Modélisation des caractéristiques de surface d’une chaussée en condition hivernale en fonction des conditions météorologiques

 Le trafic routier 

Le trafic routier est un facteur à conséquences multiples sur l’état des routes. Il va influer sur le bilan thermique et hydrique de surface. Pour une chaussée recouverte de neige, en plus des conséquences générées sur le bilan de masse de la couche de neige par une modification des bilans thermiques et hydriques en surface, vient s’ajouter un effet de tassement mécanique dû aux passage des véhicules dans le cas de la neige humide et de projections latérales du mélange eau, neige-glace, saumure dans le cas de la neige mouillée. 

 Les conséquences du trafic sur le bilan thermique de surface

 La première conséquence est l’influence du passage d’un véhicule sur le bilan thermique de surface. On peut distinguer des conséquences directes et indirectes de l’effet du passage d’un véhicule. En effet, un véhicule est une source de chaleur multiple et de différentes formes (Prusa et al. 2002) : thermiques (énergie dégagée par la combustion, rayonnement émis par la base du véhicule, flux turbulents associés aux gaz d’échappements) et mécaniques (friction des pneumatiques). De plus, le passage d’un véhicule va influencer également de Chapitre 2 : La viabilité hivernale – vue d’ensemble 25 manière indirecte le bilan thermique de surface : génération d’une zone d’ombre et modification des conditions aérodynamiques, donc des transferts turbulents en surface. De plus, ces flux énergétiques sont très variables. En effet, la couverture du véhicule sur la route est partielle, et de la même manière de nombreuses hétérogénéités existent sur la zone couverte par le véhicule : la friction ne s’exerce qu’au niveau des pneus, les conditions aérodynamiques et la surface de rayonnement sont thermiquement hétérogènes…Les différents flux thermiques générés par un véhicule sur la surface de la chaussée sont schématisés sur la figure 2.5. Figure 2.5 : Illustration schématique des flux thermiques générés par le véhicule, d’après Prusa et al.2002. Ere, Erp sont respectivement les flux radiatifs émis par le moteur et le circuit d’échappement. Ece et Ecp sont respectivement les flux convectifs générés par le moteur et le circuit d’échappement. Ef, Ed et Eo sont respectivement les pertes mécaniques par dissipation des pneus, du freinage et de la totalité des autres composants du véhicule. Ec est le flux thermique total dû au système de climatisation. Des stations automatiques, installées principalement sur les grands axes, permettent de quantifier le flux de véhicules en temps réel. Certaines stations permettent également de distinguer les différents types de véhicules. Cependant, ce flux est dépendant du lieu et de l’heure, et il semble ainsi difficile d’intégrer une paramétrisation précise du trafic dans un modèle. La difficulté augmente dans un contexte de prévision car le caractère aléatoire du trafic, comme les accidents ou les ralentissements ponctuels, est impossible à prévoir. Le trafic peut être extrêmement variable au cours de la journée (par exemple très important pendant les heures de pointes et beaucoup faible pendant la nuit) ou selon la période (avec par exemple des densités de trafic très importantes pour les périodes de vacances). Le trafic est également très variable spatialement, à l’échelle du réseau routier, mais également à l’échelle d’une section. En effet, le trafic diffère selon les voies de circulation. Il est souvent plus dense, plus lent, avec plus de véhicules lourds sur les voies de droite, et au contraire plus fluide, avec des vitesses Chapitre 2 : La viabilité hivernale – vue d’ensemble 26 plus élevées sur les voies de gauche. Ainsi les conséquences thermiques dues au trafic varient fortement d’une voie à l’autre. Des écarts significatifs sont observables sur la température de surface. Chapman et al. (2001) ont montré que le trafic pouvait causer jusqu’à 2°C d’écart entre une voie lente et une voie rapide et que déterminer l’impact du trafic sur la température de surface est relativement difficile. Shao (1999) à, quant à lui, montré que l’influence du trafic sur la température de surface des chaussées était bien moins importante que celle des conditions météorologiques. 

