Contribution to the valorisation of recycled aggregates : development of an automated identification and quantification method based on deep learning and evaluation of their CO2 storage capacity
Contribution à la valorisation de granulats recyclés : développement d’une méthode d’identification et de quantification automatisée basée sur le deep learning et évaluation de leur capacité de stockage de CO2
Résumé
The construction sector is incited to recycle increasing amounts of wastes, particularly through the production of recycled aggregates (RA) for construction. The aim of this thesis is to develop an automated deep learning-based image analysis method to characterise the nature of RA (mass composition). Deep learning is a form of artificial intelligence which uses neural networks (NN) to detect characteristic features (i.e. colour, texture, shape) required for the classification of the different constituents of RA. A NN has been trained and optimised using 37 000 photographed grains. The results of this work are encouraging as the rate of successful classification is up to 97 %. The mass composition determined from this classification is very close to that obtained with the manual sorting in accordance with the NF EN 933-11 standard.In addition to this issue of resource management, the construction sector is responsible for about 8 % of the global emissions of CO2. Given the presence of demolition concrete in the RA, it is interesting to evaluate their CO2 storage potential to integrate it in the life cycle analysis of the construction works. We have developed a carbonation cell which allows the continuous determination of the quantity of CO2 stored by the analysis of the variations of its concentration inside the apparatus. This new method has been validated on cementitious materials by thermogravimetric cross-analyses. It should be optimised to become a complementary tool for the characterization of the RA.
Le secteur du BTP est incité à recycler toujours plus de déchets, notamment à travers la fabrication de granulats recyclés (GR) pour la construction. L’objectif de ce travail de thèse est de développer une méthode de caractérisation automatisée de la nature des GR (composition massique) basée sur de l’analyse d'images par deep learning. C’est une forme d'intelligence artificielle qui utilise des réseaux de neurones (RN) pour détecter sur des images des traits caractéristiques (i.e. couleur, texture, forme) nécessaires à la classification des différents constituants des GR. Un RN a été entrainé puis optimisé avec 37 000 grains photographiés. Les résultats de ces travaux sont encourageants puisque le taux de classification réussi des images est de 97 % au maximum. La composition massique déterminée à partir de cette classification est très proche de celle obtenue par la méthode de tri manuel selon la norme NF EN 933-11.Parallèlement à cette problématique de gestion des ressources, le secteur du BTP est responsable d'environ 8 % des émissions globales de CO2. Compte tenu de la présence de béton de démolition dans les GR, il est intéressant d’évaluer leur potentiel de stockage de CO2 pour l'intégrer dans l'analyse de cycle de vie des ouvrages. Nous avons développé une cellule de carbonatation qui permet de déterminer en continu la quantité de CO2 stocké par l'analyse des variations de sa concentration à l'intérieur du dispositif. Cette nouvelle méthode a été validée sur des matériaux cimentaires par analyses croisées thermogravimétriques. Il conviendra de l’optimiser pour en faire un outil complémentaire à la caractérisation des GR.
| Origine | Version validée par le jury (STAR) |
|---|