FR3053471A1

FR3053471A1 - Procede et dispositif de determination de la nature d'un sol

Info

Publication number: FR3053471A1
Application number: FR1656070A
Authority: FR
Inventors: Carlos Sastre Jurado; Roland Gourves; Miguel Benz Navarrete; Pierre Breul; Claude Bacconnet
Original assignee: Sol Solution SAS
Current assignee: Sol Solution SAS
Priority date: 2016-06-29
Filing date: 2016-06-29
Publication date: 2018-01-05
Anticipated expiration: 2036-06-29
Also published as: FR3053471B1

Abstract

Ce procédé de détermination automatique de la nature d'un sol comporte des étapes : a) d'acquisition (102) d'un pénétrogramme d'un sol à caractériser, obtenu lors d'un essai par pénétrométrie dynamique et contenant un signal exprimant la résistance dynamique à l'enfoncement d'une pointe d'un pénétromètre en fonction de la profondeur d'enfoncement de cette pointe dans le sol ; b) de construction (104) d'un vecteur d'entrée, cette construction comportant le calcul automatique, à partir du pénétrogramme acquis, de valeurs de paramètres représentatifs du signal de la résistance dynamique à l'enfoncement de la pointe dans le sol pour ce pénétrogramme ; c) de classement automatique (106) du vecteur d'entrée, au sein d'une classe de sol parmi une pluralité de classes de sol prédéfinies, au moyen d'un réseau de neurones et à partir du vecteur d'entrée construit.

Description

® RÉPUBLIQUE FRANÇAISE

INSTITUT NATIONAL DE LA PROPRIÉTÉ INDUSTRIELLE © N° de publication : 3 053 471 (à n’utiliser que pour les commandes de reproduction) (© N° d’enregistrement national : 16 56070

COURBEVOIE © Int Cl⁸ : G 01 N 33/24 (2017.01), E 21 B 49/00

DEMANDE DE BREVET D'INVENTION A1

©) Date de dépôt : 29.06.16.	(© Demandeur(s) : SOL SOLUTION Société par actions
(© Priorité :	simplifiée — FR.
	@ Inventeur(s) : SASTRE JURADO CARLOS,
	GOURVES ROLAND, BENZ NAVARRETE MIGUEL,
(43) Date de mise à la disposition du public de la	BREUL PIERRE et BACCONNET CLAUDE.
demande : 05.01.18 Bulletin 18/01.
©) Liste des documents cités dans le rapport de
recherche préliminaire : Se reporter à la fin du
présent fascicule
(© Références à d’autres documents nationaux	(73) Titulaire(s) : SOL SOLUTION Société par actions sim-
apparentés :	plifiée.
©) Demande(s) d’extension :	(© Mandataire(s) : LAVOIX.

104/ PROCEDE ET DISPOSITIF DE DETERMINATION DE LA NATURE D'UN SOL.

FR 3 053 471 - A1

Ce procédé de détermination automatique de la nature d'un sol comporte des étapes:

a) d'acquisition (102) d'un pénétrogramme d'un sol à caractériser, obtenu lors d'un essai par pénétrométrie dynamique et contenant un signal exprimant la résistance dynamique à l'enfoncement d'une pointe d'un pénétromètre en fonction de la profondeur d'enfoncement de cette pointe dans le sol;

b) de construction (104) d'un vecteur d'entrée, cette construction comportant le calcul automatique, à partir du pénétrogramme acquis, de valeurs de paramètres représentatifs du signal de la résistance dynamique à l'enfoncement de la pointe dans le sol pour ce pénétrogramme ;

c) de classement automatique (106) du vecteur d'entrée, au sein d'une classe de sol parmi une pluralité de classes de sol prédéfinies, au moyen d'un réseau de neurones et à partir du vecteur d'entrée construit.

Procédé et dispositif de détermination de la nature d’un sol

L’invention concerne un procédé de détermination de la nature d’un sol à partir d’un essai de pénétration dynamique. L’invention concerne également un dispositif pour la mise en oeuvre d’un tel procédé.

L’invention concerne plus précisément le domaine de la géotechnique et de l’analyse des sols.

On connaît des techniques d’analyse par essai de pénétration, aussi nommées CPT pour « Cône Pénétration Testing >> en langue anglaise, qui consistent à enfoncer, dans un sol à analyser, un pieu pourvu d’une pointe conique, puis à mesurer la résistance mécanique exercée par le sol sur la pointe conique au cours de son enfoncement. Une telle technique permet de fournir une information géomécanique du sol. En particulier, on connaît des techniques de pénétrométrie dynamique, dans lesquelles l’enfoncement de la pointe conique est réalisé par battage du pieu grâce à des moyens d’insertion aptes à délivrer au pieu une énergie contrôlée pouvant être variée en fonction des besoins de l’expérience.

De tels pénétromètres ont cependant pour inconvénient qu’ils ne permettent pas le prélèvement d’échantillons du sol lors de l’essai. Ils ne permettent donc pas d’obtenir des informations sur la nature du sol, telles que sa granulométrie ou bien la nature des matériaux constituant ce sol. En effet, dans l’état de l’art actuel connu des inventeurs, la nature du sol n’est pas directement caractérisable à partir du seul paramètre de résistance dynamique de la pointe obtenue lors de l’essai de pénétration.

Il est bien sûr connu, pour déterminer la nature d’un sol, de procéder à des prélèvements d’échantillons d’une partie du sol par carottage, puis à analyser ces prélèvements en laboratoire. Cette technique présente des inconvénients, notamment en raison de son coût élevé et de la complexité de mise en oeuvre. Cette méthode nécessite un prélèvement de matériau et donc un endommagement du sol, ce qui peut être gênant dans le cas où un tel prélèvement se fait sur une infrastructure en cours de fonctionnement, telle qu’une voie de chemin de fer. De plus, une telle méthode compliquée à mettre oeuvre lorsque le sol à analyser et situé dans un lieu d’accès difficile. Enfin, l’analyse en laboratoire des échantillons prélevés est longue et ne permet pas toujours d’obtenir un résultat de façon rapide.