 Les conséquences du trafic sur le bilan hydrique de surface

 En absence de trafic, l’incertitude sur la quantité d’eau liquide présente en surface d’un revêtement, ainsi que sa répartition, est très importante. Cette incertitude est due à l’hétérogénéité (forme des macrorugosités très variable) du matériau constituant le revêtement de surface, à la variabilité spatiale du ruissellement de surface due à la topographie (pente de la chaussée, déformations). A cette incertitude s’ajoute celle de la précipitation, car la répartition spatiale et temporelle d’une chute de pluie est relativement difficile à déterminer précisément. Cette incertitude est augmentée en présence de trafic. En effet, le passage d’un véhicule génère des flux latéraux d’eau liquide, et également des flux verticaux par la dépression générée par les pneumatiques (Shao et al. 1994). Ces flux générés par le trafic ne font qu’augmenter la difficulté à estimer précisément la quantité d’eau liquide en surface. 

Modification structurelle de la neige par le trafic

La neige étant un matériau déformable, le trafic a un effet mécanique très important. Le passage des véhicules va avoir pour conséquence de densifier la neige présente en surface de la chaussée. Fujimoto et al. (2006) ont étudié l’augmentation de densité en conditions expérimentales (neige artificielle obtenue en chambre froide à température constante). Ils ont reproduit le passage d’une roue sur de la neige fraîche et mesuré l’évolution de densité de la neige (figure 2.6). Ils ont pu observer l’impact rapide de la densification due au trafic, ou après seulement 10 passages (Nw = 10 sur la figure 2.6), la densité avait quasiment doublé. Sur la figure 2.6, les symboles (□, ∆, ○) représentent les mesures de densités pour différentes températures d’air dans la chambre froide (-3°C, -6°C, -10°C). Chapitre 2 : La viabilité hivernale – vue d’ensemble 27 Figure 2.6 : Modification de la densité de la neige en fonction du passage de véhicules, d’après Fujimoto et al. 2006. L’augmentation de la densité de la neige due au compactage va avoir des conséquences sur les conditions d’adhérence des véhicules sur la neige. Kobayashi et al. (2006) proposent une corrélation entre le volume de trafic et la diminution de l’adhérence entre les pneumatiques et la surface de la neige. De la même manière, le compactage de la neige en surface du revêtement va rendre plus difficile le déneigement de la route par les services de viabilité hivernale (Muzet, 2000). Une étude de l’influence du compactage de la neige a été effectuée en France au cours du projet Gelcro (voir la section 2.5.5.1). 

L’impact du trafic sur les fondants routiers

L’impact du trafic sur la teneur résiduelle en fondants routiers n’est pas négligeable. En effet, après la fonte d’une partie de glace ou de neige due aux fondants, une saumure (mélange d’eau liquide et de fondants résiduels) résiduelle est présente en surface du revêtement. Ainsi, le brassage (de l’eau en surface ou de la neige) généré par le trafic va entraîner des hétérogénéités de concentration en fondants routiers. De manière plus précise, le trafic provoque un entraînement des fondants le long de l’itinéraire, une perte de fondants par expulsion latérale et une perte par nébulisation dispersée par le vent. Blomqvist et Gustafson (2004) ont mesuré les quantités résiduelles de fondants sur une section de route circulée, sur une durée de 12 jours allant du 10 au 22 février 2002. Un traitement de la route avait été effectué le 8 février (3 jours avant le début de la mesure) et deux traitements ont été effectués au cours de la période de mesure (les 15 et 17 février). La figure 2.7 montre la salinité résiduelle d’un profil transversal au cours du temps (en heures sur l’axe des abscisses). Chapitre 2 : La viabilité hivernale – vue d’ensemble 28 On peut ainsi voir la forte hétérogénéité des concentrations entre zones circulées et non circulées. Figure 2.7 : Concentration résiduelle en fondants sur une section de route circulée, d’après Blomqvist et Gustafson (2004). Le cycle de vie des fondants routiers est encore méconnu et fait l’objet de recherches, notamment au LRPC de Nancy (Marchetti et al. 2006b). Une recherche sur le sujet a également été effectuée au cours du projet Gelcro (section 2.5.5.2). Ainsi, prendre en compte de manière précise les effets thermiques, hydriques et chimiques (cycle de vie des fondants) du trafic dans un modèle de prévision d’état des routes semble extrêmement difficile. Pour les services d’exploitation, la quantité résiduelle de sel, est un facteur important, afin de permettre une meilleure gestion des stocks de fondants routiers. Les recherches sur le cycle de vie des fondants progressent et laissent penser qu’à terme ce paramètre pourra être pris en compte dans un modèle opérationnel. Par exemple, Blomqvist et Gustafson (2004) ont développé un modèle empirique qui permet de déterminer la quantité résiduelle moyenne (sur la section) de fondants, en fonction de la quantité de sel épandue et du nombre de véhicules accumulés. Ce modèle doit être calibré et amélioré, mais les premiers résultats se montrent encourageants (figure 2.8). Ils ont conclu à une perte de fondants de 17% à 50% due au trafic. Chapitre 2 : La viabilité hivernale – vue d’ensemble 29 Figure 2.8 : Comparaison des mesures et des résultats d’un modèle empirique de la teneur en sel résiduelle moyenne, d’après Blomqvist et Gustafson (2004). 

