Evaluation de la stabilité et de la fiabilité des talus tridimensionnels

Stability and reliability assessment of three-dimensional slopes

• Auteur / Autrice : Zilong Zhang
• Direction : Daniel Dias, Xiaoli Yang
• Type : Projet de thèse
• Discipline(s) : MG - Mécanique, génie civil
• Date : Inscription en doctorat le ; Soutenance le 06/06/2025
• Etablissement(s) : Université Grenoble Alpes en cotutelle avec Central South University
• Ecole(s) doctorale(s) : École doctorale Ingénierie - matériaux mécanique énergétique environnement procédés production
• Partenaire(s) de recherche : Laboratoire : Laboratoire Sols, Solides, Structures et Risques
• Jury : Président / Présidente : Abed Soubra
• Jury : Examinateurs / Examinatrices : Daniel Dias, Marwan Sadek, Dong Su, Julien Baroth
• Jury : Rapporteurs / Rapporteuses : Abed Soubra, Marwan Sadek

Mots clés

Mots clés libres

Stabilité des pentes

Stabilité des pentes rocheuses

Analyse de fiabilité

Analyse limite

Apprentissage profonde

Réseau de neurones informé par la physique (PINN)

Slope stability

Rock slope stability

Reliability analysis

Limit analysis

Deep learning

Physics-informed neural network (PINN)

Résumé

La stabilité des pentes constitue l’un des sujets les plus classiques dans le domaine du génie géotechnique. Les approches analytiques sont particulièrement attrayantes pour l’analyse de la stabilité des pentes en raison de leur efficacité de calcul. Toutefois, les approches analytiques traditionnelles ne permettent de résoudre que des problèmes simples, car elles ne peuvent intégrer ni des frontières géométriques complexes ni les facteurs environnementaux externes. Par ailleurs, l’incertitude inhérente aux géomatériaux est incontournable en géotechnique, notamment dans les pentes de sols ou de roches. La caractérisation de ces incertitudes et l’évaluation du risque de rupture de pente suscitent progressivement un intérêt commun parmi les spécialistes du domaine. En outre, le développement d’algorithmes avancés et de méthodes d’apprentissage profond a renforcé la motivation pour approfondir l’étude de la stabilité et de la fiabilité des pentes. Dans ce contexte, cette thèse propose d’abord plusieurs modèles déterministes efficaces pour évaluer la stabilité de pentes à géométrie irrégulière ou soumises à des excitations externes. Un mécanisme de rupture unifié est introduit, intégrant un « coefficient de comportement d’instabilité », qui caractérise efficacement les modes de rupture des pentes. De plus, une approche cinématique à base numérique est développée en discrétisant un mécanisme de rupture continu afin de prendre en compte les champs d’écoulement provenant de simulations numériques. Cette approche s’avère particulièrement performante pour la modélisation de scénarios plus complexes, tels que les conditions partiellement saturées et les lignes phréatiques inclinées. Pour la stabilité des pentes rocheuses, et afin d’éviter la surestimation de la résistance en traction dans le critère de Hoek–Brown, deux mécanismes de rupture continus sont proposés : l’un introduisant des fissures préexistantes dans la zone de traction, et l’autre prévoyant une résistance en traction modifiée dans cette même zone. Par ailleurs, la capacité des réseaux de neurones informés par la physique (PINNs) à modéliser la stabilité des pentes est examinée, et une approche hybride basée sur les PINNs est avancée pour l’analyse de la stabilité sismique. Sur la base des modèles déterministes, un champ aléatoire de grande dimension décrivant les propriétés du sol et les coefficients de perméabilité est ensuite introduit afin de considérer les incertitudes liées au sol. Un modèle de substitution fondé sur un réseau de neurones convolutif (CNN) novateur ainsi qu’un réseau de neurones génératif (GNN) sont par ailleurs développés pour améliorer l’efficacité de l’analyse de fiabilité. Cette approche globale assure ainsi une analyse complète de la stabilité et de la fiabilité des pentes. Les travaux présentés aboutissent à plusieurs résultats et conclusions pertinents, venant compléter les recherches existantes sur la stabilité et la fiabilité des pentes. Ces résultats devraient offrir des perspectives prometteuses pour des applications pratiques en ingénierie géotechnique.

Slope stability analysis is one of the most classical topics in geotechnical engineering. Analytical approaches are appealing for slope stability analysis because of their computational efficiency. However, traditional analytical approaches are limited to solving only the simplest problems, lacking the ability to incorporate complex geometric boundaries and external environmental factors. In addition, the uncertainties of geomaterials are inevitably encountered in geotechnical engineering, especially in soil or rock slopes. Characterizing these uncertainties and evaluating the risk of slope failure have gradually become a common focus among practitioners in the field. Notably, the development of advanced algorithms and deep learning methods has further motivated the study of slope stability and reliability analysis. In this context, this thesis first develops several effective deterministic models for assessing the stability of slopes with irregular geometry or those subjected to external excitation. A unified failure mechanism is proposed by incorporating an instability behavior coefficient, which effectively characterizes the failure patterns of slopes. Furthermore, a numerical-based kinematic approach is proposed by discretizing a continuous failure mechanism to account for the seepage fields obtained from numerical simulations. This approach demonstrates strong capability in simulating more complex scenarios, such as partially saturated conditions and inclined phreatic lines. For rock slope stability, to eliminate the overestimation of tensile strength in the Hoek–Brown criterion, two continuous failure mechanisms are proposed: one with pre-existing cracks in the tensile region, and another featuring a modified tensile strength in the tensile region. In addition, the potential of physics-informed neural networks (PINNs) for modeling slope stability is investigated, and a hybrid PINN-based approach is proposed for seismic stability analysis. Building on the deterministic models, a high-dimensional random field of soil properties and permeability coefficients is introduced to account for soil uncertainties. This is followed by the development of a novel convolutional neural network (CNN)-based surrogate model and a generative neural network (GNN) to improve the efficiency of reliability analysis. Consequently, a comprehensive approach for the stability and reliability analysis of slopes is established. The present study yields several valuable findings and conclusions, serving as a supplement to current research on slope stability and reliability analysis. These findings are expected to offer meaningful insights for practical applications in geotechnical engineering.