MétaCan
Menu
← Back to cohort
Record W7104270397 · doi:10.71892/11143/1175

Amélioration de l'identification des cavités sous les routes

2025· other· fr· W7104270397 on OpenAlexaboutno aff

Bibliographic record

VenueOpen MIND · 2025
Typeother
Languagefr
Field
Topic
Canadian institutionsnot available
Fundersnot available
KeywordsDeratingRail transportationHomogeneous

Abstract

fetched live from OpenAlex

Le présent projet de recherche s’intéresse à la problématique des cavités qui se développent dans le sol, en particulier sous les routes, notamment à proximité des ponceaux défectueux ou vieillissants. Ces cavités présentent un risque important pour la sécurité routière, car elles peuvent entraîner l’effondrement soudain de la chaussée. Les causes possibles de ces cavités sont liées à plusieurs phénomènes, tels que l’érosion, les écoulements souterrains, la perte de matériaux ou des changements physico-chimiques du sol. Pour prévenir ces incidents, le ministère des Transports du Québec utilise depuis plusieurs années la méthode MMASW (Multi-Modal Analysis of Surface Waves) afin de détecter la présence d’anomalies sous les chaussées. Cependant, bien qu’efficace pour caractériser les sols, cette méthode est jugée longue et complexe, notamment à cause des traitements de signal et des processus d’inversion nécessaires. Le rapport pose donc la question de savoir s’il est possible de développer une méthode d’analyse plus rapide, qui permettrait de diagnostiquer l’état du sol autour des ponceaux en 3D, sans passer par toutes les étapes complexes de la MMASW. C’est dans ce but qu’un projet de recherche a été lancé à l’Université de Sherbrooke, afin de mettre au point une approche expérimentale et méthodologique permettant une détection plus rapide et localisée des cavités. La nouvelle méthode proposée consiste à réaliser des relevés sur une surface plus large autour des ponceaux, avec des capteurs disposés en lignes parallèles à la chaussée et déplacés par petits espacements. Cette configuration permet de couvrir un plus grand volume de sol et d’obtenir des tomographies en 2D et 3D du sous-sol investigué. Ainsi, la méthodologie vise à améliorer la localisation des anomalies et à fournir un diagnostic rapide de l’état du remblai, tout en validant ces hypothèses à l’aide d’un site expérimental à échelle réelle construit à l’Université de Sherbrooke. Au cours de l’automne 2020, un site expérimental a été aménagé sous la piste cyclable menant au bassin hydraulique de l’Université de Sherbrooke, où deux ponceaux en tôle ondulée galvanisée de 1,2 m de diamètre ont été implantés à des profondeurs respectives de 1,5 m et 3,5 m. La partie expérimentale s’est déroulée en plusieurs phases. Lors de la première phase d’investigations, des relevés ont été effectués afin d’observer l’état initial du sol sans cavités. Dans la phase 2, des cavités de 20 × 20 × 20 cm³ ont été créées à différentes orientations (0°, 45°, 90°) et à divers emplacements le long des ponceaux, afin de traiter plusieurs cas. Ces cavités ont ensuite été agrandies à 40 × 40 × 40 cm³, puis certaines ont été rebouchées avec de la mousse expansive. À chaque étape, des relevés ont été effectués. Enfin, la phase 3 constitue les travaux effectués dans le cadre de cette maîtrise. Des relevés ont été réalisés environ un an après la phase 2 pour valider la fiabilité de la méthode et pour évaluer l’évolution des cavités, tout en variant les espacements et les configurations de mesure (par exemple l’emplacement de la source), afin de rechercher la meilleure configuration et de tester les limites de la méthode. Un logiciel de traitement des signaux a été développé au sein du laboratoire géotechnique de l’Université de Sherbrooke, afin de faciliter le traitement des données et d’optimiser le temps d’analyse. Le projet a atteint ses objectifs. La méthode d’analyse développée, basée sur la variation de la vitesse de groupe en fonction de la fréquence pour chaque capteur, a permis de détecter précisément des anomalies telles que des cavités ou des zones décompactées. Des défis techniques liés au positionnement des capteurs et à la qualité des signaux ont initialement compliqué l’analyse, le logiciel de traitement des signaux a été conçu pour traiter les données en moins de 5 minutes par série d’essais, offrant ainsi un diagnostic fiable en temps réel (moins d’une heure après les mesures) et permettant de filtrer les effets des signaux défectueux (moins de 1% sur 300 à 400 signaux). La méthode d’analyse, validée sur plusieurs cas, montre un potentiel accru pour des ponceaux réels, où l’espace permet un placement optimal des sources d’impacts. Des essais à l’échelle routière restent toutefois nécessaires pour confirmer ces avancées, mais la méthode constitue déjà une solution rapide et précise pour l’évaluation de l’état du sol à travers les pavages routiers.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.002
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.007
Threshold uncertainty score0.013

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.002
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0010.001
Science and technology studies0.0000.001
Scholarly communication0.0020.002
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0030.001

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.052
GPT teacher head0.342
Teacher spread0.289 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2025
Admission routes1
Has abstractyes

Explore more

Same venueOpen MIND→French-language works237,207→