souple entre les
classes, les méthodes d’évaluation des risques qui utilisent ces systèmes tels quels ne sont pas
très robustes. Ils sont potentiellement sensibles à une faible variation d’un paramètre. En
d’autres termes, ce problème peut entraîner des orientations de raisonnement différentes et
diriger l'analyse vers des résultats incohérents. À titre exemple, la figure 4.3. illustre l'effet
d'une faible variation du PF sur l’expression finale de l’aléa dans le cadre de la méthodologie
de Tritsch et al. [96] d'évaluation de l’aléa de mouvement de terrain.
Chapitre 4-58
Solutions dans le cadre de la méthodologie classique
RQD = 50%
20
15 Indice = 13 ?
Index
10 Indice = 8 ?
0
0 25 50 75 100
R Q D (%)
Aléa Moyen
Aléa Faible
Chapitre 4-59
Solutions dans le cadre de la méthodologie classique
Une façon de résoudre ce problème consiste à remplacer les classes par une échelle continue
d’indices compatibles, en moyenne, avec les indices discrets. Pour cela, il est possible
d’élaborer un modèle continu par régression linéaire à partir des valeurs d’indices initiaux
affectées aux milieux des classes. Dans le cas du RMR par exemple, Bieniawski [89] a
proposé des courbes permettant de passer directement de certains paramètres aux indices
comme le montrent les figures 4.4 à 4.6. Ces figures montrent aussi les équations que nous
pouvons proposer par régression.
Nous pouvons ainsi proposer des relations mathématiques pour les autres paramètres de RMR
qui donnent des fonctions permettant de passer des paramètres mesurés aux indices
correspondant dans le système de classification.
Concernant l'état hydrologique, nous proposons une courbe qui passe par les points moyens
de chaque classe comme le montre la figure 4.7.
Pour ce qui concerne les conditions des discontinuités, nous nous sommes appuyés sur les
tableaux de Bieniawski [89], dans le but de trouver des fonctions représentatives des
conditions des discontinuités : pour la longueur moyenne des discontinuités et l'ouverture des
discontinuités, les figures 4.8 et 4.9, montrent les classes proposées par Bieniawski avec les
courbes que nous avons proposé pour représenter ces classes.
Par contre pour les paramètres qualitatifs comme la rugosité des fissures, l'état de remplissage
de discontinuités et l'altération, nous ne pouvons pas proposer de formulation analytique. Ceci
limitera l'utilisation de ces formules dans l'analyse.
Chapitre 4-60
Solutions dans le cadre de la méthodologie classique
14
0.25
1.501− 2.48x + 1.551 x
12
10
Indice
8
Figure 4.4. Valeur de l’indice de Résistance à la compression simple. « l'équation a été obtenue par
régression linéaire »
20
12.5
Ind ice
10
7.5
2.5
200 400 600 800 1000 1200 1400 1600 1800 2000
Espacement moyen des discontinuités Hmm L
Figure 4.5. Valeur de l’indice d’Espacement moyen des discontinuités. «l'équation a été obtenue par
régression linéaire»
20
17.5 2
2.677+ 0.129x + 0.001x − 0.072Log[ x ]
15
12.5
Indi ce
10
7.5
2.5
20 40 60 80 100
R.Q.D. H%L
Figure 4.6. Valeur de l’indice de RQD. «l'équation a été obtenue par régression linéaire»
Chapitre 4-61
Solutions dans le cadre de la méthodologie classique
Indice
In Flow m HL min L
Figure 4.7. Ajustement pour l'état hydrologique du massif
0.134
4.856− − 0.04x−1.301Log[ x]
x
Indice
. . . . . .
Ouverture moyen des discontinuités
Chapitre 4-62
Solutions dans le cadre de la méthodologie classique
Pour les règles de croisement entre les différentes classes, nous pouvons également proposer
une solution mathématique permettant le remplacement des règles de raisonnement ou de
croisement proposées par les experts du site pour la quantification de la probabilité
d'occurrence ou bien de l'aléa.
Ces règles de croisement sont définies, le plus souvent, par un ou plusieurs experts du site et
portent sur les caractères spécifiques à ce site.
Nous pouvons essayer de modéliser ces règles de croisement par des fonctions mathématiques
afin de disposer d’une transition continue entre les résultats produits par ces règles.
Nous avons considéré le tableau 2.5. comme un tableau numérique à deux entrées et nous
avons essayé d'ajuster une fonction mathématique en considérant la probabilité d'occurrence
comme une surface continue. Nous en avons fait de même pour l'aléa en utilisant le tableau
2.6 comme référence. Cet ajustement est réalisé par la méthode des moindres carrés avec le
soutien de Mathematica™. La figure 4.10 présente quatre surfaces possibles pour ajuster les
règles de croisement de la probabilité d'occurrence et la figure 4.11 présente ces règles de
croisement et des comparaisons avec les surfaces ajustées. Il en est de même pour les règles
de croisement de l'aléa qu’illustrent les figures 4.12 et 4.13.
Chapitre 4-63
Solutions dans le cadre de la méthodologie classique
Surface 1 Surface 2
- 0.75 + 0.8 x + 1.2 y - 0.19 x y x
− 1.62 − 0.0073 E − 0.034 E +
y
0.17 x +
2
R : 0.905607,
0.67 x
+ 1.78 y − 0.028 x y
y
R2: 0.933874,
Surface 3 Surface 4
2
− 0.119 − 0.31 x + 0.087 x + 1.51 y 1.25 + 1.81 x − 0.38 x 2 + 0.042 x 3 − 3.358
− 0.19 x y − 0.06 y 2 + 1.47 Log ( x ) − 0.19 x y + 2.125 y 2 − 0.292 y 3
R2: 0.9148, R2 : 0.9558,
Chapitre 4-64
Solutions dans le cadre de la méthodologie classique
Figure 4.11. Comparaisons entre les règles de croisement et les surfaces d'ajustements.
Chapitre 4-65
Solutions dans le cadre de la méthodologie classique
Surface 1 Surface 2
0.6 x + 0.6 y - 0.04 x y -0.0706 + 0.479 x + 0.107 x/y + 0.657 y -
R2 : 0.9127, 0.014 x y
R2 : 0.9132,
Surface 1 Surface 2
Figure 4.13. Comparaisons entre les règles de croisement et les surfaces d'ajustements.
Chapitre 4-66
Solutions dans le cadre de la méthodologie classique
A partir des résultats obtenus et illustrés par les figures précédentes, nous pouvons retenir les
résultats suivants :
Le tableau 4.1 présente des comparaisons entre des résultats obtenus par le croisement
dans le tableau de probabilité d'occurrence et l'utilisation des différentes surfaces
d'ajustements.
• Pour les mêmes raisons des indicateurs mathématiques, le meilleur ajustement pour l'aléa
est le premier des ajustements proposés : 0.6 x + 0.6 y - 0.04 x y. Ce résultat est logique
car les règles de raisonnement que nous avons utilisées pour l'aléa sont plus naturelles que
celles qui sont utilisées pour la probabilité d’occurrence.
Le tableau 4.2 présente des comparaisons entre des résultats obtenus par le croisement
avec les règles du tableau de l’aléa et l'utilisation des différentes surfaces d'ajustements.
Chapitre 4-67
Solutions dans le cadre de la méthodologie classique
Tableau 4.1. Comparaisons entre les résultats de probabilité d’occurrence (en considérant que
négligeable < 1.5, 1.5 < Faible < 2.5, 2.5 < Moyenne < 3.5, et Forte > 3.5).
Probabilité
Sensibilité Activité d'occurrence Surface 1 Surface 2 Surface 3 Surface 4
par tableau
Très favorable Dormante <1.5 1.06 0.86 0.92 1.01
Très favorable Inactive ou 1.5< < 2.5 2.07 2.11 2.06 1.79
peu active
Très favorable Fraîche 2.5< <3.5 3.08 3.31 3.06 3.33
Très favorable Active >3.5 4.09 3.82 3.95 3.86
Favorable Dormante < 1.5 1.67 1.63 1.71 1.80
Favorable Inactive ou 1.5< < 2.5 2.49 2.52 2.65 2.39
peu active
Favorable Fraîche >3.5 3.31 3.59 3.47 3.74
Favorable Active >3.5 4.13 4.01 4.17 4.08
Défavorable Dormante 1.5< < 2.5 2.28 2.35 2.24 2.33
Défavorable Inactive ou 2.5< <3.5 2.91 2.88 3.00 2.75
peu active
Défavorable Fraîche >3.5 3.54 3.804 3.63 3.89
Défavorable Active >3.5 4.17 4.14 4.13 4.04
Très Dormante 2.5< <3.5 2.89 2.91 2.78 2.86
défavorable
Très Inactive ou 2.5< <3.5 3.33 3.07 3.34 3.08
défavorable peu active
Très Fraîche >3.5 3.77 3.86 3.78 4.05
défavorable
Très Active >3.5 4.21 4.12 4.09 4.01
défavorable
Tableau 4.2. Comparaisons entre les résultats d'aléa (en considérant que négligeable < 1.5, 1.5 <
Faible < 2.5, 2.5 < Moyen < 3.5, et Fort > 3.5).
Probabilité Intensité Aléa par Surface 1 Surface 2
d'occurrence tableau
Négligeable Chutes de <1.5 1.16 1.15
pierres
Négligeable Chutes de 1.5< <2.5 1.72 1.72
blocs
Négligeable Éboulements 1.5< <2.5 2.28 2.31
Négligeable Éboulements 2.5< <3.5 2.84 2.82
majeurs
Faible Chutes de 1.5< <2.5 1.72 1.72
pierres
Faible Chutes de 1.5< <2.5 2.24 2.23
blocs
Faible Éboulements 2.5< <3.5 2.76 2.78
Faible Éboulements 2.5< <3.5 3.28 3.27
majeurs
Moyenne Chutes de 1.5< <2.5 2.28 2.29
pierres
Moyenne Chutes de 2.5< <3.5 2.76 2.73
blocs
Moyenne Éboulements 2.5< <3.5 3.24 3.25
Moyenne Éboulements >3.5 3.72 3.72
majeurs
Forte Chutes de 2.5< <3.5 2.84 2.87
pierres
Forte Chutes de 2.5< <3.5 3.28 3.24
blocs
Forte Éboulements >3.5 3.72 3.72
Forte Éboulements >3.5 4.16 4.17
majeurs
Chapitre 4-68
Solutions dans le cadre de la méthodologie classique
Le tableau 4.3 montre quelques exemples de l'utilisation des règles de croisement ainsi que du
raisonnement par les surfaces d'ajustements.
Tableau 4.3. Exemples d'utilisation des surfaces d'ajustements (en considérant que négligeable < 1.5,
1.5 < Faible < 2.5, 2.5 < Moyen < 3.5, et Fort > 3.5).
Sensibilité Activité Intensité Probabilité Probabilité Aléa (par Aléa (par
d'occurrence d'occurrence tableau) surface 1)
(par tableau) (par surface 4)
Très Dormante Chutes de Négligeable 1.01 Faible 1.73
favorable blocs (négligeable) (faible)
Favorable Fraîche Chutes de Forte 3.74 Moyen 2.69
pierres (forte) (Moyen)
Très Fraîche Éboulements Moyenne 3.33 Moyen 3.39
favorable (moyenne) (Moyen)
Très Active Éboulements Forte 4.01 Fort 4.16
défavorable majeurs (forte) (Fort)
Favorable Inactive ou Chutes de Faible 2.39 Faible 2.44
peu active blocs (faible) (faible)
Défavorable Active Chutes de Forte 4.05 Moyen 2.87
pierres (forte) (moyen)
Très Fraîche Éboulements Forte 4.05 Fort 3.74
défavorable (forte) (fort)
Défavorable Dormante Éboulements Faible 2.33 Moyen 3.43
majeurs (faible) (moyen)
Chapitre 4-69
Solutions dans le cadre de la méthodologie classique
L'ajustement par des surfaces des règles de croisement semble donc pouvoir donner des
résultats satisfaisants, en particulier lorsque les règles de croisement sont naturelles, ce qui
permet d’envisager un raccordement assez simple. Si les règles sont arbitraires, il est difficile
de trouver une surface qui convienne parfaitement et cela conduit à des différences entre les
résultats donnés par les règles et ceux obtenus par les fonctions mathématiques d’ajustement.
Bien sûr, l’intérêt de travailler avec des fonctions mathématiques est de rendre beaucoup plus
simple la programmation de la méthode de raisonnement qui conduit des données au résultat
final qui est l’aléa. Ce point deviendra fondamental, en particulier, quand nous introduirons le
calcul par simulation ou par logique floue. Par contre, cela soulève la difficulté de la
recherche d’une surface qui traduise convenablement les règles de raisonnement exprimées
par les experts, mais quand le raisonnement est simple et naturel (ce qui est souvent
souhaitable), cette difficulté est en principe facilement levée.
D’un point de vue méthodologique, l’utilisation des tableaux de croisement ou des fonctions
mathématiques ne change pratiquement rien. Les tableaux de raisonnement sont plus lisibles
et traduisent directement l’avis d’expert ou le choix de décision, les formules sont plus
pratiques pour le calcul, mais elles cachent le sens de la décision.
Chapitre 4-70
Solutions dans le cadre de la méthodologie classique
Pour être capable de faire ce type de simulation, il faut connaître la loi de distribution des
paramètres, puis générer des nombres aléatoires suivant cette loi de distribution. Des jeux de
valeurs sont ensuite tirés au hasard pour chaque paramètre, et chaque fois, l'analyse est faite
comme si les valeurs générées étaient des valeurs réelles mesurées par l'ingénieur sur le
terrain. Connaître les lois statistiques de chaque paramètre, c’est connaître, par exemple, la
moyenne et l’écart-type pour les lois normales, la valeur minimale et la valeur maximale pour
les lois uniformes, etc, selon les lois de distribution envisagées.
Chapitre 4-71
Solutions dans le cadre de la méthodologie classique
Nous avons essayé d'appliquer le concept de simulation Monte-Carlo sur les paramètres et les
règles du site de Pontoise, de la façon suivante :
• Nous avons proposé à l'ingénieur d'observer la tendance de chaque paramètre sur le site.
Une loi uniforme peut être proposée avec un minimum et un maximum, ou bien une loi
normale avec une valeur minimale et une valeur maximale correspondant à une
probabilité de 95%. La figure 4.14. illustre ces deux approches. Nous avons proposé ces
deux lois seulement faute d’information supplémentaire sur la véritable répartition des
valeurs possibles pour les paramètres mesurés. Il est bien évident que l’utilisation d’autres
lois ne poserait aucune difficulté pratique particulière.
• En ce qui concerne la sensibilité, chaque paramètre qui intervient dans sa définition est
remplacé par une distribution. L'ingénieur choisit une classe minimale, une classe
maximale, et une distribution statistique. La figure 4.15. montre un dialogue du
programme que nous avons réalisé à cette intention. En simulant des indices de ces
classes, nous pouvons calculer la sensibilité. Nous avons réalisé 1000 simulations pour
chaque paramètre, et les résultats sont rassemblés sous la forme d'histogrammes. La figure
4.16. montre l'histogramme d'une sensibilité dans un cas typique.
• Pour l'activité et l'intensité, une simulation directe sur les indices est réalisée. Par contre,
pour les classer pour le croisement, nous avons défini de nouvelles limites de classes.
Cette procédure est illustrée par le tableau 4.4.
• En appliquant ces nouvelles limites de classes, nous pouvons, pour chaque simulation
obtenir une classe de la probabilité d'occurrence et de l’aléa. Ces valeurs sont rassemblées
sous forme d'histogrammes. La figure 4.17. présente un histogramme d'aléa obtenu par
simulation.
Chapitre 4-72
Solutions dans le cadre de la méthodologie classique
. .
.
95% du
.
.
surface
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Figure 4.14. La loi normale et la loi uniforme.
Pas de Fracturation PF
Loi Uniform
Minimum >2 m Maximum 0,2 - 0,6 m Loi Normale
Figure 4.15. Remplacement des paramètres de la sensibilité par des distributions statistiques.
Chapitre 4-73
Solutions dans le cadre de la méthodologie classique
Fréquence
Fréquince
, %
Fréquence
% cumulé , %
Fréquince
, %
, %
, %
, %
Négligeable Faible Moyen Fort
Chapitre 4-74
Solutions dans le cadre de la méthodologie classique
La simulation Monte-Carlo facilite la prise en compte des effets du hasard sur la mesure des
paramètres ou les effets de la variabilité des mesures. Ce type de simulation nécessite la
connaissance des lois de distributions de chaque paramètre, connaissance qui est rarement
disponible
Les résultats de ce type de simulation, tels les histogrammes, montrent clairement la tendance
des résultats.
Dans l’analyse de l’aléa mouvement de terrain des terrains, l'applicabilité de cette approche
est confrontée à quelques contraintes :
• Pour les variables qualitatives, comme par exemple, les variables de l'activité, la
simulation de Monte-Carlo n'est pas du tout adaptée car nous faisons une simulation sur
les indices, ce qui n’a pas beaucoup de sens sauf de traduire une forme d’incertitude que
peut avoir celui qui effectue le relevé dans le choix de telle ou telle classe.
• Le problème des limites de classes est toujours présent, et les jeux de hasard ne résolvent
pas ce problème à la base.
