Thèse Année : 2024

Enriching tunnel behavior analysis with artificial intelligence tools

Analyse du comportement des tunnels, enrichie par des outils d’intelligence artificielle

Alec Tristani
  • Fonction : Auteur
  • PersonId : 1514059
  • IdRef : 283084766

Résumé

Tunnel design relies on multiple approaches. Analytical and empirical formulations are reliable and useful for rapid estimations. Numerical modeling enables to overcome too restrictive assumptions and may be required in complex situations. However, additional efforts are needed to improve the robustness of these approaches. Especially, the time-dependent effects need to be better described to evaluate the long-term behavior of tunnels and there is a need for new constitutive models. Furthermore, to analyze the increasing amount of measurements collected during tunnelling, new techniques must be developed. Machine learning appears to be a promising field as previously unknown relationships between observations and measurements can be established. Thus, in this thesis, analytical, numerical, and data-driven approaches are emphasized to analyze the behavior of tunnels, both in the short term and in the long term. By combining these methods, a global framework for tunnel design is developed.On the one hand, an original approach is presented for the back-analysis of convergence measurements in deep tunnels to determine the constitutive parameters of the surrounding rock mass. Since time-dependent deformations can result from both the advance of the face and the delayed response of the ground, the two effects must be considered during excavations. To that end, new analytical solutions are derived by assuming an unlined circular tunnel excavated in a homogeneous isotropic ground under an initial isotropic stress field and assuming a fractional viscoelastic plastic behavior. Combining the closed-form solution that takes into account the progressive face advance and an empirical approach, convergences are back-analyzed based on a least-squares optimization method to calibrate the constitutive parameters of the ground. The presented process aims to characterize the short-term and long-term behavior of tunnels and offers the advantage of being applicable during the excavation phase as soon as convergence measurements are available. The method is illustrated by two case studies related to the Fréjus road tunnel and the Saint-Martin-la-Porte access gallery (SMP2). Additionally, the ground-lining interaction is studied through the development of an analytical solution for a lined tunnel excavated in a fractional viscoelastic ground.On the other hand, the potential use of artificial intelligence is explored. To this end, three machine learning tools are built based on synthetic data to predict both the short-term and the long-term behavior of the ground. The first model aims to assess the support pressure and the radial displacement at equilibrium in the lining and the radial displacement that occurs close to the face at the installation distance of the support. The second model computes the extrusion occurring at the core of the face considering an unlined gallery. The last model includes the time-dependent effect in the analysis to evaluate the ground-lining interaction in the long term. In particular, the bagging method is applied to neural networks to enhance generalization. Good performance is obtained using relatively scarce datasets. The modeling of the surrogate models is explained from the creation of the synthetic datasets to the evaluation of their performance and their limitations are discussed. In practice, these machine learning tools should be helpful in the field during the excavation phase.

La conception des tunnels repose sur de multiples approches. Les formulations analytiques et empiriques sont fiables et utiles pour des estimations rapides. La modélisation numérique permet de surmonter les hypothèses trop restrictives et peut s'avérer nécessaire dans des situations complexes. Cependant, des efforts supplémentaires sont nécessaires pour améliorer la robustesse de ces approches. En particulier, les effets dépendant du temps doivent être mieux décrits pour évaluer le comportement à long terme des tunnels et de nouveaux modèles constitutifs sont nécessaires. De plus, de nouvelles techniques doivent être développées pour analyser la quantité croissante de mesures collectées pendant le creusement des tunnels. L'apprentissage automatique semble être un domaine prometteur car des relations jusqu'alors inconnues entre les observations et les mesures peuvent être établies. Ainsi, dans cette thèse, des approches analytiques, numériques et fondées sur les données sont étudiées pour analyser le comportement des tunnels, à la fois à court terme et à long terme. En combinant ces méthodes, un outil global est développé pour aider à la conception des tunnels. D'une part, une approche originale fondée sur une analyse inverse des mesures de convergence dans les tunnels profonds est présentée afin de déterminer les paramètres constitutifs de la roche environnante. Comme l'augmentation des déformations et des contraintes dans le temps est due à la fois à l'avancement du front de taille et à la réponse différée du terrain, ces deux effets doivent être pris en compte simultanément pendant les travaux d'excavation. À cette fin, de nouvelles solutions analytiques sont développées pour un tunnel circulaire non revêtu creusé dans un sol homogène isotrope sous un champ de contraintes initial isotrope et en supposant un comportement plastique viscoélastique fractionnaire. En combinant la solution analytique qui prend en compte l'avancement progressif du front et une approche empirique, une analyse inverse des convergences est réalisée au moyen d'une méthode d'optimisation aux moindres carrés afin de calibrer les paramètres constitutifs du terrain. Le processus présenté vise à caractériser le comportement à court et à long terme des tunnels et offre l'avantage d'être applicable pendant la phase d'excavation dès que les mesures de convergence sont disponibles. La méthode est illustrée par deux études de cas relatives au tunnel routier du Fréjus et à la galerie d'accès de Saint-Martin-la-Porte (SMP2). De plus, l'interaction entre la roche et le revêtement est étudiée à travers le développement d'une solution analytique pour un tunnel soutenu excavé dans un terrain viscoélastique fractionnaire. D'autre part, l'utilisation potentielle de l'intelligence artificielle est explorée. À cette fin, trois outils d'apprentissage automatique sont développés à partir de données synthétiques pour prédire le comportement à court et à long terme des tunnels. Le premier modèle vise à évaluer la pression et le déplacement radial à l'équilibre dans le soutènement ainsi que le déplacement radial se produisant près du front à la distance d'installation du support. Le second modèle est destiné à calculer l'extrusion se produisant au front de taille dans le cas d'une galerie non revêtue. Un dernier modèle inclut l'effet du temps dans l'analyse afin d'évaluer l'interaction entre le terrain et le revêtement à long terme. En particulier, la méthode du bagging est appliquée à un réseau de neurones pour améliorer la capacité de généralisation. Une bonne performance est obtenue en utilisant des ensembles de données relativement petits. La modélisation des modèles de substitution est expliquée depuis la création des ensembles de données synthétiques jusqu'à l'évaluation de leurs performances, et leurs limites sont discutées. En pratique, ces outils d'apprentissage automatique devraient être utiles sur le terrain pendant la phase d'excavation.

Fichier principal
Vignette du fichier
TH2024ENPC0018.pdf (10.57 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-04971183 , version 1 (28-02-2025)

Licence

Identifiants

  • HAL Id : tel-04971183 , version 1

Citer

Alec Tristani. Analyse du comportement des tunnels, enrichie par des outils d’intelligence artificielle. Géotechnique. École des Ponts ParisTech, 2024. Français. ⟨NNT : 2024ENPC0018⟩. ⟨tel-04971183⟩
394 Consultations
313 Téléchargements

Partager

  • More