Cartographie Géotechnique par Deep Learning Approche par Réseaux de Neurones Artificiels

Kasongo wa Mutombo Portance, Kavula Ngoy Elysée, Sow Libasse, Lunda Ilunga Jean Marie

Abstract


In geotechnical engineering, engineers use several systems for classifying geomaterials by assigning each category similarity in their physical and/or mechanical properties to a code. To achieve the classification of each system, they often resort to the algorithmic method which consists of comparing each parameter to the set thresholds. This method is conceivable when the data to be processed are not massive. The main objective is to propose a new method of classifying geomaterials applicable to all cases of figures. The methodology adopted is that of artificial intelligence; the "deep learning" approach which is the most appropriate in classification problems. To implement the neural model, the architecture of the multilayer perceptron has been retained. It requires knowledge of input data and output data with or without hidden layers. By comparing the results obtained using the algorithmic approach and those of the neuronal method, several common points are identified (86%). The neural network method made it possible to discriminate certain classes that have not been noticed with the algorithmic classification. This method leads to very interesting results too based only on digital photographs taken during a geotechnical investigation. In the latter case, the input data consists of pixels.


En géotechnique, les ingénieurs utilisent plusieurs systèmes de classification des géomatériaux en affectant à chaque catégorie par similitude de leurs propriétés physiques et/ou mécaniques un code. Pour réaliser la classification de chaque système, ils recourent souvent à la méthode algorithmique qui consiste à comparer chaque paramètre aux seuils fixés. Cette méthode est envisageable quand des données à traiter ne sont pas massives. L’objectif principal est de proposer une nouvelle méthode de classification des géomatériaux applicable à tous le cas des figures. La méthodologie adoptée est celle de l’intelligence artificielle ; l’approche par « deep learning » qui est la plus adaptée dans des problèmes de classification. Pour implémenter le modèle neuronal, l’architecture du perceptron multicouche a été retenue . Elle nécessite la connaissance des données d’entrée (inputs) et celles de sorties (outputs) avec ou sans couches cachées. En comparant les résultats obtenus à l’aide de l’approche algorithmique et ceux de la méthode neuronale, plusieurs points communs sont identifiés (à 86%). La méthode par réseau de neurones a permis de discriminer certaines classes passées inaperçues avec la classification algorithmique. Cette méthode conduit à des résultats très interessants aussi en se basant seulement sur des photographies numériques prises lors d’une campagne géotechnique. Dans ce dernier cas, les données d’entrée sont constituées des pixels.

Full Text:

PDF


DOI: http://dx.doi.org/10.19044/esj.2019.v15n12p233

DOI (PDF): http://dx.doi.org/10.19044/esj.2019.v15n12p233


European Scientific Journal (ESJ)

 

ISSN: 1857 - 7881 (Print)
ISSN: 1857 - 7431 (Online)

 

Contact: contact@eujournal.org

To make sure that you can receive messages from us, please add the 'eujournal.org' domain to your e-mail 'safe list'. If you do not receive e-mail in your 'inbox', check your 'bulk mail' or 'junk mail' folders.




Publisher: European Scientific Institute, ESI.
ESI cooperates with Universities and Academic Centres on 5 continents.