Chapitre 4-75
Solutions dans le cadre de la méthodologie classique
Quand on traite des données variables par simulation, le problème des limites de classes ne se
pose plus de façon aussi aiguë. Pour le montrer, nous avons réalisé deux simulations : l’une
dans laquelle le traitement est classique, fondé sur le raisonnement par tableau ; l’autre, dans
laquelle le raisonnement par tableau est remplacé par une formule analytique de régression
(sous-chapitre 4.2.2.).
Les figures 4.18 et 4.19 présentent les histogrammes produit par l'utilisation de ces deux
approches avec les mêmes jeux de données.
On constate que les deux approches fournissent sensiblement les mêmes résultats (le
problème des limites de classes ne se pose plus). Par contre, l’utilisation des formulations
analytiques en lieu et place des tableaux, permet de donner un résultat qui contient plus
d’information grâce à une échelle continue (présentée sur la figure 4.19. par un histogramme).
Chapitre 4-76
Solutions dans le cadre de la méthodologie classique
Fréquence
Figure 4.18. Histogramme d'aléa après 1000 simulations. «raisonnement par tableaux»
Moyen
Fréquence
Faible Fort
Négligeable
us
,
,
,
pl
ou
Aléa
...
Figure 4.19. Histogramme d'aléa après 1000 simulations «calculs par les équations analytiques»
Chapitre 4-77
Solutions dans le cadre de la méthodologie classique
Au regard de la bibliographie, nous avons noté que trois systèmes de classifications sont
particulièrement bien répandus en géotechnique : le RMR, le Q-System et le SMR. Parmi ces
trois, le RMR (ou le SMR qui en est une variante pour les talus mais n’a pas encore le statut
de standard) est certainement le plus utilisé. Cela nous permet de l’envisager comme moyen le
plus général permettant de décrire ce qu’on désigne par Sensibilité d’un site. Mais dans des
cas spécifiques, ou avec une connaissance particulière ou pointue du site étudié on pourra,
bien entendu, utiliser n’importe quelle autre formulation pour définir la sensibilité.
Le problème des limites de classes apparaît dans tous les systèmes de classification standard
et il nous paraît important de chercher à surmonter ce problème. Nous pensons que la logique
floue est un moyen pour cela, ce que nous exposerons par la suite.
Nous avons trouvé que la simulation Monte-Carlo n'est pas adaptée pour ce type d'analyse qui
comporte à la fois des paramètres qualitatifs et quantitatifs, et que pour mettre en œuvre ce
type de méthode dans les croisements de tableaux, nous devons faire des hypothèses que l’on
ne peut pas vérifier ni statistiquement ni physiquement.
Une solution pour ce problème de classement consisterait à travailler avec des fonctions
remplaçant les classes comme exposé précédemment, mais cette solution reste confrontée à
l’existence des variables qualitatives qui s’avèrent délicates à traiter.
Chapitre 4-78
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
LA LOGIQUE FLOUE
Une approche complète : La logique floue
C'est pour les possibilités qu’elle offre de gérer l’incertitude et l’imprécision, que nous nous
sommes intéressés à la logique floue.
Mais, avant de présenter les développements mathématiques et informatiques que nous avons
réalisés, il nous paraît nécessaire d'expliquer en détail les concepts et la théorie de base de
cette logique.
Chapitre 5-81
Une approche complète : La logique floue
La logique floue suscite actuellement un intérêt général de la part de tous ceux qui éprouvent
le besoin de formaliser des méthodes empiriques, de généraliser des modes de raisonnement
naturels, d'automatiser la prise de décision dans leur domaine, de construire des systèmes
artificiels effectuant les tâches habituellement prises en charge par les humains.
Les connaissances dont nous disposons sur une situation quelconque sont généralement
imparfaites, soit parce que nous avons un doute sur leur validité, soit parce que nous
éprouvons une difficulté à les exprimer clairement, elles sont alors imprécises. Bouchon [93].
Chapitre 5-82
Une approche complète : La logique floue
En ce qui concerne l'incertain, il a été abordé par la notion de probabilité dès le XVIIe siècle
par Pascal et Fermat. Cependant, celle-ci ne permet pas de traiter des croyances subjectives
comme on a longtemps pensé qu'elle pouvait le faire, ni de résoudre le problème posé par les
connaissances imprécises ou vagues.
Le deuxième type d'imprécision n'a été prise en considération qu'à partir de 1965, lorsque
L.A. ZADEH, professeur à l'Université de Californie à Berkeley, a introduit la notion
d'ensemble flou «Fuzzy set», à partir de l'idée d'appartenance partielle à une classe, de
catégorie aux limites mal définies, de gradualité dans le passage d'une situation à une autre,
dans une généralisation de la théorie classique des ensembles, admettant des situations
intermédiaires entre le tout et le rien. Les développements de cette notion fournissent des
moyens de représenter et de manipuler des connaissances imparfaitement décrites, vagues ou
imprécises et ils établissent une interface entre des données décrites symboliquement (avec
des mots) et numériquement (avec des chiffres). La logique floue conduit à raisonner sur de
telles connaissances. La théorie des possibilités qui a été introduite en 1978, également par
L.A. ZADEH, constitue un cadre permettant de traiter des concepts d'incertitude de nature
non probabiliste. Lorsqu'elle est considérée à partir de la notion d'ensemble flou, la théorie des
possibilités constitue un cadre permettant d'exploiter, dans un même formalisme, imprécisions
et incertitudes.
Un nombre important de scientifiques se sont intéressés très tôt à cette nouvelle théorie. La
logique floue et la théorie des possibilités se sont développées depuis la fin des années 60,
aussi bien en Europe qu'aux États-Unis, en Chine et au Japon. Les premières réalisations de
commandes floues de processus industriels sont ainsi apparues en Europe au début des années
Chapitre 5-83
Une approche complète : La logique floue
70 et la méthode développée a été transformée par les Japonais au début des années 80 en
succès industriels.
Insistons ici sur le fait que la logique floue est le seul cadre dans lequel puissent être traitées
des incertitudes «qui ne peuvent l'être par des modèles ou des méthodes statistiques»,
imprécisions «qui ne peuvent pas être traitées par des modèles statistiques», et qui autorise
également le traitement de certaines incomplétudes. C'est aussi le seul cadre dans lequel
puissent être traitées des connaissances numériques et des connaissances exprimées
symboliquement par des qualifications du langage naturel. Bouchon [95]
• La deuxième est une extension de la logique classique, dans le but de raisonner sur des
connaissances imparfaites par l'utilisation des α - coupes et des règles de raisonnement de
type flou.
L'utilisation de la logique floue que nous avons faite au cours de ce travail de thèse s'inscrit
dans le cadre de la deuxième acception.
Chapitre 5-84
Une approche complète : La logique floue
La notion de sous-ensembles flous a pour but de permettre des gradations dans l'appartenance
d'un élément à une classe, c'est-à-dire d'autoriser un élément à appartenir plus ou moins à une
classe prédéfinie, «plus la largeur d'une galerie se rapproche de 10 m, plus son appartenance
à la classe des «grandes galeries» est forte». Cette notion permet l'utilisation de catégories
aux limites mal définies «Large», de situations intermédiaires entre le tout et le rien «presque
ouvert», le passage progressif d'une propriété à une autre «passage de peu profond à
profond», l'utilisation de valeurs approximatives «environ 12 mètres».
Cette présentation évite l'utilisation arbitraire de limites rigides à des classes et répond au
besoin de présenter des connaissances imprécises, soit parce qu'elles sont exprimées en
langage naturel «on utilise aussi le terme variable linguistique», soit parce qu'elles sont
obtenues avec des instruments d'observations qui produisent des erreurs de mesure. Il serait
ainsi aberrant, pour reprendre les exemples évoqués, de considérer qu'un massif rocheux de
RMR égal à 75 est bon, mais qu'un massif de RMR égal à 74 ne l'est pas. Ou qu'un individu
de 1,78 m est grand, mais qu'un individu de 1,775 m ne l'est pas.
Chapitre 5-85
Une approche complète : La logique floue
Définition
Un sous-ensemble flou A de X est défini par une fonction d'appartenance qui associe à chaque
élément x de X, le degré mA(x), compris entre 0 et 1, avec lequel x appartient à A :
mA : X [0,1] [9]
A = [ x , m A ( x )] x ∈ A, et A ⊂ X [10]
La figure 5.1 montre les relations entre un ensemble flou et ses sous-ensembles.
.
Appart enance mx
Forte
.
. Faible
Moyenne
.
Résistance
Figure 5.1. Les sous-ensembles «Faible», «Moyenne» et «Forte» de l'ensemble flou «Résistance à la
compression simple en MPa».
Chapitre 5-86
Une approche complète : La logique floue
Un sous ensemble flou A de X est décrit par les éléments de son domaine avec les degrés
d’appartenance de chacun de ses x. Par exemple, les sous-ensembles Proche et Moyen de
l'ensemble flou Distance peuvent être représentés comme :
Un sous-ensemble peut être représenté graphiquement par un trapèze ou une fonction plus
complexe. La figure 5.2. présente deux formes de représentation.
. .
. .
. .
. .
0 si x ≤ a − c ou si x ≥ b + d
x a
+ (1 − ) si a − c < x < a
f A( x )= c c [13]
1 si a ≤ x ≤ b
− x b
+ (1 + ) si b < x < b + d
d d
Si a = b, la courbe est triangulaire. Dans le cas d'une fonction β par exemple, la fonction
d'appartenance peut être la suivante :
Chapitre 5-87
Une approche complète : La logique floue
1
f A( x )= 2a
( x − a )a ( b − x ) b [14]
a b
b− a
a b
2a
Il n'existe pas de règles générales pour le choix entre ces formes de représentation. La
représentation par trapèze est facile à construire et à manipuler, et elle évite toute ambiguïté
avec la représentation de la densité de probabilité de distributions statistiques. Nous pensons
donc qu'il est préférable d'utiliser une présentation sous forme de trapézoïde pour la
représentation d'un sous-ensemble flou.
Chapitre 5-88
Une approche complète : La logique floue
Les α-coupes constituent le moyen le plus utilisé pour effectuer des calculs sur les sous-
ensembles flous.
Aa = { x ∈ X / f A ( x ) ≥ a } et telle que :
X A ( x ) = 1 si et seulement si f A ( x ) ≥ a
a
[15]
a : 50 ~ 65
1
1
a : 22.5 ~ 58.8
0.75
0.75
a : 20 ~ 67.5
0.5
0.5
a : 17.5 ~ 77
0.25
0.25
a : 25 ~ 70
0
0
0 10 20 30 40 50 60 70 80 90 100
Figure 5.3. Un sous-ensemble flou coupé en 5 α-coupes
Chapitre 5-89
Une approche complète : La logique floue
La compatibilité des opérations sur les ensembles flous avec les opérations de la théorie
classique des ensembles permet de vérifier que, pour tous les sous-ensembles flous A et B de
X, et pour tout niveau α de [0, 1], il revient au même d'effectuer des opérations floues sur A et
sur B, puis de construire les α-coupes, ou de chercher d'abord les α-coupes de A et B et
d'effectuer ensuite sur ces α-coupes les opérations classiques correspondantes. Bouchon [95].
Donc, pour appliquer les opérations mathématiques de base, nous pouvons les appliquer sur
les sous-ensembles flous ou utiliser les notions des calculs d'intervalles pour les α-coupes.
Voici par exemple les opérations union et intersection appliquées aux sous-ensembles flous et
illustrées par la figure 5.4 :
m A∪ B ( x ) = [ m A ( x ) ∨ m B ( x )] = max[ m A ( x ), m B ( x )] [16]
m A∩ B ( x ) = [ m A ( x ) ∧ m B ( x )] = min[ m A ( x ), m B ( x )] [17]
(A B) a = Aa Ba [18]
(A B) a = Aa Ba [19]
Si A ˝ B alors Aa ˝ B a [20]
Chapitre 5-90
Une approche complète : La logique floue
.
Union
.
.
Intersection
.
Le tableau 5.1. présente les différentes opérations classiques et leurs correspondances sur les
intervalles et la figure 5.5. présente la division de deux nombres flous par l'utilisation de leurs
α-coupes.
Tableau 5.1. Les opérations classiques sur les intervalles δ (a,b), et ε (c,d)
Opération Résultat Conditions
-δ (-b, -a)
1 1 1 δ >0
, δ <0
d b a
Eδ (ea, eb) δ >0
Log δ (log a, log b) δ >0
δ+ε (a+c, b+d)
δ-ε (a-d, b-c)
δ· ε (a c, b d) δ > 0, ε > 0
(a d, b c) δ < 0, ε >0
(b c, a d) δ > 0, ε < 0
(b d, a c) δ < 0, ε < 0
δ‚ ε a b δ>0
, ε>0
d c
a b δ <0
, ε >0
c d
b a δ >0
, ε <0
d c
b a δ <0
, ε <0
c d
ε
δ (ac, bd) d ∈ [1, ∞ ), e > 0
(bc, ad) d ∈ [1, ∞ ), e < 0
(ad, bc) d ∈ [0,1], e > 0
d c
(b , a ) d ∈ [0,1], e < 0
Chapitre 5-91
Une approche complète : La logique floue
a : ~ a : ~
a . : . ~ . a . : . ~ .
. .
a
a
.
. :
:
~
. ~
.
.
‚ .
a
a
. :
:
. ~
. ~
.
.
. . .
a : ~ a : ~
=
a : . ~
a . : . ~ .
.
a . : . ~ .
.
a . : . ~ .
.
a : . ~ .
. . . . .
Figure 5.5. La division de deux nombres flous par l'utilisation de leurs α-coupes.
Chapitre 5-92
Une approche complète : La logique floue
Contrairement aux méthodes classiques de calcul sur les sous-ensembles flous soit par les α-
coupes soit par les calculs de la théorie des ensembles, Juang et al. [91], [92], [92-1], ont
proposé une autre approche pour effectuer les calculs complexes sur les sous-ensembles flous.
Cette approche utilise les concepts de la simulation de Monte-Carlo comme elle a été
expliquée auparavant.
Juang et al. proposent de remplacer chaque sous-ensemble flou par une courbe β-M
représentée graphiquement à droite sur la figure 5.2, et mathématiquement par :
1
f A( x )= 2a
( x − a )a ( b − x ) b [21]
a b
b− a
a b
2a
Dès que les sous-ensembles flous sont remplacés par des courbes β-M, la simulation classique
de Monte-Carlo peut être effectuée sur ces sous-ensembles, et les résultats finaux sont ajustés
sur une courbe β-M qui constitue le résultat de l'analyse (à condition que les opérations ne
conduisent pas à un résultat ayant une forme sensiblement différente de celle d’une courbe β).
Toutes les variables que l'on considère, en physique ou en économie, par exemple, prennent
une valeur unique de leur ensemble de définition X dans une situation donnée. Néanmoins, les
conditions d'observations ne permettent pas toujours de connaître parfaitement cette valeur
Chapitre 5-93
Une approche complète : La logique floue
unique. Donc, une variable linguistique sert à modéliser les connaissances imprécises ou
vagues sur une variable dont la valeur précise peut être inconnue.
Pour représenter ces variables linguistiquement, nous pouvons utiliser des sous-ensembles
flous. Ces sous-ensembles flous étant qualifiés sur une situation donnée, nous donnons une
représentation des variables linguistiques suivant le schéma expliqué par la figure 5.6.
Variables
Linguistiques
Qualification
Une variable linguistique est un triplet (V, X, Tv), dans lequel V est une variable définie sur
un ensemble de référence X. L'ensemble Tv = {A1, A2, …}, fini ou infini, contient des sous-
ensembles flous normalisés de X, utilisables pour caractériser V. Selon l'utilisation qui doit
être faite, le nombre d'éléments de Tv est plus ou moins grand. La figure 5.7. illustre une
variable linguistique (V, X, Tv) utilisée pour décrire le dimensionnement d'un pilier
souterrain.
Très petit
Immense
Moyen
Grand
Petit
V = Dimensionnement,
Tv= {Très petit, Petit, Moyen, Grand, Immense}
Figure 5.7. Variable linguistique (V, X, Tv) décrivant le dimensionnement d'un pilier en mètre.
Chapitre 5-94
Une approche complète : La logique floue
Il est toujours possible d'essayer de faire aussi bien que l'être humain en disposant de mesures
précises fournies par des capteurs et en utilisant les lois de la physique. Il faut cependant
penser que toutes les mesures sont soumises à des imprécisions, et que le monde naturel est
trop complexe pour qu'il soit possible de prendre en compte toutes ses composantes. Il est
donc nécessaire de passer par des descriptions approximatives de son état. De plus, certaines
situations ne sont pas connues par l'intermédiaire de capteurs, soit parce que les variables de
description mises en jeu ne sont pas numériques, soit parce que l'état du monde est tel, qu'il
n'est pas possible de disposer de telles mesures.
Le raisonnement approximatif a été introduit par Zadeh [75]. Il a servi au raisonnement sur
des connaissances pour lesquelles des caractérisations rigides n'auraient pas de signification,
en particulier celles qui sont exprimées en langage naturel. La logique floue peut être regardée
comme une approche du raisonnement des êtres humains. Par exemple, le règle «si le prix est
inférieur a 600 francs, j'achète» sera intuitivement utilisable si le prix est de 601 francs, mais
elle ne pourrait être exploitée en logique classique puisque le prix indiqué ne satisferait pas la
prémisse.