 Le contexte opérationnel – cas pratique 

Afin de connaître plus précisément les besoins réels dans un contexte opérationnel, il m’a été permis de passer une semaine (du 14 au 19 février 2005) dans un service d’exploitation autoroutier chez Autoroutes et Tunnels du Mont-Blanc (ATMB). La société ATMB gère un réseau autoroutier de 110 km situé principalement en Haute-Savoie, avec également une partie de la concession située dans l’Ain. La concession est située entre les villes de Le Fayet (HauteSavoie), en direction de Chamonix, et de Chatillon en Michaille (Ain), en direction de Lyon/Paris (figure 2.9). Figure 2.9 : Carte du réseau géré par la société ATMB Chapitre 2 : La viabilité hivernale – vue d’ensemble 30 La totalité du réseau est soumise à des conditions climatiques hivernales rudes sur une période allant de octobre à mai. Ainsi la viabilité hivernale de ce réseau constitue un problème majeur (Dubois 2006). Au cours de ma présence, un épisode neigeux très important s’est produit dans la nuit du 14 au 15 février. Durant cet épisode, j’ai pu participer à l’opération de maintenance de la viabilité du réseau, à différents niveaux : gestion des déneigeuses/saleuses depuis le centre d’exploitation et gestion sur le terrain au sein d’un véhicule de patrouille. Cette opération m’a permis de voir plus précisément les problèmes réels du contexte opérationnel et d’apprécier l’écart existant entre le contexte opérationnel et celui de la recherche. En effet, la simulation numérique pourra très difficilement reproduire la réalité avec exactitude mais doit essayer de s’en approcher autant que possible, même si certains phénomènes ne pourront probablement jamais être modélisés. Connaître avec précision les multiples effets du trafic et les quantifier semble très difficile dans un contexte de modélisation. De la même manière, les effets locaux (congères, zones ventées et humides…) ne peuvent pas être intégrés à un modèle général de prévision numérique, seule une connaissance du terrain, ou encore l’utilisation d’un modèle local, va permettre une bonne gestion du problème de viabilité hivernale par les exploitants. Dans un contexte de modélisation, se pose aussi le problème des déneigements. En effet, ceux-ci sont parfois très fréquents et non planifiés, ils sont décidés sur le terrain en fonction de la situation (conditions météorologiques, trafic…). Les dérives de température dues aux alternances de sol enneigé/sol non enneigé sont délicates à prévoir. C’est pourquoi l’utilité d’un modèle opérationnel réside dans la prévision de la tenue de la neige au cours d’un épisode neigeux. Pour les services d’exploitation, la prévision météorologique (atmosphérique) n’est qu’un indice pour la prise de décision. La décision n’est pas basée uniquement sur la prévision météorologique. L’expérience des exploitants du réseau a une part importante dans la prise de décision. Dès qu’un risque est pressenti, des précautions vont être prises (salage). En effet, le caractère payant du réseau autoroutier conduit à une obligation de résultats, car pour l’usager le fait de payer doit être synonyme de praticabilité du réseau. Ceci a pour conséquence une utilisation parfois excessive de fondants routiers. Ainsi, un outil opérationnel de prévision de l’état des routes vis à vis de la neige comblerait un manque au niveau des modèles de prévision utilisés par les services d’exploitation en viabilité hivernale, et son utilité serait double : permettre une meilleure gestion des effectifs et ainsi une intervention plus efficace, mais également une meilleure gestion de l’utilisation de fondants routiers. En effet, les quantités très importantes de fondants routiers pourraient être réduites Chapitre 2 : La viabilité hivernale – vue d’ensemble 31 grâce à une bonne prévision de l’état des routes. Les traitements préventifs pourraient être supprimés pour les épisodes à risque nul, comme une précipitation neigeuse sans accumulation au sol ou pour une température de surface de chaussée positive prévue avec certitude. Cette économie de fondants routiers pourrait être encore plus importante en intégrant une paramétrisation des fondants routiers dans le modèle, comme il est par exemple fait aux EtatsUnis au sein du projet dédié à la viabilité hivernale MDSS (Maintenance Decision Support System) (Mahoney et al. 2006). La connaissance de la quantité résiduelle de fondants, permettrait l’application curative d’une quantité de fondants moins aléatoire. En plus du gain économique engendré par une réduction des volumes de fondants appliqués, l’impact de ces fondants sur l’environnement serait considérablement réduit. 

