Élaboration d’un outil d’aide à la décision pour l’estimation de l’uni longitudinal final des chaussées intégrant les phasages de leur mise en œuvre : Une approche combinant les réseaux de neurones artificiels et l'analyse de données fonctionnelles issues d'auscultation

Development of a decision-making tool to estimate the final longitudinal unevenness of pavements that integrates the phasing of their implementation : An Approach combining artificial neural networks and analysis of functional data from inspection

• Auteur / Autrice : Aymane Gourimate
• Direction : Fekri Meftah, Jean-François Dupuy
• Type : Thèse de doctorat
• Discipline(s) : Génie Civil
• Date : Soutenance le 21/06/2023
• Etablissement(s) : Rennes, INSA
• Ecole(s) doctorale(s) : École doctorale Sciences Pour l'Ingénieur (Lorient ; 2022-....)
• Partenaire(s) de recherche : Entreprise : Vinci construction France - Volvo
• Partenaire(s) de recherche : Laboratoire : Laboratoire de génie civil et génie mécanique (LGCGM)
• Jury : Président / Présidente : Armelle Chabot
• Jury : Examinateurs / Examinatrices : Fekri Meftah, Jean-François Dupuy, Armelle Chabot, Amine Ihamouten, Jean-Michel Loubès
• Jury : Rapporteurs / Rapporteuses : Amine Ihamouten, Jean-Michel Loubès

Mots clés

Mots clés contrôlés

Modélisation prédictive

Détérioration

Apprentissage supervisé (intelligence artificielle)

Génie civil -- Recherche

Revêtements (voirie)

Mots clés libres

Réhabilitation de la chaussée

Amélioration de l’uni longitudinal

Intelligence artificielle

Réseau de neurones récurrents de convolution

Prédiction des séries temporelles

Apprentissage supervisé

Pavement rehabilitation

Improvement of the longitudinal evenness

Artificial intelligence

Recurrent convolutional neural networks

Time series prediction

Supervised learning

Résumé

L'uni longitudinal caractérise l'écart entre le profil longitudinal théorique de la chaussée et celui de sa surface réelle. Ainsi, l'uni de la chaussée qualifie les dégradations de sa surface qui interfèrent avec la sécurité et le confort de ses passagers. Toutefois, cette notion reste difficilement maîtrisable surtout dans le cadre d'une réhabilitation, où le résultat obtenu dépend du niveau préexistant d'uni. En effet, la profession fait face aujourd'hui à un manque de connaissance sur l'impact de l'uni préexistant (l'état de support) sur la qualité de l'uni obtenu post-réhabilitation. Par conséquent, l’élaboration d’un modèle permettant de prédire l'impact de la réhabilitation sur l'amélioration de la chaussée reste une problématique posée à laquelle cette thèse répond avec un élément majeur d’originalité dans l’approche : développer un système apprenant pour prédire le profil post-réhabilitation à partir de celui préexistant. Ce positionnement amont (prédiction du profil postréhabilitation) assure une estimation détaillée qui permet de cibler les zones potentiellement problématiques, en plus d'une polyvalence de l’outil quant à l’intégration a posteriori des différents indicateurs contractuels. Après avoir élaboré un ensemble de procédures correctives suivies pour réduire les incohérences et les impertinences entre les mesures pré- et post-réhabilitation, nous proposons l'U-RC-NET : un réseau de neurones artificiels récurrents de convolution qui, grâce à son architecture innovante, est capable de traduire les mécanismes physiques d'évolution de l'uni de la chaussée En effet, ce modèle reconnaît dans un premier temps la segmentation des séquences pré-réhabilitation par blocs monolithiques (traces résiduelles des défauts), et prédit ensuite leurs améliorations à la suite de la réhabilitation en estimant leurs atténuations en fonction de leurs formes. Pour ce faire, trois blocs principaux organisent l'architecture du modèle développé : le premier bloc est un encodeur qui extrait les caractéristiques des séquences d'entrée tout en réduisant leurs résolutions spatiales. Le deuxième bloc est une cellule LSTM qui génère un noyau de la séquence prédite. Enfin, le troisième bloc est le décodeur où le même niveau de résolution de la séquence d'entrée est retrouvé. Pour forcer le modèle à constituer les séquences prédites en estimant l'amélioration de chacune des formes (traces résiduelles) préréhabilitation présentes dans les séquences d'entrée, la fonction perte choisie pour l'apprentissage du modèle U-RC-NET est la Soft- DTW normalisée. Ce choix permet au modèle de focaliser sur des prédictions basées sur la forme dès son entraînement. Confronté aux données mesurées selon la méthodologie détaillée, l'U-RC-Net prédit l'évolution de l'uni par bandes d'ondes en identifiant les traces résiduelles préexistantes sous leurs différentes formes possibles dans les séquences pré-réhabilitation d'entrée, et en extrayant leurs caractéristiques sous différents niveaux de résolutions pour estimer, ensuite, leurs évolutions. D'après les résultats des tests, le modèle affiche des performances remarquables et encourageantes.

The longitudinal unevenness characterizes the difference between the theoretical longitudinal profile of the pavement and that of its actual surface. Thus, the evenness of the pavement qualifies the deterioration of its surface which interferes with the safety and comfort of its passengers. However, this notion remains difficult to control, especially in the context of rehabilitation, where the result obtained depends on the pre-existing level of evenness. Indeed, the profession is currently facing a lack of knowledge on the impact of the pre-existing evenness on the quality of the evenness obtained after rehabilitation. Consequently, the development of a model to predict the impact of rehabilitation on pavement improvement remains a problem that this thesis addresses with a major element of originality in the approach: developing a learning system to predict the post-rehabilitation profile from the pre-existing one. This upstream positioning ensures a detailed estimation that allows to target the potentially problematic areas, in addition to a versatility of the tool as for the a posteriori integration of the various contractual indicators. After having developed a set of corrective procedures followed to reduce inconsistencies and impertinences between pre- and post-rehabilitation measurements, we propose the U-RC-NET: an artificial recurrent convolution neural network which, thanks to its innovative architecture, is able to translate the physical mechanisms of pavement surface evolution Indeed, this model first recognizes the segmentation of prerehabilitation sequences by monolithic blocks (residual traces of defects), and then predicts their improvements following rehabilitation by estimating their attenuation according to their shapes. To do so, three main blocks organize the architecture of the developed model: the first block is an encoder that extracts the features of the input sequences while reducing their spatial resolutions. The second block is an LSTM cell that generates a kernel of the predicted sequence. Finally, the third block is the decoder where the same level of resolution of the input sequence is recovered. To force the model to build up the predicted sequences by estimating the improvement of each of the pre-rehabilitation shapes (residual traces) present in the input sequences, the loss function chosen for training the U-RC-NET model is the normalized Soft-DTW. This choice allows the model to focus on shape-based predictions right from its training. Confronted with the data measured according to the detailed methodology, the U-RC-Net predicts the evolution of the unevenness per waveband by identifying the pre-existing residual traces in their different possible forms in the input pre-rehabilitation sequences, and by extracting their characteristics under different levels of resolution to then estimate their evolutions. According to the test results, the model shows notable and encouraging performances.