Application de l’intelligence artificielle à l’exploitation des mesures de déflexion pour la caractérisation mécanique des structures

Contexte :
La mesure de déflexion est une technique couramment utilisée dans de nombreux pays pour caractériser la durabilité structurelle d’une chaussée. La réalisation de mesures fait appel à différents types d’appareils comme le déflectrographe ou le curviamètre qui peuvent circuler à vitesse réduite sur la route pour effectuer une mesure tous les 5 mètres, ou le « Falling Weight Deflectometer » (FWD) qui simule le passage d’un poids lourd par l’impact d’une masse tombante (utilisé tous les 100 m environ). Plus récemment le Trafic Speed Deflectometer (TSD), puis le Raptor, ont proposé de nouveaux concepts pour permettre une auscultation à la vitesse du trafic tout en assurant une densité spatiale suffisante des mesures pour détecter les variations locales ou globales de portance de la chaussée. Les mesures de déflexion sont utilisées soit pour évaluer sommairement l’état de la chaussée par la valeur de la déflexion maximale, soit pour estimer les caractéristiques mécaniques résiduelles des structures de chaussées routières ou aéroportuaires par identification inverse. Cette seconde utilisation n’est généralement conduite que de manière très ponctuelle en un point représentatif d’une zone ou d’un ensemble de zones dites homogènes. Les méthodes d’identification inverse sont largement basées sur des modèles quasi-analytiques et élastiques linéaires sous chargement statique (Burmister, 1945). Plus récemment, des travaux de recherches simulent les essais de F/HWD avec la méthode des éléments finis (Broutin, 2010 : Roussel ,2019) ou la méthode des éléments spectraux (Cao, 2019). Ces dernières permettent de simuler l’essai dynamiquement avec une modélisation du comportement viscoélastique pour les matériaux concernés.
Roussel (2019) a montré que les effets dynamiques modifient la forme du bassin de déflexion, que les valeurs des pics de déflexion sont plus importantes avec un comportement viscoélastique, et que les vitesses de propagation des ondes sont plus précises lorsque la viscosité est prise en compte.
Les modèles éléments finis et éléments spectraux permettent de modéliser les conditions limites d’une structure complexe mais nécessitent des temps de calculs numériques plus importants. Les modèles quasi-analytiques, le plus souvent linéaires élastiques, ne permettent pas de modéliser précisément les conditions limites mais permettent des calculs rapides, et sont donc plus adaptés dans le cas de mesures de déflexion à vitesse de trafic.

Objectifs :

La thèse vise à :
– Concevoir et implémenter un outil permettant la simulation du comportement complexe de la structure de chaussée multi couches sollicitée dynamiquement. La structure simulée pourra être saine ou présenter des défauts (fissures, décollements, …).
– Mettre en place un algorithme d’identification inverse des paramètres mécaniques résiduels de chaque couche et des défauts, basé sur l’apprentissage statistique (intelligence artificielle).
– Cartographier la caractérisation mécanique d’une chaussée à partir de données de mesures de déflexion obtenues en déplacement (TSD, Raptor),

Déroulement de la thèse :

La thèse débutera par une étude bibliographique sur les lois de comportement utilisées pour simuler les matériaux et structures de chaussées et les méthodes de résolutions numériques de simulations de ces structures. Cette étude abordera notamment les phénomènes de viscoélasticité et de susceptibilité thermique des matériaux bitumineux, et de comportement non linéaire des matériaux non traités et des sols. L’étude sera complétée par une analyse des différents systèmes de mesure de déflexion pour identifier les conditions limites nécessaires à la simulation numérique des essais. Enfin, elle abordera également la dimension dynamique des problèmes par la résolution tant dans le domaine temporel que dans le domaine fréquentiel. L’étude bibliographique abordera également les différentes méthodes utilisées en intelligence artificielle pour la résolution de problèmes inverses. En particulier, les méthodes issues du machine learning ayant déjà été appliquées à des données de déflexion de chaussée seront listées et analysées, en termes d’avantages et d’inconvénients.

La première partie du travail de thèse consistera à construire un modèle simulant les appareils de mesure de déflexion dans différents contextes de mesure. Ainsi, les structures de chaussées pourront être saines, mais aussi comporter des dommages par la présence de défauts comme des fissures verticales ou des interfaces partiellement ou totalement dégradées. Les simulations intégreront le comportement dynamique (élastique ou visco-élastique) de la structure. Généralement, cela fait appel à la méthode des éléments finis, coûteux en temps de calcul et nécessitant un maillage adéquat. Nous visons le développement de méthodes de résolutions alternatives construites sur des modèles semi-analytiques comme ceux introduits dans le logiciel viscorail par exemple (Piau, Chupin). Ces modèles seront ensuite utilisés pour simuler la mesure de déflexion dans diverses conditions et ainsi créer une base de données de mesures fictives. Cette base de données sera complétée par des mesures réelles issues des auscultations réalisées sur le manège de fatigue et lors de collaboration avec nos partenaires (CEREMA pour le déflectographe, CRR pour le curviamètre, STAC pour le HWD et si possible BAST pour le Trafic Speed Deflectometer et DYNATEST pour le RAPTOR).

Parallèlement, une autre partie du travail abordera l’usage des méthodes issues de l’intelligence artificielle pour déterminer la présence de défauts structurels dans les chaussées et estimer ses caractéristiques résiduelles. Pour cela, les bases de données évoquées précédemment et les signaux temporels associés seront soumises à des méthodes d’apprentissage « simples », telles la régression sans et avec pénalisation, les forêts aléatoires, …. Les modèles élaborés pourront alors être inversés.
De même, les réseaux de neurones seront également appliqués, en particulier le deep learning pour apprendre un réseau faisant un lien direct entre la description du phénomène et le signal mesuré. Pour finir, des méthodes de classification permettront, avec la mesure de la déflexion, de classifier les signaux en différents états structurels, donnant ainsi une réponse rapide au gestionnaire.

Burmister, D. M. (1945). The general theory of stresses and displacements in layered Soil Systems. II. Journal of Applied Physics, 16(3), 126-127.
Broutin, M. (2010) Assessment of flexible airfield pavements using Heavy Weight Deflectometers. Development of a FEM dynamical time-domain analysis for the backcalculation of structural properties. Thèse de doctorat ENPC Paris France.
Dandan Cao, Yanqing Zhao, Wanqiu Liu, Yuhua Li & Jian Ouyang (2019). Comparisons of asphalt pavement responses computed using layer properties backcalculated from dynamic and static approaches, Road Materials and Pavement Design, 20:5, 1114-1130, DOI:10.1080/14680629.2018.1436467.
Jean-Marie Roussel, Cédric Sauzéat, Hervé Di Benedetto & Michaël Broutin (2019) Numerical simulation of falling/heavy weight deflectometer test considering linear viscoelastic behaviour in bituminous layers and inertia effects, Road Materials and Pavement Design, 20:sup1, S64-S78, DOI: 10.1080/14680629.2019.1587491.
Savuth, C. 2006. Contribution à l’auscultation structurelle des chausses mixtes : détection des défauts d’interface à l’aide de la déflexion. Thèse de doctorat INSA de Rennes. France.
Hastie, T., Tibshirani, R., Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction. Series:Springer series in statistics. New York : Springer.
Pedro Marcelino, Maria de Lurdes Antunes, Eduardo Fortunato & Marta Castilho Gomes (2019). Machine learning approach for pavement performance prediction, International Journal of Pavement Engineering, DOI: 10.1080/10298436.2019.1609673