On connaît également la technique connue sous l’acronyme SPT, pour « Standard Pénétration Test >> en langue anglaise, qui permet de combiner un essai de pénétration dynamique avec un prélèvement d’un échantillon du sol, au moyen d’un appareil comportant un carottier apte à être enfoncé dans le sol pour à la fois mesurer la résistance à l’enfoncement et prélever l’échantillon du sol en vue d’une analyse ultérieure. Toutefois, une telle technique présente toutes les contraintes précédemment mentionnées des essais de prélèvement. De plus, le matériel nécessaire pour sa mise en oeuvre est souvent lourd, compliqué à déployer et n’est pas adapté pour des sites difficiles d’accès. L’utilisation d’un tel matériel est de plus coûteuse et ne permet pas de réaliser des analyses rapidement.

C’est à ces inconvénients qu’entend plus particulièrement remédier l’invention, en proposant un procédé de détermination de la nature d’un sol à partir d’un essai de pénétration dynamique et qui puisse être mis en oeuvre de façon simple et fiable.

A cet effet, l’invention concerne un procédé de détermination automatique de la nature d’un sol, ce procédé comportant des étapes :

a) d’acquisition d’un pénétrogramme d’un sol à caractériser, obtenu au moyen d’un essai de pénétration dynamique à énergie variable, ce pénétrogramme contenant au moins un signal exprimant la résistance dynamique à l’enfoncement d’une pointe d’un pénétromètre en fonction de la profondeur d’enfoncement de cette pointe dans le sol ;

b) de construction d’un vecteur d’entrée représentatif du pénétrogramme acquis, cette construction comportant le calcul automatique, à partir du pénétrogramme acquis, de valeurs de paramètres représentatifs du signal de la résistance dynamique à l’enfoncement de la pointe conique dans le sol pour ce pénétrogramme, les paramètres étant choisis parmi l’ensemble composé de la valeur moyenne, la valeur médiane, l’écart-type, le coefficient de variation, la variance, l’intervalle entre les valeurs maximale et minimale prises par le signal, l’écart interquartile, l’asymétrie, le coefficient d’aplatissement, l’entropie de Shannon du signal, l’entropie de paramètres statistiques du signal, le changement de signe de la pente du signal, le nombre de croisements du signal avec la ligne de tendance, la longitude de la forme de l’onde moyenne du signal, des premier et deuxième coefficients d’une droite de régression associée au signal, et la puissance maximale spectrale du bruit du signal ;

c) de classement automatique du pénétrogramme au sein d’une classe de sol parmi une pluralité de classes de sol prédéfinies, chaque classe de sol représentant une nature d’un sol, ce classement automatique étant réalisé automatiquement au moyen d’un réseau de neurones à partir du vecteur d’entrée construit.

Grâce à l’invention, la nature du sol est déterminée à partir d’un essai de pénétrométrie dynamique avec une fiabilité satisfaisante, sans qu’il ne soit nécessaire d’avoir recours à un prélèvement in situ de matière du sol. En effet, le classement de l’échantillon dans une des classes prédéfinies est réalisé automatiquement et de façon fiable, grâce au réseau de neurones et à l’aide du vecteur de paramètres statistiques calculé depuis le pénétrogramme.

Selon des aspects avantageux mais non obligatoires de l’invention, un tel procédé peut incorporer une ou plusieurs des caractéristiques suivantes, prise(s) dans toutes combinaisons techniquement admissibles :

- Lors de l’étape b), le vecteur d’entrée est construit à partir d’au moins cinq desdits paramètres, de préférence au moins dix desdits paramètres.

- Lors de l’étape b), le vecteur d’entrée est construit à partir de tous lesdits paramètres.

- Le procédé comporte une étape préalable de choix des paramètres qui seront utilisés pour construire le vecteur d’entrée lors de l’étape b), cette étape comportant :

z) pour chacun desdits paramètres, la mise en œuvre des étapes a) à c) sur un même pénétrogramme dans laquelle la valeur de cette grandeur statistique dudit pénétrogramme est modifiée d’une valeur prédéterminée, puis, à l’issue de l’étape c), la mesure de l’écart entre le résultat du classement de ce pénétrogramme et le résultat du classement de ce même pénétrogramme lorsque la valeur de cette grandeur statistique n’est pas modifiée, z’) la sélection des paramètres pour lesquels l’écart mesuré est supérieur à un seuil prédéfini.

- Le procédé comporte une étape préalable d’entraînement du réseau de neurones, réalisée à l’aide d’une base de données d’apprentissage comportant une pluralité de pénétrogrammes connus chacun préalablement associé à une des classes de sol prédéfinies.

- L’étape préalable d’entraînement est réalisée au moyen d’un algorithme de Levenber-Marquart.

- Lors de l’étape c), le classement est réalisé par un réseau de neurones de type perceptron multicouches.

Selon un autre aspect, l’invention concerne un support d’enregistrement d’informations comportant des instructions aptes à mettre en œuvre un procédé de détermination de la nature d’un sol selon l’invention, lorsque ces instructions sont exécutées par un calculateur électronique.

Selon un autre aspect, l’invention concerne un dispositif de détermination de la nature d’un sol, ce dispositif comportant un calculateur électronique programmé pour :

a) acquérir un pénétrogramme d’un sol à caractériser, obtenu lors d’un essai par pénétrométrie dynamique, ce pénétrogramme contenant au moins un signal exprimant la résistance dynamique à l’enfoncement d’une pointe d’un pénétromètre en fonction de la profondeur d’enfoncement de cette pointe dans le sol ;

b) construire un vecteur d’entrée représentatif du pénétrogramme acquis, cette construction comportant le calcul automatique, à partir du pénétrogramme acquis, des valeurs de paramètres représentatifs de la résistance dynamique à l’enfoncement de la pointe dans le sol pour ce pénétrogramme, les paramètres étant choisis parmi l’ensemble composé de la valeur moyenne, la valeur médiane, l’écart-type, le coefficient de variation, la variance, l’intervalle entre les valeurs maximale et minimale prises par le signal, l’écart interquartile, l’asymétrie, le coefficient d’aplatissement, l’entropie de Shannon du signal, l’entropie de paramètres statistiques du signal, le changement de signe de la pente du signal, le nombre de croisements du signal avec la ligne de tendance, la longitude de la forme de l’onde moyenne du signal, des premier et deuxième coefficients d’une droite de régression associée au signal, et la puissance maximale spectrale du bruit du signal ;

c) classer automatiquement le pénétrogramme acquis au sein d’une classe de sol parmi une pluralité de classes de sol prédéfinies, chaque classe de sol représentant une nature d’un sol, ce classement étant réalisé automatiquement au moyen d’un réseau de neurones à partir du vecteur d’entrée construit.

