A data-driven approach using surrogate models and non-deterministic optimization techniques for calibration of soil parameters and sensitivity analysis: application to a rockfill dam

Shahzadi, Gullnaz (2023). A data-driven approach using surrogate models and non-deterministic optimization techniques for calibration of soil parameters and sensitivity analysis: application to a rockfill dam. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

The development of advanced numerical models for designing and assessing the safety of complex structures such as rockfill dams heavily relies on the availability of significant computational resources. The intricate structure of rockfill dams, which consists of various zones with varying soil parameters, makes the models highly uncertain. Minor variations in some soil parameters can significantly impact the expected behaviour of the structure, making it challenging to determine the geomechanical parameters required for effective modelling. However, laboratory or in situ tests and empirical relationships from the literature are the general approaches to estimating these parameters. Nonetheless, these measures do not accurately depict the insitu characteristics of the dam.

In this context, uncertainty and global sensitivity analysis have been carried out to determine the influence of constitutive soil parameters on the behaviour of a rockfill dam. In parametric studies, surrogate models are helpful in approximating the relationship between inputs (soil parameters) and outputs (displacement) and thus effectively reduce computational costs. Surrogate models, built using methods such as polynomial chaos expansion and deep neural networks, calculate the Sobol indices required for identifying the impact of soil parameters on dam behaviour. Two parameters, Shear modulus and specific weights, are considered more sensitive input random variables from which uncertainties occur.

This thesis proposes a highly effective data-driven approach that utilizes deep neural networks and optimization algorithms to estimate in situ values of soil parameters for a rockfill dam located in Quebec. Extensive analysis of inclinometer displacement measurements was carried out using a 2D finite element model, with the computational domain being meticulously divided into subdomains to account for the variability of material properties. In order to expedite computations, surrogate models were employed in lieu of the complete FEM model. To solve the minimization problem, stochastic optimization algorithms such as Genetic algorithm (GA), Particle Swarm Optimization (PSO), and Differential evolution (DE) were thoroughly evaluated and compared.

Another contribution of this thesis is to present a novel technique for enhancing safety and stability analyses by identifying parameters through a hybrid optimization method. A deep neural network surrogate model is established and a multi-objective function formulation is used to weigh the difference between predicted and actual displacements. The soil parameters are identified using a hybrid Particle Swarm-Genetic Algorithm applied to data from four inclinometers installed in two different cross-sections of the dam. The study compares the effectiveness of the Mohr-Coulomb (MC) and Hardening Soil (HS) models, showing that the HS model provides the closest values to the measured onsite data. The research concludes by presenting the optimal soil parameters for the Romaine-2 dam and highlights the effectiveness of DNNs and hybrid optimization in solving inverse problems.

Titre traduit

Une approche basée sur les données utilisant des modèles de substitution et des techniques d’optimisation non déterministes pour l’étalonnage des paramètres du sol et l’analyse de sensibilité : application à un barrage en enrochement

Résumé traduit

Le développement de modèles numériques avancés pour la conception et l’évaluation de la sécurité de structures complexes telles que les barrages en enrochement dépend fortement de la disponibilité de ressources de calcul importantes. La structure complexe des barrages en enrochement, qui se compose de diverses zones avec des paramètres de sol variables, rend les modèles très incertains. Des variations mineures de certains paramètres du sol peuvent avoir un impact significatif sur l’ensemble de la structure, ce qui rend difficile la détermination des paramètres géomécaniques nécessaires à une modélisation efficace. Cependant, les tests en laboratoire ou in situ et les relations empiriques de la littérature sont les approches générales pour estimer ces paramètres. Néanmoins, ces mesures ne reflètent pas fidèlement la situation réelle.

Dans ce contexte, une analyse d’incertitude et une analyse de sensibilité globale ont été réalisées pour évaluer l’effet des paramètres constitutifs du sol sur le comportement d’un barrage en enrochement. Les modèles de substitution se rapprochent efficacement de la relation entre les paramètres de sol d’entrée et les déplacements, réduisant ainsi les coûts de calcul des études paramétriques. L’expansion du chaos polynomial et les réseaux de neurones profonds sont utilisés pour construire des modèles de substitution pour calculer les indices de Sobol nécessaires pour identifier l’impact des paramètres du sol sur le comportement du barrage. Deux paramètres, le module de cisaillement et les poids spécifiques, sont considérés comme des variables aléatoires d’entrée plus sensibles à partir desquelles des incertitudes surviennent.

Cette thèse propose une approche très efficace axée sur les données qui utilise des réseaux de neurones profonds et des algorithmes d’optimisation pour identifier avec précision les paramètres du sol pour un barrage en enrochement situé au Québec. Une analyse approfondie des mesures de déplacement de l’inclinomètre a été réalisée à l’aide d’un modèle d’éléments finis 2D, le domaine de calcul étant méticuleusement divisé en sous-domaines pour tenir compte de l’hétérogénéité des matériaux. Afin d’accélérer les calculs, des modèles de substitution ont été utilisés à la place du modèle d’éléments finis (FEM) complet. Pour résoudre le problème de minimisation, des algorithmes d’optimisation stochastique tels que l’algorithme génétique (GA), l’optimisation de l’essaim de particules (PSO) et l’évolution différentielle (DE) ont été soigneusement évalués et comparés.

Une autre contribution de cette thèse est de présenter une nouvelle technique pour améliorer les analyses de sécurité et de stabilité en identifiant des paramètres grâce à une méthode d’optimisation hybride. Un modèle de substitution de réseau neuronal profond est établi et une formulation de fonction multi-objectifs est utilisée pour mesurer la différence entre les déplacements prédits et réels. Les paramètres du sol sont identifiés à l’aide d’un algorithme hybride Particle Swarm-Genetic Algorithm appliqué aux données de quatre inclinomètres installés dans deux sections différentes du barrage. L’étude compare l’efficacité des modèles Mohr-Coulomb (MC) et Hardening Soil (HS), montrant que le modèle HS fournit les valeurs des déplacements les plus proches des données mesurées sur site. La recherche se termine par la présentation des paramètres optimaux pour le barrage de la Romaine-2 et met en évidence l’efficacité des réseaux profonds et de l’optimisation hybride dans la résolution de problèmes inverses.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 127-146).
Mots-clés libres:	analyse de sensibilité, analyse d’incertitude, modélisation de substitution, expansion du chaos polynomial, réseau de neurones profonds, analyse inverse, techniques d’optimisation, fonctions multi-objectifs
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Soulaïmani, Azzeddine
Programme:	Doctorat en génie > Génie
Date de dépôt:	25 oct. 2023 15:03
Dernière modification:	25 oct. 2023 15:03
URI:	https://espace.etsmtl.ca/id/eprint/3302

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt