Table of Contents

L'apprentissage profond a révolutionné de nombreux domaines, y compris l'ingénierie géotechnique. L'une de ses applications les plus prometteuses est l'estimation des propriétés du sol, qui sont essentielles pour des projets de construction sûrs et efficaces. Les méthodes traditionnelles impliquent souvent des échantillonnages et des essais en laboratoire approfondis, qui peuvent prendre du temps et coûter cher. L'apprentissage profond offre une alternative plus rapide et plus précise en analysant de grands ensembles de données pour prédire le comportement du sol.

Importance de l'estimation des propriétés des sols dans le génie géotechnique

Les propriétés du sol telles que la résistance au cisaillement, la perméabilité, la compressibilité et les caractéristiques de compactage influent directement sur la conception et la stabilité à long terme des fondations, des pentes, des murs de soutènement et des travaux de terrassement. L'estimation précise de ces propriétés permet aux ingénieurs de prévenir les défaillances, de réduire les coûts de surconception et d'optimiser les séquences de construction.

Acquisition de données et préparation à des modèles d'apprentissage approfondi

Le succès de toute application d'apprentissage profond dépend de la qualité, du volume et de la diversité des données de formation.

  • Résultats d'essais in situ:[ Nombres de coups de SPT, résistance au cône CPT, mesures de pression interstitielle et vitesse des ondes de cisaillement à partir de relevés géophysiques.
  • Paramètres d'essai de laboratoire:[ Limites d'atterberg, distribution de la taille du grain, teneur en humidité, densité, résistance à la compression non confinée, et résultats triaxiaux consolidés non drainés.
  • Détection à distance et données géospatiales:[ Modèles d'élévation LiDAR, imagerie satellitaire multispectrale et profils radars à pénétration au sol.
  • Cartes géologiques et registres des forages : Descriptions stratigraphiques, niveaux d'eau souterraine observés et relevés historiques des sites.

La préparation des données exige une manipulation soigneuse des valeurs manquantes, une détection aberrante, une normalisation et une ingénierie des caractéristiques. Par exemple, les valeurs brutes de SPT peuvent être corrigées pour la pression excessive et l'efficacité énergétique de la tige avant d'être utilisées comme intrants. Les coordonnées spatiales (est, nord, élévation) sont souvent incluses comme caractéristiques supplémentaires pour permettre au modèle d'apprendre des modèles dépendants de l'emplacement.

Données publiques et données exclusives

Plusieurs dépôts à accès libre fournissent des données d'essai sur le sol pour la recherche, y compris le USGS Geochemical and Geospatial Data[ et le Geoengineer.org sol property data . De nombreuses sociétés de conseil tiennent également des archives exclusives de milliers de forages qui peuvent être utilisés pour former des modèles spécifiques au site.

Architectures d'apprentissage profond pour l'estimation des propriétés des sols

Les modèles d'apprentissage approfondi apprennent automatiquement les caractéristiques hiérarchiques à partir d'entrées brutes ou d'entrées artificielles. Le choix de l'architecture dépend de la nature des données d'entrée et de la propriété cible.

Réseaux neuronaux convolutionnels (RCN)

Les CNN sont conçus pour traiter des données semblables à des grilles, telles que des images ou des réseaux 2D. En génie géotechnique, les CNN ont été appliqués pour classer les types de sol à partir d'images transversales, prédire la résistance au cisaillement non drainée à partir d'images de profil CPTu et cartographier les propriétés du sol à partir d'images multispectrales de télédétection. Une architecture typique des CNN comprend des couches convolutionnelles suivies de couches de mise en commun et de couches entièrement reliées.

Réseaux neuronaux récurrents (RNN) et mémoire à court terme longue (LSTM)

Les RNN sont excellents pour la manipulation de données séquentielles, ce qui les rend idéales pour modéliser les propriétés du sol en fonction de la profondeur. Puisque les grumes de forage et les sondes CPT sont essentiellement des séquences de mesures à des profondeurs croissantes, les RNN peuvent saisir les tendances et l'autocorrélation en profondeur. Les réseaux LSTM, une variante des RNN, permettent d'atténuer le problème du gradient de disparition et d'apprendre les dépendances à long terme.

Réseaux neuronaux (RND) et perceptrons multicouches (LLP) à alimentation profonde

Pour les données tabulaires structurées, comme un ensemble de propriétés d'indices provenant d'un échantillon de sol, un DNN standard fonctionne bien. Ces modèles consistent en une couche d'entrée, plusieurs couches cachées avec des fonctions d'activation non linéaires (ReLU, tanh) et une couche de sortie adaptée à la régression ou à la classification. Les DNN peuvent approximation de n'importe quelle fonction continue étant donné des neurones et des couches suffisantes.

Architectures hybrides et avancées

Par exemple, un CNN peut extraire des caractéristiques spatiales d'une image du profil du sol, tandis qu'un LSTM traite la séquence de profondeur de la résistance à la pénétration. Les mécanismes d'attention, inspirés du modèle Transformer, sont de plus en plus utilisés pour pondérer les caractéristiques d'entrée adaptativement. Un modèle basé sur les transformateurs[ formé sur des données à plusieurs échelles a démontré des performances de pointe dans la prédiction de la résistance à la compression non confinée entre différents types de sol.

Formation modèle, validation et quantification de l'incertitude

La formation d'un modèle d'apprentissage profond pour l'estimation des propriétés du sol comporte plusieurs étapes critiques, au-delà de la simple réduction des pertes sur les données de formation.

Fonctions de perte et critères d'évaluation

Pour les tâches de régression, l'erreur carrée moyenne (ESM) ou l'erreur absolue moyenne (EAM) sont des fonctions de perte courantes. Comme les propriétés du sol peuvent varier sur plusieurs ordres de grandeur, les cibles transformées en log ou les mesures d'erreur relative (p. ex., erreur moyenne en pourcentage absolu, EAM) sont souvent préférées. Pour les tâches de classification (p. ex., identification du type de sol), l'entropie croisée catégorique est standard.

Validation croisée et corrélation spatiale

Les données géotechniques sont intrinsèquement liées à l'espace. Les scissions aléatoires des essais de trains peuvent conduire à des performances suroptimistes parce que les forages à proximité ont des propriétés similaires. La validation croisée spatiale – où les données sont divisées par des grappes géographiques ou par intervalles de profondeur – fournit une estimation plus réaliste de la généralisation du modèle.

Tuning et régularisation des hyperparamètres

Le choix du nombre optimal de couches, de neurones, de taux d'apprentissage, de taille de lots et de fonction d'activation peut être automatisé en utilisant la recherche par grille, la recherche aléatoire ou l'optimisation bayésienne. L'arrêt précoce basé sur la perte de validation empêche l'ajustement excessif. L'augmentation des données, comme mentionné, peut augmenter artificiellement la taille des ensembles de données.

Études de cas et applications pratiques

Plusieurs projets concrets ont démontré l'efficacité de l'apprentissage profond pour l'estimation des propriétés du sol.

Prédiction de la force de cisaillement non drainée dans les argiles douces

Un grand projet d'infrastructure en Asie du Sud-Est a nécessité la caractérisation d'un dépôt d'argile épaisse pour la conception des tunnels. L'échantillonnage traditionnel n'a donné que 40 points de données sur un alignement de 2 km. Un réseau neuronal profond a été formé sur 300 trous historiques provenant de formations géologiques semblables dans la région, en utilisant les valeurs N SPT, la teneur en eau, la limite de liquide et la profondeur comme intrants. Le modèle a prédit la résistance au cisaillement non drainée à des intervalles de 1 m le long de l'alignement des tunnels avec un R2 de 0,91, les paramètres de conception guidant et en économisant des mois d'essais supplémentaires sur le terrain.

Cartographie possible de la liquéfaction des sols à l'aide des CNN

Les ingénieurs de Californie ont utilisé un CNN pour traiter les données CPTu pour estimer le potentiel de liquéfaction. L'entrée était une grille 2D de résistance au cône et de rapport de friction sur la profondeur, et la sortie était une classification binaire de liquéfaction à chaque profondeur. Le modèle a été formé sur les données du séisme de Loma Prieta de 1989 et validé sur l'événement de Northridge de 1994. Le CNN a obtenu 88 % de précision, dépassant les méthodes conventionnelles basées sur le stress de 7 points de pourcentage.