L’invention sera mieux comprise et d’autres avantages de celle-ci apparaîtront plus clairement à la lumière de la description qui va suivre, d’un mode de réalisation d’un procédé de caractérisation de la nature d’un sol donnée uniquement à titre d’exemple et faite en référence aux dessins annexés, dans lesquels :

- la figure 1 est une représentation schématique d’un pénétromètre pour déterminer la nature d’un sol ;

- la figure 2 est un exemple de pénétrogramme obtenu à l’aide du pénétromètre de la figure 1, ce pénétrogramme exprimant la résistance dynamique de pointe du pénétrogramme en fonction de la profondeur d’enfoncement de la pointe à l’intérieur du sol de la figure 1 ;

- la figure 3 est une représentation schématique d’un dispositif pour la mise en œuvre d’un procédé de détermination de la nature du sol conforme à l’invention ;

- la figure 4 représente schématiquement un ensemble d’instruction pour enregistrer à l’intérieur d’un support d’enregistrement d’information du dispositif de la figure 3 ;

- la figure 5 représente schématiquement trois exemples de pénétrogrammes obtenus à l’aide du pénétromètre de la figure 1 pour trois sols de nature différente ;

- la figure 6 est un ordinogramme d’un procédé de caractérisation de la nature d’un sol conforme à l’invention ;

- la figure 7 représente schématiquement l’influence, sur, le résultat obtenu à l’aide du procédé de la figure 6, des variations des valeurs des différents paramètres du pénétrogramme de la figure 2.

La figure 1 représente schématiquement un sol 1 et un pénétromètre 2 dynamique à énergie variable. Le sol 1 est ici essentiellement formé de matériaux granulaires.

Le pénétromètre 2 est configuré pour mesurer la résistance dynamique à l’enfoncement du sol 1. Ce pénétromètre 2 comporte un corps 20 et une pointe conique 21 adaptée pour être enfoncés dans le sol 1. Par exemple, la pointe conique 21 est solidarisée à une extrémité inférieure d’une tige rigide logée à l’intérieur du corps 20 le long d’une direction verticale Z. La pointe 21 est mobile en translation le long de la direction verticale Z. En variante, cette tige rigide est remplacée par un ensemble de tiges rigides parallèles entre elles et solidarisées les unes aux autres.

Le pénétromètre 2 comporte en outre une masse frappante, ou tête de battage, non illustrée, configurée pour marteler, c’est-à-dire percuter de façon répétée, l’extrémité supérieure de la tige. Cette percussion transfère de l’énergie à la tige rigide, de façon à enfoncer la pointe 21 dans le sol 1. Ainsi, la pointe 21 est mobile en translation le long de la direction verticale Z sous l’effet de la masse frappante. La masse frappante comporte par exemple un marteau sélectivement déplaçable au moyen d’un actionneur commandable. La quantité d’énergie transférée par cette masse frappante est ainsi paramétrable par un utilisateur.

Lors de chaque battage, c’est-à-dire à chaque fois que la masse frappante percute l’extrémité supérieure, la masse frappante transfère une quantité d’énergie E à la tige, ce qui permet d’enfoncer un peu plus la pointe 21 dans le sol 1. La profondeur d’enfoncement de la pointe 21 augmente d’une certaine valeur, qui est fonction de la quantité d’énergie E et de la nature du sol 1. Ainsi, la pointe 21 est enfoncée par à-coups successifs.

Le pénétromètre 2 comporte également une unité de commande 22 de la masse frappante, qui permet de régler la quantité d’énergie E fournie par la masse frappante lors de chaque battage des tiges. L’unité de commande 22 détermine et enregistre la quantité d’énergie qui a été fournie lors de chacun des battages. Cela permet ensuite de calculer un pénétrogramme 3 qui permet d’obtenir des informations, notamment mécaniques, sur le sol 1.

Une telle technique de pénétrométrie dynamique à énergie variable est par exemple décrite dans la norme NF « XP P 94-105 >> datée de mai 2000. Par exemple, le pénétromètre 2 est le pénétromètre dynamique à énergie variable « Panda 2 ®» développé par la société SOL SOLUTION de Riom, France.

Le pénétrogramme 3 exprime la résistance dynamique à l’enfoncement, notée « q_d >>, de la pointe 21 dans le sol 1, en fonction de la profondeur d’enfoncement Z de cette pointe 21 dans le sol 1. La résistance dynamique à l’enfoncement q_d est également nommée résistance à la pénétration dynamique de la pointe 21. Cette résistance dynamique q_d est calculée pour chaque battage au moyen de la formule dite des Hollandais, de la manière suivante :

M ^qd ~ ^{E X} A X e' X (M + P) où « E >> est l’énergie, exprimée en Joule, apportée au système lors de chaque battage, « M >> est la masse, en kilogramme, de la masse frappante, « A >> désigne la section de la pointe conique 21, exprimée en m², « e’ >> désigne l’enfoncement de la pointe conique 21, exprimé en mètres et « P >> désigne la masse, exprimée en kilogramme, de l’ensemble formé de la tête de battage, de la tige ou du train de tige, et de la pointe conique 21 du pénétromètre 2.

