Le modèle d’apprentissage automatique améliore la résilience contre la liquéfaction dans les régions sujettes aux tremblements de terre

À mesure que les zones urbaines s’étendent, la menace de catastrophes naturelles devient une préoccupation pressante pour les urbanistes et les autorités de gestion des catastrophes. Dans les pays sujets aux tremblements de terre comme le Japon, l’un des risques critiques pour les infrastructures est la liquéfaction, un phénomène dans lequel des secousses intenses font perdre de leur résistance les sols meubles et saturés d’eau et se comportent comme un liquide. La liquéfaction peut entraîner l’enfoncement des bâtiments dans le sol, des fissures dans les fondations et l’effondrement des routes et des services publics comme les conduites d’eau.

La liquéfaction des sols accompagne chaque tremblement de terre majeur et les dégâts sont importants. Le tremblement de terre de Tōhoku au Japon en 2011 a provoqué une liquéfaction qui a endommagé 1 000 maisons. À Christchurch, le séisme de magnitude 6,2 a provoqué une liquéfaction qui a détruit 80 % des systèmes d'eau et d'égouts. En 2024, le tremblement de terre de Noto a provoqué une liquéfaction généralisée, affectant 6 700 maisons.

Pour rendre les villes plus résilientes aux effets de la liquéfaction, le professeur Shinya Inazumi et son étudiant Yuxin Cong de l'Institut de technologie Shibaura au Japon ont développé des modèles d'apprentissage automatique qui prédisent la réaction du sol lors des tremblements de terre. Ces modèles utilisent des données géologiques pour créer des cartes 3D détaillées des couches de sol, identifiant les zones stables et celles plus sujettes à la liquéfaction. Contrairement aux méthodes manuelles d’analyse du sol, qui ne peuvent pas couvrir chaque emplacement, cette approche offre une vue plus large et plus détaillée du comportement du sol.

Dans leur récente étude publiée dans Villes intelligentes le 8 octobre 2024, ils ont utilisé des réseaux de neurones artificiels (ANN) et des techniques d'apprentissage d'ensemble pour estimer avec précision la profondeur des couches porteuses, un indicateur crucial de la stabilité du sol et de sa probabilité de se liquéfier lors d'un tremblement de terre.

« Cette étude établit une méthode de prévision de haute précision pour des points et des zones inconnus, démontrant le potentiel important de l'apprentissage automatique en ingénierie géotechnique. Ces modèles de prévision améliorés facilitent une planification des infrastructures plus sûre et plus efficace, ce qui est essentiel pour les régions sujettes aux tremblements de terre, contribuant ainsi à au développement de villes plus sûres et plus intelligentes », déclare le professeur Inazumi.

La prévision des zones comportant des couches portantes profondes et stables permet d'identifier les endroits où le sol peut fournir un meilleur support aux bâtiments, en particulier lors d'événements tels que la liquéfaction. Les chercheurs ont collecté des données de profondeur de roulement à partir de 433 points à Setagaya-ku, Tokyo, à l'aide de tests de pénétration standard et de tests de mini-sondage. En plus de la profondeur de la couche d'appui, ils ont également enregistré des informations clés sur chaque emplacement, telles que la longitude, la latitude et l'élévation.

Les données ont été utilisées pour entraîner un ANN à prédire la profondeur de la couche porteuse à 10 emplacements, en utilisant les mesures réelles du site pour évaluer l'exactitude des prévisions. Pour améliorer la précision de ces prédictions, les chercheurs ont appliqué une technique appelée bagging (agrégation bootstrap), qui consiste à entraîner le modèle plusieurs fois sur différents sous-ensembles de données d'entraînement. Cette approche a abouti à une amélioration de 20 % de la précision des prévisions.

En utilisant les valeurs prédites, les chercheurs ont créé une carte de contour illustrant la profondeur des couches de roulement dans un rayon de 1 km autour de quatre emplacements sélectionnés dans le quartier de Setagaya. Cette carte constitue une aide visuelle précieuse pour les ingénieurs civils, car elle les aide à identifier les chantiers de construction appropriés avec des conditions de sol stables. Il aide également les experts en gestion des catastrophes à identifier les zones les plus vulnérables à la liquéfaction des sols, permettant ainsi une meilleure évaluation des risques et des stratégies d'atténuation.

Les chercheurs considèrent leur méthode comme un élément clé de la croissance des villes intelligentes, en soulignant l’importance des stratégies basées sur les données pour guider le développement urbain et la planification des infrastructures. « Cette étude jette les bases d'un développement urbain plus sûr, plus efficace et plus rentable. En intégrant des modèles d'IA avancés dans l'analyse géotechnique, les villes intelligentes peuvent mieux atténuer les risques de liquéfaction et renforcer la résilience urbaine globale », déclare le professeur Inazumi.

Les chercheurs prévoient d'améliorer la précision de leur modèle en intégrant des conditions de sol supplémentaires et en développant des modèles spécialisés pour les zones côtières et non côtières, en tenant compte de l'influence des eaux souterraines, un facteur important de liquéfaction.