 Les modèles de prévision d’état des routes

 La majorité des pays soumis à des conditions climatiques hivernales (Europe, Amérique, Asie, Océanie) utilisent des modèles de prévision de l’état de surface des routes au cours de l’hiver. Deux types de modèles existent : les modèles statistiques et les modèles physiques. Ces derniers sont utilisés en majorité et sont traités plus en détail dans cette étude. 

 Les modèles statistiques

 Un premier type de modélisation est l’utilisation de modèles statistiques. Par exemple, Hertl et Schaffar (1998) ont obtenu des prévisions de température de surface satisfaisantes. Les mesures des stations météoroutières pour différents paramètres (température de surface, température de l’air, vent, rayonnement infrarouge et visible) sont analysées et décomposées selon des modèles typiques issus d’une base de données élaborée à partir des mesures de la station météoroutière. Ensuite, ces mesures sont extrapolées temporairement selon des évolutions typiques. Un exemple pour le rayonnement infrarouge est donné sur les figures 2.10 et 2.11. Figure 2.10 : Exemple d’analyse des mesures de rayonnement infrarouge : décomposition en combinaison de modèles typiques, d’après Hertl et Schaffar (1998). Figure 2.11 : Exemple de prévision de rayonnement infrarouge à partir de combinaison de modèles typiques, d’après Hertl et Schaffar (1998). A partir de ce modèle, Hertl et Schaffar (1998) ont testé deux approches. La première est l’utilisation des paramètres météorologiques extrapolés comme condition limite au bilan énergétique de surface pour la prévision de la température de surface. La seconde est l’extrapolation directe de la température de surface. Les résultats ont montré que la prévision statistique directe de la température de surface n’a pas dégradé les résultats. Les résultats obtenus avec cette méthode sont similaires à ceux obtenus avec des modèles physiques (écart quadratique moyen de l’erreur de l’ordre de 2°C), cependant l’échéance de prévision du modèle est faible (3 heures). En France, un modèle statistique a été développé à Météo-France (Baraer 2003). Il est basé sur le calcul d’un écart de température à appliquer à la température d’air prévue pour obtenir une prévision de la température de surface. Cet écart de température est dépendant de la vitesse du vent et de la nébulosité prévue. Le pas de temps du modèle est tri-horaire. Un exemple de calcul de la température de surface est donné sur la figure 2.12. Figure 2.12 : Exemple de prévision de température de surface (Tsol) valable pour la période du 16 octobre au 14 mars, d’après Baraer 2003. FF est la vitesse du vent (m s-1), H est l’heure et N est la nébulosité (octas). 

