Application of Artificial Intelligence in the Exploitation of Deflection Measurements for the Mechanical Characterization of Pavement Structures - Thèses et HDR CNRS en sciences cognitives
Thèse Année : 2024

Application of Artificial Intelligence in the Exploitation of Deflection Measurements for the Mechanical Characterization of Pavement Structures

Application de l’intelligence artificielle à l’exploitation des mesures de déflexion pour la caractérisation mécanique des structures de chaussées complexes

Résumé

The progressive deterioration of road pavement structural health necessitates fast, ef- ficient, and automated structural assessment to evaluate the residual life of the pavement. The accurate estimation of the pavement elastic modulus (Ei) plays a pivotal role in this process, also serving as a fundamental factor for designing resilient pavements and opti- mizing maintenance. Strategies and improving overall road safety. However, conventional methods and devices that are used to estimate Ei, such as the Falling Weight Deflectometer (FWD), have several limitations due to operational and se- curity constraints when measuring at the network level. These limitations stem from the need for traffic control during measurement data collection. To tackle these obstacles, the Traffic Speed Deflectometer has emerged as an innovative solution for continuous assessment of pavement bearing capacity, as it eliminates the need for traffic control. TSD runs at an average traffic speed of up to (80 km/h). The continuous measurements of TSD ensure much more adequate data than traditional point measure- ments, which allows for more accurate and cost-effective maintenance planning. TSD’s principle of operation is based on measuring the vertical deflection velocity (DV ) of the pavement instead of the deflection itself. Although the TSD concept holds considerable potential for pavement analysis, effectively processing the substantial data it generates presents another challenge. However, these challenges can be overcome by employing spe- cialized techniques, such as Machine Learning (ML), that excel in learning complex data patterns while offering the prospect of developing a generalized approach. Thus, this thesis presents an efficient and effective ML-based model and methodology for estimating Ei. This novel approach utilizes deflection slope DS measurements instead of the conventional deflection measurement method. The model developed in this research has been built upon data derived from industry-approved software (Alizé-LCPC) and an experimental outdoor simulator, ensuring their alignment with real-world conditions. Fur- thermore, an advanced parametric validation process was implemented to validate their performance. With this model analysis and quantitative sensitivity analysis to investigate and quantify the adverse impacts of some challenges spanning the high-dimensional TSD data, the influence of TSD measurement noise, temperature variations, and the uncertain- ties associated with Ei values. Thus, the ultimate aim is to underscore this thesis’s primary objective: having the potential to make valuable contributions to the field of pavement mechanics engineering
La détérioration progressive de l’état des chaussées routières nécessite une évaluation structurale rapide, efficace et automatisée afin d’estimer la durée de vie résiduelle de la chaussée. L’estimation précise du module d’élasticité des différentes couches de la chaussée (Ei) joue un rôle essentiel dans ce processus, permettant la conception de chaussées résilientes, l’optimisation des stratégies de maintenance et l’amélioration de la sécurité routière globale. Cependant, les méthodes et dispositifs conventionnels utilisés pour estimer Ei, tels que le Falling Weight Deflectometer (FWD), présentent plusieurs limitations en raison de contraintes opérationnelles et de sécurité lors des mesures à l’échelle du réseau. Pour surmonter ces obstacles, les dispositifs de Traffic Speed Deflectometer (TSD) sont proposés comme des solutions innovantes pour l’évaluation continue de la capacité portante des chaussées, éliminant ainsi le besoin de contrôle de la circulation. en effet, TSD fonctionne à la vitesse normale de circulation jusqu’à 80 km/h, et repose sur la mesure de la vitesse de déflexion verticale (DV ) de la chaussée au lieu de la déflexion elle-même. Les mesures continues du TSD fournissent des données beaucoup plus adaptées que le FWD, ce qui permet une planification de la maintenance plus précise et efficace. Par contre, le traitement efficace de la quantité importante de données qu’il génère présente de défi. Cela pourrait cependant être surmonté en utilisant des techniques spécialisées, telles que l’apprentissage automatique (ML). Ainsi, cette thèse présente un modèle et une méthodologie efficaces basés sur la combinaison (ML+TSD) pour l’estimation de Ei. Cette approche novatrice utilise des mesures de pente de déflexion DS par TSD, plutôt que sur la méthode classique de déflexion. Le modèle développé dans le cadre de cette recherche repose sur des données issues de logiciels (Alizé-LCPC) reconnus par les praticiens et d’un simulateur extérieur expérimental, garantissant ainsi leur conformité aux conditions du monde réel. De plus, pour valider leur performance, un processus de validation paramétrique avancé a été exécuté de manière méticuleuse. Ce modèle relève non seulement les défis liés à l’estimation précise de Ei, mais il mène également une analyse de sensibilité quantitative rigoureuse. Cette analyse examine systématiquement les impacts de quatre défis majeurs : la complexité des données TSD en haute dimension, l’influence du bruit de mesure, les variations de température, et Les incertitudes de Ei des autres couches des chaussées.
Fichier principal
Vignette du fichier
Thésis__Last_Updated__Version_ED (X).pdf (16.11 Mo) Télécharger le fichier
PhD_Defense_Presentation !.pdf (5.88 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04722964 , version 1 (06-10-2024)

Licence

Copyright (Tous droits réservés)

Identifiants

  • HAL Id : tel-04722964 , version 1

Citer

Abdelgader Abdelmuhsen. Application of Artificial Intelligence in the Exploitation of Deflection Measurements for the Mechanical Characterization of Pavement Structures. Computer science. Nantes Université, 2024. English. ⟨NNT : ⟩. ⟨tel-04722964⟩
0 Consultations
0 Téléchargements

Partager

More