La conception des tunnels repose sur de multiples approches. Les formulations analytiques et empiriques sont fiables et utiles pour des estimations rapides. La modélisation numérique permet de surmonter les hypothèses trop restrictives et peut s’avérer nécessaire dans des situations complexes. Cependant, des efforts supplémentaires sont nécessaires pour améliorer la robustesse de ces approches. En particulier, les effets dépendant du temps doivent être mieux décrits pour évaluer le comportement à long terme des tunnels et de nouveaux modèles constitutifs sont nécessaires. De plus, de nouvelles techniques doivent être développées pour analyser la quantité croissante de mesures collectées pendant le creusement des tunnels. L’apprentissage automatique semble être un domaine prometteur car des relations jusqu’alors inconnues entre les observations et les mesures peuvent être établies. Ainsi, dans cette thèse, des approches analytiques, numériques et fondées sur les données sont étudiées pour analyser le comportement des tunnels, à la fois à court terme et à long terme. En combinant ces méthodes, un outil global est développé pour aider à la conception des tunnels.

D’une part, une approche originale fondée sur une analyse inverse des mesures de convergence dans les tunnels profonds est présentée afin de déterminer les paramètres constitutifs de la roche environnante. Comme l’augmentation des déformations et des contraintes dans le temps est due à la fois à l’avancement du front de taille et à la réponse différée du terrain, ces deux effets doivent être pris en compte simultanément pendant les travaux d’excavation. À cette fin, de nouvelles solutions analytiques sont développées pour un tunnel circulaire non revêtu creusé dans un sol homogène isotrope sous un champ de contraintes initial isotrope et en supposant un comportement plastique viscoélastique fractionnaire. En combinant la solution analytique qui prend en compte l’avancement progressif du front et une approche empirique, une analyse inverse des convergences est réalisée au moyen d’une méthode d’optimisation aux moindres carrés afin de calibrer les paramètres constitutifs du terrain. Le processus présenté vise à caractériser le comportement à court et à long terme des tunnels et offre l’avantage d’être applicable pendant la phase d’excavation dès que les mesures de convergence sont disponibles. La méthode est illustrée par deux études de cas relatives au tunnel routier du Fréjus et à la galerie d’accès de Saint-Martin-la-Porte (SMP2). De plus, l’interaction entre la roche et le revêtement est étudiée à travers le développement d’une solution analytique pour un tunnel soutenu excavé dans un terrain viscoélastique fractionnaire.

D’autre part, l’utilisation potentielle de l’intelligence artificielle est explorée. À cette fin, trois outils d’apprentissage automatique sont développés à partir de données synthétiques pour prédire le comportement à court et à long terme des tunnels. Le premier modèle vise à évaluer la pression et le déplacement radial à l’équilibre dans le soutènement ainsi que le déplacement radial se produisant près du front à la distance d’installation du support. Le second modèle est destiné à calculer l’extrusion se produisant au front de taille dans le cas d’une galerie non-revêtue. Un dernier modèle inclut l’effet du temps dans l’analyse afin d’évaluer l’interaction entre le terrain et le revêtement à long terme. En particulier, la méthode du bagging est appliquée à un réseau de neurones pour améliorer la capacité de généralisation. Une bonne performance est obtenue en utilisant des ensembles de données relativement petits. La modélisation des modèles de substitution est expliquée depuis la création des ensembles de données synthétiques jusqu’à l’évaluation de leurs performances et leurs limites sont discutées. En pratique, ces outils d’apprentissage automatique devraient être utiles sur le terrain pendant la phase d’excavation.