Évaluation et classification des caractéristiques des couches d'accrochage dans les chaussées par techniques radar : traitement hybride par intelligence artificielle / FWI

Evaluation and classification of tack coat characteristics in pavements by radar techniques : hybrid processing by Machine learning / FWI

• Auteur / Autrice : Gregory Andreoli
• Direction : Amine Ihamouten, Xavier Dérobert
• Type : Thèse de doctorat
• Discipline(s) : Electronique
• Date : Soutenance le 10/10/2023
• Etablissement(s) : Nantes Université
• Ecole(s) doctorale(s) : École doctorale Mathématiques et Sciences et Technologies du numérique, de l’Information et de la Communication (Nantes ; 2022-....)
• Partenaire(s) de recherche : Autre partenaire : Université Gustave Eiffel (2020-....)
• Partenaire(s) de recherche : Laboratoire : Département Matériaux et Structures
• Jury : Président / Présidente : Christophe Bourlier
• Jury : Examinateurs / Examinatrices : Habiba Ouslimani, Thierry Chateau
• Jury : Rapporteur / Rapporteuse : Franziska Schmidt, Jean-Marc Girault

Mots clés

Mots clés contrôlés

Radar à pénétration de sol

Génie civil

Mots clés libres

Chaussées

Évaluation Non-Destructive

GPR

Couche d’accrochage

Machine Learning

Inversion de formes d’onde

Pavement

Évaluation Non-Destructive

GPR

Tack coat

Machine Learning

FullWaveform Inversion

Résumé

Dans le domaine des infrastructures de transports, les dégradations en surface ont un lien intrinsèque avec la qualité du collage mis en œuvre. Ainsi, les caractéristiques rhéologiques et géométriques de la couche d’accrochage sont un indicateur de durabilité de la structure. L’évaluation précoce des pathologies permet d’évaluer l’état de santé de la chaussée et d’anticiper sa dégradation grâce à une maintenance préventive. La caractérisation in situ de la couche d’accrochage à l’aide de méthodes d’évaluation non destructives basées entre autres sur la physique de la propagation des ondes EM joue un rôle croissant dans le diagnostic à grand rendement. Le GPR, utilisé depuis plus de trente ans, permet d’estimer les épaisseurs de chaussée avec une précision de l’ordre du centimètre. Cependant, la faible résolution temporelle des radars conventionnels au regard de l’épaisseur de couches ultra-minces telle que la couche d’accrochage contraint considérablement la caractérisation à travers les approches directes usuellement utilisées par les experts métiers. Dans le cadre de ces travaux de thèse, nous avons développé une méthodologie de traitement inverse des données GPR basée sur une hybridation entre l’apprentissage supervisé et les caractéristiques diélectriques issues de la FWI.

In the field of transport infrastructure, surface defects are intrinsically linked with the quality of bonding applied. In that respect, the rheological and geometrical properties of the tack coat are an indicator of the durability of the structure. An early evaluation of the pathologies helps evaluate how sound the roadway is, and to anticipate deterioration thanks to preventive maintenance. On-site characterization of the tack coat using Non Destructive Testing (NDT) methods, based on electromagnetic-wave propagation physics, plays an increasing role in large-scale diagnostic. The GPR have been in use for more than 30 years and allow to estimate pavement thickness with one centimeter accuracy. However, the poor temporal resolution of conventional radars faced with ultra-thin layers such as the tack coat inhibits characterization within the forward model generally used by domain experts. In this thesis, we developed a GPR inverse approaches data processing methodology, based on hybridization between machine learning and dielectric properties derived from the FWI.