Contrairement aux logiques classiques dans lesquelles les règles de raisonnement sont
évaluées en série, la logique floue permet d'évaluer en parallèle toutes les règles de
raisonnement à la fois, Cox [94]. Les règles de type flou peuvent être représentées par des
tableaux à plusieurs dimensions, comme le montre le tableau 5.2. ou bien graphiquement, la
figure 5.8.
Chapitre 5-95
Une approche complète : La logique floue
Figure 5.8. Présentation graphique des règles de raisonnement flou suivant le tableau 5.2
Chapitre 5-96
Une approche complète : La logique floue
Modificateurs
Composition Décomposition
Règle 1 (Raisonnement) (Défuzzyfication)
Règle 2
……
Règle n
Valeur
Variable linguistique
Figure 5.9. Mécanisme de raisonnement approximatif
Chapitre 5-97
Une approche complète : La logique floue
Chapitre 5-98
Une approche complète : La logique floue
Chapitre 5-99
Une approche complète : La logique floue
PRESSION
Max
Min
0.68
0.32 ACTION
+ 0 --
0.58 + 0 --
TEMPERATURE
0.32 0.42
Basse Élevé
0.58
0.42
Si PRESSION est Minimale et TEMPERATURE est Basse alors ACTION est Positive (+)
Si PRESSION est Minimale et TEMPERATURE est Élevée alors ACTION est Zéro (0)
Si PRESSION est Maximale et TEMPERATURE est Basse alors ACTION est Positive (0)
Si PRESSION est Maximale et TEMPERATURE est Élevée alors ACTION est Négative(-)
Chapitre 5-100
Une approche complète : La logique floue
La figure 5.12. illustre le résultat de cette méthode appliquée sur les mêmes sous-ensembles
flous que ceux montrés sur la figure 5.11. et en utilisant les mêmes règles d'inférences.
En comparant les figures 5.11. et 5.12. il est clair que la méthode additive exagère les
résultats, surtout si nous rencontrons plusieurs cas pour lesquels nous devons ajouter les
appartenances.
PRESSION
Max
Min
0.68
0.32 ACTION
+ 0 --
+ 0 --
TEPERATURE 0.58
0.32 0.42
Basse Élevé
0.58
0.42
m+Finale = m0.58
m0Finale = Min(1, m0.42 + m0.32) = m0.74
m--Finale = m0.32
Chapitre 5-101
Une approche complète : La logique floue
Nous avons illustré les méthodes de raisonnement monotone, min-max et additive sur un cas
où l'entrée est une valeur unique. Quand l'entrée est aussi un nombre flou, nous pouvons
réduire ce nombre à une valeur unique pour appliquer le raisonnement par la méthode min-
max ou la méthode additive, mais dans ce cas, nous perdons beaucoup d'information sur la
variabilité des nombres comme il est illustré sur la figure 5.13.
Terano et al. [89], dans son ouvrage intitulé «Applied Fuzzy Systems» a présenté une approche
de raisonnement flou dont les entrées sont des nombres flous. Cette approche a été appliquée
par Dutta [93]. Cette méthode propose de raisonner sur l'intersection entre l'entrée sous forme
de nombre flou et les variables linguistiques et a été proposée pour un raisonnement de type
monotone. Cette méthodologie est illustrée par la figure 5.14.
Figure 5.13. La réduction en une même valeur unique à partir des deux nombres flous différents.
Chapitre 5-102
Une approche complète : La logique floue
PRESSION TEMPERATURE
Min Max
Basse Élevée
Figure 5.14. Raisonnement avec une entrée sous forme de nombre flou d’après Terano et al. [89].
Chapitre 5-103
Une approche complète : La logique floue
Figure 5.15. Deux nombres flous différents mais pouvant être considérés comme équivalents si nous
utilisons la méthode de raisonnement de Terano et al. [89]
Chapitre 5-104
Une approche complète : La logique floue
Après un raisonnement et la composition d'un résultat flou, nous sommes souvent obligés de
déduire une valeur unique des résultats à des fins d’interprétation ou de comparaison. Cette
valeur unique peut être obtenue à l'aide des méthodes de décomposition des nombres flous
appelées méthodes de défuzzyfication. La défuzzyfication est la dernière étape du
raisonnement flou. Cox [94].
Chapitre 5-105
Une approche complète : La logique floue
Chapitre 5-106
Une approche complète : La logique floue
Après Zadeh [65] [68] [68_1] [75], et [78], le travail de développement du concept et de
l'utilisation de la logique floue a été suivi par le travail d'autres auteurs travaillant sur la
logique floue et permettant la mise en valeur du raisonnement approximatif notamment :
Bellman et al. [70], Bonissone [82], Bouchon [93], Bouchon [95], Chang [69], Dutta [93],
Gupta et al. [77], Kandel [86], Nguyen [85], Wee [67], Cox [94], McNEILL et al. [94], Zadeh
et al. [75-1], Dubois et al. [80-1].
La mécanique des terrains fait partie des domaines concernés par le concept et le
développement de la logique floue, et nous allons montrer quelques applications ayant été
envisagées ou réalisées.
Chapitre 5-107
Tableau 5.3. Résumé de travail effectué en mécanique des roches en utilisant la logique floue.
Auteur(s) et année Domaine d'application Remarques
(Rao et al., [82]) Kriggage Explication d'une façon d'appliquer la théorie de la logique floue dans le kriggage avec
une synthèse sur l'application dans l'exploration minière.
(Kawakami et al., [84]) Cartographie des risques Application de la logique floue pour la détermination des zones à risque de glissement
de terrain basée sur la hauteur, la morphologie, la pente, la densité des vallées dans
une falaise, et la structure géologique.
(Fairhurst et al., [85]) Soutènement des tunnels Un essai pour qualifier le RMR par la logique floue ayant pour but de déduire un
système permettant de connaître la durée de stabilité d'une galerie sans soutènement
artificiel.
(Nguyen, [85]) Glissement de terrains Application de la logique floue pour la détermination des zones à risque de glissement
du terrain basée sur la pente, les précipitations, l'histoire du site, la limite de
cisaillement du massif, et le relâchement du massif. Raisonnement par la méthode de
min-max.
(Nguyen, [85-2]) Classification des massifs Tentative d'appliquer de façon élémentaire le raisonnement de type min-max dans la
classification des massifs, mais la façon de définir les degrés d'apparition des nombres
flous n'est pas compréhensible. Défuzzyfication par la méthode du maximum.
(Nguyen et al. [85-3]) Classification des massifs Calcul de nombres flous par α coupes sur les systèmes RMR et Q-système.
Raisonnement par la méthode de min-max.
(Yao, et al., [86]) Traitement probabiliste des Synthèse intéressante sur les sources d'imprécisions. L'utilisation des mesures floues
événements flous est soulignée. Cet article montre que l'utilisation de la logique floue et des méthodes
probabilistes peut être complémentaire.
(Wenxiu, [87]) Mouvement des massifs Un modèle mathématique pour analyser les déplacements et les déformations des
massifs sous l'influence d'excavations. L'utilisation de la théorie des possibilités est
appliquée.
(Sakura et al., [87]) Stabilité des talus La comparaison entre le facteur de sécurité et le nombre flou qui présente le risque est
assez spéciale. La figure 5.17 illustre cette comparaison.
(Wang et al., [87]) Tremblement de terre Prédiction de l'intensité des tremblements de terre avec la logique floue.
(Kacewicz, [87]) Stabilité des talus La description des paramètres du sol avec des nombres flous, peut conduire a une
analyse de stabilité de talus en utilisant la méthode des tranches (Équilibre limite).
(Juang et al., [92]) Liquéfaction du sol Synthèse sur les incertitudes. Les calculs des nombres flous par simulation Monte-
Carlo.
(Juang et al. [92-1]) Stabilité des talus Explication détaillée de la méthode de calcul par simulation Monte-Carlo avec une
application sur la stabilité des talus.
(Sui, [92]) Évaluation des terrains Application des concepts de système d'information géographique pour l'évaluation
d'urbanisme de terrains en utilisant la logique floue et le raisonnement flou.
(Doss, [92]) Tremblement de terre Les auteurs ont développé un système expert pour la qualification des risques lies au
tremblement de terre en Égypte.
(Burrought et al., [92]) Classification des terrains La classification des terrains a l'aide des observations et topographie en appliquant le
concept de raisonnement flou.
(Ping et al., [93]) Stabilité des ouvrages souterrains L'application de la logique floue dans les concepts de Rock Engineering Systems par
(Hudson, 92) a pour but d'analyser la stabilité d'un ouvrage. Un raisonnement flou
multi critère avec des pondérations. Défuzzyfication du résultat par la méthode de
maximum.
(Valliappan et al., [93]) Fondation Les calculs des éléments finis sur des nombres flous en appliquant les concepts des α
coupes. Application à un problème de fondation et raisonnement par la méthode de
min-max.
(Chuang, [95]) Cisaillement des sols Application de la logique floue pour l'évaluation du cisaillement des sols en utilisant la
méthode de min-max de raisonnement et basée sur trois facteurs : l'anisotropie du sol,
le taux de chargement.
(Madhu et al., [96]) Classification des massifs Le concept de la logique floue est appliqué pour l'évaluation d'un indice de massif en
utilisant le Q-système de classification. Cette évaluation est automatisée par le
développement d'un logiciel Q-EXPERT. Les calculs sur les nombres flous sont faits
par l'application des α coupes.
(Zhu et al., [96]) Inférence du sol Application de la logique floue dans le système d'information géographique pour une
évaluation globale et la cartographie des sols.
(Fukagawa et al., [96]) Estimation des propriétés du sol à Raisonnement flou classique sur des règles Si … Alors …
partir d'un forage vertical
(Hammah et al., [98]) Reconnaissance des joints Classification des joints par l'algorithme flou de clustering
(Zettler et al., [98]) Système de control Le développement d'un système flou pour le contrôle d'une tunnelier. Comparaison
entre le système flou et une galerie pilote. Raisonnement par la méthode de min-max.
Une approche complète : La logique floue
Facteur de sécurité
Facteur de sécurité
Instable Peu stable
Facteur de sécurité
Facteur de sécurité
Figure 5.17. Comparaison entre un facteur de securite et un nombre flou qui représente le
résultat. D’après Sakura et al. [87].
Chapitre 5-110
Une approche complète : La logique floue
Pour tirer parti des avantages de la logique floue dans le raisonnement conduisant à
l’évaluation de l’aléa mouvement de terrain, que ce soit pour résoudre le problème des limites
de classes, pour intégrer la variabilité des données ou manipuler des paramètres qualitatifs
dans une évaluation quantitative, nous avons procédé en plusieurs étapes successives.
Cette approche est basée sur la proposition de quatre classes floues pour chaque paramètre en
remplacement des classes traditionnelles comme le montre la figure 5.18.
er
.
eme
eme
. eme
Figure 5.18. Quatre classes floues qui définissent aussi bien les paramètres de sensibilité, d'activité,
d'intensité que la sensibilité, la probabilité d'occurrence, et l'aléa.
Dans ce cas, l'intervenant sur le site choisit une classe pour chaque paramètre de sensibilité,
d'activité et d'intensité. Deux α -coupes suffisent pour les calculs de la sensibilité comme le
montre la figure 5.19. Le croisement entre la sensibilité et l'activité peut être fait en suivant le
tableau de croisement et ainsi de suite pour le croisement entre la probabilité d'occurrence et
l'aléa.
Chapitre 5-111
Une approche complète : La logique floue
L'avantage de cette approche est que l'intervenant suit une procédure habituelle mais que le
problème des limites de classes n'existe plus car les nombres flous qui définissent les classes
se chevauchent. Le problème des paramètres qualitatifs peut également être résolu en
définissant des classes floues se chevauchant pour ces paramètres.
.
Cas
Très Favorable
.
Favorable
Défavorable
.
Très défavorable
Figure 5.19. Sensibilité obtenue par deux α coupes dans un cas typique d'analyse.
Pour croiser la sensibilité obtenue avec l'activité, nous proposons par exemple de
« defuzzyfier » la sensibilité et de la croiser avec l'activité. Cette approche, qui est illustrée par
la figure 5.20, conduit néanmoins à une perte d'information sur la sensibilité.
Mais puisque la surface de la sensibilité obtenue par les calculs avec les α -coupes est ici égale
à la surface de chacune des classes floues prédéfinies pour la sensibilité, nous pouvons
effectuer un raisonnement plus élaboré en tenant compte de la partie de la sensibilité qui
recouvre chacune des classes standard. La surface de la sensibilité qui recouvre chacune des
classes standard est rapportée à la surface totale de la sensibilité, ce qui donne le poids relatif
de chacune des classes standard dans la sensibilité. Le raisonnement est ensuite conduit avec
les classes standard. Il conduit à des résultats s’inscrivant aussi dans des classes standard
auxquelles il suffit ensuite d’attribuer un taux de participation égal aux proportions calculées
précédemment. Cette approche est illustrée par la figure 5.21.
Chapitre 5-112
Une approche complète : La logique floue
.
Activité
Cas µInactif ou peu actif =1
Très Favorable
.
Favorable
Défavorable
.
Très défavorable
Activité
µChutes de blocs =2
Probabilité d'occurrence
µFaible = 0.63
µMoyenne = 0.37
Aléa
Très Favorable
.
Favorable
µFaible = 0.63
Défavorable µMoyen = 0.37
. Très défavorable
Figure 5.20. Défuzzyfication de la sensibilité et raisonnement par classes. (D’après les règles du
tableau 2.5.)
Chapitre 5-113
Une approche complète : La logique floue
.
Cas
Très Favorable
.
Favorable
Défavorable
.
Très défavorable
Activité .
µInactif ou peu actif =1
Très Favorable
.
Favorable
Défavorable
. Très défavorable
Intensité
µChutes de blocs =2
Probabilité d'occurrence
µNégligeable = 0.04
µFaible = 0.60
µMoyenne = 0.36
Figure 5.21. Découpage de la sensibilité par intersection avec ces classes et l'effet sur l'aléa.
Chapitre 5-114
Une approche complète : La logique floue
L'approche floue standard met à la disposition de l'ingénieur une méthode plus adaptée aux
phénomènes naturels et aux paramètres qualitatifs que l'approche par simulation Monte-Carlo.
Cette approche est limitée par le choix d'une classe prédéfinie pour chaque paramètre.
Autrement dit, si le phénomène naturel s’étale entre deux classes, nous ne pouvons pas utiliser
cette approche.
Chapitre 5-115
Une approche complète : La logique floue
er
.
eme
eme
.
eme
Dans l'hypothèse ou la
.
surface du cas est
égale à la surface d'un Très Favorable
cas spécifique, nous .
Favorable
pouvons découper Défavorable
cette surface en . Très défavorable
portions par
intersection
. Par contre, si la
surface du cas est
er différente. Nous
.
eme sommes obligés de
eme passer par la
. eme défuzzyfication.
Chapitre 5-116
Une approche complète : La logique floue
Si l'intervenant sur site constate que les paramètres ont une variabilité qui ne peut pas être
expliquée par une seule classe prédéfinie, il peut dans cette approche définir un nombre flou
qui représente le mieux possible ces paramètres.
Les nombres flous ainsi choisis n’ont pas forcément la même surface que les nombres
standard, ni la même forme, comme le montre la figure 5.23. Nous devons alors calculer la
sensibilité en raisonnant avec ces nombres.
Figure 5.23. La représentation des paramètres par des nombres flous proposés par l'intervenant.
Le calcul de la sensibilité peut être facilité par l'utilisation des α -coupes, et tout type
d’opération est envisageable avec cette méthode (addition, log, exponentielle, etc.,). Pour
avoir une bonne précision sur les résultats, il est nécessaire de travailler avec suffisamment d’
α -coupes et le nombre d’α -coupes à utiliser dépend essentiellement de la forme des nombres
flous proposés.
Dans l’outil que nous avons réalisé, l’utilisateur peut choisir le nombre d'α -coupes qui lui
convient (qui est de 201 par défaut). Évidemment, plus leur nombre est grand, plus les calculs
peuvent être longs.
Dès que l'on utilise des nombres flous définis par l’utilisateur et non ceux qui sont prédéfinis,
le problème du raisonnement apparaît. Si nous suivons la démarche classique de
défuzzyfication, on assiste à une perte importante d'information.
Pour résoudre ce problème et éviter cette perte d'informations, nous proposons une autre
solution basée sur un concept nouveau que nous nous proposons d’appeler le raisonnement
par β -coupes.
Chapitre 5-117
Une approche complète : La logique floue
Le concept de β -coupes est un concept nouveau que nous proposons d’utiliser pour faciliter le
raisonnement flou sur n'importe quel nombre ou sous-ensemble flou. Son objectif est d’éviter
la perte d’information qu’engendre la défuzzyfication. Pour tirer pleinement profit de
l’information contenue dans les nombres flous qui constituent les paramètres d’entrée du
raisonnement.
Ce concept de β -coupes est basé d’un point de vue théorique sur la méthode d'agrégation de
Bellman-Zadeh [70] qui a été appliquée dans plusieurs travaux de recherche et exposée
notamment dans un article intitulé « Some fuzzy set applications in mining geomechanics «.
