II. 2.3.1.8 Les méthodes de gradient du second ordre
III.4. Evaluation de l’effet de site 2D
- ANN-III peut être utilisé pour remplacer la méthode non linéaire des moindres carrés pour
l’estimation de la fonction d'intensité d’Arias.
- Les résultats des tests d’ANN-IV pourraient être meilleurs en considérant la réponse
spectrale moyenne plutôt qu’un spectre de réponse.
- L’utilisation combinée de ANN-V et ANN-I (figure III.22) pourrait générer plusieurs
accélérogrammes compatibles avec une valeur spécifiée de spectre de réponse même si
cette tendance a besoin d’études supplémentaire.
La plupart des simulations ont montré des résultats satisfaisants. Néanmoins, les modèles
neuronaux ont besoin d’une base de données d’apprentissages réelles et plus vaste.
III.4. Evaluation de l’effet de site 2D
Giacinto et al (1997) présentent les résultats de l'application des différents algorithmes de
reconnaissance pour l'évaluation de l’effet de site 2D dans les structures géologiques réelles.
La zone d'étude utilisée pour les expériences est liée à des structures géologiques bien
connues représentant une vallée de forme triangulaire sur une assise rocheuse (figure III.23).
Les performances obtenues par deux réseaux de neurones artificiels et deux classificateurs
statistiques (Gausien et K-NN) sont comparées. Les avantages prévus par l'utilisation de ces
méthodes qui permettent la combinaison de plusieurs classificateurs sont également discutées.
Figure.III. 23.
Structure géologique qui représente une vallée triangulaire sur une formation
rocheuse
Les principaux paramètres susceptibles de donner une évaluation de l’effet de site 2D sur une
vallée triangulaire sont : la géométrie de la vallée, la nature et les propriétés physiques et
mécaniques du bassin sédimentaire et du substratum rocheux, l’amplitude maximale du signal
sismique incident, son contenu fréquentiel et la position du site à étudier. Le degré de risque
est classé en trois catégories : haut risque, moyen et faible risque. Pour ce faire, deux
classificateurs statistiques sont utilisés à savoir K-NN : K-Nearest Neighbor et Gaussian
(Fukunaga., 1990) ; ainsi que deux types de RNA PMC : Perceptron MultiCouche et le
Réseau de Neurone Propabiliste PNN. Les données d’apprentissages sont générées
numériquement.
Les PNN sont généralement utilisés pour des problèmes de classification. La première
couche qui est un réseau à base radiale, donne une information sur la ressemblance entre la
donnée d’entrée et le jeu de données utilisé lors de l’apprentissage. La deuxième couche
produit comme sortie un vecteur de probabilité. Finalement, une fonction d’activation à la
couche de sortie produit 1 ou 0.L’architecteur de ce type de RNA est illustrés sur les figures
III.24.
Figure.III. 24.
Architecture d’un réseau de neurones probabiliste (PNN)
Les entrées des réseaux sont la position du récepteur x/L, N
1et N
2qui caractérisent les angles
des deux extrémités, et la longueur d’onde normalisée /L, (= β
v/f
0), β
vest la vitesse de
cisaillement moyenne dans les sédiments et f
0la fréquence caractéristique de site. La sortie du
réseau est caractérisée par le degré de risque (haut, moyen, faible). Le degré de risque est
donné par l’utilisation combiné du PGA et I
a(les auteurs ne précisent par les seuils de la
classification de risque !). La figure III.25 représente la précision d’apprentissage de chaque
modèle.
Figure.III. 25. Évolution de la précision de la classification en fonction de l'ensemble d'apprentissage de taille pour les algorithmes de classification pris en considération.
Cette étude montre que le PMC représente le taux de précision le plus élevé pour les
problèmes de classification et que ce taux ne dépend pas trop de la base de données initiale.
Conclusions
A la lumière des travaux cités dans ce chapitre, on peut conclure que les réseaux de
neurones artificiels peuvent être utilisés pour estimer les paramètres caractérisant les
mouvements sismiques et ce à la place des méthodes conventionnelles. L’utilisation de la
technique neuronale s’avère intéressante quand le nombre des variables prises en compte est
élevé et quand la base de données est petite par rapport au domaine d’investigation (ex :
KiK-Net par rapport a la surface du Japon). Les comparaisons effectuées entre les méthodes de
régressions classiques et les RNA, par les différents auteurs, révèlent que ces dernières
peuvent donner des approximations prometteuses.
Suivant les études évoquées dans ce chapitre, les RNA de type MLP (qui sont faciles à mettre
en œuvre) estiment bien les paramètres caractérisant le mouvement fort du sol (PGA, PGV,
Sa,…paramètres de nocivité…etc). Ces quantités peuvent être prédites à partir des paramètres
initiaux simples à déterminer tels que la magnitude, la distance épicentrale et les conditions de
sites. Il est à préciser aussi que l’utilisation du logarithmique de la distance épicentrale et du
chargement sismique à la sortie peut améliorer la convergence du modèle.
Au point de vue technique, et à l’issue de ces études antérieures, on peut conclure qu’une
seule couche cachée peut être suffisante, ainsi que la fonction d’activation de type sigmoïde
peut donner des meilleurs résultats. Dans le choix du nombre de neurones par couche cachée
il n’y a pas de règle universelle sauf des techniques empiriques (Lee et Han., 2002). Une étape
très importante lors de l’élaboration de n’importe quel modèle neuronal est la prise en compte
du problème de sur-apprentissage et d’assurer que le modèle élaboré est stable (converge vers
la même solution) quelque soit les valeurs initiales des poids synaptiques et des biais. Ces
deux points ne sont pas vérifiés par la majorité des études évoquées dans le présent chapitre.
Les recommandations données par les auteurs vont être prise en compte dans la suite de ce
document. De ce fait, on va utiliser un RNA de type feed-forward (MLP) avec une couche
cachée et une fonction d’activation sigmoïde. L’algorithme de la rétro-propagation du
gradient est à préconiser pour l’apprentissage.
L’approche neuronale va être utilisée dans les chapitres suivants pour prédire les différents
paramètres décrivant le mouvement sismique. Par le bais d’un sous-ensemble de la base de