Réduction des incertitudes sur le comportement des sols excavés au tunnelier par l'analyse en continu des données collectées – Application à deux tronçons du Grand Paris Express

par Tatiana Richa

Projet de thèse en Géotechnique

Sous la direction de Jean-Michel Pereira.

Thèses en préparation à Marne-la-vallée, ENPC , dans le cadre de École doctorale Sciences, Ingénierie et Environnement , en partenariat avec NAVIER (laboratoire) et de Géotechnique (equipe de recherche) depuis le 01-05-2020 .


  • Résumé

    Le projet de Réseau de Transport Public du Grand Paris comportera plus de 200 km de ligne nouvelle de métro. Les tunnels seront creusés par des tunneliers sous des zones fortement urbanisées et traverseront une stratigraphie riche et contrastée. Au titre de la gestion des risques du creusement vis-à-vis de l'environnement urbain, la réduction des incertitudes sur les prévisions des tassements induits en surface est primordiale. Les données de mesures des déplacements des cibles topographiques fixées sur les chaussées et bâtiments inscrits dans la Zone d'Influence Géotechnique ainsi que les données du pilotage du tunnelier sont systématiquement acquises. Ces informations brutes issues du creusement de la ligne 15 Sud-Ouest et de la ligne 14 Sud sont collectées, nettoyées et organisées dans une base de données robuste. Ces ensembles de données sont ensuite analysés par des approches de modélisation statistiques telles que des approches basées sur des techniques de classification, de filtrage ou d'apprentissage machine en vue de recaler les prévisions de tassement. Le défi est d'éviter le piège de la boîte noire en appliquant ces approches purement numériques : une démarche complètement décorrélée de la mécanique des sols risquerait de conduire à des résultats trop éloignés de la réalité physique. Des conclusions seront établies quant à l'intérêt et la performance de chacune des méthodes de traitement statistique mises en œuvre ainsi que leur application potentielle à d'autres lignes du Grand Paris dans l'objectif d'améliorer la prédiction des tassements en surface et le recalage de cette prédiction au fur et à mesure des creusements. Ces travaux seront complétés par une modélisation numérique 2D en éléments finis qui prendra en compte la stratigraphie du tracé ainsi que l'effet de l'avancement du front de taille. Cette démarche permettra d'obtenir une grande quantité de données fiables qui seront utilisées dans les analyses par apprentissage machine. L'objectif est la réalisation d'une analyse des données issues des mesures in-situ, enrichie à l'aide des outils d'intelligence artificielle. L'intérêt de ce travail est de construire un modèle simplifié et fiable qui constituera un outil décisionnel, réactif et précis, pour le suivi de l'excavation à court et long terme.

  • Titre traduit

    Reduction of uncertainties on the behavior of soils induced by TBM using in situ monitoring data - Application to two sections of the Grand Paris Express


  • Résumé

    The Grand Paris Express is the largest transport project in Europe with 200 km of new railways lines. The tunnels are excavated with tunnel boring machines under highly urbanized areas and will cross a rich and contrasting stratigraphy. In terms of risk management of excavations under an urban environment, the reduction of uncertainties in the predictions of induced settlements on the surface is essential. Data measuring the movement of topographic targets fixed on roads and buildings registered in the Geotechnical Area of Influence, as well as data related to the TBM, are systematically acquired. This raw information from the excavation of line 15 South-West and line 14 South is collected, cleaned, and organized in a robust database. These data sets are then analyzed by statistical modeling approaches such as approaches based on classification, filtering, or machine learning techniques in order to reevaluate settlement predictions. The challenge is to avoid the black box trap: an approach completely uncorrelated from soil mechanics would risk leading to results that are too far from physical reality. Conclusions will be drawn up regarding the interest and performance of each of the statistical processing methods implemented as well as their potential application to other lines in the Grand Paris with the aim of improving the prediction of surface settlements and the readjustment of this prediction as the excavation progresses. This work will be supplemented by a 2D finite elements numerical modeling in which will be considered the stratigraphy as well as the effect of the advancement of the tunnel face. This will result in a large amount of reliable data that will be used in machine learning analyzes. The objective is to carry out a data analysis from in-situ measurements, enriched using artificial intelligence tools. The interest of this work is to build a simplified and reliable model which will constitute a decision-making tool, reactive and precise, for the follow-up of the excavation in the short and long term.