Représentation du trafic et caractérisation dynamique du bruit en milieu urbain

= Traffic representation and dynamic urban noise caracterization

• Auteur / Autrice : Arnaud Can
• Direction : Ludovic Leclercq, Jean-Baptiste Lesort
• Type : Thèse de doctorat
• Discipline(s) : Génie civil
• Date : Soutenance en 2008
• Etablissement(s) : Lyon, INSA

Mots clés

Mots clés contrôlés

Réseaux urbains

Modèles acoustiques

Son -- Mesure

Villes -- Bruit

Signaux lumineux

Circulation -- Bruit

Résumé

Les méthodes utilisées traditionnellement pour estimer le bruit de trafic s’appuient sur une représentation statique de l’écoulement du trafic. Ces méthodes trouvent leurs limites en milieu urbain où le trafic est très fluctuant. Bien que les méthodes statiques puissent être raffinées en modélisant les trajectoires moyennes des véhicules, il est démontré dans cette thèse qu’une représentation dynamique de l’écoulement du trafic améliore la caractérisation des environnements sonores. Le modèle résultant consiste en un modèle dynamique de trafic, couplé à des lois d’émissions sonores des véhicules, et un calcul de la propagation du son. Les modèles dynamiques améliorent l’estimation du LAeq, et permettent l’estimation de l’évolution du LAeq,1s. D’autre part, l’étude de données expérimentales relevées sur le cours Lafayette, à Lyon, montre les limites des indicateurs utilisés usuellement en acoustique environnementale (tels que le LAeq ou les indicateurs statistiques) pour la caractérisation du bruit de trafic. En particulier, ces indicateurs ne sont pas sensibles aux variations de bruit à l’échelle du cycle de feu, qui prédomine en milieu urbain. Des indicateurs spécifiques sont proposés pour affiner la caractérisation : ils sont basés sur l’étude du motif de bruit moyen se répétant à chaque cycle de feu et des variations autour de ce motif. Une comparaison des représentations dynamiques du trafic existantes est ensuite proposée pour l’estimation des indicateurs classiques et spécifiques en milieu urbain. Seuls les modèles représentant les trajectoires des véhicules permettent l’estimation de tous les indicateurs : une estimation très précise des distributions de LAeq,1s et des motifs de bruit moyen issus des mesure est obtenue. En revanche, la distribution des comportements au sein d’une classe de véhicules n’améliore pas la caractérisation ; elle complique au contraire la phase de calibration du modèle. Enfin, une étude de sensibilité du modèle montre que la caractérisation dynamique peut s’appuyer sur des données d’entrée (débits et mouvements directionnels des véhicules) relativement agrégées, ce qui facilitera à terme son utilisation opérationnelle. Toutefois, les périodes où le fonctionnement du réseau diffère (périodes de congestion, périodes où le débit est très faible…) doivent être distinguées dans le calcul pour l’estimation de certains indicateurs

Road traffic noise prediction models usually consider traffic as a steady noise source. They fail in capturing urban traffic noise dynamics. Static models can be refined by considering mean vehicle trajectories. However, dynamic models improve noise assessment. Dynamic models couple a dynamic traffic model and bath noise emission laws and a sound propagation calculation. Dynamic models improve LAeq estimation and allow for LAeq, evolution estimation. Moreover, classical descriptors (LAeq, statistical descriptors) limits to assess traffic noise dynamics are shawn. Such descriptors fail to characterize noise variations at the traffic signal scale. Specifie descriptors are proposed, based on the analysis of the mean noise patter that repeats every traffic cycle and variations a round this pattern. Dynamics traffic models are compared for classical and specifie descriptors estimation. Models thal represent individually vehicle trajectories allows a precise estimation of LAeq, distributions and mean noise patterns. Lndividualization of behaviors from one vehicle to the others does not improve characterization, and makes calibration more complicated. Finally, the study shows that dynamic noise estimation is still precise even if data are aggregated on large periods. Congested, free and weak flow rates periods should nevertheless be considered for precise noise dynamics characterization.