Développement d’approches basées sur les réseaux de neurones convolutifs (CNN) pour prédire la granulométrie des sols à partir d’images synthétiques, de laboratoire et de terrain

Résumé

L’analyse granulométrique est l’un des essais les plus demandés dans les laboratoires d’analyse géotechnique. Cet essai permet de déterminer la distribution des tailles de particules d’un sol (granulométrie). Traditionnellement, le tamisage et la sédimentométrie sont respectivement utilisés pour l’analyse granulométrique des sols granulaires et des sols fins. Bien que fiables, ces techniques présentent l’inconvénient d’être chronophages. Les outils d’analyse d’image existants comme Wipfrag réduisent ce temps d’analyse. Néanmoins, ils sont limités aux particules de grande taille et utilisent des approches de segmentation sensibles à la résolution des images. Cette thèse propose une approche fondée sur l’apprentissage profond pour estimer la granulométrie à partir de photographies afin de surmonter les limites des méthodes traditionnelles et des logiciels d’analyse d’image actuels. À cette fin, un jeu de données d’images synthétiques et segmentées a été généré à l’aide du moteur Unity game engine afin de reproduire des textures de sol réalistes. L’entropie conditionnelle ainsi qu’un modèle de segmentation d’objets (GrainSegNet) ont été utilisés pour évaluer leur réalisme visuel. Par la suite, un réseau de neurones convolutionnels (GrainSizeNet) a été développé pour analyser l’influence des types d’images d’entrée (vues dessus/dessous, avec ou sans segmentation) ainsi que l’apport des images synthétiques générées comparativement aux méthodes traditionnelles d’augmentation de données. Enfin, GrainSizeNet a été adapté à l’analyse des photographies de cuillères fendues (CF) prélevées lors de l’essai de pénétration standard afin de distinguer cinq catégories de sols du système USCS (Unified Soil Classification System) et de prédire la proportion massique de particules fines (diamètre inférieur à 0,075 mm), en comparant l’apprentissage direct et hiérarchique. L’entropie conditionnelle révèle une similarité entre les images synthétiques et réelles, et l’évaluation de GrainSegNet sur des images réelles montre des performances satisfaisantes sur des photographies de laboratoire (IoU moyen de 0,60). En revanche, elles diminuent dans des contextes plus complexes (IoU moyen de 0,26), notamment pour les matériaux à forte densité de particules ou plus fins. Ces résultats soulignent la pertinence des images synthétiques tout en montrant la nécessité d’adaptations supplémentaires pour des environnements très différents de ceux simulés. Les variantes de GrainSizeNet, évaluées avec différentes configurations de données d’entrée, présentent des performances similaires, avec des MAE (Mean Absolute Error) de 2,90% à 3,66% calculées sur les pourcentages massiques retenus aux 11 tamis de contrôle de la norme BNQ 2501-025, indiquant qu’une seule image du dessus suffit pour assurer une estimation fiable de la granulométrie. Par ailleurs, l’intégration d’images synthétiques améliore la généralisation du modèle : la MAE a été réduite de 11,54 % (jeu de données composé uniquement d’images réelles) à 6,19 %. Appliqué aux données de terrain, le modèle obtient des résultats prometteurs. Les stratégies hiérarchiques offrent les meilleures performances pour la classification (précision = 69 %) et pour l’estimation de la proportion de fines (MAE = 15,3 %). Malgré ces résultats encourageants, GrainSizeNet demeure dépendant de la quantité et la qualité des données disponibles pour son entraînement. En outre, ses performances s’améliorent à mesure qu’il est alimenté par des ensembles de données plus volumineux et diversifiés.

Date	17 juin 2026
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	François Duhaime (Directeur(-trice)), Jean-Sébastien Dubé (Codirecteur(-trice)) & Matthew Toews (Codirecteur(-trice))