Le pénétrogramme 3 est construit à partir de plusieurs points de mesure distincts. Par exemple, chaque point de mesure correspond à une valeur de profondeur distincte. Pour chacun de ces points de mesure, la valeur de la résistance dynamique q_d est calculée, au moyen de l’équation 1, à partir de la valeur d’énergie E apportée au système lors du battage associé.

La figure 2 illustre un exemple du pénétrogramme 3. La résistance dynamique q_dest exprimée en MPa, selon une échelle logarithmique, en fonction de la profondeur z à laquelle se trouve la pointe 21 à l’intérieur du sol. La profondeur z est ici exprimée en mètres et est exprimée en prenant comme origine le niveau du sol et prend des valeurs négatives en s’éloignant du niveau du sol vers des niveaux plus profonds du sol. La profondeur z minimale est mesurée selon la direction Z.

Le pénétrogramme 3 est ici enregistré sous forme numérique, dans une base de données 4, dont le rôle est décrit plus en détail dans ce qui suit. Par exemple, le pénétrogramme 3 est enregistré sous la forme d’un fichier numérique comprenant une pluralité de points de mesure, chacun associé à un couple de valeurs de profondeur z et de résistance dynamique q_d. Le terme « signal de la résistance dynamique q_d >> désigne ici le pénétrogramme 3.

La figure 3 représente schématiquement un calculateur électronique 5 configuré pour déterminer automatiquement la nature géologique du sol 1 à partir du pénétrogramme 3.

Le calculateur électronique 5 comporte une unité de calcul arithmétique 51, un support d’enregistrement d’informations 52, une interface de communication qui sont reliés entre eux au moyen d’un bus d’échange de données 54.

Le support d’enregistrement d’informations 52 comporte notamment un jeu d’instructions 55, illustré à la figure 4, et qui est configuré pour mettre en œuvre le procédé de détermination de la figure 5 lorsque ces instructions 55 sont exécutées par l’unité arithmétique 51 du calculateur 5.

Par exemple, l’unité arithmétique 51 est un microprocesseur ou un microcontrôleur programmable. Le support d’enregistrement 52 est un module mémoire de technologie Flash ou EEPROM ou encore de technologie magnétique. L’interface 53 est notamment apte à acquérir le pénétrogramme 3.

Le jeu d’instructions 55 comporte un module d’acquisition 551 du pénétrogramme 3, un module de calcul d’un vecteur d’entrée 552, un module de classement automatique 553 et un module de présentation des résultats 554. Le rôle de ces différents modules est décrit plus en détail dans ce qui suit.

Le module 551 est configuré pour acquérir un pénétrogramme 3 en vue de déterminer automatiquement la nature géologique du sol 1.

Dans cette description, par nature géologique d’un sol, on entend des propriétés géotechniques du sol. Par exemple, dans le cas d’un sol constitué essentiellement d’un matériau granulaire, la nature du sol correspond aux propriétés dimensionnelles des grains de matériau formant le sol 1. A titre illustratif, la nature du sol est ici définie par rapport aux classes de sol de la nomenclature « GTR >> décrite dans la norme « NF P 11300 >>. D’autres définitions de classes de sol peuvent être utilisées.

La figure 5 représente, à titre d’illustration, trois exemples de pénétrogrammes 60, 61 et 62 contenus dans la base de données 4. Ces pénétrogrammes 60, 61 et 62 sont associés à des sols de nature différente, ici respectivement appartenant aux classes de sols « A1 >>, « A2 >> et « B2 >> selon la classification GTR précédemment définie.

Le calculateur électronique 5 est configuré pour classer automatiquement le pénétrogramme 3, au sein d’une classe de sol, parmi plusieurs classes de sol prédéfinies représentant chacune un sol de nature différente. Ce classement automatique est ici réalisé au moyen d’un classifieur de type réseau de neurones artificiel, connu sous l’acronyme ANN, pour « Artificial Neural Network >> en langue anglaise. Ce classifieur est ici implémenté par le module de classement automatique 553. Dans ce qui suit, le terme « réseau de neurones 553 >> fait référence à un tel classifieur implémenté par le module de classement automatique 553.

De façon connue, un réseau de neurones artificiel est basé sur un modèle mathématique dont le fonctionnement est inspiré du fonctionnement des neurones biologiques. Un réseau de neurones artificiel est modélisé comme un graphe formé de nœuds reliés entre eux au moyen d’interconnexions. Chaque nœud reçoit une ou plusieurs valeurs d’entrée et, en retour, fournit une valeur de sortie, qui dépend notamment des valeurs d’entrée reçues. Un coefficient numérique, nommé « poids >>, est associé à chacune des interconnexions. Les valeurs des poids peuvent automatiquement être modifiées par rétropropagation durant une phase d’apprentissage, décrite plus en détail dans ce qui suit. Cette modification par rétropropagation est réalisée en fonction d’une valeur d’erreur entre les valeurs calculées en sortie par le réseau de neurones d’une part et des valeurs attendues pour cet apprentissage d’autre part.

Dans cet exemple, le réseau de neurones 553 est de type « perceptron multicouche >>. Dans un tel réseau de neurones, les nœuds sont répartis entre : une couche d’entrée, au moins une couche cachée et une couche de sortie. Chacun des nœuds de la couche d’entrée est uniquement relié aux nœuds de la couche cachée. Chacun des nœuds de la couche de sortie est uniquement relié à des nœuds de la couche cachée. Les interconnexions sont orientées depuis la couche d’entrée vers la couche de sortie.

On note « n >> le nombre de nœuds de la couche d’entrée et « m >> le nombre de nœuds de la couche cachée. Dans cet exemple, à titre d’illustration, le nombre n est égal à 17 et le nombre m est égal à 12.

Les nœuds de la couche d’entrée reçoivent chacun une valeur d’entrée. Les valeurs d’entrée sont contenues dans un vecteur d’entrée V de dimension n. Les nœuds de la couche de sortie fournissent chacun en sortie, à l’issue du calcul, une valeur de sortie. Les valeurs de sortie sont contenues dans un vecteur de sortie construit de façon analogue au vecteur d’entrée V.