 Les principaux modèles physiques 

Depuis le début des années 80, plusieurs modèles physiques ont été développés dans un but de prévision d’état des routes en condition hivernale (Thornes 1984, Rayer 1987, Shao 1990, Sass 1992, Jacobs et Raatz 1996, Paumier et Arnal, 1998, Crevier et Delage 2001). Tous les modèles sont des modèles unidimensionnels verticaux basés sur la résolution du bilan énergétique de surface afin de déterminer la température de surface de la route. Le bilan énergétique de surface s’établit grâce à l’équilibre des flux énergétiques en surface de la route (flux de rayonnement net, flux de chaleurs turbulents) avec le flux de conduction entre la surface et la route. Le schéma du bilan énergétique de surface est donné sur la figure 2.13. Figure 2.13 : Schéma du bilan énergétique de surface . Afin de modéliser le plus précisément possible cette température de surface, les réseaux routiers ont été équipés de station météoroutières. Ces stations météoroutières se déclinent sous plusieurs formes, les plus simples étant équipées uniquement de capteurs de température dans la chaussée, de température et d’humidité de l’air, alors que les plus complexes possèdent également des capteurs de rayonnement (visible et infrarouge). Les mesures de ces stations météoroutières ont été couplées avec les modèles précédemment décrits pour conduire à des systèmes automatiques de prévision locale. Les mesures de température en surface et dans la route servent de condition initiale à la prévision. C’est pourquoi les systèmes de prévision déterministes élaborés à partir des modèles précédents (Sass 1997, Shao et lister 1995, Shao et Lister 1996, Chapman et al. 2001, Crevier et Delage 2001, Raatz and Niebrügge 2002, Paumier et Arnal 1998) utilisent les données des Chapitre 2 : La viabilité hivernale – vue d’ensemble 34 stations météoroutières. En surface, les flux sont calculés à partir des prévisions météorologiques de modèles atmosphériques, la route est discrétisée verticalement sur une épaisseur de 1m à 3m selon le modèle, le profil initial de température est obtenu par extrapolation des mesures de température dans le sol et la température au-dessous de la route est considérée comme constante. Certains modèles prennent en compte des paramètres influant sur le bilan de surface, comme les zones d’ombre, le trafic routier. Par exemple, le modèle allemand (Jacobs et Raatz 1996) résout le bilan énergétique de surface pour plusieurs caractéristiques : avec et sans trafic, zone ombragée, zone urbaine et pont. Les caractéristiques principales des différents modèles sont décrites dans le tableau 2.1. Tableau 2.1 : Principales caractéristiques des différents modèles La prise en compte du trafic et des effets locaux sont détaillés en section 2.4.3, et le traitement de l’eau liquide en surface est détaillé en section 2.4.4.

 La gestion des paramètres extérieurs (effets locaux et trafic) 

La prise en compte des effets du trafic dans un modèle est assez complexe du fait des effets thermiques dus au passage d’un véhicule (rayonnement émis par un véhicule, modification des Référence Thornes (1984) Rayer (1987) Shao (1990) Sass (1992) Jacobs et Raatz (1996) Paumier et Arnal (1998) Crevier et Delage (2001) Pays GrandeBretagne GrandeBretagne GrandeBretagne Danemark Allemagne France Canada Nom du modèle / Met-Office Icebreak DMIHirlam-R DWD Préviroute METRo Equation de base Bilan de surface Equation de la chaleur Equation de la chaleur Equation de la chaleur Equation de la chaleur Equation de la chaleur Equation de la chaleur Profil de température dans la chaussée Non Oui Oui Oui Oui Oui Oui Utilisation de station météoroutière Oui Oui Oui Oui Oui Oui Oui Effets locaux Oui Non Oui Oui Oui Non Non Influence du trafic Oui Non Oui Oui Oui Non Oui Chapitre 2 : La viabilité hivernale – vue d’ensemble 35 échanges turbulents, ombre lors du passage…), accentué par les incertitudes relatives à la densité du trafic. Ainsi ces modèles utilisent une paramétrisation simple pour décrire l’effet du trafic, ou ne le prennent pas en compte du tout (Rayer 1987, Paumier et Arnal 1998). Par exemple, Shao et Lister 1996 proposent une paramétrisation basée sur une modification des coefficients d’échanges turbulents et du rayonnement infrarouge net, en fonction de la densité du trafic. Chapman et al. 2001 (pour le modèle Thornes 1984) proposent quant à eux de tenir compte de trois effets du trafic : l’échauffement de température avec l’introduction d’un facteur correctif sur la température de surface, la modification du bilan infrarouge net dû au passage des véhicules avec l’introduction d’un facteur correctif sur le flux infrarouge émis, et l’augmentation des échanges turbulents avec augmentation de la vitesse du vent de 2 m.s-1. Jacobs et Raatz (1996) intègrent le trafic par une augmentation des échanges turbulents, en imposant une vitesse de vent minimale de 10 nœuds au cours de la journée et une vitesse minimale de 5 nœuds au cours de la nuit et lors des périodes de vacances. Crevier et Delage 2001 adoptent quant à eux une paramétrisation plus simple, par l’ajout dans le bilan de surface d’un flux dû au trafic d’une valeur constante de 15 W m- ² (avec une correction en fonction du biais sur la température moyenne de surface de la nuit précédente). D’une manière similaire, Sass 1997 propose l’introduction dans le bilan de surface d’un flux de sources externes (effets de la topographie locale et du trafic). La prise en compte du trafic dans les modèles présentés est récapitulée dans le tableau 2.2.