This template is just an example and the layout is free. The poster must be in A0 format and print by yourself.

Contexte

Méthodes Outils

Perspectives Conclusions

Résultats

Dans une optique d’écologie industrielle, l’optimisation de l’utilisation des matériaux alternatifs (M.A) est désormais la priorité des scientifiques et des industriels face aux enjeux environnementaux. La démarche commune de formulation des M.A dans lé Génie Civil consiste à optimiser la compacité du squelette granulaire. L’apprentissage automatique via la Programmation Génétique (Schéma 1) offre la possibilité de mettre en place des méthodes de formulation qui surpassent les méthodes de formulation classiques qui se limitent à des courbes maitresses, ces dernières s’avèrent peu fiables lors de l’utilisation des matériaux alternatifs. Ce processus d’apprentissage englobe les étapes suivantes: La création d’une base de données, le choix de l’algorithme d’apprentissage adapté et la validation des résultats.

Base de données et apprentissage: La création d’une base de données, nécessite une étude paramétrique au préalable (Fig.3). Ensuite, l’apprentissage s’effectue après paramétrage de l’algorithme pour trouver un modèle prédictif (Fig.4).

Amélioration des résultats de la PG et confronter la PG avec les réseaux de neurones. Utilisation du modèle développé comme une fonction objective dans les recherches multicritères par Algorithmes Génétiques. Formulation de béton à base de matériaux alternatifs par le modèle développé. Utiliser les approches d’apprentissage automatique pour la formulation des mortiers et les couches de forme en technique routière.

Mise en place de méthodes de formulation

par Apprentissage Automatique

Abdelfeteh SADOKa,, S. Rachid ZENTARa ,and Nor-Edine ABRIAKa

a Laboratoire Génie Civil et Environemental, Ecole des Mines de Douai

Abdelfeteh.sadok@mines-douai.fr

La programmation Génétique est un outils révolutionnaire pour la modélisation des phénomènes complexes comme la compacité granulaire. Les études paramétriques représentent une étape primordiale avant toute modélisation, ceci nous à permis de cerner les paramètres à forte influence sur la compacité et choisir les facteurs clés dans la création d’une base de données d’apprentissage. Après l’importante phase de paramétrage de l’algorithme, la PG à permis de trouver un modèle présentant un certain nombres d’avantages à savoir: grande précision dans la prédiction de la compacité, facilité d’utilisation et prédiction de la compacité des mélanges à base de matériaux alternatifs. Le modèle de la PG à donné d’excellents résultats dans la formulation du béton par rapport à la méthode classique de Dreux-Gorisse.

Intelligence artificielle

Algorithmes d’Apprentissage

Algorithmes Génétique

Programmation Génétique

Data Manning

Raisonnement automatique

La reconnaissance

des formes

automatique les

évolutionniste

la programmation

évolutive

les stratégies évolutionnaires

L‘émotion artificielle

Traduction automatique

•Le boosting •Réseaux de neurones •Régression logistique

Dispositifs spécifiques: L’étude paramétrique a nécessité des dispositifs spécifiques pour étudier l’influence du coefficient de serrage sur la compacité granulaire (Fig.1) .

Analyses: En comparant la capacité de prédiction des deux modèles, on remarque incontestablement la grande précision du modèle développé par la PG sur l’ensemble des mélanges (RMSE= 0.02, R²=0.92) en comparaison avec le logiciel RENE LCPC (RMSE =0.08, R²=0.62) (Fig.5). Ce modèle est bon également dans la prédiction de la compacité des mélanges de granulats standards et de granulats recyclés (Tab. 1).

Schéma 1: La place de l’Apprentissage Automatique dans L’Intelligence Artificielle.

Figure 3:Détection des paramètre à forte influence expérimentalement, première étape pour la création d’une base de données.

Figure 4:Meilleur modèle trouvé par la Programmation Génétique

« PG » représenté en arbre syntaxique (à droite) et sa Fitness

(à gauche).

Dispositif utilisé pour appliquer une charge de

10 kPa

Mélange granulaire compacté par vibration+compression 10 kPa dans un moule 16*32 cm

Figure 1: Dispositifs spécifiques pour suivre l'évolution de la compacité des mélanges granulaires binaires en fonction du mode de serrage.

La table à choc pour un coefficient de serrage k=9

(De Larrard, 2004)

Figure 2: Décodage d’un arbre syntaxique généré par la PG, en équation mathématique.

Figure 5: Confrontation du modèle développé par la PG et le Logiciel RENE-LCPC

Tableau 1: Récapitulatif de la compacité expérimentale, par le RENE LCPC et estimée par le modèle PG n°2, sur d’autres mélanges

Figure 6: Préparation des éprouvettes de béton 11*22 et surfaçage.

Figure 7: Essais de compression et échantillonnage pour les essais de porosité.

Figure 8 : Affaissement et Résistance mécanique à 7 et 28 jours (Dreux Vs PG)

Analyses: La PG a permis une nette amélioration de la maniabilité du béton allant d’un affaissement de 8.5 cm pour le béton formulé par la méthode de Dreux-Gorisse jusqu’à un affaissement de 13 cm pour le béton formulé par la PG (Fig.8 à gauche), permettant un changement de classe d’affaissement (de S2 à S3) d’après la norme NF EN 12350-2, sans pour autant compromettre sa résistance mécanique (Fig. 8 à droite).