A data-driven approach using surrogate models and non-deterministic optimization techniques for calibration of soil parameters and sensitivity analysis: application to a rockfill dam

Résumé

Le développement de modèles numériques avancés pour la conception et l’évaluation de la sécurité de structures complexes telles que les barrages en enrochement dépend fortement de la disponibilité de ressources de calcul importantes. La structure complexe des barrages en enrochement, qui se compose de diverses zones avec des paramètres de sol variables, rend les modèles très incertains. Des variations mineures de certains paramètres du sol peuvent avoir un impact significatif sur l’ensemble de la structure, ce qui rend difficile la détermination des paramètres géomécaniques nécessaires à une modélisation efficace. Cependant, les tests en laboratoire ou in situ et les relations empiriques de la littérature sont les approches générales pour estimer ces paramètres. Néanmoins, ces mesures ne reflètent pas fidèlement la situation réelle. Dans ce contexte, une analyse d’incertitude et une analyse de sensibilité globale ont été réalisées pour évaluer l’effet des paramètres constitutifs du sol sur le comportement d’un barrage en enrochement. Les modèles de substitution se rapprochent efficacement de la relation entre les paramètres de sol d’entrée et les déplacements, réduisant ainsi les coûts de calcul des études paramétriques. L’expansion du chaos polynomial et les réseaux de neurones profonds sont utilisés pour construire des modèles de substitution pour calculer les indices de Sobol nécessaires pour identifier l’impact des paramètres du sol sur le comportement du barrage. Deux paramètres, le module de cisaillement et les poids spécifiques, sont considérés comme des variables aléatoires d’entrée plus sensibles à partir desquelles des incertitudes surviennent. Cette thèse propose une approche très efficace axée sur les données qui utilise des réseaux de neurones profonds et des algorithmes d’optimisation pour identifier avec précision les paramètres du sol pour un barrage en enrochement situé au Québec. Une analyse approfondie des mesures de déplacement de l’inclinomètre a été réalisée à l’aide d’un modèle d’éléments finis 2D, le domaine de calcul étant méticuleusement divisé en sous-domaines pour tenir compte de l’hétérogénéité des matériaux. Afin d’accélérer les calculs, des modèles de substitution ont été utilisés à la place du modèle d’éléments finis (FEM) complet. Pour résoudre le problème de minimisation, des algorithmes d’optimisation stochastique tels que l’algorithme génétique (GA), l’optimisation de l’essaim de particules (PSO) et l’évolution différentielle (DE) ont été soigneusement évalués et comparés. Une autre contribution de cette thèse est de présenter une nouvelle technique pour améliorer les analyses de sécurité et de stabilité en identifiant des paramètres grâce à une méthode d’optimisation hybride. Un modèle de substitution de réseau neuronal profond est établi et une formulation de fonction multi-objectifs est utilisée pour mesurer la différence entre les déplacements prédits et réels. Les paramètres du sol sont identifiés à l’aide d’un algorithme hybride Particle Swarm-Genetic Algorithm appliqué aux données de quatre inclinomètres installés dans deux sections différentes du barrage. L’étude compare l’efficacité des modèles Mohr-Coulomb (MC) et Hardening Soil (HS), montrant que le modèle HS fournit les valeurs des déplacements les plus proches des données mesurées sur site. La recherche se termine par la présentation des paramètres optimaux pour le barrage de la Romaine-2 et met en évidence l’efficacité des réseaux profonds et de l’optimisation hybride dans la résolution de problèmes inverses.

Date	7 août 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Azzeddine Soulaïmani (Directeur(-trice))