Veuillez utiliser cette adresse pour citer ce document : http://dspace1.univ-tlemcen.dz/handle/112/16812
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.authorBOUROUIS, Mohammed el Amin-
dc.date.accessioned2021-09-07T13:47:19Z-
dc.date.available2021-09-07T13:47:19Z-
dc.date.issued2021-07-04-
dc.identifier.urihttp://dspace.univ-tlemcen.dz/handle/112/16812-
dc.description.abstractL'estimation du tassement à long terme des sols fins a toujours posé des difficultés aux géotechniciens et ceci malgré l'amélioration des modèles numériques et des techniques expérimentales. Les difficultés proviennent essentiellement de la variabilité spatiale des propriétés du sol, des incertitudes liées à leurs déterminations et aussi à la simplicité des modèles utilisés. Le développement des techniques d’apprentissage, spécialement celles qui utilisent les métas heuristiques et l’apprentissage profond « deep learning » ont entrouvert de grands espoirs pour les chercheurs. C’est dans ce cadre qu’a été inscrite cette thèse. Elle aborde le problème du fluage sous trois aspects. Le premier axe concerne la prédiction du tassement à long terme par exploitation d’une base de données contenant des paramètres géotechniques facilement mesurables. A cet effet, deux méthodes ont été utilisées, la première basée sur une programmation génétique multi-gènes et la seconde sur une hybridation d’abord entre les réseaux neurones artificiels et les algorithmes d’optimisation, ensuite entre les algorithmes génétiques et les essaims particulaires. Le deuxième axe a trait à l’identification des paramètres de modèles constitutifs de sols par analyse inverse. La méthode d’identification utilisée, qui est adaptable à tout type de mesures, est basée sur un algorithme évolutionniste. Elle est présentée dans cette thèse avec ses avantages mais aussi ses limites d’utilisation. Le troisième axe est relatif au développement de modèles capables de prédire le tassement à long terme. Deux approches ont été utilisées, la première par combinaison entre les modèles mathématiques dits multi-termes. La seconde approche a consisté en l’utilisation de l’apprentissage profond de type long short-term memory (LSTM) et convolution neural network (CNN) qui sont capables d’apprendre des relations non linéaires et complexes. Les résultats obtenus montrent les avantages que peuvent présenter de telles méthodes que ça soit pour la prédiction du tassement à long terme mais aussi dans la détermination des paramètres de modèles constitutifs de sols. Les difficultés rencontrées et les limites de cette étude sont aussi exposéesen_US
dc.language.isofren_US
dc.subjectFluage, compression secondaire, programmation génétique, optimisationen_US
dc.subjectréseaux de neurones, essaim particulaire, apprentissage profonden_US
dc.titleContribution à l'étude du fluage des sols argileux par les outils de l'intelligence artificielle.en_US
dc.typeThesisen_US
Collection(s) :Master en Génie Civil

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
Ms.GC.Bourouis.pdf13,94 MBAdobe PDFVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.