• Aucun résultat trouvé

Partie II – Reconnaissance du sous-sol, état de l’art

3. Le grand rendement en prospection géophysique

3.3. Combinaison de méthodes de reconnaissance

Les prospections géophysiques sont volumiques et associent un champ de propriétés à un volume

d’investigation, alors que les prospections géotechniques sont associées à des analyses ponctuelles du

comportement mécanique du sous-sol. L’idée est d’associer les deux types de mesures pour tirer parti

de leurs avantages respectifs, à savoir l’investigation volumique et à grand rendement d’une part,

l’identification des propriétés géomécaniques utiles à l’ingénieur d’autre part. On vise ainsi à

augmenter la quantité des informations disponibles, ce qui permettra de mieux quantifier la variabilité,

et leur fiabilité, en repérant plus aisément les zones de moins bonnes propriétés.

Les premiers travaux menés visent à rechercher des corrélations entre paramètres géophysiques et

géotechniques dans le but de généraliser les informations ponctuelles du comportement mécanique des

sols à l’ensemble de la parcelle prospectée par des essais géophysiques. Les premières études majeures

consistent à identifier les limites des volumes mis en jeu dans des glissements de terrain (Friedel et al

2006) en corrélant la résistivité des sols avec la teneur en eau des sols (élément déclenchant pour les

glissements de terrain).

Cette approche est également menée avec l’utilisation de la fusion floue (§I.5.1.) de données

géophysiques et géotechniques (Grandjean et al 2007, Hibert et al 2012). Le principe de cette approche

est d’estimer, au sein du volume de sol mis à contribution par le glissement, la possibilité que

différentes hypothèses soient rencontrées. Chaque hypothèse (fracturé, saturé, argileux) étant fonction

des gammes des propriétés mécaniques et physiques des sols, on peut estimer pour tout point

présentant ces informations la possibilité que le sol présente telle ou telle hypothèse.

L’approche retenue par Cosenza et al (2006) consiste à étudier les corrélations existantes entre le

comportement mécanique des sols (q

d

au sondage pénétrométrique) et leurs propriétés physiques (ρ via

la TRE). D’un point de vue qualitatif, les deux types de prospection mettent en évidence les différents

horizons lithologiques composant le site expérimental, mais cette étude souligne également les

difficultés inhérentes à la prospection par TRE pour définir précisément les interfaces entre couches

lithologiques. Cette étude montre qu’il n’existe pas de corrélation entre les valeurs de résistance à la

pointe et les résistivités vraies obtenues par inversion des tomographies (TRE) ou des sondages

électriques (SEV) extraits des TRE. De plus, si la couche lithologique de surface (sable et gravier)

n’est pas prise en compte dans l’étude de la corrélation des couples (ρ, q

d

), il ressort que ces couples

peuvent être considérés comme des discriminateurs lithologiques pertinents. Cette étude souligne

également que la pertinence des couples (ρ, q

d

) est d’autant plus importante si les résistivités vraies

considérées proviennent, non pas d’une tomographie (TRE), mais d’un sondage électrique vertical

(SEV) extrait de la TRE. L’ensemble de ces résultats est résumé par la Figure 1.19.

p. 54

Figure 1.19 : Corrélation géophysique - géotechnique a) modèle géoélectrique obtenu par SEV, b) modèle obtenu par

inversion des résistivités électriques, c) couples : résistance à la pointe ; résistivité inversée de TRE, d) couples :

résistance à la pointe ; résistivité inversée de SEV (Cosenza et al 2006).

La mise en évidence de corrélations entre paramètres géophysiques (résistivité) et géotechniques

(résistance de pointe) ne peut être effective que pour un site donné. Cette corrélation est fonction de

nombreux paramètres dont la teneur en eau, la composition des sols (rhéologie), l’historique des sols

(contraintes passées), etc… De ce fait, cette mise en évidence de corrélations doit être conduite en

parallèle avec une phase de calibration de l’ensemble des données (géophysiques-géotechniques).