Chapitre 5-118
Une approche complète : La logique floue
Cette méthode d'agrégation montre qu'une relation floue R entre un sous ensemble A = {x,
mA(x)} et un autre sous ensemble B = {x, mB(x)}, peut être définie comme un sous ensemble
avec double apparition dans les deux sous ensembles A et B selon la formule suivante :
R= ∫ [( x , y ), m R ( x , y )] [29]
AXB
Où m R ( x , y ) = m A ( x ) ∧ m B ( y ) = min[ m A ( x ) , m B ( y )]
Le taux d'apparition dans un sous ensemble flou qui est défini par une relation floue R = A x B
est :
Ainsi, une relation floue «fracturation ET humidité» peut être présentée par :
Y
6 7 8 9 10 [34]
2 0.1 0.1 0.1 0.1 0.1
4 0.3 0.3 0.3 0.3 0.3
X 6 0.4 0.5 0.5 0.5 0.5
8 0.4 0.6 0.7 0.7 0.6
10 0.4 0.6 1.0 0.7 0.6
Chapitre 5-119
Une approche complète : La logique floue
Si, dans un cas typique, nous avons trouvé que l'humidité est définie par :
mfracturation (y=1) =
max [min(0,0.1), min(0.2,0.3), min(0.7,0.4), min(0.9,0.4), min(0.9,0.4)] [37]
mfracturation (y=1) = max [0, 0.2, 0.4, 0.4, 0.4] = 0.4 [38]
mfracturation (y) = {0.4 ,0.6, 0.9, 0.7, 0.6} [39]
Chapitre 5-120
Une approche complète : La logique floue
Nous allons expliquer ici, les développements mathématique et informatique auxquels nous
avons procédé pour la généralisation et l'application de la méthode d'agrégation Bellman–
Zadeh par le concept des β -coupes au service du raisonnement flou.
Afin que l'explication soit plus claire, nous prendrons l’exemple du site de Pontoise, et
essaierons de raisonner avec la méthode classique et la méthode des β -coupes.
La figure 5.24 présente des classes standard pour la sensibilité, l'activité et l'intensité.
Supposons que l'intervenant sur le site ai défini les paramètres élémentaires de sensibilité
«PF, ER, HF, DIR, et PEN», les paramètres élémentaires pour l'activité «l'état de fracturation
mécanique, l'altération du massif, l'atteinte sur l'environnement ainsi que les traces
morphologiques», et aussi les paramètres d'intensité «la taille élémentaire ou la taille
volumétrique». Supposons également que les définitions de tous ces paramètres soient donnés
sous forme de nombres flous qui n'ont pas la même surface ou la même forme qu'une classe
prédéfinie.
Très Favorable
.
Favorable
Défavorable
. Très défavorable
. .
Négligeable Négligeable
. .
Faible Faible
Moyenne Moyen
. Forte . Fort
Chapitre 5-121
Une approche complète : La logique floue
Tout d'abord, pour faire des calculs numériques sur les paramètres élémentaires définis par
l'intervenant, nous utilisons le principe des α -coupes qui va nous permettre de construire un
nombre flou représentant la sensibilité du site étudié. En ce qui concerne les paramètres
élémentaires d'activité et d'intensité, nous avons défini une base de règles à quatre entrées
«pour l'activité» et une autre base à deux entrées «pour l'intensité». Le tableau 5.4. montre
une partie d'une base des règles à trois entrées pour l'activité en omettant l'atteinte sur
l'infrastructure. «Chaque règle dans le tableau est traduite par : Si la classe de fracturation
mécanique est …, et la classe des traces morphologiques est …, et la classe d'altération du
massif est …, alors, la classe d'activité est …».
Tableau 5.4. Extrait de la base des règles pour l'activité avec trois paramètres d'entrées. «la base
complète pour trois entrées comporte 64 règles»
Fracturation mécanique Altération du massif Traces Morphologiques Classe d'activité
(classe) (classe) (classe) obtenue
1er 1er 1er 1er
1er 1er 2e 1er
1er 1er 3e 2e
1er 1er 4e 2e
1er 2e 1er 1er
1er 2e 2e 2e
1er 2e 3e 2e
1er 2e 4e 3e
1er 3e 1er 2e
1er 3e 2e 2e
1er 3e 3e 3e
1er 3e 4e 3e
1er 4e 1er 2e
1er 4e 2e 3e
er e e e
1 4 3 3
1er 4e 4e 4e
2e 1er 1er 1er
2e 1er 2e 2e
2e 1er 3e 2e
Arrivé à l'étape de croisement entre un nombre flou qui représente la sensibilité et un autre
nombre flou qui présente l'activité du site, nous devons appliquer les règles de croisement du
tableau 2.5 pour quantifier la probabilité d'occurrence. C’est à ce niveau que nous allons
mettre en œuvre les β coupes.
Chapitre 5-122
Une approche complète : La logique floue
er
.
eme
eme
. eme
β1 β2 β3 β4 … … βn
Coupe µ1er µ2e µ3e µ4e µcas µretenir = Min (µclasses standard, µcas)
β1 0 1 0 0 0 (0,0,0,0)
β2 0 0.9 0.1 0 0.3 (0,0.3,0.1,0)
β3 0 0.75 0.25 0 0.6 (0,0.6,0.25,0)
β4 0 0.40 0.60 0 0.88 (0,0.4,0.6,0)
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
βn 0 0 0.8 0.2 0 (0,0,0,0)
Chapitre 5-123
Une approche complète : La logique floue
Figure 5.26. La sensibilité «à gauche» et l'activité «à droite» d'un cas d'analyse. Sensibilité = {45/0 |
51/1 | 59/1 | 90/0}, Activité = {13/0 | 26/1 | 32/1 | 47/0}.
Le découpage en β -coupes pour la sensibilité et l'activité est illustré par les tableaux 5.5 et 5.6
respectivement. On notera que nous nous sommes ici limités à 11 coupes.
Chapitre 5-124
Une approche complète : La logique floue
Tableau 5.7. L'application de la méthode de Min-Max sur les 16 règles du tableau 2.5
Coupe Règles de croisement
er e e e e e
1 2 3 4 5 6 7e 8e 9e 10e 11e 12e 13e 14e 15e 16e
(Négligeable) Probabilité d'occurrence obtenue
(moyenne)
(moyenne)
(moyenne)
(moyenne)
Quatrième
Quatrième
Quatrième
Quatrième
Quatrième
Quatrième
Quatrième
Deuxième
Deuxième
Deuxième
Deuxième
Troisième
Troisième
Troisième
Troisième
Premier
(Faible)
(Faible)
(Faible)
(Faible)
(Forte)
(Forte)
(Forte)
(Forte)
(Forte)
(Forte)
(Forte)
β1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
β2 0 0 0 0 0.2 0.07 0 0 0.28 0.07 0 0 0 0 0 0
β3 0 0 0 0 0.3 0.24 0 0 0.57 0.24 0 0 0 0 0 0
β4 0 0 0 0 0.08 0.08 0 0 0.59 0.41 0 0 0 0 0 0
β5 0 0 0 0 0 0 0 0 0.42 0.58 0 0 0 0 0 0
β6 0 0 0 0 0 0 0 0 0.25 0.71 0 0 0.13 0.13 0 0
β7 0 0 0 0 0 0 0 0 0.08 0.56 0 0 0.08 0.35 0 0
β8 0 0 0 0 0 0 0 0 0 0.42 0 0 0 0.42 0 0
β9 0 0 0 0 0 0 0 0 0 0.2 0.01 0 0 0.28 0.01 0
β 10 0 0 0 0 0 0 0 0 0 0 0 0 0 0.14 0.14 0
β 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Max 0 0 0 0 0.3 0.24 0 0 0.59 0.71 0.01 0 0.13 0.42 0.14 0
Faible Moyenne
Négligeable (0.59) (0.71) Forte
(0) (0.14)
Chapitre 5-125
Une approche complète : La logique floue
• Centre de gravité de l'activité: 29.5 qui correspond à : (mDormant = 0.28, mIn actif ou peu actif =
0.72, mFrais = 0, mActif = 0).
Faible Moyenne
Négligeable (0.28) (0.71) Forte
(0) (0)
Figure 5.28. La probabilité d'occurrence obtenue par raisonnement sur les centres de gravité.
Chapitre 5-126
Une approche complète : La logique floue
Pour produire un jugement sur les résultats et déterminer la méthodologie qui donne des
meilleurs résultats, nous avons analysé un cas où la sensibilité et l'activité sont représentées
par la figure 5.32. La particularité de ce cas est que l'intersection entre le cas à analyser et ses
classes standards, se produit à des mêmes niveaux de participation.
Avec les β -coupes, le résultat «probabilité d'occurrence» est représenté par la figure 5.33. Par
contre, avec la méthode de Terano et al. [89], nous obtenons un résultat différent qui est
illustré par la figure 5.34. Le concept de Terano et al. [89] considère dans ce cas, que la
sensibilité et l'activité sont représentées par la même forme parce qu'elles interceptent les
classes standards aux mêmes points.
Chapitre 5-127
Une approche complète : La logique floue
.
.
.
.
.
.
.
.
.
Figure 5.29. Les entrées de l'analyse (Sensibilité à gauche, Activité au milieu, et Intensité à droite).
.
Faible Moyen
Négligeable (0.9) (0.475) Fort
. (0.3) (0)
Figure 5.30. Le résultat de l'aléa par l'utilisation des β -coupes «21 coupes».
Chapitre 5-128
Une approche complète : La logique floue
.
Faible Moyen
Négligeable (1) (0.5) Fort
. (0.4) (0)
Figure 5.31. Le résultat de l'aléa par l'utilisation de la méthode de raisonnement de Terano et al. [89].
. .
. .
. .
. .
Chapitre 5-129
Une approche complète : La logique floue
.
Faible
Négligeable (0.84) Moyenne Forte
(0.5) (0) (0)
.
.
Négligeable Faible
(0.62) (0.82) Moyenne Forte
(0) (0)
.
Chapitre 5-130
Une approche complète : La logique floue
Pour avoir une précision infinie sur les résultats, il faut utiliser un nombre infini de β -coupes.
Évidemment, cela n’est pas possible en pratique. Dans l’exemple donné précédemment, 11 β -
coupes ont été utilisées. Le temps de calcul dépend bien entendu du nombre de β -coupes
utilisé. Le tableau 5.8 et la figure 5.35 permettent de se faire une idée de la relation entre le
nombre de β -coupes utilisées et le temps de calcul. Ces calculs ont été réalisés en utilisant la
version 3.0.1 de Mathematica™ sur un ordinateur Gateway 2000® Solo 2100™ avec Intel
Pentium™ 150 MHz sous Windows 95™ avec 40 MB de mémoire vive.
Tableau 5.8. Comparaison entre le nombre de β -coupes, le temps de calcul et résultats obtenus.
Nombre de β coupes Temps en seconds Résultat obtenu (participation aux classes
de la probabilité d'occurrence)
1 0.22 (0, 0.28, 0.72, 0)
4 0.61 (0, 0.533, 0.47, 0)
6 1.37 (0, 0.57, 0.58, 0.01)
8 2.36 (0, 0.62, 0.63, 0.11)
11 4.55 (0, 0.59, 0.71, 0.14)
16 9.99 (0, 0.65, 0.69, 0.12)
21 18.51 (0, 0.68, 0.7, 0.14)
31 40.54 (0, 0.66, 0.71, 0.14)
41 70.47 (0, 0.67, 0.71, 0.14)
51 114.41 (0, 0.68, 0.72, 0.15)
101 452.12 (0, 0.68, 0.72, 0.15)
Temps en secondes
On notera dans le tableau précédent une stabilisation des résultats à partir de 21 β -coupes.
Mais il conviendrait d’approfondir ce point pour déterminer le nombre idéal de β -coupes à
employer.
Chapitre 5-131
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
Ce chapitre présente deux sites étudiés du point de vue des aléas mouvement de terrain: le
premier est un ouvrage historique souterrain, la tombe de Ramsès I située dans la vallée des
rois, en Égypte, tandis que le deuxième concerne le site des falaises de Pontoise déjà évoqué
dans ce mémoire à plusieurs reprises.
Chapitre 6-135
Étude des cas
Ramsès I est le fondateur de la XIXe dynastie (1307 – 1196 av. J.-C) de l’histoire égyptienne.
Pendant environ deux ans, il a gouverné l'Égypte, et comme la plupart des rois égyptiens du
Nouvel Empire (1550 – 1070 av. J.-C.), il a construit sa tombe dans la Vallée des Rois située
sur la rive ouest du Nil au niveau de l’actuelle ville de Louxor, figure 6.1.
Chapitre 6-136
Étude des cas
Figure 6.1. Deux photos aériennes prises depuis la navette Challenger qui illustrent la localisation de
Louxor ainsi qu’un plan succinct de la ville montrant l’emplacement de la Vallée des Rois.
Chapitre 6-137
Étude des cas
La Vallée des Rois se situe en grande partie dans un massif marno-calcaire, datant de
l’Eocène inférieur et faisant partie de la formation de Thèbes. Il s’agit d’une formation
subhorizontale où le calcaire tendre alterne avec des lits de silex et des bancs à consistance
marneuse. Cet ensemble repose sur une formation essentiellement argilo-marneuse appelée
Esna Shale. Cette série peut s'observer le long de la route d'accès à la Vallée ainsi que sur les
nombreuses falaises, en particulier celle du temple de Deir-el-Bahari. L'observation des
affleurements montre une intense fracturation du massif calcaire et la sensibilité des marnes
sous-jacentes, à l'eau.
Les données mécaniques sont extrêmement importantes pour appréhender la stabilité du site
ainsi que pour l'analyse de l’aléa. Sur ce point, nous avons réuni quelques éléments
bibliographiques donnés dans le tableau 6.1
Chapitre 6-138
Étude des cas
Pour analyser l’aléa mouvement de terrain dans cette tombe historique, nous avons mis en
œuvre la méthodologie générale présentée plus tôt en utilisant le RMR comme indicateur de
la sensibilité et les paramètres donnés par Tritsch et al. [96] pour caractériser l’activité et
l’intensité.
La figure 6.2. montre un plan de cette tombe avec les relevés de fracturation que nous y avons
effectuées. Compte tenu de la géométrie de la tombe et des relevés de fracturation, nous avons
distingué trois zones distinctes selon la densité de fracturation. Ces trois zones sont indiquées
sur la figure 6.2.
Pour la détermination de l’espacement entre fractures, nous avons utilisé la méthode du «Scan
line survey» Priest et al. [81], en travaillant sur les plans de la tombe et les relevés de
fracturation.
Pour déterminer le RQD, nous avons utilisé la relation mathématique proposée par Bieniawski
[89] et illustrée par la figure 6.3.
Chapitre 6-139
Étude des cas
Figure 6.2. Plan et coupe verticale de la tombe de Ramsès I avec ses fracturations
100
30
90
R.Q.D. Maximum 25
80 27 Indice combiné entre le
70 R.Q.D. et l'espacement
21 moyen des discontinuités
60
50
40 Courbe de
16 corrélation
30
20
8 11 R.Q.D. Minimum
10
0
10 60 200 600 2000
Espacement moyen des discontinuités (mm)
Chapitre 6-140
Étude des cas
L’état des joints et les conditions d’humidité ont été observés sur le site et nous avons retenu
un ajustement de l'orientation des discontinuités correspondant à la classe III, ce qui conduit à
une correction de « -5 » sur le RMR obtenu par les autres paramètres.
Ainsi sont répertoriés dans le tableau 6.2 tous les éléments qui déterminent le RMR de
chacune des trois zones considérées dans la tombe. Dans ce tableau, nous avons donné les
valeurs maximales et les valeurs minimales pour chaque paramètre. Ces valeurs sont issues
des résultats d’observations ou des données bibliographiques et leur variabilité se traduit
globalement par une variabilité de l’indice RMR.
Tableau 6.2. Indices RMR pour les différentes zones de la tombe de Ramsès I.
Zone PF (m) Indice RQD (%) Indice Rc (MPa) Indice
I 0.64 ~ 1.2 12 ~ 15 96 ~ 100 19 ~ 20 12.8 ~ 27.4 2~4
II 0.91 ~ 1.23 14 ~ 15 100 20 12.8 ~ 27.4 2~4
III 1.14 ~ 1.55 15 100 20 12.8 ~ 27.4 2~4
Chapitre 6-141
Étude des cas
À partir des valeurs minimales et maximales de chaque paramètre du RMR, nous avons
construit un nombre flou et calculé ensuite la représentation floue de l’indice RMR
correspondant. Cette transformation a été menée par le biais de formulations mathématiques
données par Bienawski. La figure 6.4 illustre cette opération pour le RQD.
Nous avons ainsi déterminé les indices flous de chaque paramètre constituant l’expression du
RMR comme le montre la figure 6.5. Notons que les largeurs des nombres flous dépendent de
la classe originale de chaque paramètre « une grande classe est remplacée par un nombre flou
plus large qu’une petite classe »
Par la méthode des α -coupes nous avons ensuite calculé dans chaque zone de la tombe,
l’indice RMR par sommation des indices flous correspondant à chaque paramètre. La figure
6.6. présente les quantités floues que nous avons utilisées dans la zone I, ainsi que le RMR
obtenu et la figure 6.7. présente les RMR obtenus dans les autres zones de la tombe.
Pour la continuation de l'analyse, nous avons défini les deux autres quantités floues que sont
l'activité du site et son intensité. La figure 6.8. présente ces deux quantités floues.