Lorsqu’une valeur numérique est fournie en entrée du réseau de neurones, elle se propage de nœud en nœud vers la sortie du réseau de neurones en étant modifiée lors du passage dans les couches successives. Plus précisément, chaque nœud retourne une valeur numérique qui dépend d’une fonction d’activation F prenant comme variable la somme des valeurs numériques qu’il reçoit depuis les nœuds auxquels il est connecté en amont. Les valeurs numériques reçues depuis ces nœuds amont sont pondérées par les poids des interconnexions respectives reliant ce nœud aux nœuds amont. La valeur numérique retournée par ce nœud est ensuite propagée vers les nœuds situés en aval auxquels il est relié.

Un tel réseau de neurones est par exemple décrit dans l’ouvrage de D. E. Rumelhart et al, « Learning internai représentation by error propagation >>, Parallel distributed processing : Explorations in the microstructure of cognition, vol. 1, p. 318-362, MIT, Cambridge, 1986.

Dans cet exemple, la couche cachée comporte un nombre m de nœuds égal à douze. La fonction de transfert F est une fonction tangente hyperbolique. Les valeurs numériques fournies en sortie de chacun des nœuds sont normalisées de sorte à appartenir à l’intervalle [-1 ;+1].

Selon une variante, le réseau de neurones artificiel implémenté par le module 553 est du type probabiliste, connu sous l’acronyme « PNN >> pour « Probabilistic Neural Network >> en langue anglaise. Un tel réseau de neurones est par exemple décrit dans l’article de D. F. Specht et al, « Probabilistic neural networks >>, Neural Networks, vol. 3, p. 109-119, Elsevier, 1990. Bien qu’un tel réseau de neurones présente une fiabilité de classement qui est plus réduite dans le cas présent, la durée requise pour l’apprentissage de ce réseau de neurones est moindre.

Le module 552 est programmé pour calculer un vecteur d’entrée V du réseau de neurones à partir de paramètres représentatifs du pénétrogramme 3.

Le vecteur d’entrée V est un ensemble de M valeurs numériques servant de données d’entrée du réseau de neurones pour le classement du pénétrogramme 3. Ainsi, dans le procédé de la figure 7, le classement est réalisé sur la base du vecteur d’entrée V, qui joue le rôle d’identifiant du pénétrogramme 3. Dans ce qui suit, classer le pénétrogramme 3 parmi l’une des classes de sol revient à classer le vecteur d’entrée V parmi l’une de ces classes de sol.

Les valeurs numériques formant le vecteur d’entrée V sont des paramètres représentatifs du pénétrogramme 3.

Dans cet exemple, ces paramètres du pénétrogramme sont choisis parmi l’ensemble composé des paramètres suivants, notées 1] à 17] :

1] la résistance dynamique q_d,

2] la valeur médiane de la résistance dynamique q_d,

3] l’écart-type de la résistance dynamique q_d,

4] le coefficient de variation de la résistance dynamique q_d,

5] la variance de la résistance dynamique q_d,

6] l’étendue de valeurs de la résistance dynamique q, c’est-à-dire l’intervalle délimité par les valeurs minimales et maximales prises par la résistance dynamique q_d au sein de ce pénétrogramme,

7] l’écart interquartile de la résistance dynamique q_d,

8] l’asymétrie de la résistance dynamique q_d,

9] le coefficient d’aplatissement k de la résistance dynamique q_d, ce coefficient d’aplatissement étant ici défini au moyen de la formule suivante :

, FCqd-μ)⁴k =où σ est l’écart type, μ la valeur moyenne de la résistance dynamique q_d et E l’espérance mathématique.

10] l’entropie de Shannon E_s, ici calculée au moyen de la formule suivante :

Es(cÙ = xlogC^) i

dans laquelle « i >> est un indice entier qui identifie de façon unique chacun des points de mesure du pénétrogramme et « q, >> désigne la valeur de la mesure de résistance dynamique q_d pour le point identifié par l’indice i. Par exemple, les points de mesure du pénétrogramme sont numérotés consécutivement depuis le niveau du sol en augmentant en direction des profondeurs croissantes ;

11] l’entropie E|_Og des paramètres listés ci-dessus, définie comme étant la somme des logarithmes des carrés de chacune des paramètres 1] à 10] précédents, cette somme étant ici calculée au moyen de la formule suivante :

ElogW) = ^JogCy²) j dans laquelle « j >> est un indice entier qui identifie de façon unique chacune des paramètres précédents et « x, >> désigne chacune des paramètres 1] à 10] précédents.

12] le nombre de changements de signe de la pente du signal représentant la résistance dynamique q_d. On définit ici une pluralité d’intervalles du pénétrogramme selon la profondeur Z, ces intervalles présentant une même profondeur H, ici égale à 10cm. Ce nombre de changements de signe de la pente du signal est calculé en dénombrant le nombre N de fois où la courbe de la résistance dynamique q_d subit un rebroussement en présentant une pente qui change de signe, puis en normalisant le nombre N ainsi dénombré en le divisant par le rapport entre le nombre d’intervalles de taille H contenus dans le pénétrogramme selon la profondeur Z et la profondeur totale du pénétrogramme.

13] le nombre de croisements entre le pénétrogramme avec une ligne de tendance de ce même pénétrogramme. Cette ligne de tendance est par exemple définie par morceaux pour chacun des intervalles de taille H précédemment décrits, par exemple par régression par la méthode des moindres carrés. Ce nombre de croisements est calculé en dénombrant, pour chacun des intervalles de taille H précités, le nombre de fois où le pénétrogramme croise ladite ligne de tendance, puis en moyennant ce nombre ainsi dénombré, ici en le divisant par le nombre d’intervalles de longueur H.

14] la longitude de la forme de l’onde moyenne, ici calculée au moyen de l’équation suivante :

âq = ^Qi+1 +qi i où « i >> est l’indice précédemment défini.

15] la pente d’une droite de régression du signal du pénétrogramme, cette droite de régression étant calculée sur l’ensemble du pénétrogramme,

16] le coefficient constant indépendant de ladite droite de régression du signal pénétrométrique.

