Rapport sable /gravier (S/G)

Présentation au sujet: "Rapport sable /gravier (S/G)"— Transcription de la présentation:

1 Rapport sable /gravier (S/G) 0.38 0.42
FORMULATION DES BETONS AVEC AJOUT PAR L’UTILISATION DES RESEAUX DE NEURONES R. Rebouh1, B. Boukhatem1, M. Ghrici1, S. Kenai2 1Laboratoire de Géomatériaux, Université de Chlef, Algérie 2 Laboratoire de Génie civil et de Géomatériaux, Université de Blida, Algérie 1. PROBLEMATIQUE La formulation des bétons implique le choix ou la sélection des proportions constitutives qui auront comme conséquence certaines propriétés désirées. Elle s’est compliquée dans les années récentes avec l’introduction de nouveaux constituants tels que les adjuvants chimiques, les aditions minérales ou les fibres d’une part et l’élargissement de la gamme des propriétés d’usage du matériaux en relation de avec la totalité de son cycle de vie d’autre part. L’objectif principal de cette étude est de maintenir la fiabilité des réseaux de neurones pour entreprendre la conception de mélanges de béton incorporant des ajouts et de tenter d’assurer que le béton résultant ne sera pas seulement économique et assez résistant, mais il aura certaine garantie quant aux caractéristiques de la maniabilité adéquate. Pour cela une application de simulation des réseaux de neurones est employée pour créer le meilleur réseau. Les données utilisées pour l’apprentissage de ce réseau sont obtenues à partir des projets de recherches antérieurs. De façon générale, l'approche présentée ici peut mener à une formulation plus précise et plus rapide d’un béton à la pouzzolane naturelle basé sur ses deux propriétés principales (l’ouvrabilité et la résiatance). 3. MODÈLE PROPOSÉ POUR LA FORMULATION DES BÉTONS Définition de combinaison d’entré / sortie Sélection de langage de Programmation Choix de type de RNA Choix de type d’apprentissage Création de Réseau neurone Multicouches a rétropropagation Exécution de Réseau Apprentissage/teste/validation Etude paramétrique des résultats obtenus Modèles proposés Choix d’architecture Résultats non satisfaisants Résultats satisfaisants Préparation des données Collecte des données (Filtrage, organisation) 2. RÉSEAUX DE NEURONES Les Réseaux de Neurones Artificiels (RNAs) sont considérés parmi les métaphores biologiques employées de nos jours pour la résolution des problèmes (G. Dreyfus et al, 2002). A l'origine, ils sont une tentative de modélisation mathématique du fonctionnement du cerveau humain. Plusieurs auteurs se sont intéressés aux RNs et chacun les a définit à sa manière. Un RN est un système composé d’un ensemble de neurones interconnectés entre eux (fig1). Le RN Multicouches à Rétropropagation (RNM-RP) est le modèle le plus utilisé (fig.2) Fig. 2- Mécanisme d’Apprentissage 4. CHOIX DE L’ARCHITECTURE DU MODÈLE RNAs Age Résistance Pourcentage d’ajout Sable /Granulats Quantité de liant Rapport Eau/Liant Ouvrabilité Fig. 3- Architecture optimale proposée du modèle. Quantité d’adjuvant Quantité de granulats Fig. 1- Architecture d’un RNA 5. INTERFACE DU SYSTÈME Tableau 1- Valeurs limites de validité du Modèle développé Paramètres d’entrée Minimum Maximum Age (jours) 2 90 Resistance fc28 (MPa) 20 50 Ouvrabilité (cm) 4 12 Pouzzolane (%) 30 Rapport sable /gravier (S/G) 0.38 0.42 6. VALIDATION DU MODÈLE DÉVELOPPÉ 7. RÉSULTATS Formulation obtenue par le modèle RNA développé Formulation Obtenue par Mixcalc102 Resistance fc28 (MPa) Ajout (%) Ajout (kg/m3) Ciment (kg/m3) Eau (kg/m3) Sable (kg/m3) Gravier (kg/m3) 20 00.00 306.39 191.4 724.8 1087.3 0.0 310 192 747 1125 10 31.71 285.41 182.6 726.5 1089.7 31.0 284 183 752 1133 73.71 294.84 186.2 709.4 1064.1 73.0 292 186 722 1097 30 135.24 315.56 199.6 678.4 1017.5 136.0 318 200 677 1020 335.26 190.0 334 190 741 1116 38.46 346.16 190.1 702.8 1054.2 38.0 350 719 1083 90.12 360.47 196.1 683.5 1025.2 89.0 356 196 689 1038 142.45 332.37 193.8 672.3 1008.5 142 331 194 1019 40 424.93 204.0 679.5 1019.3 425 204 697 1049 45.94 413.42 197.4 677.7 1016.5 45 413 197 687 1035 95.21 380.86 191.0 676.0 1013.9 95.0 382 191 683 1029 144.41 336.95 187.2 676.8 1015.3 144.0 336 187 682 1026 50 467.57 202.2 666.1 999.2 471 202 47.75 429.71 191.8 673.0 1009.5 48.0 432 686 1034 96.39 385.58 184.7 681.3 1022.0 97.0 390 185 1033 145.07 338.50 181.4 686.8 1030.3 143.0 335 181 688 1036 S/G = 0.38 8. CONCLUSIONS 1- L’approche présentée dans cette étude peut mener à une formulation plus précise et plus rapide d’un béton à la pouzzolane naturelle basé sur les deux propriétés principales qui lui caractérisent à son état frais « l’ouvrabilité » et à sont état durci « la résistance à la compression » et également de la quantité de la pouzzolane naturelle à utiliser dans la formulation de ce béton. 2- Les modèles de formulation développés dans cette étude ont montrés une flexibilité et fiabilité des résultats, les relations rhéologiques entre la résistance à la compression et les constituants de chaque formule de béton sont toujours respectées et conservées. S/G = 0.40