Plutôt que d’opérer en 2 étapes (calcul de la probabilité d’occurrence puis de l’aléa), nous
avons effectué un croisement direct entre sensibilité, activité et intensité de façon à produire
directement l’aléa (ce qui ne change rien à la méthode). Le tableau 6.3. présente ainsi la base
des règles que nous avons utilisées pour combiner ces trois entrées. Cette base est le résultat
de la combinaison entre les règles données dans le tableau 6.4 pour le raisonnement de la
probabilité d'occurrence et celles données dans le tableau 6.5 pour le raisonnement conduisant
à l'aléa.
Chapitre 6-142
Étude des cas
Un nombre flou
représentant
l'indice du RQD
Le nombre flou
représentant le
RQD d’une
zone étudiée
Figure 6.4. Transformation d’un nombre flou qui présente le RQD en un nombre flou qui présente
l’indice correspondant dans la classification RMR
Chapitre 6-143
Étude des cas
. .
. .
. .
. .
Nombres flous pour les indices de la Nombres flous pour les indices des distances
Résistance à la compression simple Rc moyennes entre les discontinuités PF
. .
. .
. .
. .
Nombres flous pour les indices de RQD Nombres flous pour les indices d'humidité
Chapitre 6-144
Étude des cas
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
. .
Figure 6.6. Les quantités flous utilisées pour la détermination de la sensibilité dans la zone I de la
tombe de Ramses I.
Chapitre 6-145
Étude des cas
. .
. .
. .
. .
Figure 6.7. Les indices RMR obtenues dans les zones II et II de la tombe de Ramsès I.
. .
Fraîche Éboulements Éboulements
Active
. . majeurs
. .
. .
Fraîche Éboulements Éboulements
Active
. . majeurs
. .
Chutes de Chutes
Dormante Inactif ou
pierres de blocs
. peu actif .
. .
Éboulements Éboulements
Fraîche Active
. . majeurs
. .
Chapitre 6-146
Étude des cas
Tableau 6.3. La base des règles pour la détermination de l’aléa dans la tombe de Ramsès I.
Sensibilité Activité Intensité Classe Sensibilité Activité Intensité Classe
(classe) (classe) (classe) d'aléa (classe) (classe) (classe) d'aléa
1e 1e 1e 1e 4e 1e 1e 2e
e e e e e e e e
1 1 2 1 4 1 2 2
e
1 1e 3e 1e 4e
1e 3e 2e
e e e e e e e e
1 1 4 2 4 1 4 3
e e e e e e e e
1 2 1 1 4 2 1 2
e
1 2e 2e 1e 4e
2e 2e 2e
e e e e e e e e
1 2 3 2 4 2 3 3
e
1 2e 4e 2e 4e
2e 4e 3e
1e 3e 1e 1e 4e 3e 1e 2e
e
1 3e 2e 2e 4e
3e 2e 3e
e
1 3e 3e 2e 4e
3e 3e 3e
e e e e e e e e
1 3 4 2 4 3 4 3
e
1 4e 1e 2e 4e
4e 1e 3e
e
1 4e 2e 2e 4e
4e 2e 3e
e e e e e e e e
1 4 3 2 4 4 3 3
1e 4e 4e 3e 4e 4e 4e 4e
e
2 1e 1e 1e 5e
1e 1e 2e
e
2 1e 2e 1e 5e
1e 2e 2e
e
1e 3e 2e
e
2 5 1e 3e 3e
e
2 1e 4e 2e 5e
1e 4e 3e
e
2e 1e 1e
e
2 5 2e 1e 2e
e
2e 2e 2e
e
2 5 2e 2e 3e
e
2e 3e 2e
e
2 5 2e 3e 3e
e
2e 4e 2e
e
2 5 2e 4e 3e
e
3e 1e 2e
e
2 5 3e 1e 3e
e
3e 2e 2e
e
2 5 3e 2e 3e
e
2 3e 3e 2e 5e
3e 3e 3e
2e 3e 4e 3e 5e 3e 4e 4e
e
4e 1e 2e
e
2 5 4e 1e 3e
e e e e e e e e
2 4 2 2 5 4 2 3
e e e e e e e e
2 4 3 3 5 4 3 4
e
2 4e 4e 3e 5e
4e 4e 4e
e
3 1e 1e 1e
e
3 1e 2e 2e
e
3 1e 3e 2e
e
3 1e 4e 2e
e
3 2e 1e 2e
e
3 2e 2e 2e
3e 2e 3e 2e
e
3 2e 4e 3e
e
3 3e 1e 2e
e
3 3e 2e 2e
e
3 3e 3e 3e
e e e e
3 3 4 3
e e e e
3 4 1 2
e
3 4e 2e 3e
e
3 4e 3e 3e
e
3 4e 4e 3e
Chapitre 6-147
Étude des cas
Chapitre 6-148
Étude des cas
Aléa de la zone I
Faible Moyen
Négligeable (1) (0) Fort
(1) (0)
Aléa de la zone II
Faible Moyen
Négligeable (0.95) (0) Fort
(1) (0)
Faible Moyen
Négligeable (1) (0.05) Fort
(0.7) (0)
Figure 6.9. L'aléa dans les zones I, II et III de la tombe de Ramsès I représenté par des quantités
floues.
Chapitre 6-149
Étude des cas
L’analyse discrète avec une seule entrée donne un résultat de faible aléa sur les trois zones de
la tombe.
Par contre, les résultats de l'analyse floue montrent que la zone III demande plus d'attention
que les zones I et II. En raison d’une ouverture plus grande et d’une situation plus profonde
de cette zone par rapport aux autres, nous pouvions espérer ce résultat.
Actuellement, dans la tombe de Ramsès I, seule la zone III a attiré l'attention du Haut Conseil
des Antiquités égyptiennes qui y a fait installer un dispositif de soutènement du toit en bois.
La figure 6.10 montre une photographie de ce dispositif.
Chapitre 6-150
Étude des cas
Chapitre 6-151
Étude des cas
Les autres secteurs de Pontoise sont restés peu ou pas urbanisés jusqu'au XIXème siècle.
L'extension actuelle de l'agglomération s'effectue principalement vers l'Ouest sur le plateau.
Les fonds et les bordures de vallée sont plutôt occupés par un habitat dispersé de type
pavillonnaire assez récent.
Les remparts de la ville médiévale se situent autour du centre ville actuel sur la butte St.
Maclou. Certains fossés de l'enceinte de défense de la ville pourraient avoir une profondeur de
l'ordre de 8 à 10m. Ils semblent avoir laissé des traces se manifestant par un dénivelé artificiel
important (à ne pas confondre avec des falaises naturelles) notamment vers le Nord du centre
ville qui est situé au droit du Jardin Public.
Les muraillements des grands pans de falaise au-dessus de la place du Pont (rue de l'hôtel
Dieu) ne correspondent pas à des fortifications historiques. Il s'agirait de renforcements
effectués au XVIIIème siècle suite à des éboulements survenus dans ce secteur, et ayant
entraîné une série de procès entre la ville et le pouvoir royal (propriétaire du château).
Enfin, lors de la seconde guerre mondiale, les secteurs de la gare et du principal pont sur
l'Oise (à proximité des pans de falaises en centre ville) ont été violemment bombardés. De
nombreuses photos et des témoignages semblent indiquer que les fronts de falaise apparents et
les muraillements anciens de cette zone ont été affectés par ces bombardements.
Le secteur d'étude se situe au cœur du Bassin Parisien dans une zone d'affleurement du
Lutécien lié à l'encaissement de la vallée de l'Oise. Au sommet du plateau, on trouve les séries
sableuses et calcaro-marneuses du Bartonien. La plaine alluviale de l'Oise et de ses affluents
s'appuient sur l'épaisse formation de l'Yprésien.
Chapitre 6-152
Étude des cas
• Les sables de Cuise (Yprésien supérieur) qui sont des sables fins essentiellement
quartzeux et glauconieux, sans séquence argileuse dans le secteur de Pontoise.
• Un faciès de calcaire sableux glauconieux verdâtre du Lutétien inférieur, aux
caractéristiques mécaniques plutôt médiocres et de 7 à 8 m d’épaisseur.
• Le calcaire grossier du Lutétien moyen présentant une épaisseur moyenne d'une douzaine
de mètres, qui a été activement exploité pour la pierre à bâtir sous le territoire de la
commune
• Les marnes et caillasses constituant la partie supérieure du Lutétien et d’une épaisseur
moyenne de l'ordre de la dizaine de mètres. Des bancs plus indurés prédominent vers la
base.
• Les sables de Beauchamp regroupant l'ensemble des séquences sableuses du Bartonien
inférieur.
Chapitre 6-153
Étude des cas
La détermination de l’aléa autour des falaises de Pontoise nécessite l'observation sur site des
paramètres permettant la détermination de la sensibilité, de l'activité, et de l'intensité dans
chacune des zones étudiées.
Nous avons procédé à trois analyses et les avons appliquées à trois zones différentes illustrées
par les figures 6.12, 6.13 et 6.14. Pour chaque zone étudiée, nous avons :
• vérifié sur site l’analyse et la quantification des données réalisées par des ingénieurs dans
le cadre du PPR. Cette étape nous a permis de comprendre la façon de quantifier les
paramètres.
• requantifié les paramètres sur site en donnant pour chacun, une fourchette de valeurs de
type flou.
• calculé l’aléa flou, à partir de ces données floues en utilisant d’une part la méthode
INERIS et d’autre part le SMR pour caractériser la sensiblité.
Dans chaque cas, nous avons conservé les règles de croisement définies dans le cadre du PPR
réalisé.
Dans le tableau 6.6, nous présentons les paramètres et les résultats trouvés par l’approche
INERIS. Nous avons noté que, même dans le cas d’une analyse discrète telle que celle de
l’INERIS, il arrive que l’ingénieur ne soit pas capable de donner une valeur unique pour les
propriétés nécessaires à l'analyse, et qu’il préfère, dans ce cas, donner directement le numéro
de la classe à laquelle ces propriétés appartiennent. Ce constat montre le besoin d'un type
différent d'analyse de celle employée jusqu’à maintenant, en particulier pour tenir compte de
la variabilité et de l'incertitude sur les paramètres ou leur observation.
Chapitre 6-154
Étude des cas
Chapitre 6-155
Étude des cas
Chapitre 6-156
Étude des cas
Chapitre 6-157
Étude des cas
Tableau 6.6. Paramètres et Résultats d'analyse sur les trois zones de Pontoise selon l’approche
classique de Tritsch et al [96].
Zone Nom Hauteur du Sensibilité Activité Intensité Probabilité Aléa
sur la front d'occurrence
carte
Le Chou A 7m Défavorable Active Chutes de Forte Moyen
blocs
B 5m Défavorable Peu active Éboulements Moyenne Fort
majeurs
C 10 m Défavorable Peu active Éboulements Moyenne Moyen
D 12 m Défavorable Active Chutes de Forte Moyen
pierres
L'hermitage, A 3m 40 Peu active Chutes de Faible Faible
Ecole privée pierres
B < 66 Fraîche Éboulements Forte Fort
C Défavorable Peu active Chutes de Moyenne Moyen
blocs
D 10 ~ 12 m < 60 Peu active Chutes de Moyenne Moyen
blocs
E 10 m < 42 Peu active Chutes de Faible Faible
blocs
Coté de G 10 m Favorable Peu active Chutes de Faible Faible
Larris pierres
H 5m Favorable Active Chutes de Forte Moyen
pierres
I 3~6m Favorable Peu active Chutes de Faible Faible
blocs
J 8m Favorable Peu active Éboulements Faible Moyen
K 8m Favorable Fraîche Chutes de Forte Moyen
pierres
L 7m Favorable Peu active Chutes de Faible Faible
blocs
M 5m Défavorable Peu active Éboulements Moyenne Moyen
Chapitre 6-158
Étude des cas
Pour l'application de la logique floue sur les paramètres de sensibilité définie par l'INERIS,
nous avons utilisé les classes définies par la Figure 5.18. Les paramètres de sensibilité (PF,
ER, Humidité, DIR, et PEN) sont aussi quantifiés par l'utilisation de quatre classes similaires.
Nous sommes intervenus sur les trois sites concernés pour observer et quantifier les différents
paramètres de telle façon que le traitement avec la logique floue soit possible. Le tableau 6.7.
souligne la manière de rassembler les donnés pour les paramètres de sensibilité. Et le tableau
6.8. illustre les résultats des observations sur l'activité et l'intensité.
Par l'utilisation des α -coupes et la formule de sensibilité définie par l'INERIS, nous avons pu
calculer la sensibilité en termes de quantités floues. Un exemple de sensibilité est illustré sur
la figure 6.15. Le tableau 6.9 donne les autres résultats de sensibilité.
Tableau 6.7. Les paramètres de sensibilité pour une analyse de type flou. (le mot végétation signifie
que nous ne pouvons pas décrire le paramètre à cause d’une végétation dense, et la flèche signifie que
le paramètre est plutôt dans la première classe que la seconde).
Zone Nom PF (classe) ER (classe) Humidité DIR (classe) PEN (classe)
sur la (classe)
carte
Le Chou A 2e 1e 4e 1e 4e
B 3e 1e 4e 1e 4e
2e 1 ~ 2e
e
C 4e 1e 4e
e e e e e e e
D 2 ~3 1 3 1 ~2 4
e e e e e e e e
L'Hermitage, A 1 ~3 1 ~3 2 1 3 ~4
e e e e e e e e e
Ecole Privée B 2 ~3 2 ~3 3 1 ~2 2 ~3
C 1e ~ 2e 1e ~ 3e 3e 1e 4e
D 3e 1e ~ 2e 2 ~ 3e
e
1e 4e
e e
E Végétation Végétation 2 ~3 Végétation Végétation
La coté de G 1e ~2e 2e ~ 3e 3e 1e 2e ~ 3e
Larris
H 1e ~ 2e 3e ~ 4e 2e 2e 2e ~ 3e
I 1e 2e ~ 3e 2e 1e ~ 3e 1e
J 1 ~ 2e
e
3e ~ 4e 3e 2e ~ 3e 1e
J bis 2e 1e ~ 3e 3e 1e 1e
K 2 ~ 3e
e
1e ~2e 3e 1e 2e
L 2e 2e ~ 3e 3e 1e 1e ~ 2e
M 1e 1e ~ 2e 3e 1 ~ 2e
e
1e ~ 2e
Chapitre 6-159
Étude des cas
Tableau 6.8. L'activité et l'intensité des sites de Pontoise exprimées par les classes choisies
Zone Nom sur la Activité Intensité
carte (classe) (classe)
e e e
Le Chou A 2 ~3 2
e e
B 2 2
e e e e
C 2 ~3 1 ~2
D 2e 1e
L'Hermitage, A 3e 1e
Ecole Privée B 3e 2e
C 2e 1e
D 2 ~ 3e
e
1e
E Végétation Végétation
La coté de G 3e 2e ~ 3e
2 ~ 3e
e
Larris H 1e
I 2e ~ 3e 1e ~ 2e
J 2e ~ 3e 1e ~ 2e
J bis 3e 2e ~ 3e
K 2e 1e
1 ~ 2e
e
L 1e
M 2e 1e ~ 2e
Chapitre 6-160
Étude des cas
Tableau 6.9. Les résultats du calcul de sensibilité dans les trois zones de Pontoise (les quatre nombres
donnent les limites (x1, x2, x3, x4) d'un nombre flou de type trapézoï dal avec les participations
suivantes : {x1/0 | x2/1 | x3/1 | x4/0}).
Zone Nom sur la carte x1 x2 x3 x4
Le Chou A 25.5 39.5 50.5 64.5
B 35.5 49.5 60.5 74.5
C 25.5 39.5 55.5 69.5
D 23 37 54.5 70.5
L'Hermitage, école privée A 9.5 15.5 64.5 80.5
B 16 34 59.5 79.5
C 17 23 57 73
D 30.5 44.5 62 78
E
La coté de Larris G 10 20 50 70
H 16 28 57 73
I 4.5 10.5 32.5 52.5
J 13.5 21.5 52 68
J bis 10 20 40 60
K 19 33 50 70
L 13 27 45 65
M 4 6 27.5 47.5
. .
. .
. .
. .
Figure 6.15. La sensibilité dans la zone J (à gauche) et de la zone M (à droite) de la coté de Larris.
Chapitre 6-161
Étude des cas
La qualification de l'activité et de l'intensité est aussi conduite d'une façon floue et par
l'utilisation des règles de croisement données par l'INERIS. Le tableau 6.10. présente la
sensibilité, l’activité et l’intensité des différentes zones étudiées sous forme de nombres flous
et le tableau 6.11. présente l'aléa obtenu dans ces zones. La figure 6.16 présente la sensibilité,
l'activité, l'intensité, et l'aléa dans la zone L de la coté de Larris, et la figure 6.17 présente
l’aléa sur différentes zones des falaises de Pontoise.
