Influences de la méthode d'échantillonnage et de la présence d'une phase liquide sur l'estimation de la teneur en matière résiduelle d'un sol par analyse visuelle et intelligence artificielle

Marchand, Clélia (2023). Influences de la méthode d'échantillonnage et de la présence d'une phase liquide sur l'estimation de la teneur en matière résiduelle d'un sol par analyse visuelle et intelligence artificielle. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (27MB) | Prévisualisation

Résumé

La caractérisation des sols urbains est cruciale pour leur gestion environnementale et la planification de leur réhabilitation. Cette recherche s’intéresse au cas de remblais contenant des matières résiduelles et plus précisément, des briques de construction. Dans le cadre de ce travail, dix essais d’échantillonnage combinant dix configurations de méthode d'échantillonnage, présence de liquide et, de manière secondaire, de présence de particules fines ont été réalisés. À travers ces dix essais, l’objectif a été d’étudier la représentativité des configurations via des analyses granulométriques et de concentration de matière résiduelle pour une analyse d’images ultérieure par un réseau neuronal convolutif. Les lots utilisés pour les essais étaient composés de particules de sol graveleux inférieures à 2,5 mm, et sans particules inférieures à 160 µm pour les essais de sol sans particules fines. Ces lots étaient artificiellement contaminés avec de la brique particulaire à une concentration massique de 30%. Les méthodes d’échantillonnage employées ont été le grappillage, le pelletage fractionné en 20 incréments et la séparation rotative. Les phases liquides introduites au cours des essais humides étaient l’eau et l’huile de canola, substitut sécuritaire aux produits pétroliers.

Cette recherche a confirmé la hiérarchie de représentativité des trois méthodes d’échantillonnage étudiées avec dans l’ordre croissant de représentativité, le grappillage étant la moins représentative, suivie du pelletage fractionné et enfin de la séparation rotative (applicable seulement aux essais secs). La présence d’une phase liquide, a considérablement amélioré la représentativité, en particulier pour le grappillage. La présence de fines a principalement affecté l’erreur fondamentale, mais cet effet était minime par rapport aux erreurs de ségrégation et de groupement. Cependant, des pertes de sol, y compris des particules fines, et de briques ont pu légèrement biaiser les résultats granulométriques et de quantification de briques, en particulier pour les essais humides.

Les résultats en lien avec l’analyse d’images ont montré l'importance de rééquilibrer la base de données photographiques utilisée pour l’entraînement et la validation du réseau neuronal pour que ce dernier soit en mesure de détecter toutes les concentrations en briques, notamment les plus extrêmes. Une base de données diversifiée et conséquente a nécessité un réseau neuronal complexe pour converger. L'ajustement des hyperparamètres a eu des effets spécifiques sur les performances. Les meilleures configurations de réseaux généraient des pertes autour de 0,012 et des racines carrées d’erreurs quadratiques moyennes à 0,035. De plus, le réseau a identifié en général des faux positifs et négatifs similaires à l'échantillonnage, renforçant ainsi la confiance en ce dernier. Cependant, l'erreur intrinsèque du réseau n’a fait encore que s'ajouter à l'erreur d'échantillonnage. Un objectif futur serait de la corriger.

Titre traduit

Influences of sampling method and the presence of a liquid phase on the estimation of residual material content in soil through visual analysis and artificial intelligence

Résumé traduit

The characterization of urban soils is crucial for their environmental management and rehabilitation planning. This research focuses on fill materials containing residual materials, specifically construction bricks. In the course of this work, ten sampling tests were conducted, combining ten configurations of sampling method, the presence of liquid, and, secondarily, the presence of fine particles. Through these ten tests, the goal was to study the representativeness of the configurations through granulometric and residual material concentration analyses for subsequent analysis by a convolutional neural network. The lots used for the tests were composed of gravelly soil particles smaller than 2.5 mm, with no particles smaller than 160 µm for tests without fine particles. These lots were artificially contaminated with particulate bricks at a mass concentration of 30%. The sampling methods employed were grab sampling, fractionated shoveling in 20 increments, and rotary separation. The liquid phases introduced during wet tests were water and canola oil, a safe substitute for petroleum products.

This research confirmed the hierarchy of representativeness of the three studied sampling methods, with grab sampling being the least representative, followed by fractionated shoveling and rotary separation (only applicable to dry tests). The presence of a liquid phase significantly improved representativeness, especially for grab sampling. The presence of fines mainly affected the fundamental error, but this effect was minimal compared to segregation and grouping errors. However, soil and brick losses, including fine particles, slightly biased granulometric and brick quantification results, especially for wet tests.

The results related to the image analysis highlighted the importance of rebalancing the photographic database used for training and validating the neural network to enable it to detect all brick concentrations, especially the most extreme ones. A diverse and extensive database required a complex neural network to converge. The adjustment of hyperparameters had specific effects on performance. The best network configurations generated losses around 0.012 and root mean square errors of around 0.035. Furthermore, the network generally identified false positives and false negatives similar to the sampling, thereby reinforcing confidence in the latter. However, the network's intrinsic error still added to the sampling error. A future objective would be to correct this intrinsic error.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise en génie de l’environnement". Comprend des références bibliographiques (pages 153-158).
Mots-clés libres:	matière résiduelle, méthode d’échantillonnage, phase liquide, particules fines, granulométrie, représentativité, analyse d’images, réseau neuronal convolutif, régression
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Dubé, Jean-Sébastien
Codirecteur:	Codirecteur Duhaime, François
Programme:	Maîtrise en ingénierie > Génie de l'environnement
Date de dépôt:	01 févr. 2024 15:30
Dernière modification:	01 févr. 2024 15:30
URI:	https://espace.etsmtl.ca/id/eprint/3397

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt