Identification des caractéristiques aléatoires de remblais à partir du suivi de santé des structures : application aux structures portuaires

Identification of random characteristics of embankment from data structural health monitoring : application to port structure

• Auteur / Autrice : Khanh Toan Le
• Direction : Francesca Lanata, Franck Schoefs
• Type : Thèse de doctorat
• Discipline(s) : Sciences pour l'ingénieur, Génie civil, Mécanique
• Date : Soutenance en 2012
• Etablissement(s) : Nantes
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur, Géosciences, Architecture (Nantes)
• Partenaire(s) de recherche : Autre partenaire : Université de Nantes. Faculté des sciences et des techniques

Mots clés

Mots clés contrôlés

Mécanique des sols

Remblais

Tirants d'ancrage

Méthode des éléments finis

Contraintes (mécanique)

Quais

Ports

Mots clés libres

Surface de réponse

Analyse inverse

Quai sur pieux

Calibration

Résumé

Le comportement en service de certaines structures prototypes (comme les Structures de Génie civil) peut parfois être assez éloigné de celui envisagé au moment de la conception. En effet, compte tenu de l’innovation, certaines hypothèses fortes sont utilisées soit parce que l’information est indisponible (données réelles du site d’implantation), soit parce qu’aucun modèle ne permet de représenter cette réalité. La modélisation de comportement en service est de première importance lorsde la réévaluation des structures complexes comme les structures portuaires et l'analyse des risques. Le Structural Health Monitoring (SHM) ou Suivi de Santé des Structures permet de répondre à cette question en (i) mesurant des indicateurs du comportant réel de la structure (ii) détectant des anomalies par rapport à ce comportement si l’instrumentation est suffisamment pérenne. Le travail de thèse propose d’utiliser l’information issue de l’instrumentation dans un contexte probabiliste. Il s’agit d’identifier les paramètres d’un modèle de comportement sous forme de variables aléatoires représentées par le vecteur X qui intègrent pour une part l’aléa naturel et pour un autre une erreur de modèle. Il a été choisi de travailler en deux étapes : l’utilisation d’un modèle fin M (X), à l’aide du code de calcul par éléments finis (PLAXIS), coûteux en temps de calcul sur lequel est calibrée une surface de réponse polynomiale quadratique RS (X) pour des points bien choisis. Cette approche permet de converger vers des propriétés asymptotiques même pour des réalisations de X non échantillonnées dans la base de calibration. On peut ainsi réduire la taille de l’échantillon, ce qui présente un avantage par rapport aux réseaux bayésiens ou neuronaux. Il s’agit ensuite, par analyse inverse sur un grand nombre de situations mesurées, d’identifier X connaissant une mesure Y et sachant Y= RS (X). On se propose dans la thèse d’appliquer cette méthode à l’instrumentation de quais sur pieux afin de déterminer des caractéristiques de site, jusqu’alors indisponibles dans les modèles probabilistes

The in-service behavior of some prototype structures (like Civil Engineering Structures) is often different from that initially assume during the design. Even if assumptions during design are conservative they hold the understanding of the real behavior off. The modeling of in-service behavior is of first importance when reassessing complex structures like harbor structures and performing risk analysis. To this aim, the Structural Health Monitoring (SHM) is of first importance because it allows us to assess the real level of loading and to provide more realistic models for mechanical behavior or value of their parameters. This thesis proposes to use information from instrumentation in a probabilistic context. This is to identify parameters of a behavior model under form of random variables represented by a vector X which integrate in part the natural hazard and another for a model error. The research is performed in two stages: (1) simulation of the structure behavior by using a set of a priori parameters as input value of the finite element code (PLAXIS) on a simple model M (X) which is calibrated by a quadratic polynomial response surface model RS (X) for points well chosen. This approach allow to converge to the same asymptotic properties for realizations of X not sampled in the base of calibration. This reduces the sample size, which represents a better advantage than using Bayesian or Neuronal networks; (2) an inverse analysis is realized on a large number of situations measured to identify X and to give Y that Y= RS (X). We propose to apply this method to the instrumentation of pile supported wharfs to determine site characteristics, previously unavailable in probabilistic models.