Tableau 6.10. Sensibilité, activité, et intensité des zones de Pontoise exprimées par des nombres flous
Zone Nom sur Sensibilité Activité Intensité
la carte X1, X2, X3, X4 X1, X2, X3, X4 X1, X2, X3, X4
Le Chou A 25.5, 39.5, 50.5, 64.5 15, 35, 65, 85 15, 35, 40, 60
B 35.5, 49.5, 60.5, 74.5 15, 35, 40, 60 15, 35, 40, 60
C 25.5, 39.5, 55.5, 69.5 15, 35, 65, 85 0, 0, 30, 50
D 23, 37, 54.5, 70.5 15, 35, 40, 60 0, 0, 15, 35
L'Hermitage, école privée A 9.5, 15.5, 64.5, 80.5 40, 60, 65, 85 0, 0, 15,35
B 16, 34, 59.5, 79.5 40, 60, 65, 85 15, 35, 40, 60
C 17, 23, 57, 73 15, 35, 40, 60 0, 0, 40, 60
D 30.5, 44.5, 62, 78 15, 35, 65, 85 0, 0, 40, 60
E 0, 0, 30, 50 0, 0, 15, 35
La coté de Larris G 10, 20, 50, 70 40, 60, 65, 85 15, 35, 65, 85
H 16, 28, 57, 73 15, 35, 55, 75 0, 0, 15, 35
I 4.5, 10.5, 32.5, 52.5 15, 35, 65, 85 0, 0, 40, 60
J 13.5, 21.5, 52, 68 25, 45, 65, 85 0, 0, 30, 50
J bis 10, 20, 40, 60 40, 60, 65, 85 15, 35, 55, 75
K 19, 33, 50, 70 15, 35, 40, 60 0, 0, 15, 35
L 13, 27, 45, 65 10, 10, 40, 60 0, 0, 15, 35
M 4, 6, 27.5, 47.5 15, 35, 40, 60 10, 10, 40, 60
Tableau 6.11. L'aléa des zones de Pontoise obtenu par calcul et raisonnement flou en utilisant les
paramètres de l'INERIS.
Zone Nom sur la carte Aléa {µNégligeable, µFaible, µMoyen, µFort}
Le Chou A {0.225, 0.85, 0.64, 0.45}
B {0, 0.64, 0.9, 0.45}
C {0.255, 0.94, 0.75, 0.25}
D {0.225, 0.9, 0.48, 0}
L'Hermitage, école privée A {0,0.45, 0.9, 0}
B {0, 0.45, 0.9, 0.45}
C {0.34, 0.75, 0.68, 0.4}
D {0, 0.76, 0.89, 0.4}
E
La coté de Larris G {0, 0.45, 0.85, 0.7}
H {0.38, 1, 0.525, 0}
I {0.35, 0.81, 0.85, 0.4}
J {0.2, 0.74, 0.69, 0.25}
J bis {0, 0.45, 0.75, 0.68}
K {0.29, 0.9, 0.48, 0}
L {0.58, 0.88, 0.47, 0}
M {0.45, 0.76, 0.44, 0.44}
Chapitre 6-162
Étude des cas
.
.
.
Sensibilité .
. .
Activité .
Intensité
Négligeable, m= 0.58
Faible, m= 0.88
Moyen, m= 0.47
Fort, m= 0.0
Aléa
Figure 6.16. Sensibilité, activité, intensité et l'aléa de la zone L évaluée par la méthode floue. Le
résultat obtenu par la méthode discrète de l’INERIS est «Faible».
Chapitre 6-163
Étude des cas
mNégligeable = 0.225
mFort = 0
mNégligeable = 0
mFort = 0.45
mMoyen = 0.48
mMoyen = 0.9
. .
mFaible = 0.9
. .
mFaible = 0.64
. .
. .
Aléa dans la zone B (Le Chou), l'aléa obtenu par Aléa dans la zone D (Le Chou), l'aléa obtenu par
l’approche discrète a été qualifié de « Fort » l’approche discrète a été qualifié de « Moyen »
mNégligeable = 0
mFort = 0.4
mFaible = 0.45
mFort = 0.45
mNégligeable = 0
mMoyen = 0.89
mMoyen = 0.9
. .
mFaible = 0.76
. .
. .
. .
Aléa dans la zone B (L'Hermitage), l'aléa obtenu Aléa dans la zone D (L'Hermitage), l'aléa obtenu par
par l’approche discrète a été qualifié de « Fort » l’approche discrète a été qualifié de «Moyen»
mNégligeable = 0.38
mFort = 0
mNégligeable = 0.29
mFort = 0
mMoyen = 0.525
mFaible = 1
mMoyen = 0.48
. .
mFaible = 0.9
. .
. .
. .
Aléa dans la zone H (La coté de Larris), l'aléa obtenu Aléa dans la zone K (La coté de Larris), l'aléa obtenu
par l’approche discrète a été qualifié de « Moyen » par l’approche discrète a été qualifié de « Moyen »
Figure 6.17. Exemples d'aléa quantifiés par la méthode floue sur différentes zones des falaises de
Pontoise
Chapitre 6-164
Étude des cas
Bien que la méthode floue soit différente de la méthode discrète, en utilisant les mêmes
paramètres descriptifs, nous avons obtenu des résultats similaires en tendance. L'aléa obtenu
par la méthode floue dans une zone où l’approche discrète a donné un aléa fort est plus grand
que dans une zone où l’approche discrète a donné un aléa moyen. Par contre, si l'aléa qui a été
trouvé par l’approche discrète est fort, le centre de gravité de l'aléa obtenue par l’approche
floue, ne tombe pas forcément dans la zone de fort aléa. Nous pouvons expliquer cette
différence d'une part par la variation des paramètres. D'autre part, lorsque l'ingénieur sur le
site est obligé de donner une valeur discrète, il a souvent une attitude pessimiste et donne des
estimations excessives. C'est essentiellement pour cette raison que les résultats obtenus par
l’approche discrète sont généralement supérieurs à ceux donnés par la méthode mettant en
œuvre la logique floue.
Chapitre 6-165
Étude des cas
Sur le même principe mis en œuvre dans le cas de la tombe de Ramsès I, nous avons mis en
œuvre, sur le site des falaises de Pontoise) une évaluation de l’aléa mouvement de terrain en
utilisant le SMR (au lieu du RMR) comme caractéristique de la sensibilité. Il s’agit donc ici
d’une approche à caractère général permettant de se passer d’une formule de sensibilité
déterminée empiriquement pour le site étudié. Le calcul de l’aléa nécessite donc la
détermination de classes floues pour les paramètres du SMR.
Le SMR ajoute au RMR, les quatre paramètres F1, F2, F3, et F4. Pour les paramètres du RMR,
nous avons utilisé les mêmes classes que celles utilisées pour l’analyse de la tombe de Ramsès
I et qui ont été illustrées par la figure 6.5. Pour les quatre paramètres supplémentaires, nous
avons proposé les classes données sur la figure 6.18.
Très favorable
Moyen
Très Défavorable
Favorable
Très favorable
Défavorable
Moyen
Très Défavorable
Favorable
Défavorable
. .
. .
. .
. .
. . . . . . . .
Paramètre F1 Paramètre F2
Très Défavorable
Très favorable
Défavorable
Défavorable
Très Défavorable
Favorable
Très favorable
Moyen
Moyen
Favorable
. .
. .
. .
. .
-
Paramètre F3 Paramètre F4
Figure 6.18. Représentation floue des classes des paramètres F1, F2, F3, F4 du SMR.
Chapitre 6-166
Étude des cas
Après intervention sur site, nous avons déterminé les valeurs des paramètres permettant le
calcul de la sensibilité. Le tableau 6.12 donne ces valeurs dans les trois zones étudiées. Le Rc
a été estimé d'après la bibliographie avec des valeurs souvent utilisées pour ce type de massif
calcaire, Goodman [89]. Tous les autres paramètres ont été caractérisés sur le site. Pour le
raisonnement, nous avons été obligés de construire une base de règles comportant 5 classes de
sensibilité (selon le SMR), 4 classes d'activité (selon la méthode INERIS), et 4 classes
d'intensité (selon la méthode INERIS ). Cette base de règles est donnée dans le tableau 6.13.
Le tableau 6.14. montre les résultats obtenus pour la sensibilité des sites selon le SMR et le
tableau 6.15. présente les aléas obtenus. La figure 6.19 présente la sensibilité, l'activité,
l'intensité et l'aléa dans la zone L de la coté de Larris, et la figure 6.20 présente des exemples
d'aléa obtenus dans différentes zones du site des falaises de Pontoise.
Chapitre 6-167
Étude des cas
ableau 6.12. Expression des paramètres du SMR utilisées pour la détermination de la sensibilité.
Zone Nom sur Rc RQD PF Etat des dicontinuites Humidité F1 F2 F3 F4
la carte (classe) (classe) (classe) (classe) (classe) (classe) (classe) (classe) (classe)
e e e e e e e e e e e e
Le Chou A 1 ~3 3 3 2 ~3 1 5 1 2 ~3 2
e e e e e e e e e e e e
B 1 ~3 2 2 3 ~4 1 5 1 2 ~3 2
e e e e e e e e e e e e
C 1 ~3 3 3 2 ~3 1 5 1 2 ~3 2
D 1e ~ 3e 2e ~ 3e 2e ~ 3e 3e ~ 5e 2e 4e ~ 5e 1e 3e ~ 4e 2e
e e e e e e e e e e e e e
L'Hermitage, Ecole privée A 1 ~3 3 ~5 3 ~5 2 ~3 3 5 1 2 1
B 1e ~ 3e 2e ~ 3e 2e ~ 3e 2e ~ 3e 2e 4e ~ 5e 1e 3e 1e
C 1e ~ 3e 2e ~ 3e 2e ~ 3e 2e ~ 4e 2e 5e 1e 2e ~ 3e 1e
D 1e ~ 3e 4e 4e 2e ~ 3e 2e ~ 3e 5e 1e 2e ~ 3e 1e
E 1e ~ 3e Végétation 2e ~ 3e Végétation
La coté de Larris G 1e ~ 3e 4e ~5e 4e ~5e 3e ~ 4e 2e 5e 1e 3e 1e
1e ~ 3e 4e ~ 5e 4e ~ 5e 2e ~ 3e 3e 4e 1e 2 ~ 3e
e
H 1e
1e ~ 3e 4e 4e 3e ~ 4e 3e 3 ~ 5e
e
I 1e 3e ~ 4e 1e
1e ~ 3e 4 ~ 5e
e
4 ~ 5e
e
J 3e 2e 3e ~ 4e 1e 3e ~ 4e 1e
J bis 1e ~ 3e 4e 4e 3e ~ 4e 2e 5e 1e 4e 1e
1e ~ 3e 2 ~ 3e
e
2 ~ 3e
e
2e ~ 3e 2e 5e 1e 2 ~ 3e
e
K 1e
L 1e ~ 3e 3e 3e 3e 2e 5e 1e 4e 1e
M 1e ~ 3e 5e 5e 3 ~ 4e
e
2e 4 ~ 5e
e
1e 3 ~ 4e
e
1e
Chapitre 6-168
Étude des cas
Chapitre 6-169
Étude des cas
.
.
.
Sensibilité
.
. .
Activité .
Intensité
Négligeable, m= 0.23
Moyen, m= 0.4
Fort, m= 0.0
.
Faible, m= 0.82
Aléa
Figure 6.19. La sensibilité, l'activité, l'intensité, et l'aléa de la zone L évaluée par la méthode floue et
par l'utilisation du SMR comme un moyen de quantification de la sensibilité. «l'aléa de façon discrète
a été qualifié comme Faible».
Chapitre 6-170
Étude des cas
mNégligeable = 0.225
mFort = 0
mNégligeable = 0.45
mFort = 0.28
mMoyen = 0.38
mMoyen = 0.9
. .
mFaible = 0.7
. .
mFaible = 0.92
. .
. .
Aléa dans la zone B (Le Chou), l'aléa obtenu par Aléa dans la zone D (Le Chou), l'aléa obtenu par
la méthode discrète a été qualifié de « Fort » la méthode discrète a été qualifié de « Moyen »
mNégligeable = 0.35
mFort = 0.4
mFort = 0.45
mNégligeable = 0
mMoyen = 0.97
. .
mFaible = 0.85
. .
mMoyen = 0.64
mFaible = 0.68
. .
. .
Aléa dans la zone B (L'Hermitage), l'aléa obtenu Aléa dans la zone D (L'Hermitage), l'aléa obtenu
par la méthode discrète a été qualifié de « Fort » par la méthode discrète a été qualifié de « Moyen »
mNégligeable = 0
mFort = 0.46
mNégligeable = 0
mFort = 0.45
mMoyen = 0.77
mFaible = 0.3
. .
mFaible = 0.44
mMoyen = 0.85
. .
. .
. .
Aléa dans la zone H (La coté de Larris), l'aléa obtenu Aléa dans la zone K (La côte de Larris), l'aléa obtenu
par la méthode discrète a été qualifié de « Moyen » par la méthode discrète a été qualifié de « Moyen »
Figure 6.20. Aléas déterminés par la méthode floue (avec utilisation du SMR pour caractériser la
sensibilité) sur différentes zones du site des falaises de Pontoise
Chapitre 6-171
Étude des cas
Les résultats de cette dernière analyse montrent une forte corrélation entre les résultats
obtenus en utilisant la sensibilité de l'INERIS ou en utilisant le SMR pour caractériser la
sensibilité.
Pour illustrer cette corrélation des résultats, nous avons crée deux listes des valeurs pour
chaque classe standard d'aléa et pour les 16 zones de Pontoise « pour l’analyse avec la
formule de sensibilité d’INERIS, nous avons crée quatre listes de 16 éléments chacune. La
première liste est composé des taux d’apparitions dans la classe négligeable aléa, la deuxième
est les taux d’apparition dans la classe faible aléa, etc. ». En créant les mêmes listes pour
l’aléa avec le SMR, nous avons été en mesure de faire des corrélations entre les différentes
listes. Le tableau 6.16 représente les coefficients de corrélation entre ces résultats et la figure
6.21. représente l’image des points de corrélation pour les quatre classes standards d'aléa.
Reste à définir, pour chaque type de situation rencontrée, les règles de croisement entre les
sensibilité, activité et intensité qui conduisent, par l’intermédiaire de la probabilité
d’occurrence, à la détermination de l’aléa.
Tableau 6.16. Les coefficients de corrélation entre les aléas produits avec la formule de sensibilité
INERIS, et le SMR.
Aléa avec la formule de sensibilité INERS
Négligeable Faible Moyen Fort
Négligeable 0.796
Aléa avec
le SMR
Faible 0.922
Moye 0.921
Fort 0.992
Chapitre 6-172
Étude des cas
. . . . .
. .
. .
. .
.
.
.
. . . . .
Nuage des points de corrélation pour la Nuage des points de corrélation pour la
classe négligeable d'aléa « coefficient de classe faible d'aléa « coefficient de
corrélation 0.796 » corrélation 0.922 »
. . . . . .
.
.
.
. .
.
.
.
.
. . . . . . .
Nuage des points de corrélation pour la Nuage des points de corrélation pour la
classe moyen d'aléa « coefficient de classe fort d'aléa « coefficient de corrélation
corrélation 0.921 » 0.992 »
Figure 6.21.Les nuages des points des corrélations pour les quatre classes d'aléa.
Chapitre 6-173
Étude des cas
Nous avons montré deux exemples de l'utilisation d’une méthodologie générale d’évaluation
de l’aléa mouvement de terrain géotechnique. Ces deux cas d'analyse ont montré que
l'utilisation du RMR ou du SMR pour la détermination de la sensibilité du site, pouvait être
généralisée à l’analyse de tous les sites où ces ratio sont déjà utilisés pour caractériser
habituellement l’état du site étudié.
Cette généralisation offrirait l’avantage de travailler avec une échelle d’aléa absolue (car ne
dépendant pas d’une formule de sensibilité élaborée spécifiquement mais d’une ratio devenu
standard de fait pour la caractérisation des massifs rocheux ou des pentes et talus) et
permettrait une meilleure comparaison entre sites différents.
L'utilisation de la logique floue permet de mettre l'accent sur la variabilité des paramètres
mesurés ou observés sur site et de la traduire dans l’analyse. De même, elle permet de corriger
l’influence de l’opérateur de l’analyse et elle résout le problème concret de limites des classes.
Chapitre 6-174
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
CONCLUSION GÉNÉRALE
Conclusion générale
Conclusion générale
Après avoir tenté une extension des méthodes existantes par les méthodes de simulation de
Monte-Carlo, nous nous sommes rapidement tournés vers la logique floue. En effet la
simulation exige une bonne connaissance des distributions statistiques que suivent les
paramètres mesurés. Cette connaissance est rarement disponible car elle exige la disponibilité
de nombreuses mesures sur le site étudié. Par ailleurs, elle permet difficilement de rendre
compte de la variabilité de paramètres qualitatifs. Au contraire, la logique floue permet de
manipuler des informations par nature imprécise, entachées d’incertitude ou de variabilité que
l’ingénieur, par son jugement propre est capable de transcrire assez simplement. Par ailleurs,
elle offre une méthode de représentation des informations qualitatives très naturelle. Enfin,
elle autorise une manipulation mathématique des informations, ce qui a permis d’envisager la
programmation informatique de la méthode d’évaluation.
Page 177
Conclusion générale
Dans les trois premiers chapitres de ce mémoire, nous avons montré les limites et les
désavantages des méthodes utilisées actuellement pour l’évaluation de l’aléa mouvement de
terrain des ouvrages en géotechnique.
