Analyse de la stabilité des barrages en terre à l'aide d'approches basées sur l'apprentissage automatique

Stability analysis of earth dams using machine learning-based approaches

• Auteur / Autrice : Lu An
• Direction : Daniel Dias, Laurent Peyras, Orianne Jenck, Claudio Carvajal
• Type : Thèse de doctorat
• Discipline(s) : Matériaux, Mécanique, électrochimie, génie civil
• Date : Soutenance le 04/12/2023
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale Ingénierie - matériaux mécanique énergétique environnement procédés production (Grenoble ; 2008-....)
• Partenaire(s) de recherche : Laboratoire : Sols, solides, structures - risques (Grenoble)
• Jury : Président / Présidente : Alaa Chateauneuf
• Jury : Examinateurs / Examinatrices : Julien Baroth
• Jury : Rapporteur / Rapporteuse : Farimah Masrouri, Jean-Michel Pereira

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Apprentissage automatique

Barrages en terre

Mots clés libres

Barrages en terre

Rétro-Analyse

Analyse de fiabilité

Apprentissage automatique

Réseaux neuronaux artificiels

Analyse de surveillance

Earth dams

Back analysis

Reliability analysis

Machine learning

Artificial neural networks

Monitoring analysis

Résumé

Ce travail s'inscrit dans la problématique de l'évaluation de la fiabilité des barrages en terre dans les ouvrages hydrauliques. L'objectif de ce travail est de mieux analyser le comportement hydraulique et mécanique des barrages en terre et de construire des modèles plus rationnels et plus pratiques grâce à une approche plus avancée. Il s'agit donc de concevoir une stratégie basée sur l'apprentissage automatique (Machine Learning) pour prédire le comportement hydraulique à long terme de ces structures et de procéder à une évaluation plus rapide et plus efficace de leur fiabilité afin d'améliorer les prévisions et les travaux d'entretien. Ces dernières années, des modèles numériques ont été développés pour simuler le comportement hydromécanique des barrages en terre grâce à l'augmentation des ressources informatiques et au développement des techniques d'intelligence artificielle. Cependant, les paramètres d'entrée de ces modèles sont entachés d'incertitudes en raison de la difficulté du travail d'échantillonnage sur le terrain et de la nature stochastique naturelle des sols.

This work falls within the problem of assessing the reliability of earth dams in hydraulic engineering structures. The aim of this work is to better analyze the hydraulics and mechanical behavior of earth dams and to construct more rational and practical models by more advanced approach. Thereby, designing a machine learning-based strategy for predicting the long-term hydraulic behavior of such structures and making a more rapid and efficient assessment of their reliability for better prediction and maintenance work. In recent years, numerical models were developed aiming to simulate the hydro-mechanical behavior of earth dam structures with the increase of computational resources and the development of artificial intelligence techniques. However, the input parameters of these models are suffered with uncertainties due to the difficulty of the field sampling work and the natural stochastic nature of the soils.