Influences de la méthode d'échantillonnage et de la présence d'une phase liquide sur l'estimation de la teneur en matière résiduelle d'un sol par analyse visuelle et intelligence artificielle

Résumé

La caractérisation des sols urbains est cruciale pour leur gestion environnementale et la planification de leur réhabilitation. Cette recherche s’intéresse au cas de remblais contenant des matières résiduelles et plus précisément, des briques de construction. Dans le cadre de ce travail, dix essais d’échantillonnage combinant dix configurations de méthode d'échantillonnage, présence de liquide et, de manière secondaire, de présence de particules fines ont été réalisés. À travers ces dix essais, l’objectif a été d’étudier la représentativité des configurations via des analyses granulométriques et de concentration de matière résiduelle pour une analyse d’images ultérieure par un réseau neuronal convolutif. Les lots utilisés pour les essais étaient composés de particules de sol graveleux inférieures à 2,5 mm, et sans particules inférieures à 160 µm pour les essais de sol sans particules fines. Ces lots étaient artificiellement contaminés avec de la brique particulaire à une concentration massique de 30%. Les méthodes d’échantillonnage employées ont été le grappillage, le pelletage fractionné en 20 incréments et la séparation rotative. Les phases liquides introduites au cours des essais humides étaient l’eau et l’huile de canola, substitut sécuritaire aux produits pétroliers. Cette recherche a confirmé la hiérarchie de représentativité des trois méthodes d’échantillonnage étudiées avec dans l’ordre croissant de représentativité, le grappillage étant la moins représentative, suivie du pelletage fractionné et enfin de la séparation rotative (applicable seulement aux essais secs). La présence d’une phase liquide, a considérablement amélioré la représentativité, en particulier pour le grappillage. La présence de fines a principalement affecté l’erreur fondamentale, mais cet effet était minime par rapport aux erreurs de ségrégation et de groupement. Cependant, des pertes de sol, y compris des particules fines, et de briques ont pu légèrement biaiser les résultats granulométriques et de quantification de briques, en particulier pour les essais humides. Les résultats en lien avec l’analyse d’images ont montré l'importance de rééquilibrer la base de données photographiques utilisée pour l’entraînement et la validation du réseau neuronal pour que ce dernier soit en mesure de détecter toutes les concentrations en briques, notamment les plus extrêmes. Une base de données diversifiée et conséquente a nécessité un réseau neuronal complexe pour converger. L'ajustement des hyperparamètres a eu des effets spécifiques sur les performances. Les meilleures configurations de réseaux généraient des pertes autour de 0,012 et des racines carrées d’erreurs quadratiques moyennes à 0,035. De plus, le réseau a identifié en général des faux positifs et négatifs similaires à l'échantillonnage, renforçant ainsi la confiance en ce dernier. Cependant, l'erreur intrinsèque du réseau n’a fait encore que s'ajouter à l'erreur d'échantillonnage. Un objectif futur serait de la corriger.

Date	27 nov. 2023
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Jean-Sébastien Dubé (Directeur(-trice)) & François Duhaime (Codirecteur(-trice))