En premier lieu, nous avons dressé un panorama des méthodes utilisées et avons dégagé une
méthode de raisonnement qui nous a paru représentative de l’ensemble des travaux publiés et
bien adaptée à l’évaluation de l’aléa mouvement de terrain. Cette méthode procède en trois
étapes : détermination de la sensibilité et de l’activité d’un site à partir de paramètres mesurés
ou relevés sur le site et détermination de l’intensité de l’événement redouté ; croisement de
l’intensité et de l’activité pour déterminer la probabilité d’occurrence de l’événement
redouté ; croisement de la probabilité d’occurrence et de l’intensité qui donne l’aléa. Les
croisements sont réalisés sur la base de règles définies par un groupe d’expert.
Cette méthodologie d'analyse a néanmoins des limites ou présente quelques inconvénients que
nous avons soulignés. Nous avons particulièrement relevé le problème de la variabilité des
données puis le problème pratique lié à l’utilisation de classes de valeurs (problème dit des
limites de classes).
Nous avons ensuite tenté d’apporter des réponses à ces problèmes en explorant tout d’abord
les méthodes de simulation. Mais c’est en mettant en œuvre des outils de la logique floue que
nous avons pu apporter une solution globale aux questions soulevées et proposer une
méthodologie qui s’en imprègne.
Page 178
Conclusion générale
Finalement, au cours de notre travail mathématique, nous avons développé des outils
informatiques avec Excel™ et Mathematica™ capables d'aider la décision d'experts et basées
sur les concepts développés.
Nous avons proposé une méthodologie standard d'évaluation de l’aléa mouvement de terrain
des sites géotechniques, qui utilise la logique floue pour les calculs et les raisonnements. Cette
méthode peut constituer un appui significatif à un travail d’ingénieur sur le terrain. Elle lui
permettra notamment de traduire la variabilité pressentie des paramètres ou les incertitudes de
ses choix et lui fournira des éléments de réponse qui en tiennent compte.
Nous en avons fait la démonstration sur deux exemples principaux : les falaises de Pontoise
en région parisienne ; et la tombe de Ramsès I en Égypte.
Quelques perspectives à ce travail peuvent être envisagées. Il en est ainsi de l’adaptation des
standards actuels tels que RMR ou SMR à l’évaluation de la sensibilité d’un site. Des
améliorations ou simplifications sont possibles et des méthodes d’acquisition de données
peuvent être proposées et il serait intéressant de revenir sur l’échelle utilisée pour déterminer
ces ratios et l’influence de cette échelle sur les résultats d’une évaluation d’aléa.
A plus long terme, les solutions et méthodes proposées dans ce travail pourraient être
intégrées dans un système d’information géographique et il serait intéressant, à ce sujet, de
réfléchir à la façon de représenter sur des cartes, les aléas flous que le SIG pourrait se charger
de déterminer « automatiquement ».
Page 179
Conclusion générale
Page 180
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
RÉFÉRENCES
Références
Références
BARTON, N. [1974]. «Engineering classification of rock masses for design of tunnel support». Rock
mechanics, vol. 6, no. 4
BELLMAN, R.E., ZADEH, L.A. [1970]. «Decision Making in a Fuzzy Environment». Management
Science. Vol. 17, pp. B141-B164.
BIENIAWSKI, Z. [1973]. «Engineering classification of jointed rock masses». Transaction of South
African institute of civil engineering Vol. 15, pp. 335-344.
BIENIAWSKI, Z. [1989]. «Engineering rock mass classifications». John Wiley and sons.
BIENIAWSKI, Z.T. [1979]. «The geomechanics classification in rock engineering applications». 4th
International congress on rock mechanics, ISRM Montreux. Balkema. pp. 41-48.
BONISSONE, P.P. [1982] «A fuzzy sets based linguistic approach : theory and applications».
Approximate reasoning in decision analysis. North-Holland publishing company, pp. 329-339.
BOUCHON-MEUNIER, B. [1993]. «La logique floue», Edition Que sais-je?, Presses universitaire de
France.
BOUCHON-MEUNIER, B. [1995]. «La logique floue et ses applications». Editions Addison-Wesley
France, SA.
BROWN, C.B. [1979]. «A Fuzzy Safety Measure». Journal of Engineering Mechanical Division
American Society Civil Engineering. pp. 855-872.
BUDETTA, P., CALCATERRA, D., SANTO, A., [1994]. « Engineering-geological zoning of
potentially unstable rock slopes in Sorrentine Peninsula (Southern Italy) ». 7th International IAEG
congress.
BURROUGH, PA., MACMILLAN, R.A., VANDEURSEN, W. [1992]. «Fuzzy classification methods
for determining land suitablity from soil profile observation and topography». Journal of soil
science. Vol. 43, pp. 193-210.
CHANG, S.S.L. [1969]. «Fuzzy Dynamic Programming and Decision Making Process». Proceeding
of 3rd Princton Conference on Information Sciences and Systems. pp. 200-203.
CHUANG, P.H. [1995]. «Use of fuzzy sets for evaluating shear strength of soils». Computers and
geotechnics. Vol. 17, pp. 425-446.
COGGAN, J., WETHERELT, A., SHAIL, R. [1997]. «Use of rock mass classification in tunneling
projects within the south west region of the United Kingdom». Proceeding of Tunneling under
difficult conditions and rock mass classification, Basel, Switzerland, pp. 33-43.
COX, E. [1994]. «The fuzzy systems handbook». Academic press.
DAWS, G. [1997]. «The role of rock mass classification systems in the design and operation of room
and pillar mining system». Proceeding of Tunneling under difficult conditions and rock mass
classification, Basel, Switzerland, pp. 17-31.
DEER, D., MILLER, R. [1966]. «Engineering classification and index properties of intact rock». Air
force laboratory technical report no. AFNL-TR-65-116, Albuquerque, NM.
Page 183
Références
DOSS, A. [1992]. «An Expert System for Seismic Risk Assessement». PhD, Faculty of Engineering,
Cairo University.
DUBOIS, D., PRADE, H. [1980]. «Fuzzy sets and systems : Theory and application». Academic
press.
DUTTA, S. [1993]. «Fuzzy Logic Applications: Technological and Strategic Issues». IEEE
Transaction on Engineering Management. Vol. 40, pp. 237-254.
ELLISON, R. D. [1978]. «Underground Mine Hazard Analysis Techniques». Proceeding of 1st.
International Symposium on Stability in Coal Mining. pp. 299-318.
EVRARD, H. [1987]. «Risques Liés aux carrières souterraines abandonnées de Normandie». Bul.
Liaison Labo. P. et Ch.. Vol. , pp. 96-108.
EVRARD, H. [1995]. «Rapport finale sur l'analyse de stabilité dans la tombe de Ramses II, Vallee des
Rois, Egypte». Mission L.C.P.C. 1995. Laboratoire centrale des Ponts et Chausses.
FAIRHURST, C., LIN, D. [1985]. «Fuzzy methodology in tunnel support design». Research and
Engineering Application in rock mass. pp. 269-278.
FARES, A., ROLLET, M., BROQUET, P. [1994]. «Méthodologie de la cartographie des risques
naturels liés aux mouvements de terrain». Revue Français géotechnique. Vol. 69, pp. 63-72.
FUKAGAWA, R., MURO, T., HOZUMI, K, MATSUIKE, T. [1996]. «Estimation of ground
properties based on a fuzzy reasoning method during vertical hole excavation». Journal
Mathematical Analysis and Applications. Vol. 33, pp. 103-112.
GOODMAN, R. [1989]. «Introduction to rock mechanics». John Wiley & sons.
GUPTA, M., SARIDIS, G. [1977]. «Fuzzy Automata and Decision Processes».
HAMMAH, R.E., CURRAN, J.H. [1998]. «Optimal delination of joint sets using a fuzzy clustering
algorithm». Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-5.
HELAL, H., ABDALLAH, T, BAROUDI, H. [1991]. «Behaviour of ancient cavities in discontinuous
media : the baboon tomb case study, Saqqarah». Intenational symposium on static and dynamic
considerations in rock engineering. Roya Swazi SPA – Swaziland.
HUDSON, J. A. [1992]. «Rock Engineering Systems : Theory and Practice».
HUDSON, J.A., DE PUY, M.A. [1990]. «Rock characterization according to Engineering objectives».
Proceeding of 3rd conference on rock mechanics & engineering 26-29 Nov. 1990.
HUDSON, J.A., HARRISON, J.P. [1990]. «A new approach for studying complete rock engineering
problem». Quarterly Journal of Engineering Geology. Vol. 25, pp. 93-105.
HUDSON, J.A., SHENG, J., ARNOLD, P.N. [1992]. «Rock engineering risk assessement through
critical mechanisms and parameter evaluation». Proceeding of 6th. Australia-Newzealand
conference on geomech. pp. 442-447.
International Society for Rock Mechanics [1981]. «Basic geotechnical description of rock masses».
International journal of rock mechanics and mining sciences, vol. 18, pp. 85-110.
JIAO, Y., HUDSON, J.A. [1995]. «The fully-coupled model for rock engineering systems».
International journal of rock mechanics, mining sciences and geomechanics abstracts. Vol. 32, pp.
491-512.
JUANG, C. H., HUANG, X. H., ELTON, D. J. [1991]. «Fuzzy Information Processing by the Monte-
Carlo Simulation Techniques». Civil Engineering Systems. Vol. 8, pp. 19-25.
Page 184
Références
JUANG, C.H., HUANG, X.H. [1992]. «Modelling and Analysis of Non-Random Uncertainties, Fuzzy
Set Approach». International journal for numerical and analytical methods in geomechanics. Vol.
16, pp. 335-350.
JUANG, C.H., LEE, D.H. [1992]. «Mapping Slope Failure Potential Using Fuzzy Sets». Journal of
Geotechnical Engineering. pp. 475-494.
KACEWICZ [1987]. «Fuzzy slope stability method». Mathematical Geology. Vol. 19, pp. 757-767.
KANDEL, A. [1986]. «Fuzzy Mathematics Techniques with Applications». Addison-Wesley.
KAWAKAMI, H., SAITO, Y. [1984]. «Landslide Risk Mapping by a Quantification Method».
Proceeding of 4th. International Symposium on Landslides. Vol. 2, pp. 535-540.
LAUBSCHER, D. [1977]. «Geomechanical classification of jointed rock masses - mining
applications» Transaction of the institute of mining and metallurgy, vol. 86, pp. A1-A7.
LAUFFER, H. [1958]. «Gebirgsklassifizierung für den Stollenbau» Geol. Bauwesen, Vol. 74, pp. 46-
51.
LEROY, A. SIGNORET, J.P. [1992]. «Le risque technologique», Edition Que sais-je?, Presses
universitaire de France.
LOUIS, C. [1974]. «Reconnaissance des massifs rocheux par sondages et classifications
géotechniques des roches». Ann. Inst. Tech. Paris, no. 108, pp. 97-122.
MADHU, S., JUANG, C. H., CHEN, J. W., LEE, D. H. [1995]. «A knowledge based approach to rock
mass classification and tunnel support system». Civil Engineering Systems. Vol. 12, pp. 307-325.
MARTIN, P. [1976]. «Essai sur la géotechnique». Edition Masson, Paris.
MAZZOCCOLA, DF., HUDSON, J. A. [1996]. «A comprehensive method fr rock mass
characterization for indicating natural slope instability». Quarterly Journal of Engineering Geology.
Vol. 29, pp. 37-56.
McKMILAN, P., MATHESON, G. D. [1997]. «A two stage system for highway rock slope risk
assessement». International journal of rock mechanics, mining sciences and geomechanics
abstracts. Vol. 34.
McNEILL, F.M., THRO, E. [1994]. «Fuzzy logic : A practical approach». Academic press.
MEHROTRA, G.S., SARKAR, S., KANUNGO, D.P., HARAGOPAL, M. [1995]. «Slope stability
assessement using slope mass rating technique». Rock mechanics and rock engineering. Vol. , pp.
91-96.
MILLIES-LACROIX, A. [1981]. «Classification des talus et versant instables». Bul. Liaison Labo. P.
et Ch. pp. 55-62.
NATHANAIL, C. P., HUDSON, J. A. [1992]. «Stability hazard indicator system for slope failure in
heterogenous strata». EUROCK 92 Symposium, Chester UK. Thomas Telford Ltd.. Vol. , pp. 111-
116.
NGUYEN, V.U. [1985]. «Overall Evaluation of Geotechnical hazard Based on Fuzzy Set Theory».
Soils and Foundations. Vol. 25, pp. 8-18.
NGUYEN, V.U. [1985]. «Some Fuzzy Set Applications in Mining Geomechanics». International
journal of rock mechanics, mining sciences and geomechanics abstracts. Vol. 22, pp. 369-379.
NGUYEN, V.U. [1985]. «Tender Evaluation of Fuzzy Sets». ACSE, Journal Engineering
Construction and Management. Vol. 111, pp. 231-243.
Page 185
Références
NGUYEN, V.U., SHWORTH, E.A. [1985]. «Rock Mass Classification by Fuzzy Sets». 26th US
Symposium on Rock Mechanics. pp. 937-945.
ORR, C.M., [1992]. « Assessement of rock slope stability using the Rock Mass Rating (RMR)
system ». The Australian IMM proceedings. No. 2.
PING, L., HUDSON, J.A. [1993]. «A Fuzzy Evaluation Approach to the Stability of Underground
Excavations». Eurock. pp. 615-623.
PRIEST, S.D., HUDSON, J.A. [1981]. «Estimation of discontinuity spacing and trace length using
scanline surveys». International journal of rock mechanics, mining sciences and geomechanics
abstracts. Vol. 18, pp. 183-197.
RAO, S.V., PARSAD, J. [1982]. «Definition of kriging in terms of fuzzy logic». Mathematical
Geology. Vol. 14, pp. 37-42.
REZIG, S., FAVRE, J., LEROI, E. [1997]. «The probabilistic evaluation of the risk ground
movement». ESREL 97, European Society for Safety and RELiability. pp. 1543-1550.
ROMANA, M. [1991]. «SMR Classification». 7th International congress rock mechanics. Vol. , pp.
955-960.
ROMANA, M. [1997]. «The geomechanical classification SMR for slope correction». Proceeding of
Tunneling under difficult conditions and rock mass classification, Basel, Switzerland, pp. 1-16.
SAKURA, S., SHIMIZU, N. [1987]. «Assessement of rock slope stability by fuzzy set theory». ISRM.
pp. 503-506.
SUI, DZ. [1992]. «A Fuzzy GIS modeling approach for urban land evaluation». Computers,
environment and urban systems. Vol. 16, pp. 101-115.
TERANO, T., ASAI, K., SUGENO, M. [1989]. «Applied Fuzzy Systems». AP Professional, 955
Massachusetts Avenue, Cambredge, MA 02139.
TERZAGHI, K. [1946]. «Rock defects and loads on tunnel support». Rock tunneling with steel
supports, ed. R. V. Procter and T. White, Commercial sharing co., Youngstown, OH, pp. 15-99.
TRITSCH, J.J., DIDIER, C. [1996]. «Méthodologie pour la connaissance et l'identification des risques
de mouvements de terrain». Rapport finale de projet de recherche, INERIS, France.
VALLIAPPAN, S., PHAM, TD. [1993]. «Fuzzy finite element analysis of a foundation on an elastic
soil medium». International journal for numerical and analytical methods in geomechanics. Vol.
17, pp. 771-789.
WANG, G.Y., OU, JP. [1987]. «Fuzzy random models of future earthquake ground motion». 3rd.
International conference on soil dynamics and earthquake engineering, Southampton. pp. 361-371.
WEE, W.G. [1967]. «On Generalization of Adaptive Algorithms and Application of the Fuzzy Sets
Concept to Pattern Classification». Technical Report, Purdue Univ.
WENXIU, LI. [1987]. «Fuzzy probability analysis for displacement of rock mass». Science sinica.
series B. Vol. 30, pp. 1109-1120.
Wickham, G., Tiedemann, H., Skinner, E. [1972]. «Support determination based on geologic
predictions». Proceeding of rapid excavation and tunneling conference, AIME, New York, pp. 43-
64.
YAO, J., FURUTA, H. [1986]. «Probabilistic Treatment of Fuzzy Events in Civil Engineering».
Journal Probabilistic Engineering Mechanics. Vol. 1, pp. 58-64.
Page 186
Références
YOUNG, D.S. [1993]. «Probabilistic slope analysis for structural failure». International journal of
rock mechanics, mining sciences and geomechanics abstracts. Vol. 30, pp. 1623-1629.
ZADEH, L.A. [1965]. «Fuzzy Sets». Information and Control. Vol. 8, pp. 338-353.
ZADEH, L.A. [1968]. «Fuzzy Algorithms». Information and Control. Vol. 12, pp. 94-102.
ZADEH, L.A. [1968]. «Probability Measures of Fuzzy Events». Journal Mathematical Analysis and
Applications. Vol. 10, pp. 421-427.
ZADEH, L.A. [1975]. «The Concept of a Linguistic Variable and Its Application to Approximate
Reasoning». Information Science. pp. 199-249.
ZADEH, L.A. [1978]. «Fuzzy Sets as a Basis for Theory of Possibility». International Journal Fuzzy
Sets and Systems. Vol. 1, pp. 3-28.
ZADEH, L.A., FU, K.S., TANAKA, K., SHIMURA, M. [1975]. ««Fuzzy sets and their applications to
cognitive and decision process». Academic press.