Estimation de la conductivité hydraulique à partir des logs lithologiques

Dans une étude de modélisation des eaux souterraines, un réseau LSTM a été formé à des séquences de profondeur de descriptions lithologiques (encodées comme variables catégoriques) et à des mesures de conductivité hydraulique à partir d'essais d'emballage. Le modèle a permis de prédire avec succès les profils de conductivité de centaines de forages non échantillonnés dans un aquifère de 50 km2, ce qui a réduit de plus de 60 % le coût des essais supplémentaires de pompe.

Défis et limites

Malgré sa promesse, l'apprentissage profond en génie géotechnique fait face à plusieurs obstacles qui doivent être reconnus.

Qualité et quantité des données

Les données de base sont souvent insuffisantes, mais elles peuvent surpasser ou produire des prévisions peu fiables en dehors du domaine de la formation. Les initiatives de partage de données (p. ex., bases de données à l'échelle de l'industrie) pourraient atténuer cette situation, mais des problèmes de données exclusives et de normalisation subsistent.

Modèle d'interprétation

Les ingénieurs et les régulateurs doivent comprendre pourquoi un modèle fait une prédiction particulière. Les modèles d'apprentissage profond sont souvent considérés comme des boîtes noires. Des techniques telles que SHAP (explications additives Shapley) et LIME (explications locales interprétables modèle-agnostique) peuvent fournir une importance caractéristique, mais ils ne saisissent pas toujours les relations de causalité physique.

Changement de domaine et variabilité spatiale

Un modèle formé sur les données d'une région peut se révéler inefficace dans un contexte géologique différent en raison de changements dans la genèse du sol, la minéralogie et l'histoire du stress. Les ingénieurs doivent évaluer avec soin si la distribution des données de formation correspond au site d'essai.

Intégration avec les flux de travail traditionnels

La plupart des entreprises d'ingénierie continuent de s'appuyer sur des méthodes déterministes ou semi-empiriques pour estimer les propriétés des sols. La transition vers l'apprentissage profond exige non seulement des investissements dans les logiciels et le matériel, mais aussi un changement culturel dans la façon dont les enquêtes géotechniques sont planifiées et exécutées.

Orientations futures et besoins en matière de recherche

Le champ évolue rapidement, avec plusieurs directions prometteuses à l'horizon.

Multifidélité et fusion des données

La combinaison de données de laboratoire de grande qualité et de mesures in situ denses et de qualité inférieure peut améliorer la précision du modèle tout en réduisant les coûts. Les processus de plusieurs fidélités et les ensembles de réseaux neuronaux qui apprennent l'écart entre les sources de données sont explorés. Par exemple, l'utilisation des données CPT pour prédire le type de comportement du sol et ensuite l'étalonnage d'un modèle à haute fidélité avec quelques tests triaxiaux donne de meilleures estimations que les deux seules sources.

Réseaux neuronaux formés en physique (RINP)

Les PINN intègrent directement les lois physiques (par exemple, la loi de Darcy sur le débit des eaux souterraines, l'équation de consolidation de Terzaghi) dans la fonction de perte, ce qui garantit que les prédictions satisfont les équations de régulation connues, améliorent les capacités d'extrapolation et fournissent des résultats physiques cohérents.

Caractérisation en temps réel du site

Avec l'augmentation des plates-formes de forage automatisées et des flux de capteurs en temps réel, les modèles d'apprentissage profond pourraient fournir des estimations instantanées des propriétés du sol au cours de l'étude du site. Un modèle formé sur des projets antérieurs pourrait mettre à jour les prévisions à mesure que de nouvelles données arrivent, ce qui permettrait aux ingénieurs d'adapter le plan d'échantillonnage à la volée.

Robustesse aux conditions de l'adversaire

Les erreurs de mesure et les erreurs de calcul peuvent dégrader les performances du modèle. L'entraînement avarien, où le modèle est exposé à des entrées intentionnellement corrompues pendant l'entraînement, peut rendre le modèle plus robuste.

Conclusion

En permettant des évaluations plus rapides, plus précises et plus rentables, ces techniques peuvent améliorer la sécurité et l'efficacité des projets de construction dans le monde entier. L'intégration d'architectures de modèles avancées, le traitement approprié des données et la quantification de l'incertitude ont déplacé ces méthodes de la curiosité universitaire vers des outils pratiques dans certains projets. Cependant, une adoption généralisée exigera de relever les défis en matière de disponibilité des données, d'interprétation des modèles et d'adaptation des domaines.