Abstract
Le présent article présente une étude expérimentale sur les chemins de drainage-humidification d’un sol limoneux traité à différents dosages en ciment et compacté à l’Optimum Proctor Normal à température ambiante. Les succions utilisées sont comprises entre 0,05 MPa et 342,63 MPa, et appliquées sur quatre formulations étudiées (sol naturel, sol + 2 % ciment, sol + 4 % ciment et sol + 6 % ciment). À la fin des essais sur les chemins de drainage-humidification, les courbes hydriques du sol traité à différents dosages en ciment nous permettent de déterminer les différents paramètres d’états du sol traité : degré de saturation (Sr), poids volumique sec (γd), indice des vides (e) et teneur en eau (w). La gamme d’imposition de succion ainsi que le dosage en ciment influencent de manière importante le comportement hydrique du matériau étudié. D’autre part, des simulations ont été effectuées en utilisant un modèle hydrique de la littérature ; ces simulations permettent d’illustrer l’effet du traitement sur les paramètres hydriques du sol étudié à savoir : la limite de retrait, la pression de limite de retrait et la pression de désaturation afin de faciliter l’interprétation des résultats expérimentaux obtenus.
Subject
General Materials Science
Reference21 articles.
1. Lasledj A., Al-Mukhtar M., Effect of hydrated lime on the engineering behaviour and the microstructure of highly expansive clay, in: The 12th IACMAG, 1st to 6th October 2008, Goa, India, 2008, pp. 3590–3598
2. Belal T., Ghembaza M.S., Bellia Z., An investigation of the effects of cementation and temperature on the water retention curve of compacted silt, Int. J. Geotech. Eng., (2019), https://doi.org/10.1080/19386362.2019.1617953
3. Zhang Y., Song Z., Weng X., Xie Y., A new soil-water characteristic curve model for unsaturated loss based on wetting-induced pore deformation, Hindawi, Geofluids, (2019), https://doi.org/10.1155/2019/1672418
4. Achieng K.O., Modelling of soil moisture retention curve using machine learning techniques. Artificial and deep neural networks vs. support vector regression models, Comput. Geosci., (2019), https://doi.org/10.1016/j.cageo.2019.104320