17] la puissance maximale spectrale du bruit du signal du pénétrogramme, par exemple calculée au moyen de la formule suivante :

q(z) = Q(z) + C₂+ δ(ζ) où Ct et C₂ désignent repectivement les paramètres 15] et 16] précédemment définis et δ(ζ) désigne le bruit. La valeur maximale de l’énergie spectrale des résidus du bruit est obtenue grâce à la Transformée Rapide de Fourier.

Par exemple, le vecteur d’entrée V est construit à partir d’au moins cinq desdits paramètres, de préférence à partir d’au moins dix desdits paramètres. Ici, le vecteur d’entrée V est construit à partir des dix-sept paramètres 1] à 17],

Ainsi, le vecteur d’entrée V est ici un ensemble de dix-sept valeurs numériques, chacune associée à l’une des dix-sept paramètres 1] à 17] calculés. Par exemple, le vecteur d’entrée V est construit par le calculateur 5 sous la forme d’une structure de données numérique telle qu’une matrice de dimensions 1xM, où le nombre M est ici égal à dix-sept, et dont les coefficients sont les dix-sept paramètres 1] à 17] ci-dessus calculés pour le signal de résistance dynamique du pénétrogramme 3.

Enfin, le module 554 est adapté pour fournir les résultats du classement effectué par le module 553, par exemple en générant un signal représentatif du résultat du classement et en transmettant ce signal à destination d’une interface utilisateur. Ce signal comporte un indicateur associé à l’une des classes de sol prédéfinies, par exemple un ou plusieurs symboles correspondant à la classe de sol selon la classification GTR précédemment décrite.

Un exemple de mise en œuvre du procédé de détermination de la nature du sol 1 est maintenant décrit, en référence à l’ordinogramme de la figure 6.

Avantageusement, le procédé comporte d’abord une étape préalable d’entraînement 98 du réseau de neurones 553. Cet entraînement est réalisé à l’aide d’une base de données d’apprentissage, contenant une pluralité de pénétrogrammes connus, chacun d’entre eux étant préalablement associé à une des classes de sol prédéfinies. Par exemple, les pénétrogrammes connus sont acquis sur un sol dont la nature est déterminée au moyen d’une autre technique, ou bien acquis à partir d’échantillons de sol dans une chambre de calibration. Ces pénétrogrammes connus sont ici contenus dans la base de données 4, qui joue donc le rôle de base de données d’apprentissage. En variante, la base de données d’apprentissage est distincte de la base de données 4.

L’étape préalable d’entraînement 98 est par exemple réalisée en mettant en œuvre, pour chacun des pénétrogrammes connus, les étapes 102, 104 et 106 décrites ciaprès, puis en mesurant une erreur sur le résultat du classement de ce pénétrogramme connu. En fonction de cette erreur, les poids affectés aux interconnexions entre les nœuds du réseau de neurones 553 sont automatiquement modifiés. Dans cet exemple, l’étape préalable d’entraînement 98 est réalisée au moyen de l’algorithme de LevenberMarquart.

Les classes de sol parmi lesquelles le pénétrogramme 3 doit être classé sont prédéfinies lors de l’étape préalable d’entraînement du réseau de neurones 553.

Dans cet exemple, à titre illustratif, on définit quatre classes de sol de nature différente. Le procédé mis en oeuvre a donc pour but de classer le pénétrogramme 3 au sein de l’une de ces quatre classes de sol. Ici, les quatre classes de sol correspondent à des sols granulaires de la nature suivante : sols fins, sables et graves avec fins, sables avec fines et graves. Ces classes sont ici numérotées de 1 à 4 et leurs propriétés sont résumées dans le tableau ci-après :

Numéro de la classe	Nature sol	du	Nomenclature GTR	Passant à 80pm	Passant à 2mm	Dmax
Classe 1	Sols fins		A1 à A4	> 35%	100%	< 50mm
Classe 2	Sables et Graves avec fins	B5, B6	> 12%	100%	< 50mm
Classe 3	Sables avec fines	D1, B1 et B2	< 12%	> 70%	< 50mm
Classe 4	Graves		D2, B3 et B4	< 12%	< 70%	< 50mm

Dans ce tableau, le terme « passant à 80pm » désigne la fraction, exprimée en pourcentage, d’un échantillon d’un tel matériau qui passe à travers les mailles d’un tamis lors d’un test par tamisage. Ce test par tamisage est réalisé au moyen d’un tamis maille carrée normalisée selon la norme « ISO 565 X11-501 >> et présentant une ouverture de maille de 80pm. De même, la caractéristique « passant à 2 mm >> désigne la fraction d’un échantillon de ce matériau qui passe au travers des mailles d’un tel tamis présentant une ouverture de maille de 2mm. La caractéristique Dmax désigne le diamètre maximal d’un grain de ce matériau.

Cette étape d’entraînement préalable 98 est réalisée une fois et n'a pas besoin d'être mis en oeuvre lors de chaque itération du procédé.

Ainsi, lors d’une étape 100 initiale, le réseau de neurones 533 préalablement entraîné pour une pluralité de classes de sol prédéfinies est fourni.

Lors d’une étape 102, le pénétrogramme 3 à classer est acquis, par exemple à l’aide de l’interface 53 depuis la base de données 4. Par exemple, le calculateur exécute le module d’instructions 531, permettant ce pénétrogramme 3 est stocké en mémoire du calculateur 5.

Puis, lors d’une étape 104, le vecteur d’entrée V est construit automatiquement par le calculateur électronique 5, à partir du pénétrogramme 3 acquis. Ici, chacun des paramètres 1] à 17] est d’abord calculé automatiquement par le calculateur 5, à partir du pénétrogramme 3 acquis. Puis le calculateur 5 affecte automatiquement les paramètres calculés à l’intérieur du vecteur d’entrée V, et stocke ce vecteur d’entrée V au sein d’une mémoire du calculateur 5.