Une étude équivalente fut menée pour effectuer un zonage de versant présentant un risque de

glissement causé par la présence d’argiles sensibles (Solberg et al 2012). L’approche retenue consiste

à zoner le site selon les différentes gammes de résistivité mesurées, permettant de généraliser les

informations recueillies des sondages en pénétromètre statique à l’ensemble de la parcelle et de créer

ainsi une carte d’aléas.

3.3.2. Synthèse sur la combinaison de méthodes de reconnaissance.

La combinaison de bases de données a pour but principal de réunir en un seul groupe divers éléments

distincts. Le fait de combiner plusieurs sources d’informations pour en déduire une nouvelle ou une

information plus précise, plus fiable, est rattaché dans la littérature à la fusion de données (Rouchouze

1994, Grandin 2006). La fusion de données y est présentée comme étant la confrontation et

l’intégration d’informations multiples dans le but de réduire l’incertitude sur l’information résultante.

Dans le but d’illustrer cette approche, les deux cas suivants soulignent d’une part la réduction de

l’incertitude quant à la localisation de lentilles d’argiles, et d’autre part à la détermination du

comportement mécanique de sols non prospectés mécaniquement.

p. 55

a) Optimisation de la base de données.

Illustrons cette approche dans le cas de la détection de lentilles argileuses par des essais géotechniques

seuls, puis par l’optimisation de la reconnaissance géotechnique. La Figure 1.20 permet de schématiser

cette approche. Conformément aux recommandations du §.II.2.2.3, un certain nombre d’essais

géotechniques sont implantés sur la parcelle (Figure 1.20a). Les résultats de cette reconnaissance

mettent en évidence l’occurrence d’un aléa sur deux sondages, desquels est déduite la répartition de la

probabilité d’occurrence de l’aléa sur l’ensemble de la parcelle (Figure 1.20b). A l’image des travaux

menés sur l’optimisation des reconnaissances par couplage de base de données (Lundström et al 2009,

Solberg et al 2012), on envisage d’effectuer une prospection géophysique préalable (trainé EM ou

panneaux TRE) sur l’ensemble de la parcelle (Figure 1.20c). L’analyse de la variation spatiale des

champs de propriétés combinées aux propriétés physiques des argiles permet d’optimiser la répartition

de la probabilité d’occurrence de l’aléa (Figure 1.20d). Connaissant la répartition des anomalies par les

méthodes géophysiques, il est possible d’optimiser non pas l’analyse des sondages géotechniques,

mais l’emplacement et le nombre de ces derniers pour ne prospecter que les zones présentant une forte

probabilité de l’aléa, telle les approches retenues pour la prospection des digues (Lepetit 2002).

Figure 1.20 : Optimisation d'une reconnaissance des sols.

b) Combinaison de base de données.

Cette approche visant à combiner plusieurs bases de données permet par l’utilisation d’outils de calcul

telle que la géostatistique, d’estimer des valeurs de paramètres en tout point du volume de sol

considéré (interpolation). Il est ainsi possible d’obtenir une information plus pertinente vis-à-vis de

l’analyse d’un type de prospection (Solberg et al 2012, De Benetto et al 2001), permettant par exemple

d’éviter de conduire une prospection radar lorsque les sols à prospecter sont saturés en eau.

L’information déduite de ces calculs est toujours associée à un indice de confiance des résultats qui est

un indicateur de la pertinence des calculs effectués.

p. 56

La Figure 1.21 schématise l’approche par combinaison de bases de données, composée d’une TRE et

d’un ensemble de sondages pénétrométriques. Le zonage du profil géoélectrique en différentes

gammes de résistivité permet de faire correspondre à chaque gamme de résistivité une gamme de

comportement mécanique (Grandjean et al 2007, Hibert et al 2012). La combinaison de l’ensemble de

ces données permet de réunir ces sources d’information pour estimer en tout point du profil

géoélectrique le comportement mécanique des sols.

Figure 1.21 : Fusion de bases de données.