ESTIMATION DU RISQUE LIE A L’EFFET DE SITE ET GENERATION D’UN SPECTRE DE REPONSE A LA SURFACE LIBRE

Abstract

Les leçons tirées des violents tremblements de terre passés, montrent que les dégâts les plus importants ne sont pas nécessairement limités à la proximité immédiate du foyer du séisme, mais qu’ils peuvent également survenir à de grandes distances. Les dégâts les plus importants se sont produits à plusieurs centaines de kilomètres de l’épicentre autant à Mexico en 1985 qu’à San Fransisco en 1989. Dans les deux cas, l’effet de site est le responsable de la grande majorité des dégâts : les mouvements étaient amplifiés et conduisaient à un accroissement de l’intensité. Parmi les approches qui ont été largement utilisées ces dernières années comme un outil de modélisation efficace dans différents domaines, la méthode de réseaux de neurones artificiels qui représente l’outil de base de l’étude de l’effet de site dans le présent travail. Pour cela, deux systèmes de réseaux de neurones sont développés : le premier est basé sur le modèle linéaire équivalent, et le deuxième sur les évènements réels enregistrés en surface et en profondeur, afin d’une part, d’estimer le niveau de risque lié à l’effet de site à partir des facteurs d’amplification spectrale et d’autre part, de se prononcer sur la capacité de la méthode neuronale à tracer le spectre de réponse en surface à partir de celui enregistré sur un site de référence, en tenant compte des propriétés élastiques du profil par une classification de site basée sur deux paramètres : la vitesse de cisaillement moyenne sur trente mètres de profondeur et la fréquence caractéristique du sol. Afin de valider les deux systèmes neuronaux, quatre exemples sont présentés. Il en résulte que, les deux systèmes sont bien placés pour estimer le niveau de risque sous des sollicitations faibles à modérées en signalant une sous-estimation du risque sous une excitation forte pour le premier système neuronal, en outre, les spectres de réponses générés à la surface libre par le deuxième système neuronal peuvent donner des approximations intéressantes du point de vu engineering.