Prévision des tassements induits par le creusement au tunnelier : construction d'une base de données et apprentissage automatique

Prediction of shield tunneling-induced settlement : Database construction and Machine Learning approaches

• Auteur / Autrice : Tatiana Richa
• Direction : Jean-Michel Pereira, Lina María Guayacan Carrillo
• Type : Thèse de doctorat
• Discipline(s) : Géotechnique
• Date : Soutenance le 10/05/2023
• Etablissement(s) : Marne-la-vallée, ENPC
• Ecole(s) doctorale(s) : École doctorale Sciences, Ingénierie et Environnement (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Entreprise : Société d'études techniques et économiques-Organisation
• Partenaire(s) de recherche : Laboratoire : Laboratoire Navier (Paris-Est)
• Jury : Président / Présidente : Jean Sulem
• Jury : Examinateurs / Examinatrices : Jean-Michel Pereira, Pierre Breul, Daniel Dias, Didier Subrin, Marie-Aurélie Chanut, Michel Pré, Lina María Guayacan Carrillo
• Jury : Rapporteurs / Rapporteuses : Pierre Breul, Daniel Dias

Mots clés

Mots clés contrôlés

Intelligence artificielle

Modélisation prédictive

Analyse des données

Sols -- Physique

Tunnels -- Construction

Mots clés libres

Tunnelier

Cuvette de tassement

Intelligence artificielle

Données d'auscultation

Traitement des données

Analyse des données

Tunnel boring machine

Surface settlement

Artificial intelligence

Monitoring data

Data processing

Data analysis

Résumé

Le développement urbain entraîne une forte croissance des infrastructures souterraines. Pour répondre à ces besoins, de nombreux projets de tunnels sont construits sous des zones fortement urbanisées, comme le Grand Paris Express qui est actuellement le plus grand projet de transport en Europe. Cependant, le creusement des tunnels induit des déformations en surface, qui peuvent entraîner des dommages aux structures environnantes. Pour déterminer et réduire la vulnérabilité des avoisinants, il est primordial d’améliorer les prévisions des déformations induites en surface lors des creusements. Exploiter à grande échelle les données tirées de l'auscultation des chantiers est un atout majeur pour y parvenir. Dans ce contexte, cette thèse présente le développement d'un outil permettant de prévoir les tassements au fur et à mesure du creusement à l'aide de données tirées de deux lignes du Grand Paris Express.Les données produites lors d’un chantier de tunnel sont riches et de nature diverse : données d’auscultation (mesures de tassements en surface, en particulier), paramètres de pilotage du tunnelier (vitesse d’avancement, pression au front, pression et volume de mortier injecté à l’arrière de la jupe, etc.), paramètres géométriques du tracé et informations géologiques et géotechniques (stratigraphie, en particulier). Le premier défi consiste à extraire ces données brutes depuis les différentes sources et à les transformer en informations exploitables. Pour cela, des techniques de nettoyage sont utilisées pour réduire le bruit, supprimer les données aberrantes ainsi que gérer les données manquantes. Des techniques de lissage et de calage des formulations analytiques de tassement sur les mesures de tassements en surface sont également présentées. Ensuite, une base de données relationnelle est construite pour héberger les données. L’architecture de cette base a été conçue de façon à pouvoir exploiter les données spatiales, temporelles et leurs relations (l’avancement du tunnelier combine en effet ces deux composantes).L’étape suivante consiste à mener une analyse exploratoire des données pour identifier des régularités et des liens potentiels entre les différents paramètres, et également détecter et traiter les éventuelles anomalies. Les paramètres ayant la plus grande influence sur la valeur des tassements sont alors sélectionnés. Des modèles d’apprentissage automatique sont utilisés pour prédire les tassements induits en surface lors de l’excavation. Au total, cinq modèles sont testés et comparés : Support Vector Machine, Decision Tree, Random Forest, Extreme Gradient Boosting (XGBoost) et les réseaux de neurones. Les résultats de ces prédictions sont comparés aux mesures réelles des tassements. Des conclusions sont établies quant à l’intérêt et à la performance de chacune des méthodes de prédiction mises en œuvre, ainsi que leur application pratique potentielle (extrapolation sur un même ligne du Grand Paris ou d’une ligne à l’autre).L’objectif de cette thèse était de développer un outil opérationnel capable d’améliorer les prévisions au fur et à mesure de la collecte des données. La base de données constituée a donc servi de source pour alimenter des algorithmes d’apprentissage automatique. L’intérêt de ce travail a été d’évaluer la faisabilité d’utiliser de tels algorithmes – et les contraintes associées – pour parvenir à créer un tel outil.

Urban development has led to a significant increase in the construction of underground infrastructures. To meet these needs, many tunnel projects are built in highly urbanized areas, such as the Grand Paris Express, which is currently the largest transportation project in Europe. However, tunneling induces surface settlements, which can cause damage to nearby structures. To assess and reduce the vulnerability of the surroundings, it is essential to improve predictions of surface deformations induced during the excavation. Exploiting data from site monitoring is a major asset in achieving this goal. In this context, this thesis describes how data from excavation of two lines of the Grand Paris Express were used to develop a tool that can adjust settlement predictions as excavation progresses.Data produced during a tunneling project are rich and diverse, including monitoring data (surface settlement measurements in particular), tunnel boring machine (TBM) control parameters (advance rate, face pressure, pressure and volume of injected grout behind the shield, etc.), geometric parameters of the alignment, and geological and geotechnical information (especially stratigraphy). The first challenge is to extract this raw data from the different sources and transform it into usable information. To do this, data cleaning techniques are used to reduce noise, eliminate outliers, and manage missing data. Techniques for smoothing and fitting analytical formulations to surface settlement measurements are also presented. Then, a relational database is constructed. The architecture of this database is designed to exploit spatial and temporal data and their relationships (TBM advancement combines these two components).The next step is to conduct exploratory data analysis to identify patterns and potential links between different parameters and to detect and treat any anomalies. The parameters with the greatest influence on the settlement values are then selected. Machine learning models are used to predict induced surface settlements during excavation. In total, five models are tested and compared: Support Vector Machine, Decision Tree, Random Forest, Extreme Gradient Boosting (XGBoost), and neural networks. The results of these predictions are compared to the actual settlement measurements. Conclusions are drawn regarding the usefulness and performance of each of the implemented prediction methods, as well as their potential practical application (extrapolation on the same Grand Paris line or from one line to another).The aim of this thesis was to develop an operational tool that can improve predictions as the excavation progresses. The constructed database performed as a reliable source to feed machine learning algorithms. The interest of this work was to evaluate the feasibility of using such algorithms – and to point out the associated constraints - to create such a tool.