Lors d’une étape 106, le vecteur d’entrée V est classé automatiquement, au moyen du réseau de neurones 553, au sein d’une des classes de sol prédéfinies. Plus précisément, chacune des valeurs des paramètres formant le vecteur d’entrée V construit est fournie comme valeur d’entrée à un nœud distinct de la couche d’entrée du réseau de neurones 553. En réponse, les nœuds de la couche d’entrée fournissent une valeur de sortie qu’ils transmettent aux différents nœuds de la couche cachée. Le calcul est réalisé de proche en proche entre les nœuds des différentes couches du réseau de neurones, en fonction notamment de ces valeurs d’entrées mais aussi des valeurs numériques des poids associés aux interconnexions et de la fonction d’activation F de chaque nœud.

A l’issue de l’étape 106, le résultat du classement est délivré par le calculateur 5. Par exemple, un signal représentatif du résultat est délivré sur l’interface 53 ou sur une interface de communication homme-machine, à destination d’un utilisateur du procédé, au moyen du module 554.

Le tableau suivant est une matrice de confusion qui présente les résultats obtenus en mettant en œuvre le procédé pour classer 218 pénétrogrammes parmi l’une des quatre classes de sol précédemment définies. Ces pénétrogrammes sont analogues au pénétrogramme 3 et sont acquis au moyen du pénétromètre 2.

	Classe 1	Classe 2	Classe 3	Classe 4	%estimé
Classe 1	110	3	0	0	97,3%
Classe 2	1	23	0	0	95,8%
Classe 3	0	0	37	0	100%
Classe 4	1	0	1	42	95,5%
%réel	98,2%	88,5%	97,4%	100%	97,2%

Dans cette matrice de confusion, chacune des colonnes numérotées « Classe 1 » à « Classe 4 >> correspond à une des classes de sol réelles prédéfinies. Les valeurs indiquées dans chacune de ces colonnes indiquent la façon dont les pénétrogrammes appartenant à cette classe de sol sont classés par le procédé. La colonne « %réel >> indique, pour chaque classe de sol réelle, le pourcentage de pénétrogrammes qui ont été correctement classés dans cette classe de sol. La colonne « %estimé >> indique, pour chaque classe de sol, le pourcentage de pénétrogrammes qui appartiennent réellement à cette classe de sol.

L’intersection de la première ligne avec la première colonne indique le nombre de pénétrogrammes classés par le procédé parmi la première classe de sol, qui appartiennent réellement à cette première classe de sol. Dans cet exemple, sur 112 pénétrogrammes de sols appartenant à la première classe de sol, 110 sont correctement classés dans cette première classe, soit un pourcentage de 98,2%. Sur les 113 pénétrogrammes de sols classés dans la première classe, 110 appartiennent réellement à cette première classe, soit un pourcentage de 97,3%.

Ainsi, dans cet exemple, sur les 218 pénétrogrammes à classer, ce sont 212 pénétrogrammes qui sont classés parmi les quatre classes de sol prédéfinies, soit un taux de réussite de 97%.

Avantageusement, la mise en oeuvre du procédé est précédée par une étape 99 préalable de choix des paramètres devant être utilisés pour construire le vecteur d’entrée V. En effet, en variante, le vecteur V peut ne pas contenir les dix-sept paramètres 1] à 17] précédemment définis.

Une telle étape 99 est préférentiellement mise en œuvre avant l’étape d’apprentissage pour sélectionner des paramètres parmi une liste prédéfinie.

Par exemple, pour chacun de ces paramètres, les étapes 102, 104 et 106 précédentes sont mises en œuvre, sur un pénétrogramme prédéfini mais pour lequel, lors de l’étape 104 de construction du vecteur d’entrée V, l’un des paramètres est modifié d’une valeur prédéterminée. A l’issue de l’étape 106, le résultat du classement de ce pénétrogramme est comparé automatiquement avec le résultat du classement de ce même pénétrogramme lorsque ladite grandeur statistique n’est pas modifiée de la valeur prédéterminée et un écart entre ces deux résultats est calculé. Si ce résultat est supérieur à un seuil prédéfini, ladite grandeur statistique est alors dite avoir une influence sur le résultat du classement et est considérée comme pertinente.

Ainsi, seuls les paramètres pour lesquels une modification d’une valeur prédéterminée conduit à l’apparition d’un écart supérieur à un seuil prédéfini sont sélectionnées.

La figure 7 représente le résultat d’une telle sélection effectuée pour vingt-six paramètres, incluant les dix-sept paramètres 1] à 17], et ces vingt-six étant numérotées arbitrairement 1 à 26 et notées « P >> sur l’axe des ordonnées.

Pour chacun de ces paramètres, les histogrammes représentent respectivement la valeur de l’écart, noté « ΔΕ >> et exprimé en pourcentage dans l’axe des abscisses, entre le résultat du classement de ce pénétrogramme lorsque la valeur de cette grandeur statistique est modifiée d’une quantité prédéterminée d’une part et le résultat du classement de ce pénétrogramme lorsque la valeur de cette grandeur statistique n’est pas modifiée d’autre part. Plus précisément, les histogrammes portant les références 70, 71, et 73 correspondent, pour chaque paramètre, aux valeurs des écarts lorsque ce paramètres est modifié d’une valeur correspondant respectivement à 10% de son écarttype, à 50% de son écart-type, à 100% de son écart-type et à 100% de sa variance. Soit x un paramètre parmi l’ensemble de paramètres considérés pour l’étude, l’écart type est ici donné par la formule :

N ^{σ2 =} 1ΓΐΣ^ίΧι~^² i=i avec N le nombre de pénétrogrammes utilisés pour l’entraînement du réseau de neurones qui seront les seuls contemplés pour ce calcul ; x^-est la moyenne de ces variables pour les pénétrogrammes de la phase d’entrainement.

Dans cet exemple, cette étape préalable a permis d’écarter neuf de ces vingt-six 10 paramètres, jugés comme étant non pertinents car ne contribuant que peu au résultat du classement, pour ne conserver que les paramètres 1] à 17] précédemment définis.