ZETTLER, A., POISEL, R. LAKOVITS, D., KASTNER, W. [1998]. «Control system for tunnel
boring machines (TBM) : A first investigation towards a hyprid control system». Int. J. of Rock
Mech. & Min. Sci. Vol. 35, No. 4-5.
ZHU, A.X., BAND, L.E. [1996]. «Automated soil inference under fuzzy logic». Geological
modelling. Vol. 90, pp. 123-145.
Page 187
Apport de la logique floue à l’évaluation de l’aléa mouvement de terrain des sites géotechniques :
propositions pour une méthodologie générale
BIBLIOGRAPHIES
Bibliographies
Bibliographies
ABOUSLEIMAN, Y., BAI, M., ZHANG, H., EKOBTE, S., LIU, T., ROEGIERS, J.C. [1998]. «ASRS
- A unified approach in reservoir mechanics». Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-5.
AFROUZ, A.A. [1992]. «Practical Handbook of Rock Mass Classification Systems and Modes of
Ground Failure». Boca Raton Press.
ANDERSON, C., LOYNES, R. [1987]. «The Tecahing of Practical Statistics».
ANDERSON, J. [1997]. «World wide research points to the need for new approaches to control
tunneling risks». Proceeding Tunneling under difficult conditions and rock mass classification. pp.
87-95.
AZZON, A., BARBERA, L.A. [1995]. «Analysis and prediction of rockfalls using mathematical
model». International journal of rock mechanics, mining sciences and geomechanics abstracts. Vol.
32, pp. 709-724.
BANDOPADHYAY, S., SUNDARARAJAN, A. [1987]. «Simulation of a Longwall Development
Extraction Network». CIM Bulletin. Vol. 80, pp. 62-70.
BAROUDI, H. [1986]. «Classification des massifs rocheux pour le choix de soutènement».
Laboratoire de mécanique des terrains, CERCHAR, France.
BEER, G., MEEK, J. [1982]. «Design curves for roofs and hanging walls in bedded rock based on
voussoir beam and plate solutions». IMM transactions. Vol. A91, pp. 18-22.
BELSITO, S., BANERJEE, S. [1997]. «Artificial Neural networks for leak detection in pipelines».
ESREL 97, European Society for Safety and RELiability. pp. 733-741.
BERNSTEIN, G., CARLSON, E., FELDER, R., BOKENY, R. [1993]. «A simulation-based decision
support system for a Pharmacuticals manufacturing plant». Process Safety Progress. Vol. 12, pp.
71-75.
BISCHOFF, K., BRETSCHNEIDER, M. [1997]. «The limited applicability of fuzzy set theory to fault
tree analysis - negative probabilities and other anomalies». ESREL 97, European Society for Safety
and RELiability. pp. 2423-2430.
BLAYO, F., VERLEYSEN, M. [1996]. «Les reseaux de neurones artificiels, Que sais-je?». Press
Universitaire de France.
BLOCKLEY, D.A. [1982]. «Fuzzy Systems in Civil Engineering». Approximate Reasonning and
Decision Analysis. pp. 103-115.
BRISBOIS, J. [1990]. «Méthodes d'Evaluation Quantitative des Risques Dus Aux Centrales
Nuclaires». Journees Scientifiques et Prix UAP.
BRISBOIS, J., LANORE, J. M. [1990]. «Les Etudes Probabilistes de Sécurité des Centrales Nuclaires
Francaises de 900 et 1300 MW». RGN. pp. 522-535.
BURNS, W. J., SLOVIC, P., KASPERSON, R., KASPERSON, J. [1993]. «Incorporating structural
Models into Research on the Social Amplification of Risk : Implications for Theory Construction
and decision Making». Risk Analysis. Vol. 13, pp. 611-623.
BURROUGH, PA. [1989]. «Fuzzy mathematical methods for soil survey and land evaluation».
Journal of soil science. Vol. 40, pp. 477-492.
Page 191
Bibliographies
CARLIER, J., CHETIENNE, P. [1982]. «Un Domain Trés Ouvert: Les Problèmes d'Ordonancement».
Operations Research. Vol. 16, pp. 175-217.
CASCIATI, F., FARAVELLI, L., YAO, T. [1995]. «The Tuning of Fuzzy Controllers for Active
Structural Control». Application of Statistics and Probabilitty ICASP 7. Vol. 2, pp. 741-745.
CELEDA, B., GONZALEZ, A. [1997]. «Rock mass characterisation of the weak zones at the perthus
tunnel». Proceeding Tunneling under difficult conditions and rock mass classification. pp. 75-86.
CHAN, S.Y.J. [1993]. «An Alternative Approach to the Modeling of Probability Distributions». Risk
Analysis. Vol. 13, pp. 97-102.
CHANDA, E.C.K. [1990]. «An Application of Integer Programming and Simulation to Production
Planning for a Stratiform Ore Body». Mining Science and Technology. Vol. 11, pp. 165-172.
CHANG, C.L. [1968]. «Fuzzy Topological Spaces». Journal Mathematical Analysis and Applications.
Vol. 24, pp. 182-190.
CHILES, J.P. [1988]. «Fractals and geostatistical methods for modeling of a fracture network».
Mathematical Geology. Vol. 20, pp. 631-654.
CHOWDHURY, R.N. [1986]. «Geomechanics Risk Model for Multible Failures Along Rock
Discontinuities». International journal of rock mechanics, mining sciences and geomechanics
abstracts. Vol. 23, pp. 337-346.
CHOWDHURY, R.N., AUST, F.I., ZHANG, S., LI, J. [1992]. «Geotechnical risk and the uses of grey
extrapolation technique». Proceeding of 6th. Australia-Newzealand conference on geomech. pp.
432-435.
CLAY, R., TAKACS, A. [1997]. «Anticipating the unexpected - flood, fire overbreak, inrush,
collapse». Proceeding Tunneling under difficult conditions and rock mass classification. pp. 223-
242.
COMOTTI, D., DI GIULIO, A., GHISLINI, T., SINISI, M. [1997]. «Fault tree analysis with fuzzy
failure rates». ESREL 97, European Society for Safety and RELiability. pp. 2415-2420.
CORNELL, M.E. [1983]. «Acceptable Decision Processes and Acceptable Risks in Public Sector
Regulations». IEEE Transaction on Systems, Man, and Cybernetics. Vol. SMC-13, pp. 113-124.
CORNELL, M.E. [1984]. «Fault Trees vs. event Trees in Reliability Analysis». Risk Analysis.
CORNELL, M.E. [1985]. «Fire Risks in Oil Refineries : Economic Analysis of Camera Monitoring».
Risk Analysis. Vol. 5, pp. 277-288.
CORNELL, M.E. [1986]. «Probability and Uncertainty in Nuclear Safety Decisions». Nuclear
Engineering and Design. pp. 319-327.
CORNELL, M.E. [1986]. «Warning Systems in Risk Management». Risk Analysis. Vol. 6, pp. 223-
234.
CORNELL, M.E. [1989]. «Organizational Control of System reliability - A Probabilistic Approach
with Application to the Design of Offshore Platforms». Control - Theory and Advanced
Technology. Vol. 5, pp. 549-568.
CORNELL, M.E. [1990]. «Organizational Aspects of Engineering System Safety : The Case of
Offshore Platforms». Science. Vol. 250, pp. 1210-1217. .
CORNELL, M.E. [1993]. «Learning from Piper Alpha Accident : A Postmortem Analysis of
Technical and Organizational Factors». Risk Analysis. Vol. 13, pp. 215-232.
Page 192
Bibliographies
CORNELL, M.E., BEA, R.G. [1992]. «Management Errors and System Reliability : A Probabilistic
Approach and Application to Offshore Platforms». Risk Analysis. Vol. 12, pp. 1-18.
CORNELL, M.E., BOYKIN, R. [1987]. «Probabilistic Risk Analysis and Safety Regulation in the
Chemical Industry». Journal of Hazardous Materials. Vol. 15, pp. 97-122.
COX, D.C., FREEMAN, L.C.G. [1990]. «Managing the Development of a New Mine Project».
IMinE. Vol. , pp. 277-283.
DUNHAM, R. K., LLOYD, P. W., REDDISH, D. J., WHITTLES, D. N. [1997]. «The application of
rock mass classification principles to coal mine design». 5th. International Conference on Mining,
Petroleum, and Metallurgical. Vol. 2, pp. 9-19.
ELLENBERGER, J.L. [1981]. «Hazard prediction model Development : The Multiple Overlay
Technique». SME-AIME Annual Meeting.
EL-SHAYEB, Y. [1998]. « Analyse des risques en géotechnique : Approches par simulation et par
logique floue », XVIeme Rencontres Universitaires de Génie Civil, Prix Jeunes chercheurs. Reims
- France. 28 ~ 29 Avril 1998.
EL-SHAYEB, Y., VERDEL, T. [1998]. « Geotechnical risk analysis in historical sites : Application at
the valley of the kings, Egypt », 8 Congress of the International Association for Engineering
Geology and the Environment, Vancouver, Canada. 21 ~ 25 Sept. 1998.
EL-SHAYEB, Y., VERDEL, T. [1998]. « L'incertitude dans la géotechnique : comment la surmonter ?
Application à l'analyse des risques », Séminaire annuel de l'école doctorale PROMEMA. Nancy -
France. 18 ~ 19 Mai 1998.
EL-SHAYEB, Y., VERDEL, T. [1998]. « Overcoming uncertainties in geotechnical risk analysis : the
discrete, simulation, and fuzzy logic approaches », Computer simulation in risk analysis and hazard
mitigation (Risk Analysis 98), Valencia, Spain. 6 ~ 8 Oct. 1998.
EL-SHAYEB, Y., VERDEL, T., DIDIER, C. [1997]. «Computer simulation and risk analysis around
unstable cliffs. Application to a French case». ESREL 97, European Society for Safety and
RELiability. Vol. 2, pp. 1171-1179.
EL-SHAYEB, Y., VERDEL, T., DIDIER, C. [1997]. «Fuzzy reasoning for the analysis of risks in
geotechnical engineering. Application to a French case». IDEA 97, Intelligent Design in
Engineering Applications.Aachen - Germany. 11 September 1997. pp. 101-105
EL-SHAYEB, Y., VERDEL, T., EL-WAGEEH, M. [1997]. «Simulation as a tool to overcome
uncertainties in the development cycle of driving a roadway : case study at the Anna mine,
France». 5th. International Conference on Mining, Petroleum, and Metallurgical Engineering,
MPM 97, Suez - Egypt. 24 ~ 26 February 1997.
EL-WAGEEH, M., KAREEM, M. A. [1978]. «A computerized method for solving mine ventilation
networks». 2nd. Metallurgical Conference in A.R.E. Vol. 1.
ESTERHUIZEN, G.S., ACKERMANN, K.A. [1998]. «Stochastic keyblock analysis for stope support
design». Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-5.
EVANS, N. [1986]. «Computer Applications in Mine Planning and Design». Mining Science and
Technology. Vol. 3, pp. 167-172.
FENG, X.T., WEBBER, S.J., OZBAY, M.U. [1997]. «Applicability of artificial intelligence
techniques for assessing rockburst risks in deep gold mines». 1st. South African rock engineering
symposium. pp. 190-196.
GARIN, H. [1994]. «AMDEC/AMDE l'essentiel de la Methode».
Page 193
Bibliographies
Page 194
Bibliographies
KARA-ZAITRI, C., FLEMING, P. [1997]. «Application of fuzzy inference methods to failure modes
effects and criticality analysis (FMECA)». ESREL 97, European Society for Safety and
RELiability. pp. 2403-2414.
KARLAFRIS, A. [1997]. «A neural network approach to rock mass classification». Proceeding
Tunneling under difficult conditions and rock mass classification. pp. 45-55.
KERVREN, G., RUBISE, P. [1991]. «l'Archipel du Danger».
KHEDER, K. [1996]. «Methodologie d'Etudes de la Stabilité des Carrieres Souterraines Complexes
Exploitées par Chambres et Pilliers Abandonnes». PhD Ecole des Mines de Nancy, INPL.
KIJKO, A. [1994]. «The Assessement of Seismic Hazards in Mines». The Journal of South African
Institute of Mining and Metallurgy.
KLETZ, T. [1986]. «HAZOP & HAZAN, notes on the Identification and Assessement of Hazards».
KOSMOWSKI, K.T. [1997]. «An approach to the human reliability assessement in the context of the
probabilistic safety analysis of complex plants». ESREL 97, European Society for Safety and
RELiability. Vol. , pp. 155-165.
LAGADEC, P. [1994]. «Apprendre a gere les crises, Societe vulnerable - acteurs responsables».
LAGADEC, P. [1995]. «Cellules de Crise, Les conditions d'une conduite efficase».
LAUBSCHER, D.H. [1975]. «Class distinction in rock mass». Coal, Gold and base minerals of
Southern Africa. pp. 37-50.
LEE, I., LEE, M. [1998]. «Optimization of rock slopes using reliability concepts». Int. J. of Rock
Mech. & Min. Sci. Vol. 35, No. 4-5.
LEONELLI, P., BONVICINI, S., SPADONI, G. [1997]. «Quantified risk analysis in transport of
dangerous substances : a comparison between pipelines and roads». ESREL 97, European Society
for Safety and RELiability. pp. 725-732.
LEUNG, C.F., KHEOK, S.C. [1987]. «Computer aided analysis of rock slope stability». Rock
mechanics and rock engineering. pp. 111-122.
LIENDORFER, G. B. [1970]. «Bounding Distributions for a Stochastic Acyclic Network». Operations
Research. pp. 1586-1601.
LONDICHE, H. [1991]. «Securité et Fiabilité Industrielles».
LOOK, B. [1994]. «SpreadSheet Geomechanics».
LUSTEVES, P., LATHAM, J. [1994]. «A continuous quantitative coding approach to the interaction
matrix in rock engineering systems based on grey systems approach». Interantional congress,
International association of engineering geology. Vol. 6, pp. 4761-4770.
MAHMOUD, Y. S. [1994]. «Longwall Production Planning Scheduling Using Network Technique».
3rd. International Conference on Mining, Petroleum, and Metallurgical.
MANI, M. S., GEHRING, H., VOGT, W. [1985]. «Time Scheduling of Equipping and
Commissioning of Neyveli II Legnite mine With the Aid of Network Planning Technique». Journal
of Mines, Metals & Fuels. pp. 195-216.
McCRACKEN, A., STRACEY, T. R. [1989]. «Geotechnical Risk Assessement for Large Diameter
Raise-Bored Shafts». Shafts Engineering Conference. pp. 309-316.
MILLAR, D., JIAO, Y. [1994]. «A rock engineering systems approach to risk assessement».
Proceeding of IMM conference risk in Materials extraction industry.
Page 195
Bibliographies
Page 196
Bibliographies
STACEY, T. PAGE, C. [1986]. «Practical Handbook for Underground Rock Mechanics». Trans tech
publications.
STEMPFEL, B., SCHAEREN, G. [1997]. «The control of a major geological accident in a gallery».
Proceeding Tunneling under difficult conditions and rock mass classification. pp. 153-159.
TAKACS, A., CLAY, R. [1997]. «Rock mass classification practical application under site
conditions». Proceeding Tunneling under difficult conditions and rock mass classification. pp. 57-
73.
TAPIA, M.A., VALVERDE, M.A., AMADEI, B., MADRIGAL, H. [1998]. «The REX expert system
: A new alternative for rock excavation design». Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-
5.
TSIAMBAOS, G., TELLI, D. [1991]. «Application of rock mass classification systems on stability of
limestone slopes». Landslides. pp. 1065-1069.
VALLIAPPAN, S., PHAM, TD. [1995]. «Fuzzy logic applied to numerical modelling of engineering
problems». Computational geomechanics advances.. Vol. 2, pp. 213-281.
VERDEL, T. [1993]. «Géotechnique et Monuments historiques : Méthodes de modélisation
appliquées à des cas Égyptiens». Thèse de doctorat INPL, Nancy, France.
VERDEL, T. [1997]. «L'essentiel de Mathematica». RITME informatique.
VERDEL, T., PIGUET, J.P., HELAL, H., ABDALLAH, T. [1993]. «Étude de l'évidemment du Ixe
pylone de temple de Karnak par la méthode des elements distincts - recherche d'une
méthodologie». Revue Français géotechnique. pp. 57-66.
VERVOORT, A., DE WIT, K. [1997]. «Use of rock mass classifications fro dredging». International
journal of rock mechanics, mining sciences and geomechanics abstracts. Vol. 34, pp. 859-864.
WANG, J., SAEED, A., DE LEMOS, R. [1997]. «Subjective safety analysis for software
development». ESREL 97, European Society for Safety and RELiability. Vol. , pp. 389-396.
WEINSTEIN, N., SANDMAN, P. [1993]. «Some Criteria for Evaluating Risk Messages». Risk
Analysis. Vol. 13, pp. 103-114.
WRIGHT, E. [1990]. «Open Pit Mine Design Models».
XU, B.C., DUSSEAULT, M.B., CHI, Y.L. [1998]. «Geophysical methods and GIS for waste disposal
assessement and environmental monitoring». Int. J. of Rock Mech. & Min. Sci. Vol. 35, No. 4-5.
ZHAO, G., LI, Y. [1995]. «Application of Fuzzy Random Probability Theory to Structural
Reliability». Application of Statistics and Probabilitty ICASP 7. Vol. 2, pp. 753-755.
Page 197