Le développement urbain entraîne une forte croissance des infrastructures souterraines. Pour répondre à ces besoins, de nombreux projets de tunnels sont construits sous des zones fortement urbanisées, comme le Grand Paris Express qui est actuellement le plus grand projet de transport en Europe. Cependant, le creusement des tunnels induit des déformations en surface, qui peuvent entraîner des dommages aux structures environnantes. Pour déterminer et réduire la vulnérabilité des avoisinants, il est primordial d’améliorer les prévisions des déformations induites en surface lors des creusements. Exploiter à grande échelle les données tirées de l'auscultation des chantiers est un atout majeur pour y parvenir. Dans ce contexte, cette thèse présente le développement d'un outil permettant de prévoir les tassements au fur et à mesure du creusement à l'aide de données tirées de deux lignes du Grand Paris Express.Les données produites lors d’un chantier de tunnel sont riches et de nature diverse : données d’auscultation (mesures de tassements en surface, en particulier), paramètres de pilotage du tunnelier (vitesse d’avancement, pression au front, pression et volume de mortier injecté à l’arrière de la jupe, etc.), paramètres géométriques du tracé et informations géologiques et géotechniques (stratigraphie, en particulier). Le premier défi consiste à extraire ces données brutes depuis les différentes sources et à les transformer en informations exploitables. Pour cela, des techniques de nettoyage sont utilisées pour réduire le bruit, supprimer les données aberrantes ainsi que gérer les données manquantes. Des techniques de lissage et de calage des formulations analytiques de tassement sur les mesures de tassements en surface sont également présentées. Ensuite, une base de données relationnelle est construite pour héberger les données. L’architecture de cette base a été conçue de façon à pouvoir exploiter les données spatiales, temporelles et leurs relations (l’avancement du tunnelier combine en effet ces deux composantes).L’étape suivante consiste à mener une analyse exploratoire des données pour identifier des régularités et des liens potentiels entre les différents paramètres, et également détecter et traiter les éventuelles anomalies. Les paramètres ayant la plus grande influence sur la valeur des tassements sont alors sélectionnés. Des modèles d’apprentissage automatique sont utilisés pour prédire les tassements induits en surface lors de l’excavation. Au total, cinq modèles sont testés et comparés : Support Vector Machine, Decision Tree, Random Forest, Extreme Gradient Boosting (XGBoost) et les réseaux de neurones. Les résultats de ces prédictions sont comparés aux mesures réelles des tassements. Des conclusions sont établies quant à l’intérêt et à la performance de chacune des méthodes de prédiction mises en œuvre, ainsi que leur application pratique potentielle (extrapolation sur un même ligne du Grand Paris ou d’une ligne à l’autre).L’objectif de cette thèse était de développer un outil opérationnel capable d’améliorer les prévisions au fur et à mesure de la collecte des données. La base de données constituée a donc servi de source pour alimenter des algorithmes d’apprentissage automatique. L’intérêt de ce travail a été d’évaluer la faisabilité d’utiliser de tels algorithmes – et les contraintes associées – pour parvenir à créer un tel outil.