Selon une variante, lors de l’étape 104, plusieurs vecteurs d’entrée sont construits pour chaque pénétrogramme. Dans ce cas, de préférence, le classement lors de l’étape 106 est réalisé en fonction des vecteurs d’entrée construits pour ce pénétrogramme

Les modes de réalisation et les variantes envisagés ci-dessus peuvent être combinés entre eux pour générer de nouveaux modes de réalisation.

Claims

REVENDICATIONS

1. - Procédé de détermination automatique de la nature d’un sol (1), caractérisé en ce que ce procédé comporte des étapes :

a) d’acquisition (102) d’un pénétrogramme d’un sol à caractériser, obtenu au moyen d’un essai de pénétration dynamique à énergie variable, ce pénétrogramme contenant au moins un signal exprimant la résistance dynamique à l’enfoncement (q) d’une pointe (21) d’un pénétromètre (20) en fonction de la profondeur d’enfoncement de cette pointe (21) dans le sol (1) ;

b) de construction (104) d’un vecteur d’entrée représentatif du pénétrogramme acquis, cette construction comportant le calcul automatique, à partir du pénétrogramme acquis, de valeurs de paramètres représentatifs du signal de la résistance dynamique (q) à l’enfoncement de la pointe conique (21) dans le sol (1) pour ce pénétrogramme, les paramètres étant choisis parmi l’ensemble composé de la valeur moyenne, la valeur médiane, l’écart-type, le coefficient de variation, la variance, l’intervalle entre les valeurs maximale et minimale prises par le signal, l’écart interquartile, l’asymétrie, le coefficient d’aplatissement, l’entropie de Shannon du signal, l’entropie de paramètres statistiques du signal, le changement de signe de la pente du signal, le nombre de croisements du signal avec la ligne de tendance, la longitude de la forme de l’onde moyenne du signal, des premier et deuxième coefficients d’une droite de régression associée au signal, et la puissance maximale spectrale du bruit du signal ;

c) de classement automatique (106) du pénétrogramme au sein d’une classe de sol parmi une pluralité de classes de sol prédéfinies, chaque classe de sol représentant une nature d’un sol, ce classement automatique étant réalisé automatiquement au moyen d’un réseau de neurones à partir du vecteur d’entrée construit.
2. - Procédé selon la revendication 1, caractérisé en ce que, lors de l’étape b), le vecteur d’entrée est construit (104) à partir d’au moins cinq desdits paramètres, de préférence au moins dix desdits paramètres.
3. - Procédé selon la revendication 2, caractérisé en ce que, lors de l’étape b), le vecteur d’entrée est construit (104) à partir de tous lesdits paramètres.
4. - Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce qu’il comporte une étape préalable (99) de choix des paramètres qui seront utilisés pour construire le vecteur d’entrée lors de l’étape b), cette étape comportant :

z) pour chacun desdits paramètres, la mise en œuvre des étapes a) à c) sur un même pénétrogramme dans laquelle la valeur de cette grandeur statistique dudit pénétrogramme est modifiée d’une valeur prédéterminée, puis, à l’issue de l’étape c), la mesure de l’écart entre le résultat du classement de ce pénétrogramme et le résultat du classement de ce même pénétrogramme lorsque la valeur de cette grandeur statistique n’est pas modifiée, z’) la sélection des paramètres pour lesquels l’écart mesuré est supérieur à un seuil prédéfini.
5. - Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce qu’il comporte une étape préalable d’entraînement (98) du réseau de neurones, réalisée à l’aide d’une base de données d’apprentissage (4) comportant une pluralité de pénétrogrammes connus chacun préalablement associé à une des classes de sol prédéfinies.
6. - Procédé selon la revendication 5, caractérisé en ce que l’étape préalable d’entraînement (98) est réalisée au moyen d’un algorithme de Levenber-Marquart.
7. - Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que, lors de l’étape c), le classement (106) est réalisé par un réseau de neurones (553) de type perceptron multicouches.
8. - Support d’enregistrement d’informations (52), caractérisé en ce qu’il comporte des instructions (55) aptes à mettre en œuvre un procédé de détermination de la nature d’un sol selon l’une quelconque des revendications précédentes, lorsque ces instructions sont exécutées par un calculateur électronique (5).
9. - Dispositif de détermination de la nature d’un sol, ce dispositif étant caractérisé en ce qu’il comporte un calculateur électronique (5) programmé pour :

a) acquérir (102) un pénétrogramme d’un sol à caractériser, obtenu lors d’un essai par pénétrométrie dynamique, ce pénétrogramme contenant au moins un signal exprimant la résistance dynamique à l’enfoncement (q) d’une pointe (21) d’un pénétromètre (20) en fonction de la profondeur d’enfoncement de cette pointe (21) dans le sol (1) ;

b) construire (104) un vecteur d’entrée représentatif du pénétrogramme acquis, cette construction comportant le calcul automatique, à partir du pénétrogramme acquis,

5 des valeurs de paramètres représentatifs de la résistance dynamique à l’enfoncement de la pointe dans le sol pour ce pénétrogramme, les paramètres étant choisis parmi l’ensemble composé de la valeur moyenne, la valeur médiane, l’écart-type, le coefficient de variation, la variance, l’intervalle entre les valeurs maximale et minimale prises par le signal, l’écart interquartile, l’asymétrie, le coefficient d’aplatissement, l’entropie de
10 Shannon du signal, l’entropie de paramètres statistiques du signal, le changement de signe de la pente du signal, le nombre de croisements du signal avec la ligne de tendance, la longitude de la forme de l’onde moyenne du signal, des premier et deuxième coefficients d’une droite de régression associée au signal, et la puissance maximale spectrale du bruit du signal ;
15 c) classer automatiquement (106) le pénétrogramme acquis au sein d’une classe de sol parmi une pluralité de classes de sol prédéfinies, chaque classe de sol représentant une nature d’un sol, ce classement étant réalisé automatiquement au moyen d’un réseau de neurones (553) à partir du vecteur d’entrée construit.

1/5

2/5 i-;-Î Ï—i—ΓΤ-Ι-s-li ....................*^IL»-WZIZT-T|-r qd (Mpa)

4/5 i